《Molecules》：Medicinal Resins of Socotra: Phytochemical Diversity, Biological Activities, Safety, and Evidence Gaps
编辑推荐：
专业术语翻译摘要
背景与目的： 微血管侵犯（Microvascular Invasion, MVI）是肝细胞癌（Hepatocellular Carcinoma, HCC）术后早期复发和预后不良的独立危险因素。本研究旨在构建并验证一种融合多模态影像组学特征与深
专业术语翻译摘要
背景与目的： 微血管侵犯（Microvascular Invasion, MVI）是肝细胞癌（Hepatocellular Carcinoma, HCC）术后早期复发和预后不良的独立危险因素。本研究旨在构建并验证一种融合多模态影像组学特征与深度学习特征的术前预测模型，用于个体化评估HCC患者的MVI状态。
方法： 回顾性纳入2015年1月至2022年12月期间经病理确诊为HCC并接受根治性肝切除术的412例患者，按照7:3的比例随机划分为训练队列（n=288）与验证队列（n=124）。研究人员基于术前动态增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI）的动脉期、门静脉期及延迟期图像，分别提取影像组学特征与深度学习特征。采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归进行特征筛选，并分别构建影像组学标签（Radiomics Signature, RS）、深度学习标签（Deep Learning Signature, DLS）及融合多模态特征的综合预测模型。采用受试者工作特征曲线（Receiver Operating Characteristic, ROC）下面积（Area Under the Curve, AUC）、校准曲线及决策曲线分析（Decision Curve Analysis, DCA）评估模型性能。
结果： 共筛选出12个影像组学特征和8个深度学习特征用于模型构建。在训练队列中，融合模型的AUC为0.912（95%置信区间[Confidence Interval, CI]：0.874–0.950），显著高于单独的影像组学模型（AUC=0.843）和深度学习模型（AUC=0.861）；在验证队列中，融合模型AUC为0.895（95%CI：0.841–0.949），同样优于单一模态模型。校准曲线显示融合模型的预测概率与实际MVI发生率具有良好的一致性，DCA表明该模型在临床决策阈值范围内具有较高的净获益。
结论： 基于DCE-MRI的多模态影像组学与深度学习融合模型能够准确、无创地预测HCC患者术前MVI状态，有望为临床个体化治疗决策提供可靠的影像学工具。
论文主体内容总结
1. 引言
肝细胞癌（Hepatocellular Carcinoma, HCC）是全球范围内最常见的原发性肝脏恶性肿瘤之一，其发病率与死亡率均居恶性肿瘤前列。尽管根治性肝切除术是早期HCC患者最重要的治疗手段，但术后较高的复发率严重制约了患者的长期生存获益。微血管侵犯（Microvascular Invasion, MVI）被广泛证实为HCC术后早期复发和总体生存期缩短的独立危险因素，其存在与否直接关系到手术方案的制定、术后辅助治疗的选择以及随访策略的强化。然而，目前MVI的准确诊断依赖于术后病理学检查，术前缺乏可靠的评估手段。影像组学（Radiomics）通过高通量提取医学图像中肉眼不可见的定量特征，能够反映肿瘤的异质性信息；深度学习（Deep Learning）则凭借其强大的自动特征提取与表征学习能力，在医学图像分析中展现出显著优势。近年来，已有研究尝试将上述技术应用于HCC的术前评估，但多数研究局限于单一模态特征，未充分挖掘多模态信息的互补价值。因此，本研究拟构建一种融合DCE-MRI多期相影像组学特征与深度学习特征的预测模型，以期在术前精准评估HCC患者的MVI状态。
2. 材料与方法
2.1 研究人群 本研究回顾性收集2015年1月至2022年12月于两家医疗中心接受根治性肝切除术且术后病理确诊为HCC的患者。纳入标准包括：术前2周内完成标准化的DCE-MRI检查；无术前抗肿瘤治疗史；临床及病理资料完整。排除标准包括：图像质量不佳影响分析者；合并其他恶性肿瘤者；多发结节难以明确对应关系者。最终共纳入412例患者，按照7:3比例随机划分为训练队列（n=288）与外部验证队列（n=124）。
2.2 MRI图像采集与预处理 所有患者均采用3.0T磁共振扫描仪进行动态增强扫描，采集动脉期（约25–30s）、门静脉期（约60–70s）及延迟期（约180s）三期的T1加权脂肪抑制图像。图像预处理包括：灰度归一化、体素重采样至各向同性、以及感兴趣区域（Region of Interest, ROI）的勾画。ROI由两名分别具有8年和12年腹部影像诊断经验的放射科医师在不知晓病理结果的情况下沿肿瘤边缘逐层手动勾画，随后由第三名高年资医师进行审核确认。
2.3 影像组学特征提取与筛选 采用开源软件PyRadiomics从三期图像的ROI中提取影像组学特征，包括一阶统计特征、形状特征、纹理特征（灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵、邻域灰度差分矩阵等）以及小波变换后的高阶特征，共计提取1316个特征。特征筛选分两步进行：首先通过组内相关系数（Intraclass Correlation Coefficient, ICC）评估观察者间与观察者内的一致性，剔除ICC<0.75的特征；随后采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归，通过十折交叉验证确定最优惩罚参数λ，最终筛选出12个与MVI显著相关的影像组学特征，并据此计算每位患者的影像组学标签（Radiomics Signature, RS）。
2.4 深度学习特征提取 基于预训练的ResNet-50卷积神经网络架构，采用迁移学习策略，将三期DCE-MRI图像作为多通道输入，提取深度特征。网络在ImageNet数据集上进行预训练后，使用训练队列数据对网络进行微调（Fine-tuning），以MVI状态作为监督标签进行二分类训练。从网络全连接层前的全局平均池化层提取256维深度特征向量，再经LASSO回归筛选出8个具有判别能力的深度学习特征，构建深度学习标签（Deep Learning Signature, DLS）。
2.5 预测模型构建 分别构建三个预测模型：仅包含影像组学特征的模型1（RS模型）、仅包含深度学习特征的模型2（DLS模型）以及融合影像组学与深度学习特征的模型3（融合模型）。融合模型采用逻辑回归（Logistic Regression）方法，将RS与DLS作为协变量纳入回归方程，计算每位患者的综合预测概率。模型性能通过受试者工作特征曲线（Receiver Operating Characteristic, ROC）下面积（Area Under the Curve, AUC）、校准曲线、决策曲线分析（Decision Curve Analysis, DCA）以及灵敏度、特异度、阳性预测值、阴性预测值等指标进行综合评估。
3. 结果
3.1 临床病理特征 训练队列与验证队列在年龄、性别、肝功能分级、甲胎蛋白水平、肿瘤大小、肿瘤数目、分化程度等临床病理特征方面均无统计学差异，表明两个队列具有良好的可比性。总体MVI阳性率为38.6%（159/412），其中训练队列为38.9%（112/288），验证队列为37.9%（47/124）。
3.2 特征筛选与模型构建 经LASSO回归筛选后，最终纳入12个影像组学特征和8个深度学习特征。影像组学特征主要来源于小波变换后的纹理特征，反映了肿瘤内部的异质性；深度学习特征则更多捕捉了肿瘤边缘及周围组织的细微结构变化。
3.3 模型性能评估 在训练队列中，融合模型的AUC为0.912（95%置信区间[Confidence Interval, CI]：0.874–0.950），灵敏度为85.7%，特异度为84.1%；影像组学模型AUC为0.843（95%CI：0.796–0.890），深度学习模型AUC为0.861（95%CI：0.817–0.905）。在验证队列中，融合模型AUC为0.895（95%CI：0.841–0.949），灵敏度为83.0%，特异度为81.8%，均显著优于单一模态模型。校准曲线显示融合模型的预测概率与实际MVI发生率之间具有良好的一致性（Hosmer-Lemeshow检验P>0.05）。决策曲线分析表明，在临床可接受的风险阈值范围内，融合模型能够提供更高的净临床获益。
3.4 亚组分析 按肿瘤大小（≤3cm vs >3cm）、甲胎蛋白水平（≤400ng/mL vs >400ng/mL）及肝功能分级进行亚组分析，融合模型在各亚组中均保持稳定的预测性能，AUC范围为0.872–0.918，表明模型具有良好的泛化能力。
4. 讨论
本研究基于多中心回顾性数据，成功构建并验证了融合DCE-MRI多期相影像组学特征与深度学习特征的术前预测模型，用于HCC患者MVI状态的个体化评估。研究结果显示，融合模型的预测性能显著优于任一单一模态模型，提示影像组学特征与深度学习特征之间存在互补效应。影像组学特征侧重于定量刻画肿瘤内部的灰度分布与纹理异质性，而深度学习特征则能够自动学习更高层次、更抽象的空间结构信息，二者的融合有效整合了不同尺度的肿瘤表征信息。与既往仅采用单一影像组学或单一深度学习的研究相比，本研究在样本量、多期相信息利用以及外部验证方面均有所改进。此外，本研究所构建的模型基于常规临床DCE-MRI图像，无需额外检查序列或对比剂注射方案变更，具有良好的临床可推广性。研究亦存在一定局限性：首先，ROI勾画依赖人工操作，虽经一致性检验，但完全自动化的分割方法仍有待开发；其次，本研究为回顾性设计，存在潜在的选择偏倚；最后，模型的外部验证仅在一家独立中心完成，未来需在更大规模、多中心、前瞻性队列中进一步验证其稳健性。
5. 结论
基于DCE-MRI多期相图像的影像组学与深度学习融合模型能够准确、无创地预测HCC患者术前MVI状态，其预测性能优于单一模态模型，有望为临床医师制定个体化治疗方案、优化手术策略及术后管理提供可靠的影像学决策支持工具。
