基于动态影像组学的肝细胞癌组织学分级预测研究

为解决肝细胞癌(HCC)术前组织学分级预测难题，浙江大学医学院附属第一医院放射科团队创新性地将动态影像组学技术应用于多期相CE-MRI图像分析。研究通过构建静态、动态及动静结合模型，证实动态特征可显著提升HCC分级预测效能(AUC达0.841)，为个体化治疗决策提供新思路。

　　

肝细胞癌(HCC)作为全球第六大常见肿瘤，其组织学分级直接影响治疗方案选择——高分化肿瘤只需局部切除，而低分化肿瘤往往需要扩大切除范围甚至避免肝移植。然而现有活检存在出血、转移风险，传统影像学又难以准确区分肿瘤分化程度。更关键的是，既往基于静态影像组学的研究忽略了对比剂在肿瘤内动态变化的宝贵信息，而这些血流动力学特征恰恰与肿瘤微血管生成、异质性等生物学行为密切相关。

浙江大学医学院附属第一医院放射科Rui Zhang团队在《Asian Journal of Surgery》发表的研究中，创新性地将"动态影像组学"概念引入HCC分级评估。研究人员收集了244例患者的四期相CE-MRI数据（184例训练集，60例验证集），通过提取三类创新性特征：整合特征（反映时间维度变化规律）、离散特征（量化相邻时相变化率）以及参数拟合特征（包括首创应用的曲率指标），构建了全球首个动态-静态融合的HCC分级预测模型。

关键技术方法包括：1) 多中心回顾性队列设计；2) ITK-SNAP软件进行病灶分割及图像配准；3) 提取1936个静态特征和9680个动态特征；4) LASSO算法筛选特征后构建逻辑回归模型；5) SHAP方法解释模型决策机制。

研究结果显示：

1. 模型性能比较：动态-静态融合模型在内外验证集的AUC(0.841/0.776)显著优于纯静态模型(0.770/0.712)，证实动态特征可提升约7%的预测准确率。

2. 特征重要性：SHAP分析揭示前四位关键特征均为动态指标，如"EKmax_feature-Difference variance_HHL"通过指数拟合曲率反映肿瘤血管成熟度。

3. 临床整合：联合AFP、乙肝肝硬化等临床因素后，模型AUC进一步提升至0.849，但纯影像模型已具备独立诊断价值。

讨论部分指出，该研究首次证实：1) 动态特征能捕捉HCC特有的"快进快出"血流模式，高分化肿瘤表现为平缓的对比剂洗脱曲线；2) 曲率指标等创新参数可量化血管异常增生程度；3) 模型决策过程符合已知病理生理机制。尽管存在样本量有限、未使用肝胆特异性对比剂等局限，但这项研究为无创分级提供了新范式，未来可望指导手术方案制定（如根据预测分级调整切除范围）及预后评估。正如研究者强调，动态影像组学"打开了肿瘤功能评估的新窗口"，其应用前景不仅限于HCC，还可拓展至其他富血供肿瘤的精准诊疗。