惊！18F-FDG PET/CT “解锁” 肝癌预后密码：肿瘤内外联合放射组学模型大显身手

为解决肝癌预后预测难题，天津医科大学肿瘤医院等单位研究人员开展基于 -FDG PET/CT 的肿瘤内外放射组学研究。结果显示，肿瘤内与 2mm 肿瘤周围结合的模型预测最佳。该成果为肝癌预后评估提供新方案，值得一读。

　　

肝癌（Hepatocellular Carcinoma，HCC），这可是肝脏恶性肿瘤里的 “头号反派”，在癌症相关死亡率排行榜上稳稳占据着第三名的位置。像肝炎病毒感染、严重肝纤维化或者肝硬化这些慢性肝病，都是肝癌的 “帮凶”，一步步把肝脏健康推向深渊。可肝癌这家伙十分狡猾，早期几乎没啥明显症状，这就导致很难做到早发现、早治疗，患者的预后情况往往不太乐观。

为了能更好地 “对付” 肝癌，医生们急需找到一些能预测肝癌预后的指标，来指导临床分期和治疗方案的选择。现在临床上虽然已经有像巴塞罗那临床肝癌分期系统（BCLC）、意大利肝癌计划（CLIP）和奥田标准这些分期方法，但它们的预测能力还是有些 “力不从心”，急需升级。这时候，找一个更靠谱的成像指标就成了医学领域的研究热点。

18F - 氟脱氧葡萄糖正电子发射断层扫描 / 计算机断层扫描（18F-FDG PET/CT）成像技术就像一个 “全能侦察兵”，既能提供 CT 图像的解剖学信息，又能带来 PET 图像的代谢信息，在多种恶性肿瘤的诊断、分期和疗效评估中都发挥着重要作用。在肝癌的生存分析方面，传统的 PET 代谢参数，像最大标准化摄取值（SUVmax）、代谢肿瘤体积（MTV）等，都被看作是预测临床结局的 “潜力股”。不过，这些参数和肝癌临床结局之间的关系还没有个定论，还得进一步深入研究，才能全面评估 18F-FDG PET/CT 在预测肝癌预后中的真正实力。

放射组学（Radiomics）是影像学分析领域的一颗 “新星”，它利用各种数据挖掘算法和统计工具，从高通量成像特征里提取预测信息，构建预测模型。目前，基于计算机断层扫描（CT）和 / 或磁共振成像（MRI）的放射组学已经展现出了强大的实力，在预测肝癌复发和预后方面比单一的临床病理指标更精准，未来有望在临床广泛应用。但让人意外的是，基于 PET/CT 的放射组学在肝癌预后评估方面的研究却少得可怜。而且，以往的放射组学研究大多只关注肿瘤内部区域，忽略了肿瘤周围区域的信息。其实，肿瘤周围区域和肿瘤的侵袭、转移密切相关，很可能藏着不少关于肿瘤预后的关键线索。之前有研究发现，肿瘤周围区域的范围大概在肿瘤边界外 1.5 - 8mm，但到底多大的范围对预测肝癌预后最有利，还没人系统研究过。

在这样的背景下，天津医科大学肿瘤医院等单位的研究人员决心 “啃下” 这块硬骨头。他们在《BMC Cancer》期刊上发表了一篇名为 “18F-FDG PET/CT-based intratumoral and peritumoral radiomics combining ensemble learning for prognosis prediction in hepatocellular carcinoma: a multi-center study” 的论文。经过一系列深入研究，他们发现基于肿瘤内部区域和 2mm 肿瘤周围区域相结合的综合放射组学模型，是预测肝癌总生存期的 “最佳选手”。而且，把这个模型和乙肝病毒（HBV）感染、TNM 分期这些临床指标结合起来，能进一步提高预测效果，未来很可能在临床大显身手。

研究人员为了完成这项研究，用到了好几个关键技术方法。首先是图像采集，让肝癌患者禁食 6 小时以上，把血糖控制在一定范围后，注射 18F-FDG，然后用特定设备从颅底到股骨远端进行扫描。接着是图像预处理，把采集到的 PET 和 CT 图像重新采样，调整体素间距，再用软件进行空间配准。之后是肿瘤分割，经验丰富的核医学医生手动勾勒肿瘤区域（TR），再把这个区域向外扩张 2mm、4mm、6mm 和 8mm，得到不同厚度的肿瘤周围区域（PTR），最后把 TR 和 PTR 合并成一个整体（TR-PTR）。然后通过专门的模块提取 4028 个放射组学特征，经过一系列筛选后，用五种集成学习算法构建了 15 种肿瘤内部放射组学模型。最后，他们用多种统计方法来评估模型的性能 。

下面咱们来看看研究的具体结果：

患者特征和临床预后因素

研究人员从两个机构收集了 135 例肝癌患者的数据，分为训练队列和外部测试队列。除了 TLG，两个队列在其他临床特征上都没有明显差异。根据患者的总生存期（OS）中位数 15 个月，把患者分成了低 OS 组和高 OS 组。经过单因素和多因素逻辑回归分析，发现 HBV 感染和 TNM 分期是肝癌预后的独立指标，而传统的 PET 代谢参数在区分低 OS 组和高 OS 组上都没有统计学意义。这就像是在一堆线索里，准确找到了两条关键线索，为后续研究指明了方向。

基于肿瘤内部放射组学的机器学习模型

研究人员从肿瘤内部区域提取放射组学特征，经过筛选，分别确定了构建 TR-CT 模型、TR-PET 模型和 TR-PET/CT 模型的特征。然后把这三个模型和五种集成学习算法组合，构建了 15 种机器学习模型。在内部验证队列中，支持向量机（SVM）在预测预后方面表现出色，TR-PET/CT 模型的平均 AUC 值最高。在外部测试队列中，TR-PET/CT 放射组学模型不管用哪种机器学习分类器，都比 TR-CT 和 TR-PET 放射组学模型更厉害。最终，TR-PETCT-SVM 放射组学模型凭借 0.729（95% CI：0.589 - 0.869）的 AUC 值，被选为最优的肿瘤内部放射组学模型，准备在后续研究中 “大展拳脚”。

基于肿瘤周围放射组学以及肿瘤内部和周围放射组学整合的机器学习模型

研究人员以 PET/CT 放射组学和 SVM 分类器为基础，构建了肿瘤周围放射组学模型和整合模型。在内部 100 次重复验证中，TR-PTR2mm 和 TR-PTR4mm 模型表现稳定，平均 AUC 值分别为 0.831 和 0.812。在外部测试队列中，TR-PTR2mm 模型脱颖而出，AUC 值高达 0.839（95% CI：0.718 - 0.960），成为预测肝癌预后的最优 PET/CT 衍生放射组学模型。这就好比在众多参赛选手中，TR-PTR2mm 模型一路过关斩将，成功夺冠。

列线图的构建

研究人员把最优的 TR-PTR2mm 模型和 HBV 感染、TNM 分期这两个临床预测指标结合起来，构建了列线图。这个列线图在预测肝癌预后方面表现十分亮眼，AUC 值达到了 0.889（95% CI：0.799 - 0.979），比单纯的临床模型和 TR-PTR2mm 模型都要好。校准曲线和决策曲线分析也表明，列线图在预测概率和实际概率的匹配度以及临床应用的净获益方面都有很大优势，就像给医生们提供了一个更精准、更实用的 “预测神器”。

在研究结论和讨论部分，研究人员明确指出，基于 18F-FDG PET/CT 图像，对肿瘤内部和周围区域进行分割的综合放射组学分析，找到了预测肝癌预后的最优模型，也就是肿瘤内部区域和 2mm 肿瘤周围区域相结合的综合放射组学模型。这个发现意义重大，证明了肿瘤周围放射组学在预测肝癌生存方面的重要补充作用，尤其是 2mm 厚的肿瘤周围区域，就像是一个 “信息宝库”，藏着大量对预测肝癌预后有价值的信息。而且，把这个综合放射组学模型和有价值的临床指标结合起来构建的列线图，进一步提高了预测肝癌预后的能力，在临床应用上潜力巨大。

不过，这项研究也有一些小 “遗憾”。比如，它是回顾性研究，虽然有内部验证和外部验证，但未来还是需要多机构、大样本的前瞻性研究来进一步验证结果。而且，两个机构的患者用了不同的扫描设备，虽然做了图像预处理来减少影响，但还是存在潜在偏差。另外，研究没有进行基于肝癌患者分层的亚组放射组学分析，也没有涉及基于肝癌功能亚区域分割的栖息地放射组学研究，这些都是未来研究可以努力的方向。

总的来说，这项研究为肝癌预后预测提供了新的思路和方法，让我们离攻克肝癌这个 “大难题” 又近了一步。相信在未来，随着研究的不断深入，会有更多更有效的方法来帮助肝癌患者，给他们带来更多的希望。