2-[18F]-氟-2-脱氧-葡萄糖（18F-FDG）PET/MRI的多参数在食管鳞状细胞癌肿瘤/淋巴结分期中的临床价值

《Nuclear Medicine Communications》：Clinical value of multiparameters of 2-[18F]-fluoro-2-deoxy-glucose PET/MRI in tumor/lymph node staging of esophageal squamous cell carcinoma

　　肝癌患者肝移植前微血管侵犯（MVI）的预测模型构建及验证。研究纳入177例行肝移植的HCC患者，通过18F-FDG PET/CT获取代谢参数（SUVmax、SUVmean、TLG、TLR）及异质性指标（COV、HI），结合血清PIVKA-II水平，利用多因素Logistic回归构建预测模型。结果显示，PIVKA-II、TLG、HI和TLR为独立预测因素，联合模型AUC达0.815，显著优于单一指标（HI AUC 0.754，TLR 0.744）。校准曲线显示预测概率与实际观察概率高度一致（MAE=0.025）。该模型为临床选择肝移植患者及降低术后复发提供了可靠工具。

　　肝细胞癌（HCC）是一种在全球范围内高发的恶性肿瘤，其发病率位居第六，死亡率位列第四。在中国，HCC的发病率和死亡率占全球总病例的一半以上，这使得该病成为影响公共健康的重要问题之一。HCC的主要病因包括慢性乙型或丙型肝炎，约占全球病例的80%。目前，HCC的治疗手段主要包括介入手术、手术切除以及肝移植等，其中肝移植被认为是早期HCC的最理想治疗方法。然而，约有20%-30%的接受肝移植的患者会出现术后复发，因此，如何在术前准确预测HCC患者是否存在微血管侵犯（MVI）成为临床关注的重点。

MVI是指肿瘤细胞侵入血管内膜，这种病理特征通常出现在HCC手术切除后的标本中，主要涉及门静脉的小分支、纤维间隔或肿瘤包膜中的小静脉分支，以及非肿瘤肝组织的中央静脉。MVI被认为是HCC术后复发的关键预测因子之一，因此，术前识别MVI对于选择合适的肝移植候选者至关重要。然而，传统的MVI检测依赖于免疫组化和术后病理分析，这些方法具有一定的侵入性和局限性，难以在术前提供可靠的预测。

为了解决这一问题，近年来研究者们开始探索利用PET/CT图像特征进行术前MVI预测的方法。其中，¹⁸F-氟脱氧葡萄糖（¹⁸F-FDG）PET/CT因其能够提供肿瘤的代谢信息，成为最常用的PET显像剂。研究发现，¹⁸F-FDG PET/CT在术前评估HCC的MVI方面具有一定的潜力，但其临床价值仍需进一步验证。此外，肿瘤异质性指数（如变异系数COV和异质性指数HI）在其他类型的癌症中已被证实是评估肿瘤代谢异质性的有效工具，但它们在HCC术前预测MVI中的应用尚未被充分研究。

本研究纳入了177名接受肝移植的HCC患者，所有病例均通过术后病理确认MVI状态。研究发现，PIVKA-II水平在MVI阳性组中显著升高（P < 0.001），而其他临床特征如年龄、性别、甲胎蛋白（AFP）、肿瘤大小、数量、分化程度和分期在两组之间未表现出显著差异。通过单变量和多变量逻辑回归分析，研究者发现PIVKA-II、总病灶葡萄糖代谢（TLG）、异质性指数（HI）和肿瘤与肝脏对比度（TLR）是MVI的独立预测因子。此外，多变量分析显示，TLG和HI的协同作用在预测MVI方面表现出显著的统计学意义，说明它们可能包含了与SUV参数相似的代谢信息，从而在多变量模型中显示出更强的预测能力。

为了进一步提高预测的准确性，研究团队构建了一个基于这些参数的列线图（nomogram）预测模型。通过计算不同参数的综合得分，该模型能够更精确地预测HCC患者是否存在MVI。结果表明，列线图模型的曲线下面积（AUC）达到0.815（95%置信区间：0.754–0.876），显著优于单一参数的预测效果。同时，模型的校准曲线显示预测概率与实际观察结果高度一致，进一步验证了其稳定性与可靠性。

研究还发现，单独使用某些参数如HI和TLR在预测MVI方面表现最佳，其中HI的特异性达到0.831，表明其在排除MVI阴性病例中的作用较为突出；而TLR的敏感性为0.760，说明其在识别MVI阳性病例方面更具优势。此外，模型在独立验证队列中同样表现出良好的判别能力，其AUC值为0.815，与训练队列（AUC=0.842）相近，进一步支持了该模型的广泛应用潜力。

尽管本研究取得了一定成果，但仍存在一些局限性。首先，该研究为回顾性研究，样本量相对较小，可能存在选择偏倚。其次，由于随访时间较短，尚未进行生存分析。因此，未来的研究应考虑扩大样本量，采用前瞻性研究设计，并结合多种影像学技术与临床指标，以建立更全面和准确的术前评估模型。此外，随着人工智能技术的发展，未来可以探索利用深度学习等方法进行影像数据的自动化分析与预测，以提高诊断效率和准确性。

本研究的意义在于，通过整合¹⁸F-FDG PET/CT的代谢参数、肿瘤异质性指数以及血清标志物PIVKA-II，为HCC患者术前评估MVI提供了一种新的方法。该模型不仅能够帮助医生更准确地判断患者的MVI风险，还可能在临床决策中发挥重要作用，从而优化肝移植的适应症选择，提高治疗效果和患者生存率。此外，模型的高准确率和良好的校准性能表明，其在临床实践中的应用前景广阔，能够为个体化治疗提供有力支持。

总之，本研究通过综合分析PET/CT图像和临床数据，构建了一个能够有效预测HCC患者是否存在MVI的列线图模型。该模型在术前评估中展现出较高的准确性和稳定性，为肝移植候选者的筛选提供了新的思路。然而，研究仍需在更大规模的前瞻性研究中进一步验证，以确保其在更广泛人群中的适用性和可靠性。未来，随着多模态数据的整合和人工智能技术的应用，术前MVI预测有望更加精准，从而推动HCC诊疗水平的提升。