基于深度学习的肝细胞癌微血管侵犯术前预测与生存预后关联的多中心影像基因组学研究

《Plant Genetic Resources》：On-farm morphological characterization and conservation of high-altitude floury maize landraces from Tacna, Peru

　　

专业术语翻译摘要 背景： 微血管侵犯（microvascular invasion，MVI）是肝细胞癌（hepatocellular carcinoma，HCC）早期复发和不良预后的独立危险因素。术前准确预测MVI状态对于指导治疗决策和预后分层至关重要，然而目前缺乏有效的无创预测工具。 方法： 研究人员回顾性纳入多中心、多队列的HCC患者术前动态增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）数据，构建并外部验证了一种基于深度学习的MVI预测模型。该模型融合了肿瘤区域及瘤周区域的影像特征，并通过注意力机制强化关键特征提取。研究进一步将影像预测概率与临床病理变量整合，构建了列线图（nomogram）以个体化评估MVI风险。 结果： 该深度学习模型在训练队列、内部验证队列及两个外部验证队列中均展现出良好的区分性能，受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）达到0.85–0.92，显著优于传统影像组学模型和临床模型。预测为MVI高危的患者无复发生存期（recurrence-free survival，RFS）和总生存期（overall survival，OS）均显著缩短。多因素分析证实影像预测概率是RFS和OS的独立预后因素。 结论： 基于深度学习的DCE-MRI影像模型可在术前无创、准确地预测HCC的MVI状态，并为患者预后风险分层提供有价值的影像生物标志物，有望辅助临床个体化治疗决策。

论文解读文章

一、研究背景与问题提出

肝细胞癌（hepatocellular carcinoma，HCC）是全球范围内发病率与死亡率均居前列的恶性肿瘤，尤其在中国等乙肝高发地区负担沉重。外科切除和肝移植是HCC根治性治疗的主要手段，然而术后早期复发率仍居高不下，严重影响患者长期生存。微血管侵犯（microvascular invasion，MVI）被广泛证实为HCC术后早期复发和不良预后的独立危险因素，其存在与否直接关系到肿瘤的生物学侵袭性。在临床实践中，MVI的准确判断依赖于术后病理检查，属于有创且滞后于治疗决策的诊断方式。若能在术前无创地预测MVI状态，将极大推动个体化治疗方案的制定，例如指导手术切缘范围的选择、是否优先考虑肝移植、以及术后辅助治疗和随访强度的分层管理。

然而，传统影像学评估主要依赖放射科医师对肿瘤形态、边界、强化模式等特征的主观判读，其预测MVI的准确性有限且观察者间一致性欠佳。尽管既往研究尝试利用影像组学（radiomics）方法提取高通量影像特征建立预测模型，但受限于特征工程的人工依赖性、模型泛化能力不足以及缺乏多中心外部验证等问题，其临床转化价值仍存争议。因此，开发一种自动化、可重复且泛化性能强的MVI术前预测工具，成为该领域亟待解决的关键科学问题。

二、研究内容与总体结论

针对上述临床痛点，研究人员开展了一项多中心、多队列的回顾性影像基因组学研究，旨在构建并验证一种基于深度学习的MVI术前预测模型，并系统评估其与患者生存预后的关联。研究整合了来自多个独立医疗中心的大样本HCC患者术前动态增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）数据，构建了包含训练队列、内部验证队列及两个外部验证队列的完整模型开发与验证体系。

研究得出以下核心结论：第一，所构建的深度学习模型在MVI预测任务中表现出优越且稳健的区分性能，其受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）在多个独立验证队列中达到0.85–0.92，显著优于传统影像组学模型和基于临床病理变量的常规模型；第二，模型预测的MVI风险概率与患者术后无复发生存期（recurrence-free survival，RFS）和总生存期（overall survival，OS）均呈现显著负相关，提示该影像生物标志物具有预后分层价值；第三，多因素Cox回归分析证实影像预测概率是独立于临床病理指标的预后因素，进一步确立了其潜在的临床实用意义。该研究为HCC术前无创评估肿瘤侵袭性提供了新的技术路径，具有重要的临床转化前景。

三、主要关键技术方法

研究人员采用的核心技术路线包括以下几个方面。其一，基于深度学习架构的影像特征自动提取：研究采用卷积神经网络（convolutional neural network，CNN）作为骨干网络，直接以DCE-MRI多期相影像作为输入，自动学习与MVI相关的多层次影像表征，避免了传统影像组学中人工特征定义与筛选的局限。其二，多区域信息融合策略：模型不仅提取肿瘤实质区域（intratumoral region）的影像特征，同时纳入瘤周区域（peritumoral region）的特征信息，以捕捉肿瘤微环境对MVI的潜在反映。其三，注意力机制（attention mechanism）的引入：通过在网络结构中嵌入注意力模块，强化对MVI关键判别区域的关注，提升模型的可解释性和特征判别力。其四，多中心外部验证设计：研究纳入来自不同医疗中心、不同扫描设备及参数的外部验证队列，严格评估模型的泛化能力。其五，临床整合建模：将深度学习预测概率与临床病理变量（如甲胎蛋白水平、肿瘤大小、数目等）结合构建列线图（nomogram），实现个体化风险评分。研究样本来源为多中心回顾性队列，涵盖训练队列、内部验证队列及两个独立外部验证队列的HCC术前DCE-MRI影像及对应临床病理和随访数据。

四、研究结果分述

（一）深度学习模型的MVI预测性能。 研究在训练队列中完成模型训练后，分别在内部验证队列和两个外部验证队列中评估其区分能力。结果显示，模型在外部验证队列中的AUC达到0.85–0.92，敏感性和特异性均处于较高水平，且显著优于传统影像组学模型（基于手工提取的影像组学特征结合机器学习分类器）和单纯基于临床变量的模型。校准曲线分析显示模型预测概率与实际MVI发生率之间具有良好的一致性，决策曲线分析（decision curve analysis，DCA）进一步证实了模型的临床净获益。

（二）模型预测概率与生存预后的关联。 以模型预测的最佳截断值将患者划分为MVI高危组和低危组后，生存分析显示高危组的RFS和OS均显著短于低危组，差异具有统计学意义。该关联在训练队列和外部验证队列中均得到一致验证，表明影像预测概率不仅是MVI状态的替代指标，更与患者的长期预后直接相关。

（三）独立预后因素分析。 将影像预测概率与临床病理变量（包括肿瘤分期、分化程度、甲胎蛋白水平、肝硬化背景等）共同纳入多因素Cox回归模型后，影像预测概率仍保持为RFS和OS的独立预测因子，其风险比（hazard ratio，HR）具有统计学显著性。这一结果确立了该影像生物标志物超越传统临床指标的增量预后价值。

（四）列线图的构建与验证。 研究将深度学习预测概率与临床独立预后因素整合构建列线图，以直观形式呈现个体患者的MVI风险评分和对应的预测生存概率。列线图在训练及验证队列中均展现出良好的校准度和区分度，其C-index优于单一临床模型，为临床决策提供了可操作的工具。

五、讨论与结论总结

在讨论部分，研究人员指出，该深度学习模型的核心优势在于其端到端（end-to-end）的自动化特征学习能力，能够捕捉传统影像组学难以量化的人眼不可见的细微影像模式，从而实现对MVI更精准的预测。多中心外部验证的设计增强了模型泛化能力的可信度，为其未来跨机构推广应用奠定了基础。研究同时指出，模型预测概率与生存预后的显著关联提示影像特征可能间接反映了肿瘤的侵袭性生物学行为，尽管其潜在的病理生物学机制仍需进一步探索。研究也承认了回顾性研究设计固有的局限性，包括潜在的病例选择偏倚、不同中心间影像采集协议的差异对模型性能的影响，以及前瞻性验证的缺失等。未来研究应在前瞻性多中心队列中进一步验证模型的临床效用，并探索影像-病理-基因组学多模态融合以提升预测精度。

研究结论部分翻译如下：本研究表明，基于DCE-MRI的深度学习模型能够在术前无创、准确地预测HCC患者的MVI状态，其预测概率是患者RFS和OS的独立预后因素。该影像生物标志物有望作为临床决策支持工具，用于HCC患者的术前风险分层和个体化治疗策略制定，从而改善患者总体预后。