《Cancer Management and Research》：A Multiphase CT-Based Radiomics-Clinical Model to Identify Inadequate Future Liver Remnant Hypertrophy After Portal Vein Embolization Before Major Hepatectomy
编辑推荐：
这篇综述（原文为原创性研究文章，并非综述）提出了一种创新的术前预测模型。该研究整合了动脉期、门静脉期和延迟期三期增强CT的影像组学（Radiomics）特征与关键临床变量，构建了能够准确预测门静脉栓塞术（Portal Vein Embolization, PVE）后未来剩余肝（Future Liver Remnant, FLR）增生不足风险的列线图（Nomogram）。模型在测试队列中曲线下面积（AUC）达到0.833，显著优于纯临床模型，为肝胆外科制定个体化手术方案提供了有力工具。
研究背景与目的
肝细胞癌（Hepatocellular Carcinoma， HCC）是全球常见的恶性肿瘤，根治性肝切除是首选治疗方式。然而，对于肿瘤体积大或位置不佳的患者，常需进行扩大肝切除术，这显著增加了术后肝衰竭的风险，其死亡率高达52–68%。术前增加未来剩余肝（Future Liver Remnant， FLR）体积是预防术后肝衰竭最有效的策略。目前，门静脉栓塞术（Portal Vein Embolization， PVE）是促使FLR增生的标准临床方法。但仍有约32%的患者因FLR增生不足而无法进行根治性切除。因此，术前准确预测PVE后肝增生反应至关重要。本研究旨在开发并内部验证一个基于多期（动脉期、门静脉期、延迟期）对比增强CT的影像组学-临床列线图模型，用于术前预测PVE后FLR增生不足，以指导个体化手术规划。
患者与方法
本研究为单中心回顾性研究，最终纳入了98例患者。所有患者均在PVE前和PVE后2–5周接受了标准化的三期腹部CT检查。FLR定义为Couinaud分段II和III段的总体积，计算FLR比率（calculated FLR， cFLR）的公式为：cFLR = FLR / (总肝体积 - 肿瘤体积) × 100%。将cFLR ≥ 30%定义为增生充足，<30%定义为增生不足。
在影像组学分析流程中，研究者手动在每期CT图像上勾画肝脏轮廓，生成三维感兴趣体积（Volume of Interest， VOI）。随后，使用Python的pyradiomics包提取了321个稳定的影像组学特征，包括54个一阶统计特征、42个形状特征和225个纹理特征（如灰度共生矩阵GLCM、灰度游程矩阵GLRLM等）。经过严格的特征筛选（包括单变量分析、相关性剔除、递归消除和LASSO回归），最终保留了5个具有非零系数的特征用于构建影像组学标签（Rad-signature）。
临床模型则通过单变量和多变量逻辑回归分析，筛选出与cFLR≥30%显著相关的临床变量。最后，将筛选出的影像组学特征和临床变量整合，使用多层感知机（Multilayer Perceptron， MLP）分类器构建了融合模型，并将其可视化为列线图。
结果
患者基线特征在训练集和测试集之间无显著差异。单变量和多变量分析显示，肝炎、肝硬化、术前白蛋白、既往化疗史、术前FLR和术前cFLR是肝增生充足的显著相关因素。
在模型性能方面，纯影像组学模型在测试队列中的曲线下面积（Area Under the Curve， AUC）为0.785。纯临床模型的AUC为0.743。而融合了影像组学和临床特征的放射组学-临床模型表现最佳，在训练队列中AUC达到0.913，在测试队列中AUC为0.833，其敏感度为0.824，特异度为1.000，准确度为0.850。DeLong检验表明，融合模型的AUC显著高于纯临床模型（P = 0.017）。
该融合模型被可视化为一个易于临床使用的列线图。决策曲线分析（Decision Curve Analysis， DCA）表明，该模型在20–80%的阈值概率范围内能提供良好的临床净获益，校准曲线也显示了优秀的预测一致性。
讨论
本研究成功构建并验证了一个能够术前识别PVE后FLR增生不足高风险患者的融合预测模型。与既往研究相比，本研究的创新点在于：第一，利用了多期（特别是动脉期）CT的影像组学特征，提示与灌注相关的信息可能通过“肝血流-再生轴”对早期再生能力产生关键影响；第二，模型整合了宏观病理背景（如纤维化、化疗毒性）的临床变量和量化微观实质异质性的影像组学纹理特征，取得了协同预测效益；第三，研究聚焦于乙肝病毒高流行的中国人群，填补了以往欧美研究留下的种族空白。
研究也存在局限性：样本量相对较小（n=98），回顾性设计可能导致模型过拟合和选择偏倚；未来需要更大规模、多中心的外部验证。此外，由于样本量有限，未评估肝脏的动态生长速率（Kinetic Growth Rate， KGR），这可能限制了对肝增生动态过程的全面理解。
结论
本研究开发并内部验证了一个基于增强CT的影像组学-临床列线图模型，能够在PVE前识别出增生反应不足的高风险患者。该模型仅整合了5个稳健的影像组学特征和常规可得的临床变量，即在测试队列中取得了0.833的AUC和良好的决策曲线表现。未来需要进行大规模、多中心、前瞻性的研究，以确认其普适性，并进一步阐明动脉期纹理特征与肝脏再生能力之间的生物学联系。
