整合常规超声影像组学与临床病理特征的机器学习模型预测肝细胞癌(HCC)根治性切除术后早期复发风险

《Journal of Hepatocellular Carcinoma》:Machine Learning Model Integrating Conventional Ultrasound Radiomics and Clinicopathological Features for Early Recurrence Risk Prediction After Curative-Intent Hepatectomy in Hepatocellular Carcinoma

【字体: 大 中 小 】 时间:2026年10月09日 来源:Journal of Hepatocellular Carcinoma 3.9

编辑推荐:

  目的 研究人员旨在开发并比较整合常规超声影像组学特征与临床病理变量的机器学习模型,用于预测行根治性肝切除术的肝细胞癌(hepatocellular carcinoma, HCC)患者术后一年复发。方法 这项回顾性、单中心研究纳入了2020年1月至2024年12

  
目的 研究人员旨在开发并比较整合常规超声影像组学特征与临床病理变量的机器学习模型,用于预测行根治性肝切除术的肝细胞癌(hepatocellular carcinoma, HCC)患者术后一年复发。方法 这项回顾性、单中心研究纳入了2020年1月至2024年12月期间接受根治性肝切除术的154例经病理确诊的HCC患者。患者被分为训练队列(n=124)和验证队列(n=30)。收集临床病理数据和术前常规超声图像。使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取和选择影像组学特征。基于临床病理变量与影像组学特征的不同组合,使用常规logistic回归和四种机器学习算法——包括广义线性模型(generalized linear model, GLM)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和梯度提升机(gradient boosting machine, GBM)——开发并比较了预测模型。在验证队列中评估模型性能。结果 多变量logistic回归确定Edmondson分级、卫星结节、纤维蛋白原和白细胞计数为与术后复发独立相关的因素。在所评估的模型中,结合临床病理因素与Radscore的RF模型获得了最高的数值验证受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)为0.717(95%置信区间:0.523–0.910),准确度为70.0%,敏感度为42.9%,特异度为93.8%。结论 整合临床病理因素与Radscore的RF模型对术后一年复发显示出中等区分能力,可能为术后风险评估提供前景。鉴于有限的验证样本量和模型性能的不确定性,这些发现应视为探索性的,在临床实施前需要在更大、独立、多中心队列中进一步验证。
肝细胞癌(hepatocellular carcinoma, HCC)是全球常见的恶性肿瘤,也是癌症相关发病和死亡的重要原因。即使接受根治性肝切除术,术后复发仍然常见,尤其术后一年内复发与不良预后显著相关,因此识别高复发风险患者对术后风险分层、个体化监测和及时干预至关重要。常规超声因无辐射、可重复、成本低而广泛用于肝脏影像检查,但其判读依赖视觉评估和操作者经验,难以充分表征肿瘤异质性与细微结构差异。影像组学(radiomics)通过将医学图像转化为高通量定量特征,为客观评估肿瘤表型和异质性提供了新途径。既往已有研究探索了超声影像组学在HCC术后复发预测中的价值,但不同机器学习算法整合常规超声影像组学与临床病理变量的比较尚不充分,不同影像组学信息整合策略对模型性能的影响也未被充分探讨。为此,研究人员开展了一项回顾性、单中心探索性研究,系统比较常规logistic回归与多种机器学习算法在预测HCC根治性肝切除术后一年复发中的表现。

研究人员回顾性收集了2020年1月至2024年12月期间在哈尔滨医科大学附属肿瘤医院接受根治性肝切除术的154例经病理确诊的HCC患者资料,按8:2比例随机分为训练队列(n=124)和验证队列(n=30),并使用固定随机种子(123)确保可重复性。所有患者均满足:年龄≥18岁,术后病理证实HCC且病理资料完整,术前一周内获取常规超声图像和实验室检查结果,并排除术前接受过HCC相关治疗、超声图像不完整或质量不佳、随访信息不足以判断一年内复发状态者。研究经哈尔滨医科大学附属肿瘤医院伦理委员会批准,因回顾性设计豁免书面知情同意。随访从肝切除术当日起,至复发或一年时结束,术后复发定义为出现具有HCC典型影像学特征的新发肝内或肝外病灶,必要时经活检病理证实。

在关键方法方面,研究人员使用3D Slicer软件对超声图像中肿瘤最大截面的感兴趣区域(region of interest, ROI)进行手动勾画,由两名经验超过5年的超声医师独立完成可重复性评估,组内相关系数(intraclass correlation coefficient, ICC)>0.80的特征被保留。影像组学特征提取包括一阶统计量及灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、灰度依赖矩阵(gray-level dependence matrix, GLDM)、灰度游程矩阵(gray-level run-length matrix, GLRLM)、灰度大小区域矩阵(gray-level size-zone matrix, GLSZM)和邻域灰度差分矩阵(neighboring gray-tone difference matrix, NGTDM)纹理特征,从原始图像和小波滤波图像中共提取837个特征。特征经Z-score标准化、Spearman相关分析(去除相关系数绝对值>0.90的冗余特征)后,使用LASSO回归通过10折交叉验证选择最终特征并构建影像组学评分(Radscore)。模型构建方面,研究人员建立了3种常规logistic回归模型(临床病理模型、影像组学模型、整合模型),并采用两种特征整合策略结合4种机器学习算法(GLM、RF、SVM、GBM)开发模型;模型在训练队列内进行5折交叉验证,并在验证队列中评估。评价指标包括AUC、准确度、敏感度、特异度、阳性预测值(positive predictive value, PPV)、阴性预测值(negative predictive value, NPV)、校准曲线、Brier评分、Hosmer-Lemeshow检验、决策曲线分析(decision curve analysis, DCA)和SHAP(SHapley Additive exPlanations)分析。

研究结果部分如下:

基线特征:154例患者中,57例在一年内复发,97例未复发。复发组与非复发组在Edmondson分级、卫星结节、白细胞计数(white blood cell count, WBC)、淋巴细胞计数(lymphocyte count, LYM)、中性粒细胞计数(neutrophil count, NEU)和纤维蛋白原(fibrinogen, Fbg)方面差异有统计学意义(P<0.05)。乙型肝炎表面抗原(HBsAg)和丙型肝炎病毒抗体(HCV-Ab)状态在复发与非复发组间无显著差异。训练队列与验证队列在人口学特征、肝功能、肿瘤病理特征、血液学参数和凝血指标方面均无显著差异,表明队列划分合理。

临床病理变量的筛选:训练队列单因素logistic回归显示,Edmondson分级、卫星结节和纤维蛋白原与一年复发显著相关(P<0.05),球蛋白和WBC呈临界关联(P<0.10)。多因素logistic回归确认,较高Edmondson分级(OR=2.629,95%CI:1.102–6.418,P=0.031)、存在卫星结节(OR=5.009,95%CI:1.193–26.411,P=0.036)和较高纤维蛋白原(OR=2.390,95%CI:1.227–4.942,P=0.013)为复发的独立危险因素;而WBC计数与复发呈负相关(OR=0.661,95%CI:0.491–0.864,P=0.004),该方向出乎预期,研究人员将其视为探索性发现,需外部验证。

影像组学特征选择与Radscore构建:经过ICC过滤、冗余去除和LASSO回归,最终保留11个影像组学特征用于Radscore计算。复发组的Radscore显著高于非复发组(U=3735,P<0.001),而训练队列与验证队列间的Radscore无显著差异(U=1495,P=0.096),表明影像组学特征在队列间具有可比性。

预测模型构建与性能比较:3种常规logistic回归模型在验证队列中的AUC分别为0.621、0.643和0.674。在机器学习模型中,结合临床病理因素与Radscore的RF模型(RF_Clin+Radscore)获得了最高的验证AUC,为0.717(95%CI:0.523–0.910),准确度为70.0%,敏感度为42.9%,特异度为93.8%,PPV为85.7%,NPV为65.2%。DeLong检验显示,该模型与其他模型的验证AUC差异均无统计学意义(P>0.05)。GBM模型表现出明显的训练与验证性能差距(训练AUC 0.924–0.975,验证AUC 0.616–0.696),提示存在过拟合。

模型校准与可解释性:RF_Clin+Radscore模型在训练队列中的校准截距和斜率分别为0.571和1.302,验证队列中为0.450和0.643;Brier评分分别为0.161和0.235。Bootstrap内部验证(1000次重抽样)平均乐观度为0.078,乐观校正后AUC为0.747。SHAP分析显示,Radscore对模型预测的贡献最大,其后依次为WBC、Fbg、卫星结节和Edmondson分级;Radscore值越高,预测复发风险越大,并与模型预期一致。

讨论部分总结指出,Edmondson分级和卫星结节与肿瘤侵袭性生物学行为相关,纤维蛋白原升高与复发风险增加的发现与既往meta分析结果相符;WBC计数负向关联缺乏生物学机制解释,可能反映队列特异性或残余混杂。RF模型相对较高的验证AUC可能得益于Radscore的紧凑低维表示,但机器学习算法的相对性能受样本量、特征维度、特征选择策略和数据集特点影响,不能视为RF具有普适优势。GBM模型的过拟合提示高维特征和有限样本量是影像组学研究的重要风险。该模型纳入术后病理变量,其临床应用定位为术后风险辅助评估,不应独立指导监测强度或治疗决策。研究局限性包括:回顾性单中心设计、验证队列较小(n=30)、无外部验证、手动勾画ROI存在观察者依赖、排除随访信息不完整患者可能产生选择偏倚、未按HCC病因亚组评估模型性能等。

结论翻译:总之,这项回顾性、单中心探索性研究开发并比较了整合临床病理因素与常规超声影像组学信息预测HCC根治性肝切除术后一年复发的多种模型。在所评估的模型中,RF_Clin+Radscore模型获得了最高的数值验证AUC(0.717),准确度为70.0%,但其区分能力中等且敏感度有限。这些发现提示,将超声影像组学信息与临床病理因素整合用于术后复发风险评估值得进一步研究。鉴于验证队列样本量较小和模型性能的不确定性,在临床实施之前需要在更大、独立、多中心队列中进一步验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号