基于深度学习的协变量交互分析优化大肝癌动脉内治疗选择

本研究创新性地开发了DELICAITE（动脉内治疗选择中的深度学习和协变量交互分析）模型，通过整合深度卷积神经网络（DCNN）与多中心临床影像数据（n=900），实现了对经动脉化疗栓塞（TACE）和肝动脉灌注化疗（HAIC）治疗大肝癌（HCC）的精准决策支持。模型在预测疾病进展（PD）时展现出优异判别能力（AUC 0.756/0.701），显著延长"维持组"患者总生存期（OS 11.3 vs 8.1月，P<0.001），为临床个体化治疗提供AI驱动新范式。

　　

Abstract

肝细胞癌（HCC）占原发性肝癌75-85%，全球年新发病例约84万例。70%患者确诊时已进展至晚期，失去根治性治疗机会。动脉内治疗（IAT）包括经动脉化疗栓塞（TACE）和肝动脉灌注化疗（HAIC）成为主要选择，但大肝癌（肿瘤直径>5cm）存在显著异质性，传统方法难以精准预测疗效。

Background

国际指南推荐TACE作为中期HCC一线治疗，但高肿瘤负荷患者客观缓解率（ORR）仅16.2-30.3%。HAIC通过持续局部高浓度化疗药物展现优势，但缺乏标准化选择依据。肿瘤负荷和影像学模式（如浸润型HCC）显著影响疗效，亟需创新决策工具。

Methods

多中心回顾性研究纳入6家三甲医院900例大肝癌患者，采用双盲法标注对比增强CT（CECT）图像。DELICAITE模型整合：

1. 深度特征：采用DINOv2算法提取动脉期/静脉期定量特征

2. 临床协变量：门静脉癌栓（PVTT）、AFP水平等关键指标

3. 交互分析：解耦治疗-协变量交互效应

技术亮点包括：

• 全自动肝脏分割（H-DenseUNet）

• 动态特征选择（Shapley值排名）

• 多模态融合（放射组学+监督/无监督特征）

Results

模型预测PD的AUC在训练集/外部验证集达0.756和0.701。关键发现：

1. 静脉期CT高HU值区域（LongRunHighGrayLevelEmphasis）是最稳定预测因子

2. PVTT（HR=0.67, P=0.015）和高AFP（HR=0.52, P=0.005）是独立风险因素

3. "维持组"OS显著优于"调整组"（TACE亚组9.2 vs 7.8月，HAIC亚组11.8 vs 9.1月）

Discussion

相较于传统放射组学模型（外部验证AUC 0.615），DELICAITE的创新性体现在：

1. 突破虚拟场景局限：基于真实治疗响应数据建模

2. 动态交互解析：量化TACE/HAIC特异性获益人群

3. 临床实用性强：在线决策工具可直接输出治疗建议

局限性包括回顾性设计、以乙肝相关HCC为主，未来需纳入基因组学等多元数据。该研究为《BCLC指南》中特殊影像模式患者的治疗选择提供了AI增强决策范式。