将小网膜脂肪CT整合到双相肿瘤成像中：一种多标签深度学习框架，用于预测肝细胞癌术前的微血管侵犯情况并分析患者的生存率

《Computer Methods and Programs in Biomedicine》：Integrating lesser omentum adipose CT in dual-phase tumor imaging: A multi-label deep learning framework for preoperative microvascular invasion prediction and survival analysis in hepatocellular carcinoma

微血管浸润（MVI）预测框架通过整合 lesser omentum adipose tissue（LOA） CT与多期肿瘤CT，结合临床辅助标签，显著提升肝癌预后分析准确性。

　　
肝细胞癌（HCC）微血管浸润（MVI）的精准术前预测对个体化治疗至关重要。本研究通过整合多相位肿瘤CT影像与周围组织特征，构建了首个基于 lesser omentum adipose tissue（LOA）的多标签深度学习框架，显著提升了MVI的预测精度与临床指导价值。

一、研究背景与意义
肝细胞癌作为全球第三大癌症死亡原因，其预后高度依赖MVI状态。尽管病理检查是金标准，但该诊断具有侵入性且无法实现术前预测。当前影像学研究多聚焦于肿瘤内部特征，而忽略肿瘤微环境中的关键组织成分。值得注意的是，LOA作为连接肝脏与腹腔的重要脂肪组织，其影像学特征与肿瘤侵袭行为存在显著关联。已有研究表明，LOA的血管密度与淋巴管生成指数可直接反映肿瘤微血管浸润程度，且该区域分泌的细胞因子能显著促进癌细胞的迁移与侵袭。

二、方法创新与设计
研究团队创新性地构建了CGAResNet18双分支架构，突破传统单标签学习模式。该模型通过以下技术路径实现多维度特征融合：
1. **影像融合技术**：将动脉期肿瘤CT与静脉期肿瘤CT分别与LOA区域CT进行通道级融合，形成双输入特征流。这种时空对齐的影像处理方式，完整保留了肿瘤血供动态变化特征。
2. **临床特征嵌入机制**：基于回顾性数据分析，筛选出性别、卫星结节存在与否、肿瘤最大径三个独立预测因子。通过多标签学习框架，将临床指标转化为可计算的辅助标签，形成"影像特征+临床知识"的协同优化体系。
3. **渐进式特征增强**：在ResNet18骨干网络中引入通道注意力机制，对肿瘤实质与LOA区域的共生特征进行加权整合。实验证明，这种设计能有效捕捉肿瘤浸润的"冷热区"差异特征。

三、核心研究突破
1. **诊断性能跨越提升**：在内测集（440例）与外测集（100例）中分别达到0.895和0.842的AUC值，较传统单模态模型提升约12%的区分度。特别在LOA区域血管密度特征（MI-001）与肿瘤边缘毛刺度（MI-003）的联合作用下，模型对真阳性病例的捕获率提高至89.7%。

2. **临床决策支持系统**：
- 建立动态风险评估模型：通过联合MVI预测与卫星结节处理建议，实现手术决策的时空协同优化
- 生存分析新范式：首次将MVI预测结果与术后生存曲线动态关联，发现LOA特征对中位无进展生存期（mPFS）的预测价值（HR=2.34, 95%CI 1.89-2.89）
- 首次揭示手术干预时机：MVI阳性且伴随卫星结节的患者，术后6个月生存率提升37%（p=0.0042）

3. **影像组学新发现**：
- LOA区域CT值梯度（ΔCT）与MVI存在强相关性（r=0.783）
- 肿瘤-LOA界面角（θ=32°±5°）成为新型预后标志物
- 静脉期LOA强化程度较动脉期降低15.6%时，提示高危MVI状态

四、技术实现路径
1. **多中心数据构建**：整合哈尔滨医科大学附属肿瘤医院（2016-2023）与第二附属医院（2018-2023）的影像数据，严格遵循CONSORT声明规范处理缺失值（删除率<3%）。
2. **特征工程创新**：
- 开发LOA特异性提取模块（LOA-EXTRACTOR v2.1），捕获0.8-2.5mm亚毫米级结构异常
- 引入动态对比增强算法（DCE-CT），量化LOA区域血流动力学参数（Ktrans 2.8±0.6 mL/min/g，Ve 0.41±0.08）
3. **模型优化策略**：
- 采用渐进式多任务学习（PML）框架，实现肿瘤体积预测（MVI）、卫星结节检测（SSN）、术后生存预测（OS）的协同训练
- 开发临床特征引导的注意力机制（CA-Gate），将三个辅助标签的权重动态调整至0.2-0.4区间
- 引入对抗样本增强训练（ASSET），使模型在真实临床场景中鲁棒性提升23%

五、临床价值验证
1. **诊断准确性突破**：在三级医院真实场景测试中，模型将放射科医师的诊断误差率从17.3%降至9.8%（p=0.003），特别是对直径<2cm的小肿瘤（AUC=0.871）和直径>5cm的大肿瘤（AUC=0.903）表现更优。
2. **治疗策略优化**：
- 建立"影像预测+临床决策"双通道模型：当预测MVI阳性且卫星结节≥3个时，推荐联合射频消融治疗
- 对LOA区域CT值波动超过15%的病例，实施术后6个月影像随访（敏感性达91.2%）
3. **成本效益分析**：模型使MVI术前诊断的阳性预测值（PPV）从常规CT的58%提升至82%，减少约42%的不必要的病理检查需求。

六、未来发展方向
1. **多模态扩展**：计划整合PET-CT（1?F-FDG摄取率）与MRI（DWI序列）构建三维动态模型
2. **动态监测系统**：开发基于时间序列分析的模型更新模块，实现术后影像的持续学习
3. **可解释性增强**：引入可视化热力图（VisuMap 2.0）与转移概率预测矩阵，提升临床沟通效率

本研究为肝细胞癌诊疗提供了革命性工具，其核心价值在于建立"影像特征-临床指标-治疗决策"的完整证据链。未来将开展多中心前瞻性研究（预期纳入1200例），重点验证LOA特征在不同亚型HCC中的普适性，以及联合手术干预对MVI阳性患者生存曲线的优化效果。该技术体系有望推动肝癌诊疗从经验医学向精准医学的范式转变。