整合多相MRI替代技术以提高肝细胞癌（HCC）的微血管侵袭检测和复发风险分层

《JHEP Reports》：Integrating Multiphase MRI Surrogates to Improve Microvascular Invasion Detection and Recurrence Risk Stratification in HCC

本研究开发并验证了一个基于Transformer的多模态深度学习模型（DL-TriFusion），整合多期MRI、ECV成像及临床特征，用于非侵入性预测肝癌微血管侵犯（MVI）及术后复发风险分层。模型在三个队列中AUC达0.957-0.959，显著优于单模态和双模态模型，且在早期（2年）和晚期（5年）复发风险分层中均优于病理确诊MVI，C-index分别为0.837/0.755 vs 0.447/0.520。模型在 HBV状态、病理分化及不同中心亚组中表现一致，通过Grad-CAM可视化验证了其对肿瘤边缘、增强区域的关注，为个性化治疗决策提供新工具。

　　肝细胞癌（HCC）是全球范围内最常见且最具致命性的恶性肿瘤之一，其复发和转移率较高，严重影响患者的预后。为了更好地预测HCC的复发风险并优化治疗方案，研究者们一直在探索有效的预后指标。其中，微血管侵犯（MVI）是影响HCC复发和预后的重要病理特征，但目前尚缺乏一种可靠的非侵入性方法在术前准确预测MVI。为此，研究人员开发了一种基于深度学习的多模态融合模型，结合了多期磁共振成像（MRI）和临床特征，以实现对MVI的非侵入性预测和术后复发风险分层。

该研究团队开发的模型名为DL-TriFusion，它基于Transformer架构，通过自注意力机制对多期MRI图像和关键临床变量进行特征融合。研究数据来源于五个中国三级医疗中心的924例接受根治性肝癌切除术的患者，涵盖了从2014年到2023年的临床资料。通过回顾性分析，研究人员构建了训练集（n=361）、内部验证集（n=155）和外部测试集（n=408），并对模型在不同子群体中的表现进行了评估。研究结果表明，DL-TriFusion在训练集、内部验证集和外部测试集中分别达到了0.957、0.959和0.959的AUC值，显著优于所有单模态和双模态模型（p < 0.001）。此外，模型在术后早期和晚期复发风险分层方面也表现出色，其C指数分别为0.837/0.755，而基于病理的MVI仅为0.447/0.520（p < 0.001）。在外部测试集中，DL-TriFusion在2年和5年时的AUC分别为0.846和0.938，显著优于病理确认的MVI（分别为0.485和0.501）。

该研究还探讨了模型的临床价值和潜在应用。DL-TriFusion能够利用常规的MRI和临床数据，提供可靠的预后评估。其性能在HBV感染状态、组织学分化程度和不同中心的子群体中保持稳定，表明该模型具有良好的泛化能力。通过结合深度学习提取的影像特征和临床变量，模型不仅提高了MVI预测的准确性，还能够更有效地识别早期和晚期复发的高风险患者，从而为个性化治疗和风险导向的决策提供支持。

在模型构建过程中，研究人员采用了先进的深度学习技术，包括3D MobileNetV2架构和MobHy-Net混合模型。3D MobileNetV2通过替换标准的2D操作为3D操作，以捕捉空间-时间信息。MobHy-Net则结合了卷积神经网络（CNN）和Transformer机制，实现跨模态语义特征的融合。通过这种方式，模型能够更全面地分析肿瘤微环境，并提取出对MVI预测至关重要的特征。模型的输入包括增强MRI和ECV图像，这些图像通过标准化的预处理流程进行处理，包括空间归一化、强度归一化和数据增强，以提高模型的泛化能力和鲁棒性。

此外，研究人员还对模型的可解释性进行了探讨。通过Grad-CAM技术，他们生成了可视化热图，以展示模型在预测MVI时关注的特定影像区域。这些区域包括不规则的肿瘤边缘、肿瘤周围增强和肿瘤实质内的高激活区域。从病理学角度来看，这些特征通常与肿瘤的侵袭性和较高的MVI风险相关。因此，模型的可解释性不仅有助于理解其预测机制，还增强了其在临床中的应用价值。

在临床应用方面，DL-TriFusion的性能和实用性得到了验证。它能够作为术前筛查工具，帮助医生识别高复发风险的患者，从而决定是否采用新辅助治疗或更广泛的切除范围。对于晚期复发风险较高的患者，该模型可以指导实施更密集的术后随访和早期干预策略。而对于那些虽然具有某些高风险特征（如MVI阳性）但模型预测的总体复发风险较低的患者，可以避免不必要的过度治疗，如更广泛的切除或辅助治疗。从实践角度出发，DL-TriFusion具有良好的可行性和成本效益，因为它完全依赖于常规的增强MRI和可获得的临床数据，而无需额外的检查如Gd-EOB-DTPA增强扫描或专门的ECV序列，这些检查可能涉及较高的成本和时间消耗，甚至可能带来额外的辐射暴露。

然而，该研究也存在一些局限性。首先，研究采用的是回顾性设计，这可能导致选择偏差和未测量的混杂变量，限制了研究结果在更广泛临床人群中的适用性。因此，未来需要前瞻性、多中心的研究来进一步支持该模型的临床转化。其次，由于是回顾性分析，病毒控制相关的数据（如HBV病毒载量和抗病毒治疗）并未一致获得，这限制了对模型预测能力的全面评估。虽然子群体分析显示DL-TriFusion在HBV阳性和阴性患者中均表现出色，但缺乏详细的病毒控制数据可能影响其对复发风险的全面评估。此外，尽管模型的预测结果具有较高的可靠性，但目前仍依赖于耗时的手动肿瘤分割，这成为其广泛临床应用的主要障碍。未来的工作将致力于开发一个端到端的流程，包括自动分割模块，以提高模型的临床实用性。

总的来说，DL-TriFusion模型展示了其在肝细胞癌术前预测微血管侵犯和术后复发风险分层方面的强大能力。通过整合临床变量、MRI衍生的ECV和深度学习提取的多期增强MRI特征，该模型不仅提高了预测的准确性，还提供了对肿瘤微环境的可解释性分析。其生成的风险评分在内部和外部队列中均表现出一致的性能，显示出作为肝细胞癌个性化手术规划和风险导向决策的潜在价值。未来，随着技术的进一步发展和临床验证的深入，DL-TriFusion有望成为肝细胞癌管理中的重要工具，为患者提供更精准的预后评估和更个性化的治疗策略。