基于DCE-MRI影像组学与机器学习的肝细胞癌、肝内胆管癌和炎性假瘤术前精准分类研究

本研究针对肝细胞癌(HCC)、肝内胆管癌(ICC)和肝脏炎性假瘤(HIPT)术前鉴别诊断难题，开发了融合动态增强磁共振成像(DCE-MRI)影像组学特征与临床数据的机器学习模型。研究人员通过多中心回顾性研究(280例患者)，构建的三分类融合模型取得0.933的宏平均AUC和84.5%准确率，显著优于传统诊断方法。该成果为肝脏占位性病变的精准诊疗提供了非侵入性决策工具，对临床个体化治疗策略制定具有重要价值。

　　

肝脏占位性病变的鉴别诊断一直是临床实践中的重大挑战。肝细胞癌(HCC)占原发性肝癌的75-85%，肝内胆管癌(ICC)约占10-15%且发病率持续上升，而肝脏炎性假瘤(HIPT)虽属罕见(<1%)却常被误诊为恶性肿瘤。这三类病变的治疗方案截然不同：HCC和ICC需要积极干预，而HIPT仅需保守治疗。然而，传统影像学检查和血清标志物(如AFP、CA19-9)在鉴别诊断中表现欠佳，误诊可能导致不必要的活检或手术，增加出血、感染和针道种植等风险。

赣州市人民医院医学影像研究所的研究团队在《Insights into Imaging》发表了一项突破性研究。该团队收集了来自三家医院2008-2024年间280例经病理确诊患者的DCE-MRI数据(HCC=160，ICC=80，HIPT=40)，通过提取T2加权、动脉期、门静脉期和延迟期的影像组学特征(使用PyRadiomics 3.0.1)，结合14项临床指标(包括肝硬化状态、肿瘤标志物等)，采用LASSO回归特征选择后构建了六种机器学习模型。研究创新性地应用类别加权策略(HCC:ICC:HIPT=1:2:4)解决数据不平衡问题，并通过五折交叉验证优化模型参数。

关键技术包括：1)多中心DCE-MRI数据采集(3.0T扫描仪，含动态增强序列)；2)手动三维病灶分割与影像组学特征提取(ICC>0.9的特征保留)；3)临床-影像组学特征融合建模；4)采用逻辑回归(LR)、随机森林(RF)和XGBoost等算法比较；5)通过bootstrap法进行1000次重采样验证。

研究结果显示：融合模型在测试集(n=84)中表现最优，宏平均AUC达0.933(95%CI:0.91-0.95)，准确率84.5%，显著高于单纯影像组学模型(AUC=0.856)和临床模型(AUC=0.795)(p<0.05)。特征重要性分析揭示：边缘强化(rim enhancement)是区分HCC与ICC/HIPT的关键影像特征，而肝叶萎缩(hepatic lobe atrophy)对鉴别ICC/HIPT与HCC最具价值。

讨论部分指出，该研究首次将HIPT纳入三分类框架，解决了传统方法对ICC诊断灵敏度低(约81%)和HIPT易误诊的问题。模型对ICC的识别提升尤为显著，有助于临床制定精准治疗方案——ICC需淋巴结清扫而HCC通常不需要。研究局限性包括HIPT样本量较小、未纳入混合型肝癌(cHCC-CC)，且依赖手动分割。未来需通过多中心验证和自动化技术改进。

这项研究的意义在于：1)建立了首个融合DCE-MRI影像组学和临床数据的HCC/ICC/HIPT三分类系统；2)将ICC诊断AUC提升至0.894，减少7%ICC病例因"快进快出"强化模式导致的误诊；3)为HIPT提供了特异性达95.7%的无创诊断方案，避免不必要手术。该成果为肝脏肿瘤的精准医疗提供了重要决策支持工具。