编辑推荐：
肝内胆管癌（ICC）患者预后差，神经侵犯（PNI）对其预后影响重大，但目前缺乏无创术前预测方法。研究人员构建基于 MRI 的融合模型预测 ICC 患者 PNI 状态。结果显示该模型预测性能良好，有助于指导临床决策。
在医学领域，肝内胆管癌（Intrahepatic Cholangiocarcinoma，ICC）如同一个可怕的 “杀手”，严重威胁着人们的健康。它是一种起源于肝内胆管的恶性肿瘤，发病率在全球呈上升趋势，尤其在亚洲地区更为明显。尽管手术切除是目前有望实现长期生存的最佳治疗方式，但 ICC 患者术后复发率极高，5 年生存率仅在 20 - 35% 左右。这背后，神经侵犯（Perineural Invasion，PNI）“功不可没”。PNI 指癌细胞浸润神经鞘或围绕神经纤维达其周长 33% 以上，它是影响 ICC 患者预后和复发的关键因素。然而，当前对 PNI 的诊断主要依赖术后病理检查，无法在术前为医生提供有效信息，导致治疗方案的制定缺乏关键依据，这就像在黑暗中摸索，充满了不确定性。
为了打破这一困境，来自郑州大学人民医院、河南肿瘤医院等多家机构的研究人员联合开展了一项极具意义的研究。他们致力于构建一种基于磁共振成像（Magnetic Resonance Imaging，MRI）的融合模型，以此实现对 ICC 患者 PNI 状态的术前精准预测。经过一系列严谨的研究，他们成功构建出融合了深度学习特征、影像组学特征以及临床特征的模型。该模型在预测 PNI 状态方面表现出色，为临床医生提供了一个强有力的 “武器”，有望改变 ICC 的治疗策略，提高患者的长期生存率，这一成果发表在《World Journal of Surgical Oncology》上。
研究人员采用了多种关键技术方法。首先，他们收集了来自三个医学中心的 192 例 ICC 患者数据，分为训练集（147 例）和外部测试集（45 例）。接着，对患者的 MRI 图像进行预处理和特征提取，运用影像组学从 T2 加权成像（T2WI）中提取 1197 个特征，经筛选构建影像组学模型。同时，基于预训练的 ResNet101 构建深度学习模型。最后，将二者与临床特征结合，利用逻辑回归构建融合模型，并通过多种指标评估模型性能。
研究结果主要从以下几方面展开：
- 基线特征：192 例患者按 PNI 状态分为阳性组（72 例）和阴性组（120 例），训练集和测试集在年龄、性别、AFP、CEA 等多项指标上无显著差异（P>0.05），保证了后续研究的可靠性。
- 影像组学模型与可视化：从 MRI 图像中筛选出 9 个影像组学特征，基于这些特征构建的 5 种模型中，ExtraTrees 模型表现最佳。在训练集和测试集上，其 AUC 分别达到 0.796 和 0.713 。SHAP 可视化分析表明，R4（wavelet_LHL_firstorder_RootMeanSquared）是区分 PNI 状态的关键特征。
- 深度学习模型与可视化：基于 ResNet101 的深度学习模型在训练集和测试集上 AUC 分别为 0.869 和 0.736 。Grad - CAM 显示该模型主要关注肿瘤内部和边界区域。
- 融合模型与可视化：通过单因素和多因素逻辑回归分析，发现年龄和 ALB 对 PNI 结局有显著影响。融合模型整合多种特征后，在训练集和测试集上 AUC 分别为 0.905 和 0.760 ，在各项指标上均表现出色，校准曲线和决策曲线也证明其良好的一致性和临床实用性。
在研究结论和讨论部分，该融合模型的优势得到了充分体现。它能够有效整合多种信息，在预测 ICC 患者 PNI 状态方面展现出卓越性能，优于单一的临床模型、影像组学模型和深度学习模型。这对于指导术前分期和辅助治疗意义重大，有助于实现 ICC 患者的个性化精准治疗。然而，研究也存在一定局限性，如样本量有限、回顾性研究可能存在选择偏倚、影像组学特征与肿瘤微环境关系未完全明确等。但总体而言，这项研究为 ICC 的临床诊疗开辟了新的道路，为后续研究提供了重要参考，有望推动该领域的进一步发展，让更多 ICC 患者从中受益。
