基于MRI影像组学联合临床指标预测肝细胞癌仑伐替尼靶向治疗疗效的回顾性队列研究

　　本研究针对晚期肝细胞癌(HCC)患者仑伐替尼(Lenvatinib)疗效预测难题，通过整合多中心MRI影像组学特征、表皮生长因子受体(EGFR)表达水平及临床影像指标，构建了预测效能优异的联合模型。研究筛选出肿瘤内血管、EGFR表达水平及7个关键影像组学特征，最终模型在训练集、内部验证集和外部验证集的AUC分别达0.908、0.877和0.870，为个体化治疗决策提供了重要依据。

　　

肝细胞癌(HCC)是全球最常见的恶性肿瘤之一，约70%患者在确诊时已处于晚期，失去手术根治机会。作为多靶点酪氨酸激酶抑制剂(TKI)，仑伐替尼通过阻断血管内皮生长因子受体(VEGFR)、成纤维细胞生长因子受体(FGFR)等靶点，成为晚期HCC的一线治疗方案。然而临床实践中发现，约35%患者会出现原发性耐药，导致治疗失败并伴随肝功能损伤、高血压等副作用。更棘手的是，目前缺乏可靠的预测标志物来筛选获益人群，造成医疗资源浪费和患者经济负担。

针对这一临床痛点，由Kun Huang和Rongpin Wang领衔的研究团队在《Journal of Cancer Research and Clinical Oncology》发表重要成果。研究创新性地将MRI影像组学与EGFR分子标志物相结合，开发出预测仑伐替尼疗效的多模态模型。这项多中心回顾性研究纳入211例HCC患者，通过提取5个MRI序列的9370个影像组学特征，最终筛选出7个关键特征构建模型。研究同时采用免疫组化检测EGFR表达水平，并系统评估了14项临床影像特征。

关键技术方法包括：1) 多中心队列设计（贵州人民医院107例训练集+46例内部验证集，中山一院58例外部验证集）；2) 基于Pyradiomics平台提取T1/T2加权像、动脉期、门静脉期和肝胆期MRI的1874维特征/序列；3) 免疫组化半定量评估EGFR表达；4) mRECIST标准评估治疗反应；5) LASSO回归和逻辑回归分析构建临床模型、影像组学模型及联合模型。

患者特征

队列包含190例男性患者，EGFR高表达占44.1%（93/211），总体客观缓解率(ORR)为65.4%。单因素分析显示年龄>50岁、门静脉癌栓(PVTT)、无肿瘤内血管和EGFR高表达与疗效显著相关(P<0.05)。

影像组学特征筛选

从EOB肝胆期指数变换图像中筛选出灰度依赖矩阵(GLDN)的依赖熵(DependenceEntropy)，T1加权像的3D局部二值模式(LBP-3D-k)高灰度强调特征等7个最具预测价值的特征。影像组学评分公式整合了这些特征的加权组合。

模型构建与验证

多因素分析确认肿瘤内血管、EGFR和影像组学评分为独立预测因子。联合模型展现出最优预测性能：训练集AUC 0.908(95%CI 0.849-0.967)，显著优于单一临床模型(AUC 0.788)或影像组学模型(AUC 0.768)(P<0.05)。决策曲线证实该模型具有理想的临床适用性。

讨论与结论

该研究首次证实EGFR表达水平与仑伐替尼疗效的负相关性，这与既往发现的EGFR-PAK2-ERK5通路介导耐药机制相吻合。肿瘤内血管的预测价值则可能源于仑伐替尼的抗血管生成作用机制——血管丰富的肿瘤更易受药物影响。影像组学特征通过量化肿瘤异质性，从空间分布关系（如灰度游程矩阵GLRLM的非均匀性）和强度分布（如小波变换均匀性）等维度补充了传统评估的不足。

研究构建的诺模图将复杂模型转化为临床实用工具，对治疗决策具有双重指导价值：对预测敏感患者可优先选择仑伐替尼单药；对预测耐药患者则建议联用EGFR抑制剂或更换方案。这种"影像-临床-分子"三位一体的预测模式，为肿瘤精准医疗提供了新范式。未来需在前瞻性队列中验证模型的普适性，并探索自动化分割技术以提高临床应用效率。