基于CT影像组学和机器学习的肝细胞癌肝切除术后肝外转移预测模型：一项多中心研究

本研究针对肝细胞癌(HCC)术后肝外转移预测难题，通过多中心回顾性分析374例患者CT影像数据，创新性构建了融合影像组学特征(Radscore)与临床风险因素(BMI/MVI/PV/ALB)的联合预测模型。该模型在训练组和验证组分别达到87.2%和86.0%的AUC值，显著优于单一模型(p<0.05)，其决策曲线分析(DCA)显示临床净获益更高，为HCC术后个体化随访提供了精准、无创的评估工具。

　　

肝细胞癌(HCC)作为全球第四大高发恶性肿瘤，其术后肝外转移是导致患者生存率骤降的"隐形杀手"。尽管手术切除是早期HCC的主要治疗手段，但发生肝外转移的患者中位生存期不足1年，与无转移患者70%的5年生存率形成鲜明对比。更严峻的是，13.5%-42%的患者在确诊时已存在肝外转移，常见于肺、骨、肾上腺等部位。传统影像学难以早期识别高风险患者，而侵袭性管理转移灶可显著延长生存期，这凸显了开发精准预测工具的迫切性。

针对这一临床痛点，青岛大学附属医院儿科外科联合山东省数字医学与计算机辅助手术重点实验室的研究团队，创新性地将CT影像组学与机器学习相结合，开展了一项跨越两个医疗中心、纳入374例患者的大规模研究。通过提取动脉期、静脉期和延迟期CT图像的1130个定量特征，结合LASSO回归筛选出9个关键特征构建Radscore，最终建立的联合预测模型在《Scientific Reports》发表的研究中展现出突破性的预测效能。

研究采用三大关键技术方法：1) 多中心回顾性队列设计(训练组277例/验证组97例)，严格遵循RECIST标准进行随访；2) 使用ITK-SNAP软件手动勾画肿瘤ROI，经ICC检验确保特征提取可重复性(ICC>0.75)；3) 通过LASSO回归和多元logistic回归整合Radscore与临床变量，构建列线图并进行DCA评估临床效用。

患者特征

队列分析显示训练组35例(12.6%)、验证组10例(10.3%)发生肝外转移，转移模式包括单部位(肺/淋巴结为主)和多部位转移。

影像组学评分构建

从9个关键特征构建的Radscore公式包含小波变换特征(如wavelet-HLL_gldm_SmallDependenceLowGrayLevelEmphasis)和灰度矩阵特征(如log-sigma-1-5-mm-3D_gldm_LargeDependenceHighGrayLevelEmphasis)，其单独预测AUC达82.4%(训练组)和78.5%(验证组)。

临床模型开发

多因素分析确认BMI(OR=0.830)、微血管侵犯(MVI)(OR=0.238)、门静脉血栓(PV)(OR=0.167)和白蛋白(ALB)(OR=0.897)为独立预测因子，临床模型AUC为81.2%。

联合模型性能

融合Radscore与临床因素的联合模型展现出最优预测能力：训练组AUC提升至87.2%(敏感性88.6%，特异性70.1%)，验证组AUC达86.0%。

模型比较

Delong检验证实联合模型显著优于单一模型(p<0.05)，DCA分析显示在0-0.4风险阈值范围内具有最高临床净获益。

这项研究开创性地证实了CT影像组学特征可作为HCC肝外转移的独立预测指标。通过将Radscore与常规临床参数整合，不仅解决了传统方法预测精度不足的难题，其构建的列线图更为临床医生提供了直观的风险评估工具。特别值得注意的是，研究揭示的影像特征如灰度依赖矩阵特征(gldm)和小波变换特征，可能反映了肿瘤微环境的空间异质性，这为探索转移机制提供了新视角。尽管存在手动分割耗时等局限性，但该模型的无创性、可重复性和多中心验证特性，使其在指导个体化随访策略制定方面具有重要转化价值，未来结合自动分割技术和前瞻性验证有望进一步推动精准医疗实践。