基于多参数MRI机器学习影像组学预测超米兰标准多灶性肝细胞癌预后的回顾性研究

这篇研究通过多参数MRI（mpMRI）影像组学特征，结合无监督光谱聚类和XGBoost-LASSO Cox回归，构建了超米兰标准多灶性肝细胞癌（MHCC）的术前预后模型。研究证实，整合影像组学特征（如异质性指数HI和风险评分RRS）可显著提升对总生存期（OS）和无复发生存期（RFS）的预测效能（C-index提升至0.71-0.74），为临床决策提供了非侵入性工具。

　　

Abstract

研究旨在开发基于机器学习的影像组学模型，用于超米兰标准多灶性肝细胞癌（MHCC）的术前风险分层。通过回顾性纳入2015-2019年经病理证实的156例患者，从肿瘤、瘤周及肿瘤-瘤周区域提取mpMRI影像组学特征，结合无监督光谱聚类和XGBoost-LASSO Cox回归构建预后模型。结果显示，整合影像组学特征后，OS和RFS预测性能显著提升（C-index达0.71-0.74），验证了模型的临床价值。

Introduction

肝细胞癌（HCC）是全球癌症相关死亡的第三大原因，多灶性HCC（MHCC）占比高达41-75%，预后较差。当前米兰标准对肿瘤负荷的评估存在局限，亟需术前精准预测工具。mpMRI和影像组学通过量化肿瘤异质性，为预后评估提供了新思路。

Materials and Methods

回顾性纳入156例超米兰标准MHCC患者，随机分为训练集和验证集（各78例）。采用1.5T MAGNETOM Aera扫描仪获取T2加权、扩散加权（b=0/500 sec/mm²）和动态增强MRI（DCE-MRI）数据。影像组学特征提取涵盖形状、纹理（GLCM/GLDM等）及动态变化特征。通过光谱聚类识别亚型，XGBoost-LASSO构建放射风险评分（RRS），并开发临床-影像组学联合模型。

Results

1. 1.

   无监督亚型：光谱聚类鉴定出两种亚型（A/B），B型与更高肿瘤数量、GPC3表达和Ki67相关（P<0.05），且OS/RFS更差（HR=2.42-2.50，P<0.05）。

2. 2.

   异质性指数（HI）：B型HI显著高于A型（P<0.001），提示影像异质性反映生物学侵袭性。

3. 3.

   预后模型：联合模型显著提升预测性能，5年OS/RFS的AUC达0.75-0.81。关键预测因子包括卫星结节、RRS和亚型分类（多变量HR=1.69-44.28，P<0.05）。

Discussion

研究首次将mpMRI影像组学应用于超米兰标准MHCC的预后预测。动态增强特征（如AP-VP变化）和瘤周特征（占RRS的50%）成为关键预测因子，与“冲刷”模式和组织侵袭性相关。局限性包括单中心回顾性设计和手动分割的耗时性，未来需多中心验证及自动化工具开发。

创新点与意义

1. 1.

   亚型分类：无监督聚类揭示的影像亚型与病理特征（如MVI）关联，为生物学行为研究提供新视角。

2. 2.

   动态特征价值：DCE-MRI序列变化特征（如VP_from_AP）强化了“时间维度”在预后评估中的作用。

3. 3.

   临床转化：联合模型通过诺模图实现个体化预后可视化，辅助手术决策和术后监测策略优化。

（注：全文严格依据原文数据，未添加非文献支持结论）