编辑推荐:
肝癌仍是全球重大健康负担,其发病率和死亡率持续居高不下。原发性肝脏恶性肿瘤在病理亚型之间表现出显著异质性,体现为不同的分子发病机制、生物学行为、治疗反应和预后结局。高通量分子组学(omics)的进展,连同影像学、病理学及临床数据,推动了对肝癌日益全面的多模态表
肝癌仍是全球重大健康负担,其发病率和死亡率持续居高不下。原发性肝脏恶性肿瘤在病理亚型之间表现出显著异质性,体现为不同的分子发病机制、生物学行为、治疗反应和预后结局。高通量分子组学(omics)的进展,连同影像学、病理学及临床数据,推动了对肝癌日益全面的多模态表征。人工智能(artificial intelligence, AI),尤其是深度学习和集成方法,促进了多模态数据融合与特征提取。在本综述中,研究人员总结了基于AI的肝癌多模态研究进展,首先阐述异质性表征,继而审视其在早期检测、诊断、预后和治疗中的应用。研究人员讨论了这些技术的优势与转化潜力,强调AI赋能的多模态方法如何加深生物学洞见并辅助临床决策支持。
基于AI的多模态肝癌研究:从异质性解析到精准诊疗的系统综述解读
**一、研究背景与问题**
肝癌是全球重大健康负担,发病率和死亡率持续居高不下。原发性肝癌主要包括肝细胞癌(hepatocellular carcinoma, HCC)、肝内胆管癌(intrahepatic cholangiocarcinoma, ICC)及混合型肝细胞-胆管癌(combined hepatocellular-cholangiocarcinoma, cHCC-CCA),三者病因背景部分重叠,但诊断标准、生物学行为、治疗路径和预后差异显著。肝癌的发病机制涉及遗传、转录、蛋白质及代谢水平的多层次改变,而疾病表型和临床病程还体现在影像、病理、实验室检查等患者层面信息中,这些异质性数据来源统称为多模态数据。多组学(multiomics)分析虽能表征肿瘤生物学特征,但无法完整反映形态学、空间背景或临床轨迹。随着数据量快速增长,高效整合和利用多模态数据成为关键挑战。人工智能(artificial intelligence, AI),特别是机器学习(machine learning, ML)和深度学习(deep learning, DL),为多模态数据融合与特征提取提供了强大计算工具。然而,数据标准化、模型可解释性及临床验证等方面仍存在挑战。为此,研究人员撰写本综述,系统总结AI驱动的多模态分析在肝癌异质性表征、早期检测、诊断、预后评估与治疗中的研究进展,并探讨其转化潜力与未来方向。
**二、研究内容与总体结论**
研究人员围绕"AI赋能的多模态分析如何推动肝癌精准管理"这一核心问题,从五个维度系统梳理相关研究。综述指出,分子多组学、影像组学(radiomics)、病理组学(pathomics)和临床数据各自提供互补信息,而AI赋能的集成多模态方法能够将复杂数据集转化为生物学洞见和可操作的临床策略,有望实现从发现导向的分析向肝癌精准管理决策支持的转变。
**三、关键技术方法**
本综述为系统性文献回顾,所纳入的代表性研究涉及多种AI算法:监督学习中的逻辑回归(logistic regression, LR)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)、极端梯度提升(XGBoost)等;无监督学习中的K均值聚类、相似性网络融合(similarity network fusion, SNF)等;以及深度学习中的卷积神经网络(convolutional neural network, CNN)、Transformer架构和基于U-Net的模型。数据模态涵盖转录组学、代谢组学、蛋白质组学、单细胞组学、空间组学、影像组学、病理组学及临床数据。主要样本队列来源包括癌症基因组图谱(The Cancer Genome Atlas, TCGA)、国际癌症基因组联盟(International Cancer Genome Consortium, ICGC)等公开数据库及多中心临床队列。
**四、主要研究结果**
**1. 基于AI的肝癌多模态异质性分析**
肿瘤微环境(tumor microenvironment, TME):TME由癌细胞、间质细胞、血管、神经纤维、细胞外基质及多种无细胞成分组成。研究者通过整合单细胞RNA测序、空间转录组学和批量RNA测序数据,揭示初始CD4
+ T细胞与分泌型磷蛋白1阳性(SPP1
+)巨噬细胞之间的相互作用,并据此建立预后预测ML模型。SpaLinker框架进一步实现了空间TME特征与患者表型的关联分析。
肿瘤亚型鉴定:基于蛋白质组数据的RF算法将HCC分为三种亚型,SI型保留代谢功能且预后最佳,SIII型呈现增强的增殖、转移和免疫抑制特征且预后最差。多中心队列研究基于多序列MRI影像组学建立无创的瘤内异质性分型,并通过转录组、代谢组、病理图像和单细胞RNA测序揭示高异质性亚型的生物学特征和潜在治疗靶点。
**2. 基于AI的多模态分析用于肝癌早期检测**
多数早期HCC患者无症状,常致晚期诊断。通过整合血清代谢组学和转录组学数据,结合LASSO和RF算法,鉴定出1-MNAM作为从肝硬化向HCC转变的潜在特异性生物标志物。ALARM模型基于三相计算机断层扫描(CT)的DL影像组学为肝硬化患者提供HCC早期预警。HCCseek工具整合拷贝数异常、片段大小和甲胎蛋白实现无创早期检测;HCCtect基于循环肿瘤DNA甲基化实现无创早期监测。
**3. 基于AI的多模态分析在肝癌诊断中的应用**
基于影像组学和临床特征的诊断与术前评估:微血管侵犯(microvascular invasion, MVI)是HCC术后复发的重要危险因素,MVI-Mind深度学习策略整合图像预处理、自动分割、特征提取和MVI预测。对于ICC,基于超声影像组学特征和血小板-淋巴细胞比值的ML模型可预测术前淋巴结转移。
诊断生物标志物的发现:通过转录组分析鉴定EZH2为HCC的重要诊断标志物,并开发预测EZH2表达的影像组学模型。血清细胞外囊泡的高通量蛋白质组学结合LR分析鉴定出CRP、纤维蛋白原、FRIL和PIGR作为胆管癌的诊断生物标志物。
肝癌的分类与鉴别诊断:HCC与ICC的鉴别是临床主要挑战。研究从增强CT提取影像组学数据并构建四种ML模型以无创区分HCC与ICC,LR分类器显示出良好的判别性能。整合蛋白质组学和代谢组学分析获得高准确度的三蛋白分类器。
**4. 基于AI的多模态分析用于预测肝癌预后**
早期复发预测:基于增强MRI与临床特征的深度学习模型可预测HCC根治性切除后早期复发。LightGBM算法基于15项影像组学特征和3项临床指标构建ICC早期复发预测模型,具有较高准确性。AI驱动的空间转录组学和蛋白质组学分析揭示自然杀伤细胞在HCC组织中的空间分布及其与术后复发的关联,并构建由五种关键生物标志物组成的肿瘤免疫微环境空间评分系统,预测准确性在五中心队列的231例患者中得到验证。
总生存期预测:基于超声图像的预后模型可预测HCC手术切除后的总生存期(overall survival, OS)。多队列研究整合CT影像组学特征开发肝癌影像组学签名,其高评分组在HCC、ICC和结直肠癌肝转移中均与较差OS相关。基于空间多组学数据,AI辅助分析鉴定出五种空间TME亚型,并建立基于单一1 mm
2肿瘤区域的DL预后系统。
**5. 基于AI的多模态分析在肝癌治疗中的应用**
治疗反应预测:研究者建立仑伐替尼耐药指数模型预测治疗反应,并鉴定法舒地尔为可逆转耐药特征的候选药物。多中心队列研究构建ML影像组学模型预测不可切除HCC患者对仑伐替尼单药治疗的反应。空间转录组分析结合无创ML影像组学分类器用于