基于Gd-BOPTA MRI多层感知器深度学习放射组学模型预测肝细胞癌血管包绕肿瘤簇的多中心研究

本研究针对肝细胞癌(HCC)血管包绕肿瘤簇(VETC)的术前预测难题，通过整合Gd-BOPTA增强MRI的临床放射学特征与放射组学特征，开发了多层感知器(MLP)深度学习融合模型。该模型在训练集、测试集和验证集中AUC分别达0.871、0.894和0.918，显著优于传统模型，为HCC个体化治疗决策提供了无创预测工具。

　　

肝细胞癌(HCC)是全球癌症相关死亡的第三大原因，手术切除后高达70%的5年复发率始终是临床面临的重大挑战。近年来，血管包绕肿瘤簇(VETC)作为一种新型血管模式被证实与HCC的侵袭性转移和不良预后密切相关。这种特征性的CD34⁺血管网络通过"茧式"包裹肿瘤细胞簇，不仅促进血行转移，还能预测对索拉非尼等系统治疗和经动脉化疗栓塞(TACE)的疗效差异。然而，当前VETC诊断完全依赖术后病理检查，亟需建立有效的术前预测方法。

同济大学医学院附属同济医院放射科联合上海理工大学健康科学与工程学院的研究团队，在《Cancer Imaging》发表了基于钆贝酸(Gd-BOPTA)增强MRI的多中心研究成果。该研究创新性地将肿瘤与瘤周≤2mm区域作为整体感兴趣区(ROI)，通过7种机器学习算法比较，最终构建了整合动脉期瘤周强化和肝胆期瘤周低信号两项独立预测因子的放射学-MLP融合模型。

研究采用回顾性多中心设计，纳入三所医院的230例经病理确诊的HCC患者，按144:54:32的比例分为训练集、测试集和验证集。关键技术包括：(1)四类ROI模式(瘤内、瘤周、联合及融合区域)的放射组学特征提取；(2)LASSO回归与单变量逻辑回归的特征筛选；(3)MLP深度学习算法优化；(4)SHAP值模型可解释性分析。

主要结果

1. 放射学模型构建：动脉期瘤周强化(OR=2.440)和肝胆期瘤周低信号(OR=4.130)被确定为VETC的独立预测因子，模型AUC在验证集中为0.684。
2. MLP模型优化：当隐藏层设为5-3节点时，基于融合ROI(TumorPeri2mm)的MLP模型表现最优，筛选出三个关键特征：DP小波变换的最大概率、HBP原始图像的依赖非均匀性归一化和DWI小波峰度。
3. 融合模型验证：放射学-MLP模型在三个数据集的AUC分别达0.871、0.894和0.918，较单一模型NRI提升33.4%-131.3%，IDI改善9.3%-50%。SHAP分析显示MLP_score对预测贡献度最高。

这项研究首次证实Gd-BOPTA-MRI放射组学特征在VETC无创预测中的价值，其创新点在于：(1)突破传统瘤内分析局限，提出瘤周-瘤体融合ROI新范式；(2)验证MLP算法在小样本放射组学研究中的优越性；(3)建立的临床实用型列线图可直接辅助治疗决策。该成果为HCC血管侵袭模式的影像组学研究提供了新思路，尤其对无法获取Gd-EOB-DTPA造影剂的医疗中心具有重要推广价值。未来需通过前瞻性研究进一步验证模型对患者生存预后的预测效能。