基于MRI的放射组学动态在肝细胞癌病理完全缓解中的预测能力：深度学习综合

亮点

• 与基线或术前静态MRI特征相比，Δ放射组学（特征的动态变化）在预测肝细胞癌（HCC）的病理完全缓解（pCR）方面显著优于前者。
• 将时间放射组学动态与血清甲胎蛋白（AFP）反应相结合，在测试队列中实现了0.920的优越AUC值。
• 利用深度学习辅助特征选择的机器学习模型提供了一种稳健的、非侵入性的传统手术分期替代方案。
• 动态放射组学评估可能指导成功转化治疗后初始不可切除病例患者的肝切除术选择。

背景

肝细胞癌（HCC）仍然是全球最致命的恶性肿瘤之一，通常在不可切除阶段（uHCC）出现。近年来，随着免疫检查点抑制剂（ICIs）和酪氨酸激酶抑制剂（TKIs）的组合治疗——即转化治疗的引入，治疗格局发生了巨大变化。转化治疗的主要目标是降低肿瘤分期，使根治性意图的肝切除术成为可能。在这个临床路径中，实现病理完全缓解（pCR）是长期生存的关键替代标志。然而，术前识别pCR仍然是一个重大挑战，因为传统的成像标准如RECIST 1.1或mRECIST往往无法区分免疫治疗诱导的存活肿瘤和坏死/纤维化组织。

临床上迫切需要能够准确预测pCR的非侵入性生物标志物。虽然肝生化测试和功能测试（ALT、AST、胆红素）对于监测免疫检查点抑制剂（ICI）治疗的肝毒性至关重要，但它们缺乏用于肿瘤反应评估所需的特异性（PMID: 41831501）。放射组学，即从医学图像中提取定量特征的高通量方法，结合深度学习，通过捕捉肿瘤的亚视觉异质性和其时间演变，提供了一个潜在的解决方案。

主要内容

放射组学动态的方法进展

该领域最近突破的核心在于从静态到动态成像分析的转变。传统放射组学专注于单个时间点（例如，基线），这提供了肿瘤生物学的快照，但忽略了对系统压力的生物反应。周等（2026年）最近的一项多中心研究强调了“Δ放射组学”的实用性——基线MRI与治疗后/术前MRI之间特征的定量变化（PMID: 41746634）。

在此框架下，时间放射组学特征通过复杂的机器学习管道进行提取和处理。特征选择通常涉及单变量分析、共线性评估和最小绝对收缩和选择算子（LASSO）回归。跨多个机器学习模型（包括随机森林和深度学习架构）的基准测试表明，Δ特征捕获了肿瘤的“放射组学轨迹”，这比任何单点测量更能代表治疗敏感性。

临床结果：Δ模型与基线模型

证据表明预测性能存在明显的层次结构。在接受转化治疗的uHCC患者验证队列中，Δ放射组学模型实现了约0.783至0.835的曲线下面积（AUC）。相比之下，基线模型（AUC约为0.434–0.483）和术前模型（AUC约为0.506–0.685）表现较差，通常略好于随机水平。这表明肿瘤的初始状态是其如何最终对免疫治疗作出反应的不良预测指标，而单独的术前扫描可能会因治疗引起的炎症变化而被掩盖。

AFP反应的协同作用

除了成像之外，生化标志物仍然至关重要。甲胎蛋白（AFP）是最常用的HCC生物标志物。通过计算术前与基线水平的对数比值，临床医生可以将生物活性与形态学变化结合起来。Δ放射组学与AFP反应的合成显示了迄今为止最高的预测准确性。具体而言，联合模型在内部测试中实现了0.920的AUC值，在独立验证队列中实现了0.857的AUC值（PMID: 41746634）。这种协同效应表明，虽然放射组学捕捉空间异质性，但AFP反应提供了肿瘤分泌活动的整体测量，从而创建了病理状态的全面剖面。

转化与比较背景

尽管实验小鼠模型（PMID: 41825745）继续为病毒相关HCC的免疫病理学和分子特征提供见解，但临床放射组学弥合了这些机制研究与现实世界患者护理之间的差距。与主要用于评估纤维化的MASLD中的肝脏硬度评估（PMID: 41831487）不同，肿瘤放射组学专门调查新生物环境。此外，随着我们向个体化HCC监测（PMID: 41813085）迈进，非侵入性预测pCR的能力可能使一些患者避免主要手术的发病率，如果可以近乎确定地确认完全缓解，或者相反，识别那些需要更积极辅助策略的患者。

专家评论

从定性图像解释转向定量放射组学建模标志着外科肿瘤学的范式转变。从临床角度来看，Δ放射组学优于术前静态成像的优越性是合乎逻辑的；免疫治疗常常导致“假进展”或稳定的影像学尺寸，尽管存在显著的病理坏死。因此，内部纹理的变化（放射组学特征）比肿瘤直径更能忠实地报告细胞死亡。

然而，仍存在若干挑战。首先是深度学习的“黑箱”性质；许多临床医生发现很难信任一个他们不理解AI正在识别哪些生物特征的模型。其次，放射组学对成像协议高度敏感，要求在不同的MRI扫描仪和机构之间进行严格的标准化。周等的研究因其多中心设计而引人注目，这解决了关于普遍性的某些担忧，但在这些模型可以纳入国家指南（如AASLD或ESMO）之前，仍需进一步的前瞻性验证。未来的研究还应探索将放射组学与液体活检（循环肿瘤DNA）结合，以进一步提高预测特异性。

结论

深度学习和动态放射组学分析的结合标志着不可切除性HCC管理的重大进展。通过关注Δ——转化治疗过程中肿瘤特征的变化——临床医生可以以高精度（当与AFP结合时AUC > 0.90）预测pCR。这种方法促进了个性化治疗决策，可能在首次切口前识别出已达到完全缓解的患者。随着AI工具变得更加精细和标准化，它们很可能成为肿瘤学诊所中传统成像的重要补充。

参考文献

• 周思琪, 王立宁, 吴丽芳, 等. 深度学习辅助MRI肿瘤放射组学动态预测免疫治疗后行肝切除术的HCC病理完全缓解. Hepatology. 2026. PMID: 41746634.
• 异常肝生化测试结果的评估. Gastroenterology. 2026. PMID: 41831501.
• 一种具有免疫能力的小鼠模型，用于研究病毒诱发的肝纤维化和肝细胞癌. J Hepatol. 2026. PMID: 41825745.
• HCV治愈后的脂肪变性严重程度和代谢指纹：向个体化HCC监测迈进. Gut. 2026. PMID: 41813085.