基于肝脏多序列MRI的机器学习影像组学预测乙肝病毒相关纤维化患者肝相关事件风险

本研究针对乙肝病毒(HBV)相关慢性纤维化患者在接受抗病毒治疗期间仍可能发生肝相关事件(LREs)的临床难题，通过多序列肝脏MRI影像组学分析，结合8种机器学习算法构建预测模型。研究团队筛选出58个关键影像特征，支持向量机(SVM)模型在训练集和测试集中分别达到0.94和0.93的AUC值，显著优于传统临床指标，为HBV相关肝病的个性化管理提供了新的影像学生物标志物。该成果发表于《European Radiology Experimental》，为临床早期识别高风险患者提供了可靠工具。

　　

在全球范围内，乙肝病毒(HBV)感染仍是重大公共卫生问题，约20%的感染者会发展为慢性肝炎，其中10-20%最终进展为肝硬化。尽管口服抗病毒药物已成为HBV相关纤维化的标准治疗方案，但令人担忧的是，部分患者在治疗过程中仍会发生包括腹水、静脉曲张出血、肝肾综合征、肝性脑病和肝细胞癌在内的肝相关事件(LREs)。这些事件不仅预示着不良预后，还会严重影响患者的生活质量。目前临床主要依赖血清学指标和肝脏硬度测量(LSM)等传统方法进行风险评估，但这些手段难以捕捉肝脏病变的空间异质性。在此背景下，Yuankai Luo等研究者开创性地将多序列磁共振成像(MRI)与机器学习相结合，探索影像组学特征在预测HBV相关纤维化患者LREs中的价值。

研究团队采用回顾性队列设计，从珠海市人民医院纳入222例接受抗病毒治疗的HBV相关纤维化患者(LSM≥10 kPa)，通过PyRadiomics软件从T1加权、T2加权和弥散加权成像(DWI)序列中提取1050个定量影像特征。采用LASSO回归进行特征降维后，最终筛选出58个最具预测价值的特征，包括Wavelet-LHH GLRLM Gray-Level Non-Uniformity Normalized等关键指标。研究创新性地比较了8种机器学习算法，发现支持向量机(SVM)分类器表现最优，在训练集和测试集中的受试者工作特征曲线下面积(AUC)分别达到0.94和0.93，显著优于Fibrosis-4评分(1.85±1.37)和APRI指数(0.56±0.48)等传统临床工具。SHAP分析显示，源自DWI序列的log-sigma-3-0-mm-3D GLSZM Gray-Level Non-Uniformity Normalized是最具预测力的特征。

研究结果部分，特征选择过程显示Wavelet变换特征在预测中占据主导地位，反映肝脏细胞形态和病理生理改变的微观信息。校准曲线证实模型预测与实际观察结果具有良好一致性，而SHAP值分析则直观展示了各特征对预测结果的正负向贡献。值得注意的是，original-shape elongation等形态学特征的低值提示肝脏边缘粗糙不规则，这与肝硬化典型的形态学改变高度吻合。Gray-Level Non-Uniformity等纹理特征则可能对应肝脏内部的炎症、纤维化和微坏死区域。

在讨论部分，作者强调这是首个基于多序列MRI全肝影像组学预测HBV慢性纤维化患者LREs的研究。与既往依赖CT或超声的研究相比，多序列MRI提供了更全面的肝脏评估信息。研究证实肝脏功能的恶化在影像组学特征上具有特异性表现，即使尚未出现明显的宏观结构改变。这些发现为理解HBV相关纤维化的进展机制提供了新视角，也为临床决策提供了重要参考：高风险患者可能需要更密集的随访监测和更积极的干预策略。

该研究的创新价值主要体现在三个方面：首次建立HBV纤维化患者的MRI影像组学预测模型；证实Wavelet特征在肝脏病理评估中的特殊价值；开发出性能优于传统指标的临床预测工具。不过作者也指出研究的局限性，包括单中心回顾性设计、手动分割肝脏的效率问题，以及尚未整合临床指标模型等。未来研究需要通过多中心前瞻性验证、开发自动化分割算法，以及构建临床-影像融合模型来进一步提升预测效能。这项成果为HBV相关肝病的精准医疗提供了新思路，展现了放射组学在慢性肝病管理中的广阔应用前景。