打破肝癌术前诊断困局：CT 影像组学联合 AFP、PIVKA-II 精准预测病理分级

为解决术前难以无创精准预测肝细胞癌（HCC）病理分级的问题，吉林大学第二医院的研究人员开展 CT 影像组学联合 AFP、PIVKA-II 预测 HCC 病理分级的研究，发现联合模型预测性能佳。推荐科研读者阅读，探索肝癌诊断新方向。

　　

在全球的癌症版图中，肝细胞癌（Hepatocellular carcinoma，HCC）可是个 “狠角色”。它不仅是世界上第六大常见恶性肿瘤，更是癌症相关死亡的主要 “元凶” 之一，在原发性肝脏恶性肿瘤里，它能占到 75 - 85% 的比例 ，这数据真是让人触目惊心！

HCC 细胞的分化程度，对患者来说意义重大。它就像是一个 “命运开关”，直接影响着术后复发的几率和患者的生存情况。那些低分化的 HCC 患者，在接受手术切除后，预后情况往往很不理想，复发率也高得吓人，和高、中分化的患者相比，简直是天壤之别。所以，要是能在手术前就精准预测 HCC 的分化程度，那对于制定患者的治疗方案来说，无疑是一场 “及时雨”。比如说，对于高分化的患者，就可以避免不必要的化疗，优先选择手术切除的治疗方案，说不定就能收获不错的治疗效果呢。

可是，现有的检测手段却不太给力。超声引导下的穿刺活检虽然能在术前判断 HCC 的分化程度，但它属于有创操作，不仅操作起来有难度、存在风险，甚至还有针道转移的可能性，这就好比是 “杀敌一千，自损八百”，让医生和患者都很是头疼。因此，大家都迫切地期待着能有一项无创检测技术，来解开术前 HCC 分化程度的 “谜团”。

就在大家翘首以盼的时候，吉林大学第二医院的研究人员在《BMC Medical Imaging》期刊上发表了一篇名为 “Application of CT - based radiomics combined with laboratory tests such as AFP and PIVKA - II in preoperative prediction of pathologic grade of hepatocellular carcinoma” 的论文。他们经过一系列研究，得出了令人振奋的结论：基于 CT 的影像组学模型，再结合临床特征（比如性别）和实验室检查结果（像甲胎蛋白 AFP 和异常凝血酶原 PIVKA - II），可以在手术前较为可靠地预测 HCC 患者的病理分级。这一成果，为 HCC 的术前诊断开辟了一条新的道路，就像在黑暗中点亮了一盏明灯，给无数患者带来了新的希望。

为了完成这项研究，研究人员采用了几种关键技术方法。首先，他们从电子病历系统收集患者的临床病理数据，包括年龄、性别、AFP、PIVKA - II 等指标。接着，运用逻辑回归算法构建临床模型。对于 CT 影像，利用多排探测器扫描获取图像，再将动脉期和静脉期图像导入特定研究平台，进行半自动感兴趣区域（ROI）勾画、特征提取、降维等操作，最终用机器学习分类器构建影像组学模型和联合模型 ，通过一系列评估指标来判断模型的性能。

下面我们来看看具体的研究结果。

临床特征

研究人员一共招募了 108 位符合条件的 HCC 患者，其中 35 人被诊断为低分化肝细胞癌（poorly differentiated hepatocellular carcinoma，pHCC），73 人是中高分化肝细胞癌（non - poorly differentiated HCC，npHCC）。经过仔细对比两组患者的临床特征，发现性别、PIVKA - II 和丙肝病毒抗体（HCVAb）与 HCC 的分化程度有着密切的联系（P<0.05）。具体来说，npHCC 组的男性人数比 pHCC 组多得多；pHCC 组的 PIVKA - II 值明显高于 npHCC 组；而 npHCC 组中 HCVAb 呈阳性的患者数量又显著多于 pHCC 组。这就像是在 HCC 分化程度的 “拼图” 上，找到了几块关键的 “拼图碎片”。

临床模型

研究人员挑选了 6 个 p 值小于 0.1 的变量（性别、表面抗原、HCVAb、AFP、PIVKA - II 和 Fn），运用逻辑回归算法构建了一个临床模型，用来预测 HCC 的病理分化程度。结果显示，这个模型在训练队列和验证队列中的曲线下面积（AUC）分别是 0.719（95% CI：0.619 - 0.842）和 0.692（95% CI：0.455 - 0.93） ，准确率分别为 0.683 和 0.629，灵敏度分别是 0.848 和 0.809，特异性分别为 0.324 和 0.238。从这些数据可以看出，这个临床模型虽然对 HCC 的病理分化有一定的诊断效果，但在准确率和特异性方面，还有很大的提升空间。

影像组学模型

从 4528 个影像组学特征（其中包括 2264 个动脉期特征和 2264 个静脉期特征）中，研究人员分别筛选出 7 个和 12 个特征，构建了动脉期模型（AP 模型）和静脉期模型（VP 模型） ，又从 19 个 AP 和 VP 特征中进一步筛选出 10 个特征，构建了 AP + VP 模型。在这三个影像组学模型里，AP + VP 模型的诊断性能最为出色。在训练队列和验证队列中，它的 AUC 值分别达到了 0.953（95% CI：0.917 - 1）和 0.844（95% CI：0.681 - 0.995） ，明显高于 AP 模型（训练队列和验证队列 AUC 值分别为 0.843 和 0.773）和 VP 模型（训练队列和验证队列 AUC 值分别为 0.806 和 0.804） 。而且，VP 模型在静脉期的诊断效果比动脉期更好，在训练队列和验证队列中，VP 模型的准确率都高于 AP 模型，不过 AP 模型的灵敏度又比 VP 模型更高。这就像是一场 “模型之间的较量”，AP + VP 模型凭借出色的 “实力” 脱颖而出。

联合模型

研究人员把临床模型和 AP + VP 模型 “强强联合”，构建了 AP + VP + 临床模型。这个联合模型的诊断性能更上一层楼！在训练队列和验证队列中，它的 AUC 值分别为 0.926（95% CI：0.88 - 0.995）和 0.863（95% CI：0.711 - 1） 。虽然在训练队列中，AP + VP 模型的 AUC 值（0.953 ，95% CI：0.917 - 1）比联合模型高，但在验证队列里，AP + VP + 临床模型的预测表现更胜一筹，比 AP + VP 模型更加准确和灵敏。根据决策曲线分析（DCA），在训练队列中，AP + VP + 临床模型在较大阈值范围内能获得更好的净收益；在验证队列中，AP + VP 模型在较大阈值范围内净收益较好，但总体来说，联合模型与实际结果的一致性更高。这就好比两个 “高手过招”，联合模型在不同 “战场” 上都展现出了强大的实力。

最后，我们来总结一下研究结论和讨论部分。这项研究成功开发并验证了一种无创预测 HCC 病理分化的方法，也就是构建的 AP + VP + 临床模型。它在验证队列中的 AUC 值达到 0.863（95% CI：0.711 - 1） ，能实现更大的净收益，校准曲线和决策曲线分析也进一步证实了这个模型的稳定性和临床适用性。和之前的研究相比，本次研究中的基于 CT 的影像组学模型在 AUC 和准确率方面表现更优，这可能得益于从增强 CT（CECT）图像中提取了大量的定量影像组学特征（n = 4528） ，并且运用了像最小绝对收缩和选择算子回归（LASSO）等技术筛选出了关键特征。

不过，研究也存在一些局限性。比如，CT 图像数据都来自单中心，而且是回顾性研究，不同扫描仪器获取的图像可能会对特征提取结果产生影响，模型能否在前瞻性研究中发挥作用还不确定。另外，研究主要聚焦在肿瘤 ROI 的高通量成像特征和病理分期的关系上，对肿瘤周边信息关注不足，样本量也相对有限。但这并不影响这项研究的重要意义，它为后续研究指明了方向。未来可以开展多中心前瞻性研究，使用相同的 CT 扫描仪器，进一步探索影像组学模型的诊断潜力，还可以纳入更多临床病理信息和像肿瘤相关淋巴管密度这样的生物标志物，优化模型，从而更精准地预测 HCC 的病理分化程度，为临床决策提供更有力的支持。

总之，这项研究就像是在 HCC 术前诊断的道路上迈出了坚实的一步，虽然还有很长的路要走，但它已经为我们照亮了前行的方向，让我们对未来更精准的医疗充满了期待！