《Advanced Science》：A CT Lesion Foundation Model for Non-Invasive Assessment of Hepatocellular Carcinoma Aggressiveness and Prediction of Recurrence Risk
编辑推荐：
肝细胞癌（HCC）仍是全球癌症相关死亡的主要原因之一，根治性切除术后复发率高。对肿瘤侵袭性和复发风险进行准确的无创评估对手术决策和术后监测至关重要，但传统影像学方法仍面临挑战。本研究构建了一个CT病灶基础模型（LFM），通过自监督学习在32 120个通用病灶和
肝细胞癌（HCC）仍是全球癌症相关死亡的主要原因之一，根治性切除术后复发率高。对肿瘤侵袭性和复发风险进行准确的无创评估对手术决策和术后监测至关重要，但传统影像学方法仍面临挑战。本研究构建了一个CT病灶基础模型（LFM），通过自监督学习在32 120个通用病灶和6 387个HCC特异性CT图像块上进行训练，以捕获可迁移的病灶内影像表型。在一个内部验证队列和两个外部验证队列中，序贯预训练的LFM（LFM-Seq）在微血管侵犯（MVI）评估中的曲线下面积（AUC）值分别为0.916、0.846和0.920，在病理分级评估中分别为0.833、0.885和0.795。该模型在训练数据有限和肿瘤定位扰动的场景下仍保持稳健。此外，LFM-Seq衍生的风险评分可对无复发生存期（RFS）进行分层，外部验证的C指数为0.701，且在调整临床病理因素后仍与RFS独立相关。探索性生物学可解释性分析显示，LFM-Seq衍生的风险表型与受抑制的淋巴细胞相关免疫程序相关。上述结果表明，CT病灶基础模型可支持对HCC侵袭性的无创且稳健的表征、复发风险分层以及可解释预后影像生物标志物的发现。
**研究背景与问题**
肝细胞癌（HCC）是全球最常见的原发性肝脏恶性肿瘤，也是癌症相关死亡的主要原因之一。尽管监测手段和手术技术不断进步，根治性治疗后的长期结局仍受限于较高的术后复发率。微血管侵犯（MVI）和高病理分级（Edmondson-Steiner分级3/4级）是侵袭性HCC生物学的两个关键病理标志：MVI反映隐匿性血管播散和内在侵袭潜能，高病理分级则提示分化差和恶性细胞表型，二者均与早期复发和不良生存密切相关。目前MVI和病理分级的临床评估依赖术后组织病理学检查，限制了其用于术前风险分层和个体化手术规划的价值；穿刺活检虽可提供治疗前组织学信息，但受采样误差、并发症风险及HCC瘤内显著空间异质性制约。对比增强计算机断层扫描（CECT）常规用于HCC检出、分期、治疗规划和疗效评价，但侵袭性或预后影像特征的视觉评估仍具主观性，存在阅片者间变异，尤其当特征细微、临界或呈瘤内异质分布时。放射组学依赖预处理选择、分割可重复性和特征工程，任务特异性深度学习模型则常需大样本标注队列且跨机构、扫描仪和成像协议泛化能力欠佳，既往研究多聚焦诊断判别，对临床相关扰动下的稳健性、数据高效学习和生物学可解释性探索不足。视觉基础模型的兴起为医学图像分析提供了新范式，但现有影像基础模型多基于器官级或整体解剖背景构建，而HCC不同侵袭性对应的CT差异主要体现在细微的病灶级特征上。近期一项病灶中心性CT基础模型已证明从标注CT图像块学习可泛化病灶特征的可行性，但通用病灶级特征能否最优适配多期HCC成像及MVI、病理分级和术后复发等生物学相关终点尚待探索。HCC侵袭性可能编码于动脉期和门静脉期细微的瘤内强化异质性和局部上下文模式中，仅从通用病灶学习的特征可能无法充分捕获，这促使研究人员采用序贯预训练策略：先从大规模多样病灶图像学习通用病灶表征，再轻量适配HCC特异性多期图像，以在保留广泛病灶知识的同时使特征对齐HCC特异性模式。为此，研究人员构建了基于自监督DINOv2框架、在32 120个通用病灶图像块和6 387个HCC特异性CT图像块上预训练的病灶基础模型（LFM），旨在从CECT学习可迁移的病灶内影像特征；并将LFM与基于注意力的多实例学习（ABMIL）整合，实现MVI和病理分级的同时评估并学习HCC侵袭性的全肿瘤特征；进而利用所学全肿瘤特征构建弹性网Cox模型，生成LFM衍生的无复发生存期（RFS）风险评分并对术后复发风险分层；最后通过基于遮挡的视觉解释和基因组关联分析检验侵袭性评估的空间合理性和LFM衍生风险表型的生物学相关性。本研究发表在《Advanced Science》。
**关键技术方法**
研究人员主要采用以下关键技术方法：基于DINOv2自监督学习框架构建LFM，骨干为ViT-Small编码器（图像块尺寸8，输入单通道128×128 CT病灶图像块，输出384维特征），预训练目标结合DINO损失、iBOT掩码令牌损失和KoLeo正则化，采用学生-教师自蒸馏框架并以指数移动平均更新教师参数；构建四种LFM变体（LFM-Base、LFM-DL、LFM-Mix、LFM-Seq）以评估不同预训练策略；下游采用双向跨期注意力模块融合动脉期和门静脉期特征，并以ABMIL聚合图像块级特征至患者级全肿瘤特征；采用弹性网Cox比例风险模型进行RFS预测；采用基于遮挡的热图进行视觉解释，并利用TCGA-LIHC队列匹配的CT影像与转录组数据进行影像基因组学关联分析（DESeq2差异表达、clusterProfiler基因本体富集、STRING蛋白互作网络、CIBERSORT免疫细胞解卷积）。样本队列来源：预训练数据来自DeepLesion数据集及PLC、WAW、MDA三个HCC数据集；监督分析队列来自三个独立中心（Center 1共404例，其中训练队列263例、内部验证队列141例；Center 2外部验证队列1共171例；Center 3外部验证队列2共167例）；生物学分析队列为TCGA-LIHC/TCIA匹配的35例患者。
**研究结果**
2.1 纳入队列特征：研究构建了包含32 120个通用病灶CT图像块（来自DeepLesion）和6 387个HCC特异性CT图像块（来自公共HCC数据集）的预训练数据集；从三个独立中心纳入742例经病理确诊的HCC患者，Center 1分为训练队列（n=263）和内部验证队列（IVC，n=141），Center 2为外部验证队列1（EVC1，n=171），Center 3为外部验证队列2（EVC2，n=167）；三个队列在年龄、最大肿瘤直径、MVI状态、病理分级及AFP、AST、GGT、HBsAg等血清标志物上存在显著差异，反映多中心临床数据的异质性；RFS预测分析在具有完整术后复发随访的EVC1和EVC2中进行，EVC1用于开发RFS预测模型，EVC2作为独立验证队列。
2.2 MVI和病理分级评估性能：研究人员评估了四种LFM变体和两种既往模型（放射组学和FMCIB）。对于MVI评估，LFM-Seq在内部和两个外部验证队列中均取得最高AUC，分别为0.916、0.846和0.920，而LFM-Base在EVC1和EVC2中AUC仅为0.596和0.640，放射组学和FMCIB在EVC1中分别为0.811和0.786、在EVC2中分别为0.750和0.824，表明病灶级CT预训练特别是从通用病灶到HCC特异性病灶的序贯预训练提升了MVI评估影像特征的可迁移性；LFM-Seq在多个临床相关指标上表现均衡，校准曲线显示模型评估与观察到的MVI概率总体一致，决策曲线分析显示在广泛临床相关阈值概率范围内具有正净获益。对于病理分级评估，LFM-Seq在IVC和EVC1中取得最高AUC（0.833和0.885），在EVC2中与LFM-DL表现相当（0.795对0.800），并在多个队列中优于LFM-Base、FMCIB、放射组学和LFM-Mix；LFM-Seq在各队列中保持高敏感性（0.836–0.899）和中高特异性（0.600–0.823），校准曲线显示预测与观察高分级概率可接受一致，决策曲线分析提示临床相关阈值下正净获益。消融实验表明，去除任一成像期相或跨期注意力均一致降低三个队列的AUC，以外部队列中达统计学显著；以均值或最大池化替代ABMIL亦降低性能；LFM-Seq在6个队列-任务组合中的5个取得最佳性能，且完整模型的优势在外部队列中更明显，提示其有助于跨中心泛化。
2.3 MVI和病理分级评估的稳健性：在肿瘤定位扰动下（边界框坐标随机扰动0%至25%，重复50次），LFM-Seq在25%扰动水平下MVI评估的AUC在IVC、EVC1和EVC2中分别维持0.840、0.766和0.828，高于LFM-Base和FMCIB，且其AUC下降幅度（0.077、0.080和0.091）小于LFM-Base、LFM-DL和FMCIB；病理分级评估在25%扰动下LFM-Seq维持AUC 0.737、0.799和0.715，仍高于LFM-Base和FMCIB。在有限训练数据设置下（分别使用10%、20%和50%训练队列，重复50次分层随机抽样），CT预训练的LFM变体一致优于LFM-Base和FMCIB，尤其在训练集缩减时；LFM-Seq在各队列所有采样比例下均显示明显优势，50%训练数据设置下仍保持高AUC水平。肿瘤大小亚组分析显示，LFM-Seq在≤3 cm、3–5 cm和>5 cm亚组中均保持竞争力，在小肿瘤中优势尤为明显。
2.4 基于LFM衍生全肿瘤特征的RFS预测：在RFS开发队列和独立验证队列中，LFM衍生模型的C指数高于或相当于临床、临床病理、放射组学和FMCIB模型；EVC1中LFM-Seq取得最高C指数0.728，显著优于临床病理模型（0.677，p=0.029）；EVC2中LFM-Seq的C指数为0.701，显著高于放射组学（0.636，p=0.008）和FMCIB（0.625，p=0.009）。时间依赖ROC分析显示LFM-Seq在随访各时间点表现一致，EVC1中12、24、36个月AUC分别为0.786、0.832和0.897，EVC2中分别为0.776、0.720和0.696。Kaplan-Meier分析显示基于LFM-Seq风险评分的高危组与低危组在外部队列中可分离；Cox回归分析中，LFM-Seq风险评分（每1个标准差增量）在单变量分析中与RFS显著相关（EVC1：HR 2.525；EVC2：HR 1.945），在完全调整所有临床病理变量后仍独立相关（EVC1：HR 2.896，p<0.001；EVC2：HR 1.657，p=0.007）。比例风险假设在EVC1中满足、在EVC2中违反，时间依赖HR显示风险评分效应随时间衰减，提示其可能反映早期复发风险（EVC1中86.3%、EVC2中84.9%的复发发生在切除后24个月内）。嵌套模型的增量价值分析显示，将LFM-Seq风险评分加入临床模型或已包含MVI和病理分级的临床病理模型，均显著改善风险判别和重分类。肿瘤大小亚组分析显示LFM-Seq在各大小分层中仍属表现最佳模型之列。
2.5 LFM衍生影像表型的视觉合理性和生物学解释：基于遮挡的热图显示，侵袭性病例的正类贡献区域更显著且主要分布于肿瘤边界内及邻近区域，非侵袭性病例贡献模式较不明显；热图还提示任务依赖模式，MVI阳性贡献相对局限而高分级贡献更弥漫。定量区域归因分析显示，MVI阳性患者中动脉期高贡献区域主要局限于瘤内（三个队列中位瘤内重叠100.0%），而门静脉期高贡献区域中位瘤内重叠为36.2%、纳入10像素瘤周区域后增至74.7%，动脉期重叠显著大于门静脉期；高病理分级的高贡献区域在两期中分布更广（动脉期中位瘤内重叠67.4%，门静脉期61.8%），动脉期-门静脉期差异小于MVI。在TCGA-LIHC影像基因组学队列（35例，高危组22例、低危组13例）中，差异表达分析识别出126个差异表达基因（60个上调、66个下调）；高危组下调基因主要富集于免疫相关过程，包括淋巴细胞介导免疫、白细胞介导免疫、适应性免疫应答、抗原受体介导信号通路和B细胞介导免疫，上调基因未识别出显著基因本体生物学过程条目；蛋白互作网络识别出CD8A、CD27、CD38、EOMES、BTLA、CCR7和IL2RB等免疫相关枢纽基因；CIBERSORT分析中高危组显示名义上更高的M2巨噬细胞比例和名义上更低的CD8 T细胞和初始B细胞比例，但经FDR校正后均未保持统计学显著，应视为探索性关联。
**讨论与结论**
讨论部分指出，本多中心研究的核心发现是病灶级CT自监督预训练特别是从通用病灶到HCC特异性病灶的序贯预训练，改善了病理侵袭性评估和术后RFS预测的性能；LFM-Seq在MVI和病理分级评估中取得外部验证性能，在肿瘤定位扰动和有限训练数据下保持稳健，并提供超越既有临床病理变量的独立RFS预后信息；视觉解释和基因组分析为LFM-Seq衍生影像表型的空间和生物学合理性提供了探索性支持。将MVI、病理分级和RFS整合于单一框架的临床动机在于三者是HCC侵袭性不同而相互关联的表现，现有临床分期和治疗算法主要基于肿瘤负荷、肝功能和体能状态，可能未充分反映驱动复发的生物学侵袭性。LFM变体比较提示，自然图像与CT图像间存在显著域差异，通用病灶CT预训练可提供可迁移特征，序贯课程可能作为正则化器在保留通用病灶特征的同时使其对齐HCC特异性模式；LFM与ABMIL的整合可自适应聚合可变长度肿瘤层面的二维病灶图像块级特征，同时保留建模瘤内异质区域的能力；消融实验验证了双期输入、跨期注意力和ABMIL架构设计的价值，且去除这些组件导致的性能下降在外部队列中更明显，提示其可能有助于跨中心泛化。稳健性分析提示LFM-Seq预测较少依赖脆弱的边界级线索，有限数据实验提示其学习可迁移特征从而减少对大型任务特异性标注数据集的依赖。RFS预测中，LFM-Seq风险评分在完全调整MVI和病理分级等病理变量后仍独立相关，且加入已包含MVI和病理分级的临床病理模型后进一步改善风险判别和重分类，提示所学表征并非仅为MVI或病理分级的替代物，而似携带额外预后信息；其预后效应在早期复发最强并随时间衰减，生物学上早期复发多反映原发肿瘤隐匿性肝内转移、由MVI和分化差等内在侵袭性驱动，而晚期复发更常见于基础病肝实质的新发肝癌发生。肿瘤大小亚组分析提示LFM-Seq可能有助于识别未被大小充分表征的生物学侵袭性肿瘤。视觉解释揭示任务和期相依赖的空间模式，动脉期可能强调瘤内异质性灌注和强化，门静脉期可能更好捕获向肿瘤边缘和邻近实质延伸的差异。基因组分析显示高危组免疫相关基因和通路协调下调，与近期HCC影像研究将无创影像生物标志物与肿瘤异质性和免疫微环境表型相关联的发现一致，但免疫细胞差异经FDR校正后不显著，应视为探索性和假设生成性关联。LFM-Seq的预期临床场景为可切除HCC患者根治性手术前接受常规CECT的术前风险分层，术前MVI风险评估可能辅助手术规划，复发风险评分可帮助识别需要更密切术后监测的患者。研究局限性包括：监督队列为回顾性收集且人群和临床病理特征差异较大，CT采集平台和协议异质，无法完全区分扫描仪型号、采集参数和重建设置的独立效应；未系统统一记录常规放射科医生定义的语义CT特征；病理标签源自原始机构病理报告而未集中复阅；当前流程仍需肿瘤定位；基因组分析样本量较小；外部队列校准截距偏离0，本地临床应用前可能需要中心特异性重校准。
研究结论译为：本研究构建了一个用于HCC侵袭性和复发风险无创评估的CT病灶基础模型LFM-Seq。通过结合病灶级自监督预训练与基于多实例学习的全肿瘤聚合，LFM-Seq捕获了与MVI、病理分级和复发风险相关的病灶内CT表型。上述发现支持LFM-Seq作为稳健且可解释的影像生物标志物用于个体化HCC风险分层和治疗规划的潜力。
