基于多序列MRI影像组学联合临床特征的肝细胞癌TACE抵抗预测模型构建与验证

本研究创新性地整合磁共振多序列（T2WI-FS/AP/VP/DP）影像组学特征与临床影像指标，通过机器学习（ML）算法构建预测模型，首次证实LR算法开发的四序列联合模型（AUC=0.955）可精准预测肝细胞癌（HCC）经动脉化疗栓塞（TACE）抵抗，为临床早期识别治疗无效患者提供量化工具。

　　

Abstract
研究通过机器学习算法构建肝细胞癌（HCC）经动脉化疗栓塞（TACE）抵抗预测模型，验证不同算法的预测效能。131例接受重复TACE治疗的HCC患者（48例抵抗病例）数据按8:2比例分为训练集与验证集，采用方差阈值、单变量选择和LASSO方法降维后，通过SVM、RF、LR和AdaBoost算法构建影像组学模型、临床模型及联合模型。

Patients and Methods
回顾性收集昆明医科大学第一附属医院2017-2019年HCC患者数据，纳入标准符合《原发性肝癌诊疗指南（2022版）》。MRI扫描序列包括T2加权脂肪抑制（T2WI-FS）、动脉期（AP）、门静脉期（VP）和延迟期（DP），由两名介入医师手动勾画感兴趣区（ROI）。采用Pyradiomics提取1688个特征，经三重降维后计算放射组学评分（RadScore）。

Results
关键发现包括：

1. 门静脉期单序列模型表现最优（LR算法训练集AUC=0.896）
2. T2WI-FS+AP+VP+DP四序列模型显著超越单序列（验证集AUC=0.876）
3. 临床-影像组学联合模型展现最高效能（LR算法训练集AUC=0.955，灵敏度0.921）
4. 肿瘤位置（OR=2.76）和首次TACE疗效（OR=6.73）为独立风险因素

Discussion
研究突破在于：

• 首次系统比较多序列组合价值，证实门静脉期特征与肿瘤分化程度潜在关联
• 揭示中央型肝癌（I/IV段）因血管解剖特点更易产生TACE抵抗
• 提出标准化扫描设备差异的解决方案，增强临床适用性

Conclusion
LR算法构建的多序列临床-影像组学模型可准确预测HCC患者TACE抵抗风险，其诺莫图可视化工具为临床决策提供量化依据。未来需通过多中心研究验证模型泛化能力，并探索放射组学特征与肿瘤生物学特性的内在关联。