基于多中心MRI的对抗网络深度学习模型在肝细胞癌微血管侵犯术前评估中的可解释性与泛化性研究

本研究针对肝细胞癌(HCC)微血管侵犯(MVI)术前评估模型缺乏可解释性和泛化性的临床难题，开发了基于对抗网络(AD-DL)的深度学习模型。通过546例多中心MRI数据验证，该模型在外部测试集AUC达0.801，显著优于传统模型(p<0.05)，并能有效预测早期无复发生存期(ERFS)。结合生物信息学分析发现Wnt信号通路和上皮间质转化(EMT)等关键生物学机制，为临床决策提供了兼具预测性能和生物学解释性的新型工具。

　　

肝细胞癌(HCC)是全球癌症相关死亡的第三大原因，手术切除和肝移植虽是早期HCC的主要治疗手段，但术后5年复发率高达70%。微血管侵犯(MVI)作为HCC进展的关键病理特征，与肿瘤侵袭性、早期复发和生存率降低显著相关。然而当前MVI诊断完全依赖术后病理检查，亟需开发可靠的术前预测方法。虽然已有基于MRI的深度学习模型尝试解决这一问题，但多数研究受限于单中心数据，且模型缺乏生物学解释性，严重阻碍临床转化应用。

北京友谊医院等五家医疗中心的研究团队开展了一项突破性多中心研究，开发出具有领域泛化能力的对抗网络深度学习(AD-DL)模型。该研究纳入546例HCC患者的回顾性数据，创新性地采用对抗训练策略学习跨医院的域不变特征，在保持预测性能的同时显著提升模型泛化能力。相关成果发表在《Insights into Imaging》杂志，为解决MVI术前评估的临床难题提供了新思路。

研究采用三大关键技术：1)基于5个医疗中心546例患者的MRI多序列(IP/OP/T2WI/AP/PVP/DP)构建训练集和外部测试集；2)开发包含特征提取、MVI分类器和医院分类器的对抗网络架构，通过梯度反转层(GRL)实现域不变特征学习；3)整合TCIA数据库的RNA测序数据，采用GO/KEGG/PPI网络分析和CIBERSORT算法解析MVI相关生物标志物。

【模型开发与验证】研究团队首先构建临床-放射学(CR)模型，发现动脉期(AP)瘤周高增强是MVI的独立预测因子(OR=3.09)。随后开发的AD-DL模型在IP+OP+AP序列组合中表现最优，内部测试集AUC达0.793，外部测试集分别达到0.801和0.773，显著优于传统SE-DL模型(p<0.05)。

【预后预测价值】在93例Taizhou中心患者中，AD-DL模型预测的MVI状态与早期无复发生存期(ERFS)显著相关(p=0.048)，MVI阳性患者平均ERFS仅14.1个月，显著短于阴性组(20.7个月)。

【生物学机制解析】通过TCIA数据库RNA测序分析发现，AD-DL模型预测的MVI状态与198个差异表达基因(DEGs)相关，这些基因主要富集于代谢过程、Wnt信号通路和EMT过程。PPI网络分析鉴定出Bmp4等10个枢纽基因，免疫浸润分析显示MVI阳性患者调节性T细胞(Tregs)和M0巨噬细胞浸润增加。

该研究通过创新性的对抗网络架构，首次实现了MVI预测模型在多中心数据中的稳定泛化。相较于传统方法，AD-DL模型不仅提高了诊断准确性，还通过Grad-CAM热图和生物信息学分析增强了模型解释性，揭示MVI与Wnt/β-catenin信号激活和免疫微环境重塑的关联。这些发现为HCC个体化治疗决策提供了重要依据：对于AD-DL模型预测的高危患者，可考虑扩大手术切缘或优先选择切除术而非射频消融。研究也存在一定局限性，如回顾性设计可能引入偏倚，以及样本以亚洲HBV相关HCC为主，未来需通过前瞻性多民族队列进一步验证。总体而言，这项工作为影像组学模型的临床转化树立了新标杆，其"影像-基因"双向解析策略也为肿瘤生物学研究提供了新范式。