编辑推荐：
胆管细胞表型肝细胞癌（HCC）侵袭性强，术前识别对治疗意义重大。研究人员基于 T1 mapping 钆塞酸增强 MRI 构建机器学习模型预测胆管细胞表型 HCC。结果显示 XGBoost 模型最佳，且能分层评估无复发生存（RFS），为临床决策提供支持。
肝细胞癌（Hepatocellular Carcinoma，HCC）是全球常见的恶性肿瘤，其复杂的病理表型和肿瘤异质性导致患者预后较差。其中，表达细胞角蛋白（Cytokeratin，CK）19 或 CK7 的 HCC 被认为是胆管细胞表型，具有高侵袭性，与经典 HCC 相比，其淋巴结转移率更高，血管侵犯风险更大，预后更差。目前，术前识别胆管细胞表型 HCC 主要依赖侵入性活检，但该方法可能引发并发症，且由于肿瘤异质性，活检结果可能存在偏差。因此，开发一种非侵入性的识别方法迫在眉睫。
在此背景下，南方医科大学顺德医院等机构的研究人员开展了相关研究。他们旨在开发并验证一种基于 T1 mapping 钆塞酸增强 MRI 的可解释机器学习模型，用于识别胆管细胞表型 HCC，并通过 Shapley Additive 解释（SHAP）实现个性化预测，为临床决策提供支持。该研究成果发表在《BMC Cancer》杂志上。
为开展此项研究，研究人员运用了多种关键技术方法。首先，他们从两个机构收集了患者的术前 T1 mapping 钆塞酸增强 MRI 和临床数据，构建了训练、内部验证、外部验证和前瞻性验证队列。接着，通过最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）和逻辑回归分析筛选特征，构建了 5 种机器学习模型，并利用 SHAP 对模型结果进行可视化解释。最后，对部分患者进行随访，分析无复发生存（Relapse-Free Survival，RFS）情况。
在研究结果部分：
- 临床数据和 MRI 特征：研究纳入了不同队列的 HCC 患者，详细记录了临床数据和 MRI 特征。如训练和内部验证队列有 117 例患者，外部验证队列有 33 例患者，前瞻性验证队列有 30 例患者，且对各队列患者的性别、年龄、肝炎情况、AFP 水平等临床指标，以及肿瘤边缘、肿瘤包膜、T1 弛豫时间（T1 relaxation time，T1rt）等 MRI 特征进行了统计分析。
- 模型开发和评估：经 LASSO 和逐步选择逻辑回归分析，筛选出血小板与淋巴细胞比值（Platelet-to-Lymphocyte Ratio，PLR）、肿瘤包膜、肝胆期（Hepatobiliary Phase，HBP）靶征和 T1rt-20 min 等最显著的临床影像学特征构建预测模型。对比 5 种机器学习模型，发现 XGBoost 模型预测性能最佳，在训练、内部验证、外部验证和前瞻性验证队列中的曲线下面积（Area Under Curve，AUC）分别达到 0.835、0.830、0.816 和 0.776 。
- 临床应用：通过 SHAP 计算 XGBoost 模型的整体和个体 Shapley 值。整体上，T1rt-20 min 对最终预测概率影响最大；PLR、HBP 靶征和 T1rt-20 min 对预测胆管细胞表型阳性 HCC 概率有正向影响，肿瘤包膜有负向影响。个体预测方面，展示了 6 个准确预测的案例，SHAP 效应图能呈现每个特征对单个案例预测结果的正负影响。
- 预后分析：对 115 例患者随访发现，胆管细胞表型阳性 HCC 患者和经典 HCC 患者的 RFS 率存在显著差异（风险比 [Hazard Ratio，HR] 1.994；95% 置信区间 [Confidence Interval，CI] 1.059 - 3.758；P=0.027）。基于 XGBoost 模型预测值将患者分组后，高风险和低风险组的 RFS 率也有显著差异（HR 1.986；95% CI 1.061 - 3.717；P=0.029），表明该模型可用于根据预后对 RFS 进行分层。
研究结论和讨论部分指出，本研究成功开发并验证了基于 T1 mapping 钆塞酸增强 MRI 的最优机器学习模型，用于识别胆管细胞表型 HCC，T1 mapping 具有重要价值。通过 SHAP 实现的个性化预测，为临床决策提供了有价值的参考。此外，研究还发现 PLR、肿瘤包膜、HBP 靶征和 T1rt-20 min 等是重要预测特征，且胆管细胞表型阳性 HCC 复发率更高，模型风险分层可反映预后差异。不过，该研究也存在局限性，如样本量较小、仅纳入手术切除患者、未评估其他相关指标、MRI 特征评估依赖医生经验等。未来需进一步研究加以完善。总体而言，该研究为胆管细胞表型 HCC 的术前诊断和预后评估提供了新的方法和思路，具有重要的临床意义。
