基于临床数据、影像组学与深度学习的HCC患者TACE术后远处转移预测模型构建与验证

　　本研究针对肝细胞癌（HCC）经动脉化疗栓塞术（TACE）后远处转移风险预测难题，通过整合临床特征、影像组学（Rad）与深度学习（DL）技术，构建了多模态联合预测模型（CRDL）。结果表明，该模型在训练集、测试集及外部验证集中AUC值分别达0.931、0.861和0.854，显著优于单一模态模型，且决策曲线分析（DCA）证实其临床实用性。该研究为HCC患者术后个体化风险分层与精准辅助治疗策略制定提供了重要工具。

　　

肝细胞癌（Hepatocellular Carcinoma, HCC）是全球范围内最具威胁性的恶性肿瘤之一，其高死亡率与治疗后转移风险密切相关。经动脉化疗栓塞术（Transcatheter Arterial Chemoembolization, TACE）作为中晚期HCC的常用介入治疗手段，虽可局部控制肿瘤，却难以有效抑制远处转移的发生。研究表明，TACE术后肺转移发生率高达25.6%，显著高于未接受TACE治疗的群体。传统预测方法受限于肿瘤异质性、影像分辨率不足及动态微环境变化等因素，难以实现精准风险评估。近年来，影像组学（Radiomics, Rad）与深度学习（Deep Learning, DL）技术的兴起为破解这一难题提供了新思路。它们能够从医学图像中提取人眼难以识别的定量特征，揭示疾病潜在生物学行为，因而在肿瘤预后预测领域展现出巨大潜力。

为突破单一模态预测的局限性，Chenglong Liu等人开展了一项多中心回顾性研究，旨在构建一个融合临床数据、Rad与DL的整合模型，以精准预测HCC患者TACE术后远处转移风险。该研究共纳入475例患者，分别来自山东第一医科大学第二附属医院（374例）和菏泽市立医院（101例），所有患者均经病理确诊为HCC且接受TACE治疗。研究人员将数据划分为训练集（261例）、测试集（113例）和外部验证集（101例），确保了模型评估的严谨性。

在技术方法层面，研究采用多模态数据融合策略：首先收集临床特征（如肿瘤大小、结节数量、甲胎蛋白（Alpha-Fetoprotein, AFP）水平等）；其次基于动脉期CT图像，通过手工勾画感兴趣区域（Region of Interest, ROI）并利用PyRadiomics平台提取1834个Rad特征（包括形态学、强度及纹理特征）；同时采用预训练的ResNet18卷积神经网络提取512个DL特征；最后通过逻辑回归（Logistic Regression, LR）将深度学习与影像组学融合特征（DLR）与临床数据整合，构建联合模型（CRDL）。特征筛选经历曼-Whitney U检验、Pearson相关性分析与LASSO（Least Absolute Shrinkage and Selection Operator）回归三个步骤，最终保留7个Rad特征、18个DL特征及28个DLR特征用于建模。模型性能通过受试者工作特征曲线下面积（Area Under the Curve, AUC）、校准曲线及决策曲线分析（Decision Curve Analysis, DCA）进行全面评估。

研究结果显著且具有多重价值：

一、临床特征分析显示，肿瘤大小、结节数量及AFP水平是远处转移的独立预测因子（p<0.05），为模型构建提供了关键临床依据。

二、多模型比较中，CRDL模型表现最优，在训练集、测试集和外部验证集中的AUC值分别为0.931（95% CI 0.894–0.968）、0.861（95% CI 0.787–0.936）和0.854（95% CI 0.758–0.950），显著优于单一临床模型、Rad模型或DL模型（Delong检验p<0.05）。

三、校准曲线证实模型预测概率与实际风险高度一致（Hosmer-Lemeshow检验p>0.05），而DCA曲线进一步证明CRDL模型在17–78%风险阈值范围内具有更优的临床净收益，适用于临床决策支持。

四、基于CRDL模型开发的列线图（Nomogram）可实现个体化风险可视化，帮助医生直观评估患者转移风险并制定分层管理策略。

讨论部分深入阐述了该研究的创新性与临床意义。首先，多模态融合策略克服了传统单一维度模型的局限性，通过整合临床、Rad与DL特征，全面捕获了HCC的生物学异质性及转移潜能。其次，随机森林（Random Forest, RF）算法在复杂特征处理中展现出优越性，其集成学习机制有效提升了模型稳健性与预测精度。值得注意的是，尽管既往研究对AFP的预后价值存在争议，本研究证实AFP仍是重要预测指标，可能与微小转移灶的潜在关联有关。此外，研究提出的CRDL列线图不仅可用于术前风险分层，指导高危患者加强辅助治疗（如免疫检查点抑制剂或代谢调节剂），还可通过动态更新影像数据实现术后风险再评估，优化随访策略。

然而，研究亦存在一定局限性：一是仅基于CT单一模态影像，未来需融合MRI、超声等多模态数据以提升预测广度；二是回顾性设计及18个月随访周期可能遗漏晚期转移事件，引入潜在偏倚；三是模型临床推广需解决计算资源、数据标准化及多中心验证等挑战。尽管如此，该研究为HCC精准医疗提供了重要工具，通过AI驱动的风险 stratification 实现了治疗策略的个体化与资源优化配置。

综上所述，该研究成功构建并验证了一个融合临床、Rad与DL特征的预测模型，能够精准评估HCC患者TACE术后远处转移风险。其提出的CRDL列线图不仅推动了多模态数据在肿瘤预后领域的应用，更为临床医生制定个性化治疗与随访方案提供了可靠依据，对提升HCC患者生存质量及优化医疗资源配置具有重要价值。该成果发表于《Journal of Cancer Research and Clinical Oncology》，为后续前瞻性研究及临床转化奠定了坚实基础。