基于CT深度学习和放射组学的肝细胞癌重复TACE预后评分系统：一项多中心队列研究

本研究创新性地构建了结合深度学习(DLscore)、放射组学特征(Radscore)和乙肝表面抗原(HBsAg)的HRD评分系统，通过多中心数据验证证实其预测肝细胞癌(HCC)患者重复经动脉化疗栓塞(TACE)后总体生存期(OS)的AUC达0.76-0.97，显著优于传统ART/ABCR评分，为临床精准筛选TACE获益患者提供了智能决策工具。

　　

Abstract
目的
开发新型智能评分系统用于筛选能从重复经动脉化疗栓塞(TACE)中获益的肝细胞癌(HCC)患者。

患者与方法
回顾性纳入三家医院的310例HCC患者，从中心1随机划分训练集和验证集，中心2和3作为外部测试集。基于治疗前CT动脉期和静脉期图像构建深度学习评分(DLscore)和手工放射组学特征。通过SelectKBest和LASSO回归筛选最优特征组合。最佳联合模型包含HBsAg、5个放射组学特征和DLscore，在四个队列中的AUC分别为0.97、0.89、0.76和0.84。通过ROC曲线、校准曲线和决策曲线评估模型性能，基于评分系统进行生存分析。

结果
最优联合模型在四个队列中均表现出良好校准性。决策曲线证实其临床实用性。Cox回归分析后构建的HRD评分(包含HBsAg、Radscore和DLscore)与患者OS显著相关，高低风险组区分度优于传统ART和ABCR评分。高风险组中位OS为224天(95%CI:172.44-275.56)，显著低于低风险组(P<0.001)。

结论
深度学习和放射组学能有效预测HCC患者重复TACE后的生存预后。HRD评分是优于传统评分的智能预后评估工具。

Introduction
随着精准医学发展，HCC治疗呈现多学科参与、多种治疗方式联合的特点。TACE作为巴塞罗那临床肝癌分期(BCLC)B期患者的首选治疗，可使初始不可切除HCC降期转化，也可作为术后辅助治疗降低复发风险。但重复无效的TACE会加重肝功能损伤，因此建立终止重复TACE的标准至关重要。传统ABCR和ART评分预测性能有限，而基于医学影像高通量特征的放射组学和深度学习技术为预后预测提供了新思路。

Materials and Methods
患者
多中心回顾性研究纳入符合诊断标准的HCC患者，随机划分训练/验证集和外部测试集。排除标准包括其他癌症病史、TACE前接受其他治疗等。

治疗与随访
采用Seldinger技术行TACE治疗，术后4-6周增强CT评估疗效(mRECIST标准)。随访终点为OS。

预测模型构建
传统放射组学模型：提取CT图像动脉期、静脉期1218个特征，经特征筛选后构建支持向量机(SVM)模型。
深度学习模型：采用带注意力机制的3D ResNeXt网络处理双期CT图像。
临床模型：收集包括AFP、BCLC分期等16项临床特征。
联合模型：构建6种组合模型，最优模型整合临床、放射组学和深度学习特征。

评分系统
基于多变量Cox回归系数构建HRD评分=Radscore×2.73+DLscore×12.15+HBsAg×1.37。

Results
患者特征
训练集(n=115)平均年龄53.09岁，BCLC A/B/C期分别占34.78%/40.00%/25.22%。外部测试集1(n=101)和2(n=64)的临床特征分布存在差异。

模型性能
最优联合模型在训练集的AUC达0.97，外部测试集1/2分别为0.76/0.84。决策曲线显示在多数阈值概率下具有正向净收益。

评分系统验证
HRD评分在中心1高低风险组的中位OS差异显著(P<0.001)，外部测试集1也显示显著差异(P=0.003)。传统ART评分在三中心均未显示显著区分度(P>0.05)，ABCR评分在外部测试集有统计学意义。

Discussion
本研究首次联合深度学习和放射组学构建HRD评分系统，其性能优于传统评分。DLscore的HR值显著高于其他特征，提示深度学习特征的重要预测价值。研究局限性包括样本量较小、CT设备差异可能影响特征稳定性等。未来需探索TACE失败后的最佳替代治疗方案。

Conclusion
基于多维特征的HRD评分能有效识别TACE获益患者，指导临床及时调整治疗策略，最终改善患者预后。