楊浩然，張濬韜，馬密密，鄒林軒，曹新山*

作者單位：1.濱州醫(yī)學(xué)院附屬醫(yī)院放射科，濱州 256603；2.通用電氣醫(yī)療精準(zhǔn)醫(yī)學(xué)研究院，上海 210000

原發(fā)性肝癌是我國目前第4位常見惡性腫瘤及第2 位常見腫瘤致死病因[1]，肝細(xì)胞癌(hepatocellular carcinoma，HCC)是原發(fā)性肝癌中最常見的類型，占85%～90%。HCC根治性切除術(shù)是肝臟儲(chǔ)備功能較好的HCC 患者獲得長期生存的主要治療方式，但潛在術(shù)后復(fù)發(fā)風(fēng)險(xiǎn)較高，其中早期復(fù)發(fā)即根治性切除術(shù)后兩年內(nèi)復(fù)發(fā)占總體復(fù)發(fā)的70%以上[2]，這與HCC肝內(nèi)轉(zhuǎn)移、多灶性發(fā)生、微血管侵犯(microvascular invasion，MVI)等生物學(xué)行為密切相關(guān)[3-4]。并且早期復(fù)發(fā)患者較遠(yuǎn)期復(fù)發(fā)患者預(yù)后更差[5]，因此及時(shí)識(shí)別HCC 切除后早期復(fù)發(fā)相關(guān)的敏感生物學(xué)標(biāo)志物至關(guān)重要，這將有助于HCC患者的分類和及時(shí)干預(yù)，提高生存率。目前，已有多種實(shí)驗(yàn)室指標(biāo)及影像學(xué)征象將HCC預(yù)后預(yù)測(cè)與治療選擇相結(jié)合[6-7]，然而，這些預(yù)測(cè)因子大多不針對(duì)預(yù)后效果，其預(yù)測(cè)HCC 術(shù)后復(fù)發(fā)方面的價(jià)值有限。

影像組學(xué)運(yùn)用醫(yī)學(xué)圖像推斷分子腫瘤數(shù)據(jù)，再通過計(jì)算機(jī)算法從大規(guī)模的數(shù)據(jù)集中進(jìn)行學(xué)習(xí)，是傳統(tǒng)影像學(xué)與分子生物學(xué)、信息科學(xué)等多學(xué)科的結(jié)合。影像組學(xué)研究已在HCC 臨床診斷與預(yù)后預(yù)測(cè)方面展現(xiàn)出明顯優(yōu)勢(shì)[8-9]，但評(píng)估HCC 術(shù)后早期復(fù)發(fā)的研究較少。本研究通過探究增強(qiáng)MR 影像組學(xué)模型聯(lián)合臨床因素預(yù)測(cè)HCC 術(shù)后早期復(fù)發(fā)，旨在為優(yōu)化早期HCC 手術(shù)預(yù)后評(píng)估方案提供新的思路與方法。

1 資料和方法

1.1 研究對(duì)象

回顧性分析2015 年1 月至2020 年12 月于濱州醫(yī)學(xué)院附屬醫(yī)院放射科行肝臟MRI 檢查的患者病例資料。納入標(biāo)準(zhǔn)：(1)經(jīng)HCC 根治性切除術(shù)后，病理組織學(xué)確診為HCC 的患者；(2)術(shù)前4 周內(nèi)行MRI 檢查的患者；(3)單發(fā)腫瘤的HCC 患者。排除標(biāo)準(zhǔn)：(1)既往有HCC 治療史或合并其他惡性腫瘤的患者；(2)聯(lián)合接受其他抗腫瘤治療(如經(jīng)動(dòng)脈化療栓塞、靶向治療、放療等)或姑息治療；(3)自術(shù)后第一天起隨訪時(shí)間不足12 個(gè)月。共計(jì)116 例病例被納入研究。根據(jù)隨訪結(jié)果是否復(fù)發(fā)將病灶分為早期復(fù)發(fā)和未復(fù)發(fā)兩類。通過Python 中sklearn 庫隨機(jī)數(shù)發(fā)生器將整個(gè)隊(duì)列按7∶3 的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集82 例，驗(yàn)證集34 例。所有圖像信息均在濱州醫(yī)學(xué)院附屬醫(yī)院PACS 系統(tǒng)進(jìn)行采集，按照納入和排除標(biāo)準(zhǔn)收集患者術(shù)前以下四個(gè)磁共振序列圖像：T2 加權(quán)成像(T2 weighted imaging，T2WI)、擴(kuò)散加權(quán)成像(diffusion weighted imaging，DWI)、表觀擴(kuò)散系數(shù)(apparent diffusion coefficient，ADC)、動(dòng)態(tài)對(duì)比增強(qiáng)MRI (dynamic contrast enhanced MRI，DCE-MRI)，以DICOM格式導(dǎo)出。

1.2 臨床數(shù)據(jù)及隨訪方法

常規(guī)的術(shù)前臨床數(shù)據(jù)和實(shí)驗(yàn)室檢查從醫(yī)院的電子病歷系統(tǒng)中收集。臨床數(shù)據(jù)包括年齡、性別、是否有肝炎病史、肝硬化狀態(tài)、Child-Pugh 分級(jí)以及腫瘤TNM 分期(美國癌癥聯(lián)合委員會(huì)第8 版癌癥分期)。術(shù)前1 周內(nèi)獲得的實(shí)驗(yàn)室指標(biāo)，包括血清甲胎蛋白(AFP)、丙氨酸氨基轉(zhuǎn)移酶(ALT)、天冬氨酸氨基轉(zhuǎn)移酶(AST)、堿性磷酸酶(ALP)和白蛋白等臨床資料。以實(shí)驗(yàn)室檢查、腹部影像學(xué)[超聲、增強(qiáng)計(jì)算機(jī)體層攝影(computed tomography，CT)或增強(qiáng)MRI]以及病理結(jié)果為隨訪診斷標(biāo)準(zhǔn)。若實(shí)驗(yàn)室檢查或超聲檢查懷疑腫瘤復(fù)發(fā)可能，則進(jìn)行增強(qiáng)CT 或MRI 檢查進(jìn)一步明確，否則每6 個(gè)月常規(guī)進(jìn)行1 次增強(qiáng)CT 或MRI 檢查。隨訪截至2020 年12 月31 日的病例。終點(diǎn)為復(fù)發(fā)(剔除不能確定死亡原因病例)，其定義為具有典型HCC影像學(xué)特征的新的肝內(nèi)復(fù)發(fā)和/或肝外復(fù)發(fā)，或術(shù)后12個(gè)月內(nèi)病理學(xué)證實(shí)的復(fù)發(fā)。

1.3 MRI檢查參數(shù)

MRI掃描使用GE DISCOVERY 750W 3.0 T磁共振掃描儀，獲取所有患者的軸位T2WI、DWI及DCE-MRI序列圖像，掃描參數(shù)：T1WI：TR 4.5 ms，TE 1.7 ms，F(xiàn)OV 380 mm×380 mm，層厚5 mm，矩陣256×192；T2WI：TR 6667 ms，TE 90.5 ms，F(xiàn)OV 380 mm×320 mm，矩陣256×256，層厚6 mm；DWI：TR 8000 ms，TE 69.8 ms，F(xiàn)OV 400 mm×320 mm，矩陣380×380，層厚6 mm，b值選取0、800 mm2/s；DCE-MRI：TR 4.5 ms，TE 1.7 ms，F(xiàn)OV 380 mm×380 mm，層厚5 mm 矩陣256×192。DCE-MRI掃描時(shí)使用自動(dòng)注射器在預(yù)掃描后以2 mL/s的流率注射對(duì)比劑釓特酸葡胺，對(duì)比劑使用劑量0.2 mL/kg，等量生理鹽水沖洗。注射對(duì)比劑后分別在0 s (早期前期)、11 s (動(dòng)脈早期)、37 s (動(dòng)脈晚期)、136 s (靜脈期)進(jìn)行掃描，獲得增強(qiáng)掃描的4 期圖像。

1.4 圖像分割及影像組學(xué)特征提取

圖像分割軟件為3D Slicer (Version 4.10.2)[10]。圖像分割由具有5 年腹部MRI 診斷經(jīng)驗(yàn)的放射科醫(yī)師1 運(yùn)用3D Slicer 中的“Segment Editor”模塊在DCE-MRI 圖像逐層手動(dòng)勾畫病灶ROI (圖1)，HCC 大多為肝動(dòng)脈供血的富血供腫瘤，增強(qiáng)掃描動(dòng)脈期圖像上，肝動(dòng)脈強(qiáng)化，而肝靜脈無強(qiáng)化。動(dòng)脈晚期與動(dòng)脈早期相比，HCC 在這一階段表現(xiàn)出更高強(qiáng)化。此外，少部分肝癌僅在動(dòng)脈晚期才顯示高強(qiáng)化[11]。因此選擇DCE-MRI 增強(qiáng)后第三期(37 s，動(dòng)脈晚期)作為影像組學(xué)分析的期相。勾畫病變時(shí)同時(shí)參考T2WI、ADC、DWI 序列圖像以提高準(zhǔn)確性。由1 名具有20 年腹部磁共振診斷經(jīng)驗(yàn)的醫(yī)師2 審核醫(yī)師1 的圖像分割工作，如醫(yī)師2 對(duì)醫(yī)師1 分割后的感興趣區(qū)(region of interest，ROI)有質(zhì)疑，則醫(yī)師2 與醫(yī)師1 協(xié)商達(dá)成一致結(jié)果或由醫(yī)師2 對(duì)醫(yī)師1 的分割結(jié)果做出相應(yīng)修改。通過Python 中的Pyradiomics[12]提取勾畫得到的ROI 中的影像組學(xué)特征。

圖1 男，64歲，肝細(xì)胞癌。1A：軸位動(dòng)脈晚期病灶；1B：勾畫病灶邊界；1C：填充病灶；1D：對(duì)整個(gè)病灶進(jìn)行逐層分割，綠色區(qū)域表示用于提取影像組學(xué)特征的ROI的輪廓；1E：感興趣區(qū)的三維(3D)體積重建。Fig. 1 A 64?year?old male with histologically confirmed HCC. 1A: The late arterial stage on axial direction; 1B：Draw the boundary of the lesion;1C: Fill in the lesion;1D: layers segmentation of the whole lesion illustrated, the green area represent the delineations of the ROIs used to extract the radiomics features; 1E:Three?dimensional(3D)volumetric reconstruction of the ROI.

1.5 影像組學(xué)評(píng)分模型的構(gòu)建與驗(yàn)證

本研究中使用了兩種特征選擇方法，最大相關(guān)-最小冗余算法(maximum correlation minimum redundancy，mRMR)和最小絕對(duì)值收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)來選擇特征。首先，對(duì)冗余和不相關(guān)的特征使用mRMR 縮小范圍，保留的特征再通過LASSO進(jìn)行篩選，LASSO回歸結(jié)果中相應(yīng)系數(shù)不為零的特征被保留，進(jìn)行10 折交叉驗(yàn)證以選擇最優(yōu)的λ值，并同時(shí)得到相應(yīng)影像組學(xué)特征的系數(shù)，通過將所選的多個(gè)特征乘以各自的系數(shù)進(jìn)行線性組合，計(jì)算出每例患者的影像組學(xué)評(píng)分(rad-score)，采用Wilcoxon 秩和檢驗(yàn)分別比較訓(xùn)練集、測(cè)試集中影像組學(xué)評(píng)分的差異是否有統(tǒng)計(jì)學(xué)意義。最后通過影像組學(xué)模型計(jì)算出每例患者患HCC的概率，繪制ROC曲線評(píng)估預(yù)測(cè)模型在訓(xùn)練集和測(cè)試集數(shù)據(jù)中的診斷效能。

1.6 臨床-病理因素聯(lián)合影像組學(xué)列線圖模型的構(gòu)建及驗(yàn)證

收集到的臨床-病理因素：年齡、性別、肝功能分級(jí)、是否合并肝炎、肝硬化狀態(tài)、術(shù)前甲胎蛋白水平、臨床TNM 分期、MVI 分級(jí)、AFP、ALT、AST、ALP、白蛋白、間接膽紅素和直接膽紅素。定量數(shù)據(jù)以平均值±標(biāo)準(zhǔn)差表示，分類數(shù)據(jù)以百分比表示。采用單因素分析比較未復(fù)發(fā)與復(fù)發(fā)組間臨床因素的差異，輸入單因素分析中的顯著性變量，采用多因素Logistic 回歸建立臨床-病理因素模型。結(jié)合影像組學(xué)評(píng)分和臨床因素，采用多變量Logistic 回歸方法建立聯(lián)合模型，以聯(lián)合模型的預(yù)測(cè)評(píng)分繪制了列線圖。利用ROC曲線評(píng)估列線圖預(yù)測(cè)精度。采用Hosmer-Lemeshow檢驗(yàn)，并以此繪制校準(zhǔn)曲線(calibration curve)用于評(píng)估模型預(yù)測(cè)概率和實(shí)際概率之間的擬合度。將僅考慮臨床因素構(gòu)建的模型與列線圖模型進(jìn)行比較，Delong 檢驗(yàn)用于比較列線圖和臨床模型的AUC 差異是否具有統(tǒng)計(jì)學(xué)意義，最后通過決策曲線來評(píng)價(jià)模型的臨床凈收益率。分別運(yùn)用影像組學(xué)評(píng)分，臨床模型，聯(lián)合列線圖模型計(jì)算出每例患者患HCC 的概率，通過ROC 曲線評(píng)價(jià)各個(gè)模型的診斷效能。

1.7 統(tǒng)計(jì)分析

采用R統(tǒng)計(jì)軟件(Version 4.1.0)進(jìn)行統(tǒng)計(jì)分析。計(jì)量資料以均值±標(biāo)準(zhǔn)差表示。采用Wilconxon秩和檢驗(yàn)比較訓(xùn)練集、測(cè)試集中影像組學(xué)評(píng)分的差異是否具有統(tǒng)計(jì)學(xué)意義。以受試者工作特征(receiver operating characteristic，ROC)曲線評(píng)價(jià)各模型預(yù)測(cè)HCC根治性切除術(shù)后早期復(fù)發(fā)效能，計(jì)算相應(yīng)的曲線下面積(area under the curve，AUC)，并采用Delong檢驗(yàn)比較各模型AUC 的差異，P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。使用Hosmer-Lemeshow檢驗(yàn)，并以此繪制校準(zhǔn)曲線用于評(píng)估聯(lián)合模型預(yù)測(cè)概率和實(shí)際概率之間的擬合度。通過決策曲線分析(decision curve analysis，DCA)來評(píng)價(jià)聯(lián)合模型的臨床凈收益率。

2 結(jié)果

2.1 患者資料

在82 例訓(xùn)練集病例中，40 例術(shù)后未復(fù)發(fā)，42 例術(shù)后早期復(fù)發(fā)；34 例測(cè)試集病例中，17 例術(shù)后未復(fù)發(fā)，17 例術(shù)后早期復(fù)發(fā)?；颊咭话阗Y料的分類信息見表1，從表1 的數(shù)據(jù)可以得出訓(xùn)練集中復(fù)發(fā)與未復(fù)發(fā)病例的年TNM 分期，甲胎蛋白水平，γ-谷氨酰氨基轉(zhuǎn)移酶，Child-Pugh 分級(jí)組間差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。

表1 患者一般資料Tab.1 General information of patients

2.2 特征選擇、影像組學(xué)模型的驗(yàn)證

從每個(gè)病例的ROI區(qū)域圖像中提取了805個(gè)特征，經(jīng)過mRMR 篩選保留30 個(gè)特征，再通過LASSO 回歸及10折交叉驗(yàn)證得到最優(yōu)的λ值(圖2A、2B)，對(duì)應(yīng)的子集中確定9 個(gè)影像組學(xué)特征，9 個(gè)特征名稱分別為wavelet_LLH_glrlm_GrayLevelNonUniformityNormali zed、log_sigma_4_0_mm_3D_gldm_DependenceVariance、wavelet_HLL_glszm_LowGrayLevelZoneEmphasis、wave let_HHH_firstorder_Uniformity、wavelet_HHL_glcm_SumSquares、 original_glcm_SumEntropy、 wavelet_HLH_glszm_LowGrayLevelZoneEmphasis、wavelet_HHH_firstorder_Median、original_firstorder_Kurtosis(圖2C)，經(jīng)過Wilcoxon秩和檢驗(yàn)，未復(fù)發(fā)和早期復(fù)發(fā)的影像組學(xué)評(píng)分差異具有統(tǒng)計(jì)學(xué)意義(圖2D)。影像組學(xué)模型的AUC為0.79 (95%CI：0.69～0.88) (圖3)。

圖2 影像組學(xué)模型的構(gòu)建。使用最小絕對(duì)值收縮和選擇算子(LASSO)進(jìn)行影像組學(xué)特征篩選。2A：調(diào)整參數(shù)λ使擬合損失值二項(xiàng)偏差最小，以篩選最優(yōu)影像組學(xué)特征；2B：篩選最優(yōu)影像組學(xué)特征的系數(shù)收斂圖；2C：選定的9個(gè)特征及其系數(shù)；2D：訓(xùn)練集和驗(yàn)證集中每個(gè)患者的影像組學(xué)評(píng)分。Fig. 2 Construction of the radiomics signature. Radiomics feature selection using the least absolute shrinkage and selection operator (LASSO) Logistic regression model. 2A：Adjusting the parameter λ to minimize the binomial deviation of the model fitting loss value, in order to select the best radimics characteristics;2B:Radiomics feature selection using the LASSO Logistic regression model; 2C:The selected 9 features and the values of their coefficients; 2D:The Radiomics scores(Rad?scores)for each patient in the training and test set.

2.3 聯(lián)合模型列線圖的驗(yàn)證

TNM 分期、甲胎蛋白水平、γ-谷氨酰氨基轉(zhuǎn)移酶、Child-Pugh分級(jí)等臨床因素與HCC切除術(shù)后早期復(fù)發(fā)的相關(guān)性建立臨床模型，并結(jié)合影像組學(xué)評(píng)分得出早期復(fù)發(fā)風(fēng)險(xiǎn)評(píng)分的聯(lián)合模型列線圖(圖4A)。僅使用臨床因素構(gòu)建的模型，訓(xùn)練集的AUC 為0.77 (95%CI：0.67～0.87)，驗(yàn)證集的AUC 為0.71 (95%CI：0.52～0.90)；聯(lián)合模型的訓(xùn)練集AUC為0.87 (95%CI：0.79～0.94)，驗(yàn)證集AUC為0.79 (95%CI：0.63～0.96) (圖3)。DeLong 檢驗(yàn)，聯(lián)合模型與臨床因素模型訓(xùn)練集ROC 比較，Z=2.363，P=0.018，影像組學(xué)模型與臨床因素模型訓(xùn)練集ROC比較，Z=0.191，P=0.849。

圖3 訓(xùn)練集(3A)和驗(yàn)證集(3B)中的臨床模型(黃色)、影像組學(xué)模型(紅色)和聯(lián)合模型列線圖(綠色)的受試者工作特征(ROC)曲線。 圖4 列線圖和校準(zhǔn)曲線。4A：臨床因素結(jié)合Rad?score 構(gòu)建聯(lián)合模型列線圖；4B～4C：校準(zhǔn)曲線表明訓(xùn)練集(4B)和驗(yàn)證集(4C)的列線圖校準(zhǔn)良好。 圖5 決策曲線。紅線代表影像組學(xué)模型，黃線代表臨床模型，綠線代表列線圖聯(lián)合模型，對(duì)三個(gè)模型進(jìn)行決策曲線分析，y軸和x軸分別表示標(biāo)準(zhǔn)化凈收益和高風(fēng)險(xiǎn)閾值概率。藍(lán)色線代表所有患者未復(fù)發(fā)的假設(shè)，水平黑線代表所有患者早期復(fù)發(fā)的假設(shè)。與臨床因素模型和影像組學(xué)模型相比，聯(lián)合模型列線圖提供了更高的凈收益。Fig 3 The receiver operator characteristic(ROC)curves of the clinical factors model,the radiomics model and the combined model nomogram,respectively in the training set 3A and test set 3B. Fig. 4 Nomogram and Calibration curve. 4A: The radiomics nomogram is constructed by combining clinical factor model and Radiomics score(Rad?score).4B,4C:The calibration curves indicate good calibration of the nomogram in the training and test sets.Fig.5 Decision curve analysis for the three models (The red line represents the imaging omics model, the yellow line represents the clinical model, and the green line represents the rosette combination model).They?axis andx?axis indicate the net benefit and the threshold probability, respectively.The blue line represents the hypothesis for all patients without recurrence, while the horizontal black line represents the hypothesis for all patients with early recurrence.The nomogram provides a higher net benefit than the clinical factors model and the radiomics.

訓(xùn)練集擬合優(yōu)度H-L 檢驗(yàn)P=0.633，驗(yàn)證集擬合優(yōu)度H-L 檢驗(yàn)P=0.147，預(yù)測(cè)值與真實(shí)值之間差異無統(tǒng)計(jì)學(xué)意義(圖4B、4C)。決策曲線顯示，聯(lián)合模型決策曲線在高風(fēng)險(xiǎn)閾值概率0.4～0.6段與臨床模型和影像組學(xué)模型相比明顯偏上(圖5)。

3 討論

根治性手術(shù)切除是目前最常采用的HCC 治療方式[13]，然而早期復(fù)發(fā)仍是導(dǎo)致患者術(shù)后五年內(nèi)生存率降低的重要因素。多灶性和MVI 等腫瘤生物學(xué)行為已被確定為早期復(fù)發(fā)的危險(xiǎn)因素，但是這些因素中的大多數(shù)只能在術(shù)后評(píng)估。因此在術(shù)前確定可靠的早期復(fù)發(fā)預(yù)測(cè)因子對(duì)于患者風(fēng)險(xiǎn)分層、治療決策支持和長期生存改善至關(guān)重要。目前已經(jīng)有相關(guān)研究將影像組學(xué)應(yīng)用于肝癌手術(shù)的預(yù)后評(píng)估，Akai等[9]通過影像組學(xué)特征結(jié)合隨機(jī)森林模型分析了肝癌切除術(shù)預(yù)后風(fēng)險(xiǎn)因素，得出影像組學(xué)評(píng)分作為高危個(gè)體風(fēng)險(xiǎn)(風(fēng)險(xiǎn)比=1.06，P=8.4×10-8)是預(yù)后不利影響因素之一。Mao 等[14]提取術(shù)前297 名HCC 患者的影像組學(xué)特征并結(jié)合臨床因素訓(xùn)練機(jī)器學(xué)習(xí)模型，AUC 值為0.80，高效預(yù)測(cè)了HCC的術(shù)前病理分級(jí)，協(xié)助評(píng)估HCC患者的復(fù)發(fā)風(fēng)險(xiǎn)。

3.1組學(xué)模型的價(jià)值

本研究使用MRI 動(dòng)態(tài)對(duì)比增強(qiáng)圖像作為影像組學(xué)分析期相，MRI相對(duì)于CT的主要優(yōu)點(diǎn)是對(duì)比度分辨率高，同時(shí)能對(duì)肝內(nèi)和病灶內(nèi)的脂肪和鐵含量進(jìn)行定量分析，而且能同時(shí)使用細(xì)胞外和肝細(xì)胞特征性對(duì)比劑。根據(jù)最近文獻(xiàn)報(bào)道，對(duì)于肝臟病變的定位和定性，MRI具有比CT更高的診斷準(zhǔn)確率[15]。通常診斷HCC 常規(guī)使用釓對(duì)比劑多期增強(qiáng)掃描加脂肪抑制獲得的T1 加權(quán)快速回波掃描MRI (肝動(dòng)脈期及隨后的門靜脈期和延遲期)以及DWI 等序列，其中肝動(dòng)脈期特別是動(dòng)脈晚期能夠獲得較好的病變強(qiáng)化信息[16]。同理與CT 相比MR 的影像學(xué)的多參數(shù)特性，體現(xiàn)在影像組學(xué)特征上，則HCC 患者M(jìn)R 圖像中所對(duì)應(yīng)的高通量信息相比較CT圖像更多，可提取參數(shù)數(shù)量更龐大，同時(shí)也需要排除更多弱相關(guān)性及冗余參數(shù)。因此在本研究中，采用mRMR算法評(píng)估避免特征間的冗余，經(jīng)初步篩選后再通過LASSO 結(jié)合多折交叉驗(yàn)證對(duì)剩余特征進(jìn)行降維，最終得出小于10個(gè)特征，以防止過擬合，得到的9個(gè)特征中，3個(gè)對(duì)預(yù)后生存不利的回歸系數(shù)要明顯高于6個(gè)有利特征。LASSO是一種同時(shí)進(jìn)行特征選擇和正則化的回歸分析方法，尤其適用于高維數(shù)據(jù)的降維，同樣的LASSO 正則化Logistic 回歸也是對(duì)預(yù)測(cè)因子數(shù)量遠(yuǎn)遠(yuǎn)超過觀測(cè)數(shù)的連續(xù)變量的有效選擇策略，經(jīng)過這些特征訓(xùn)練，9 個(gè)特征被合并成一個(gè)Rad-Score，該評(píng)分在訓(xùn)練集和測(cè)試集中表現(xiàn)了良好的預(yù)測(cè)效果(AUC 分別為0.79、0.76)，符合多預(yù)后因素的組合比單一因子具有更好的預(yù)測(cè)性能的統(tǒng)計(jì)觀點(diǎn)。

3.2 聯(lián)合模型的價(jià)值

Rad-Score可作為一個(gè)獨(dú)立的生物學(xué)標(biāo)志物，在本研究中引入了部分臨床因素建立聯(lián)合模型，已有研究表明MVI、術(shù)前血清AFP、腫瘤直徑等臨床指標(biāo)是導(dǎo)致HCC患者根治性切除術(shù)后早期復(fù)發(fā)風(fēng)險(xiǎn)增加的危險(xiǎn)因素[17-18]，可以提示HCC 術(shù)后情況。本研究從臨床因素篩選出HCC TNM 分期，AFP、Child-Pugh分級(jí)以及γ-谷氨酰胺基轉(zhuǎn)移酶指標(biāo)。在聯(lián)合模型列線圖的五個(gè)組成部分中，可以看出單一臨床因素的量化指標(biāo)均與實(shí)際臨床應(yīng)用相符，其中TNM 分期主要?jiǎng)澐忠罁?jù)是腫瘤原發(fā)灶情況，腫瘤原發(fā)灶的大小是HCC早期復(fù)發(fā)的重要危險(xiǎn)因素，隨著腫瘤增大，早期復(fù)發(fā)率升高。在本研究中MVI 的多因素邏輯回歸P值＞0.05,未列入早期復(fù)發(fā)的獨(dú)立危險(xiǎn)因素。AFP 是HCC 腫瘤標(biāo)志物，用于HCC 診斷、療效評(píng)估、復(fù)發(fā)監(jiān)測(cè)及預(yù)后評(píng)估等方面，AFP 水平是HCC 早期復(fù)發(fā)的危險(xiǎn)因素[19]。在本研究中，術(shù)前血清AFP 水平與早期復(fù)發(fā)密切相關(guān)。Child-Pugh 分級(jí)是對(duì)肝硬化患者肝臟儲(chǔ)備功能進(jìn)行量化評(píng)估的分級(jí)標(biāo)準(zhǔn)，也是肝臟術(shù)前的評(píng)估手術(shù)風(fēng)險(xiǎn)的重要參考，較差的肝功能儲(chǔ)備對(duì)預(yù)后影響明顯，在本研究中B 級(jí)相對(duì)于A 級(jí)有更高的復(fù)發(fā)風(fēng)險(xiǎn)。γ-谷氨酰胺基轉(zhuǎn)移酶升高主要受肝內(nèi)合成亢進(jìn)影響，與AFP聯(lián)合檢測(cè)，可提高肝癌診斷正確率，其對(duì)早期復(fù)發(fā)的相關(guān)性與AFP 接近。Rad-Score 模型ROC 曲線訓(xùn)練集和驗(yàn)證集AUC (分別為0.79、0.76)與臨床因素模型AUC (分別為0.77、0.71)相比較高，但Delong 檢驗(yàn)顯示Rad-Score 模型與臨床因素模型之間ROC 差異無統(tǒng)計(jì)學(xué)意義(P值=0.8488)，這表明兩個(gè)模型對(duì)預(yù)測(cè)術(shù)后早期復(fù)發(fā)效能接近。考慮到我們收集到的大多數(shù)HCC病例為單發(fā)，且被排除的少數(shù)多發(fā)腫瘤HCC 病例并不能確定哪一處病灶對(duì)復(fù)發(fā)的影響更大，因此為了控制這個(gè)不確定因素對(duì)模型效能的影響，在我們的研究中，只納入了單發(fā)腫瘤的HCC 患者，這一研究設(shè)計(jì)可能與臨床因素模型的AUC相對(duì)較低有關(guān)。按照傳統(tǒng)分期系統(tǒng)，這些患者屬于早期或中期，更適合手術(shù)治療[20]，在多發(fā)腫瘤的HCC 病例中臨床分期及實(shí)驗(yàn)室檢查的提示作用更顯著。聯(lián)合模型在訓(xùn)練集和測(cè)試集上AUC (分別為0.87、0.79)均高于前兩者，校準(zhǔn)曲線顯示聯(lián)合模型預(yù)測(cè)概率與實(shí)際概率之間具有良好的擬合度，當(dāng)前數(shù)據(jù)集中的信息利用較充分；另外聯(lián)合模型的DCA偏高于另外兩個(gè)模型，結(jié)合Delong檢驗(yàn)結(jié)果，聯(lián)合模型與臨床因素模型ROC 差異具有統(tǒng)計(jì)學(xué)意義(P值=0.018)，提示聯(lián)合模型的臨床預(yù)測(cè)凈收益率要高于另外兩個(gè)模型。綜上所述，基于增強(qiáng)MR的影像組學(xué)特征已被證明是HCC患者早期復(fù)發(fā)的一個(gè)有效的術(shù)前預(yù)測(cè)指標(biāo)，綜合臨床因素和MR 組學(xué)特征模型效能及臨床凈收益率較高，可幫助臨床醫(yī)生選擇適合HCC患者的治療方案。

3.3 局限性和展望

本研究為初步探索性研究，單中心，樣本量相對(duì)較小，回顧性研究存在潛在的信息偏倚，圖像質(zhì)量如信噪比、重采樣參數(shù)對(duì)顯示腫瘤異質(zhì)性信息有較大影響，可能造成預(yù)測(cè)結(jié)果的穩(wěn)定性差，雖然所有MR圖像都是在統(tǒng)一的MR 掃描儀中采集的，并具有標(biāo)準(zhǔn)化的成像采集序列，提取特征時(shí)的統(tǒng)一重采樣及提取后的數(shù)據(jù)預(yù)處理，以減少我們結(jié)果的偏差，但其他機(jī)構(gòu)的外部驗(yàn)證是必要的。因此在后續(xù)的研究中，我們將引入外部驗(yàn)證或者組成多中心研究，獲取更大樣本量數(shù)據(jù)做進(jìn)一步驗(yàn)證。另外Kierans等[21]的研究發(fā)現(xiàn)腫瘤環(huán)形強(qiáng)化等影像學(xué)形態(tài)特征也是早期復(fù)發(fā)的獨(dú)立預(yù)測(cè)因子，已有相關(guān)研究證明腫瘤周圍區(qū)域內(nèi)的影像組學(xué)特征具有臨床應(yīng)用價(jià)值[22]。本研究選擇MR 增強(qiáng)動(dòng)脈晚期(注射對(duì)比劑后37 s采集)圖像進(jìn)行影像組學(xué)特征提取，僅是該時(shí)相的腫瘤內(nèi)部影像組學(xué)數(shù)據(jù)模型，有所偏頗；相較動(dòng)脈晚期，動(dòng)脈早期沒有背景強(qiáng)化的干擾，能更清晰顯示分支動(dòng)脈信息，延遲期有假包膜強(qiáng)化對(duì)腫瘤周圍影像學(xué)特征顯示更確切，DWI提供了有關(guān)組織細(xì)胞密度和細(xì)胞膜完整性的信息[23]，較多文獻(xiàn)認(rèn)為HCC 多序列、動(dòng)態(tài)多圖像影像組學(xué)綜合分析更接近腫瘤異質(zhì)性實(shí)際狀況[24]。上述研究給我們提供了新的思路，今后，我們將用多序列多期相MR 影像組學(xué)驗(yàn)證HCC 腫瘤影像形態(tài)學(xué)及腫瘤周圍強(qiáng)化特征因素，并綜合這些因素所體現(xiàn)的HCC腫瘤周圍和內(nèi)部影像組學(xué)特征建立預(yù)測(cè)模型，以提高增強(qiáng)MR 組學(xué)模型對(duì)HCC根治性切除術(shù)后早期復(fù)發(fā)的預(yù)測(cè)效能。

作者利益沖突聲明：全部作者均聲明無利益沖突。