通过整合MRI LI-RADS特征与深度学习栖息地放射组学实现大梁状-块状（macrotrabecular-massive，MTM+）肝细胞癌（hepatocellular carcinoma，HCC）及无复发生存（recurrence-free survival，RFS）的可解释预测

《European Radiology Experimental》：Interpretable prediction of macrotrabecular-massive HCC and recurrence-free survival by integrating MRI LI-RADS features with deep learning habitat radiomics

　　

目的：大梁状-块状（macrotrabecular-massive，MTM+）肝细胞癌（hepatocellular carcinoma，HCC）与不良预后和早期复发相关。研究人员开发并验证了一种整合磁共振成像（magnetic resonance imaging，MRI）肝脏影像报告和数据系统（Liver Imaging Reporting and Data System，LI-RADS）特征与深度学习（deep learning，DL）栖息地放射组学的列线图，用于术前预测MTM+HCC，并按无复发生存（recurrence-free survival，RFS）对患者进行分层。 材料与方法：在这项回顾性多中心研究中，607例接受治愈性意向外科切除的早期HCC患者（均值年龄±标准差，59.6±10.6岁；男474例，女133例）被划分为训练集（n=304）、内部验证集（n=131）和外部测试集（n=172）。研究人员分析了肝脏影像报告和数据系统（LI-RADS）特征、LI-RADS分类和临床特征，最终采用多变量逻辑回归构建整合LI-RADS特征、栖息地放射组学和DL特征的列线图；并通过多变量Cox回归分析确定独立预后因素。 结果：多变量分析中，栖息地放射组学评分、DL评分、甲胎蛋白（alpha-fetoprotein，AFP）、丙氨酸转氨酶（alanine transferase，ALT）和脂肪量（fat mass）是MTM+HCC的独立预测因子。DL栖息地放射组学列线图在训练集、内部验证集和外部测试集中的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）分别为0.897（95%置信区间[confidence interval，CI]：0.854–0.940）、0.757（95% CI：0.674–0.827）和0.858（95% CI：0.797–0.906）。多变量分析后，AFP（p<0.001）和列线图预测的MTM状态（p=0.039）为独立预后因素。 结论：整合LI-RADS特征、栖息地放射组学和DL特征的列线图可准确识别MTM+HCC患者，并可按RFS对患者分层。 关键点：术前整合方法对准确预测MTM+HCC及术后复发风险分层仍不足；该列线图较临床-放射学模型诊断性能更优；该列线图为术前识别MTM+HCC和复发风险分层提供了稳健、无创工具，有助于手术规划和术后随访策略。

研究背景方面，原发性肝细胞癌（hepatocellular carcinoma，HCC）是全球常见肝脏恶性肿瘤，术后复发率高。血管生成和瘤内异质性是HCC的重要特征，可经无创影像评估。大梁状-块状（macrotrabecular-massive，MTM+）HCC是HCC的特殊组织学亚型，以预后差、早期复发为特点。既往研究提示内皮特异性分子1（Endothelial-Specific Molecule 1，ESM1）可作为MTM+HCC的潜在标志物，但免疫组化需病理标本，因此术前无创识别十分重要。传统放射组学多基于全肿瘤提取特征，易忽略空间异质性；栖息地放射组学（habitat radiomics，指将肿瘤内不同影像表型区域聚类后分别提取特征以量化异质性）可弥补该不足。深度学习（deep learning，DL）已在HCC血管包绕肿瘤簇和微血管侵犯预测中展现高性能，但此前尚无研究同时联合栖息地放射组学与DL特征预测MTM+HCC。因此，研究人员开展本研究，构建并验证基于钆塞酸二钠（Gd-EOB-DTPA）增强MRI的DL栖息地放射组学融合列线图，用于术前预测MTM+HCC并按无复发生存（recurrence-free survival，RFS）风险分层。论文发表于《European Radiology Experimental》。

主要关键技术方法方面，研究人员采用2015年6月至2024年1月三家中心经病理确诊的HCC患者，经纳入排除后共607例早期HCC治愈性切除病例，其中中心1的435例按7:3分训练集304例与内部验证集131例，中心2和中心3共172例作外部测试集。影像采用3.0T设备行Gd-EOB-DTPA增强MRI；由医师评LI-RADS特征；用nnU-Net做肿瘤自动分割并由高年资医师校正；K-means聚类生成3个栖息地亚区并用PyRadiomics提取特征；以预训练3D Swin Transformer经迁移学习提取DL特征；再用特征选择分别建支持向量机与自编码器模型，最后以多变量逻辑回归建融合列线图，并以Cox回归分析RFS。

临床和影像学特征：研究人员收集607例患者资料，MTM+HCC共151例。训练集中MTM+组年龄更小、最大肿瘤直径更大，ALT、AST、GGT、AFP更高。单变量分析显示浸润性外观、瘤内出血、瘤内脂肪、廓清模式、包膜类型、瘤内动脉、显著坏死、中央瘢痕、肝胆期瘤周低信号和LI-RADS分类与MTM+HCC相关。

nnU-Net分割性能：研究人员以高年资医师确认为金标准评估254个自动分割掩膜，动脉期、门脉期、肝胆期Dice相似系数分别为0.891、0.883、0.932，95th百分位Hausdorff距离分别为13.4 mm、13.2 mm、10.4 mm，证明自动分割可靠性。

模型性能：临床-放射学（clinical-radiologic，CR）模型在训练、内部验证、外部测试集AUC为0.801、0.651、0.739；联合期（combined-phase，CP）栖息地放射组学模型为0.802、0.687、0.681；CP DL模型为0.740、0.712、0.725。DL与栖息地放射组学评分在MTM+组均显著高于MTM-组。Swin Transformer的类激活图显示红色区域为模型重点响应区。

列线图性能与可解释性：多变量分析确定栖息地放射组学评分、DL评分、AFP、ALT、瘤内脂肪为MTM+HCC独立预测因子。列线图AUC为0.897、0.757、0.858，优于CR模型；校准曲线、决策曲线和混淆矩阵支持其诊断能力与临床效用；SHAP分析显示栖息地放射组学评分、DL评分、AFP、ALT正向贡献，脂肪量负向贡献。

RFS的Cox回归分析：536例进入RFS分析，预测MTM+患者RFS短于预测MTM-患者。单变量中与RFS相关的有AFP、ALT、AST、直径、GGT和列线图预测状态；多变量后AFP（HR=2.76，p<0.001）与列线图预测MTM状态（HR=1.72，p=0.039）为独立预后因素，预后模型C-index为0.74、0.62、0.63。

讨论部分总结：研究人员指出MTM+HCC侵袭性强、预后差，本研究列线图优于CR模型；AFP升高、瘤内脂肪缺如、ALT升高均与MTM+侵袭性一致。与双能CT的DL放射组学研究相比，本研究用Gd-EOB-DTPA MRI更普及，且栖息地放射组学更好捕捉瘤内空间异质性，外部测试AUC达0.858。局限性包括回顾性选择偏倚、三中心采集异质性未做专门 harmonization、多级融合计算负担大而未用端到端DL、生存数据不足未能评估总生存（overall survival，OS）。未来需扩大样本、多队列验证并融入临床工作流。

结论部分翻译：研究人员基于Gd-EOB-DTPA增强MRI构建了DL栖息地放射组学融合列线图。该列线图可作为稳健的无创工具用于术前MTM+HCC诊断。未来工作应聚焦于在更大、更多样化队列中验证模型，并探索其整合进临床工作流以改善患者结局。