0 引言

       肝细胞癌（hepatocellular carcinoma, HCC）是一种具有高度侵袭性和复发倾向的恶性肿瘤，其发病率位列全球所有恶性肿瘤第六，致死率高居癌症致死原因第三^[1]。我国HCC每年新发病例数和死亡病例数均超过全球总数的一半。微血管侵犯（microvascular invasion, MVI）是反映肿瘤侵袭性的一项病理特征，其存在与肝癌患者术后复发、转移及总体生存期缩短呈显著正相关。扩大MVI阳性患者的手术切缘可显著提高其生存率。因此术前预测HCC的MVI，可以帮助医生更准确地评估患者的病情和预后，从而制订个性化的手术方式和术后治疗方案^{[2, 3]}。目前临床仍需通过术后病理确诊MVI，具有显著的滞后性。因此探索其术前无创预测方法具有重要意义^{[4, 5]}。

       钆塞酸二钠（gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid, Gd-EOB-DTPA）是一种肝特异性对比剂，与常规MR对比剂比较，肿瘤组织与周围肝实质在增强扫描肝胆期（hepatobiliary phase, HBP）图像上的信号强度差异更明显，肿瘤的边界更清晰，其还可能反映肿瘤边缘病理特征^{[6, 7, 8]}。影像组学可以提取高通量图像特征，并转换为定量数据进行分析，深入挖掘丰富信息，以研究肿瘤的生物学行为。既往多项研究将影像组学模型应用于HCC的MVI术前诊断，然而这些研究集中于从一个或多个单序列或时相的图像中提取特征构建模型^{[9, 10]}。Delta影像组学将不同时间点获取的影像进行对比，识别和量化图像中的差别，可为疾病诊断、治疗和预后评估提供更多信息^[11]。

       本研究通过比较HBP和T1WI图像中影像组学特征的净变化，构建Delta影像组学模型，探索其术前预测MVI的应用价值。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》。回顾性收集2016年4月至2023年5月深圳市人民医院及南方医科大学珠江医院符合纳排标准的病例。经深圳市人民医院及南方医科大学珠江医院医学伦理委员会批准（伦理审批编号：LL-KY-2024102-01、2024-KY-282-02），免除受试者知情同意。所有患者以7∶3的比例随机分为训练集和验证集。纳入标准：（1）肝脏肿块接受手术切除，且术后病理确诊为原发性HCC；（2）术前30日内行Gd-EOB-DTPA腹部MRI增强检查。排除标准：（1）术前接受过其他抗肿瘤治疗的患者；（2）MRI图像质量欠佳等原因导致无法进行评估者。

1.2 临床基线资料

       收集患者临床基线资料，包括患者的年龄、性别、乙肝及丙肝病毒定性、血小板计数、白蛋白（albumin, ALB）、碱性磷酸酶（alkaline phosphatase, ALP）、丙氨酸氨基转氨酶（alanine aminotransferase, ALT）、天门冬氨酸转氨酶（aspartate aminotransferase, AST）、γ-谷氨酰转移酶（gamma-glutamyl transferase, GGT）、总胆红素、凝血酶原时间、糖类抗原19-9、甲胎蛋白、肿瘤体积。

       病理资料包括在显微镜下获得肿瘤病理类型和MVI信息，由经过培训的病理科医师进行取材诊断，根据我国《原发性肝癌诊疗指南（2024版）》^[12]确定MVI定义及分级：M0为未观察到MVI；M1为近癌旁肝组织区域（≤1 cm）出现不超过5个MVI；M2为近癌旁肝组织中出现5个以上MVI，或远癌旁肝组织区域（>1 cm）出现MVI。M0为MVI阴性，M1及M2为MVI阳性。

1.3 影像学检查

       使用1.5 T（荷兰Philips Multiva/美国GE Voyager/德国Siemens Avanto/中国联影uMR 660）及3.0 T（荷兰Philips Ingenia/荷兰Philips Elition X/德国Siemens Skyra）超导型MR及多通道腹部线圈进行全肝脏扫描。T1WI序列及HBP扫描参数：（1）1.5 T MR，TR 4.29~5.90 ms，TE 1.96~2.50 ms，FOV 350~400 mm×280~300 mm，翻转角10°~15°，矩阵（频率×相位）143~192×236~272，层厚3~5 mm；（2）3.0 T MR，TR 3.20~3.50 ms，TE 1.12~1.34 ms，FOV 320~380 mm×280~293 mm，翻转角10°~20°，矩阵（频率×相位）156~196×236~320，层厚4~6 mm。增强扫描使用对比剂Gd-EOB-DTPA（Primovist, Bayer Schering Pharma, Berlin, Germany），分别于注射后18~23 s、45~60 s、120 s和20 min采集动脉期、门脉期、移行期和HBP图像。其余平扫序列如T2WI、扩散加权成像（diffusion-weighted imaging, DWI）等在上述时间点等候间隙内采集。

1.4 影像分割及预处理

       首先进行图像标准化预处理，包括应用N4算法对MRI图像进行偏置场校正及重采样处理，使其体素尺寸为1 mm×1 mm×1 mm。感兴趣区（region of interest, ROI）勾画方法：使用ITK-SNAP软件（V4.0，http://www.itksnap.org），由一名具有3年工作经验的放射科住院医师在轴位T1WI及HBP图像上逐层描绘肿瘤边界，并由另一名具有10年工作经验放射科主治医师进行核对，存在分歧时由双方共同商讨决定。当患者存在肝内多发病灶时，选取最大一处病灶。

1.5 影像组学分析与模型构建

       使用Python（v3.7,https://www.python.org/）的pyradiomics开源软件包（V3.1.0,https://pyradiomics.readthedocs.io/）提取ROI的影像组学特征，每个序列各得到360个一阶灰度统计特征（firstorder）、440个灰度共生矩阵（gray-level co-occurrence matrix, GLCM）特征、280个灰度相关矩阵（gray-level dependence matrix, GLDM）特征、320个灰度游程矩阵（gray-level run length matrix, GLRLM）特征、320个灰度尺度区域矩阵（gray-level size zone matrix, GLSZM）特征、100个邻域灰度差矩阵（neighbouring gray-tone difference matrix, NGTDM）特征、14个形状（shape）特征。将所提取的特征进行Z-score标准化处理。首先使用两独立样本t检验比较MVI阳性和MVI阴性两组间影像组学特征的差异，保留差异具有统计学意义（P<0.05）的特征。然后采用Spearman相关性分析评估影像组学特征之间的相关性，当相关性系数>0.9时，则认为两特征具有重复性，随机保留其中一个特征。使用最小绝对收缩和选择算子（least absolute shrinkage selection operator, LASSO）算法对特征进行降维，并进行10次交叉验证，以确定最佳调节参数λ，最终筛选出具有显著分类性能且系数稳定的非零特征变量。根据上述筛选出的特征，使用逻辑回归（logistic regression, LR）分类器，分别构建基于T1WI、HBP、Delta的影像组学模型及Delta影像组学+临床联合模型（以下简称联合模型）。其中Delta定义为T1WI与HBP影像组学特征值的变化量，即Delta=HBP影像组学特征值-T1WI影像组学特征值。计算各模型训练集和验证集的受试者工作特征（receiver operating characteristic, ROC）曲线的曲线下面积（area under the curve, AUC）、敏感度、特异度、阳性预测值、阴性预测值和准确率，使用DeLong检验比较各模型诊断效能的差异，并建立联合模型的列线图。

1.6 统计学分析

       采用SPSS 27.0（IBM公司，美国）进行统计学分析。正态分布的计量资料以均值±标准差（x¯±s）表示，非正态分布资料以中位数（上下四分位数）表示，计数资料以例数（占比）表示。采用两独立样本t检验或Mann-Whitney U检验比较训练集与验证集两组间连续变量的差异，采用卡方检验或Fisher确切概率法比较两组间分类变量的差异。

2 结果

2.1 患者临床特征

       共189例临床病例纳入本研究，样本来源包括南方医科大学珠江医院（119例）和深圳市人民医院（70例），其中MVI阳性91例，阴性98例。训练集中女17例，男115例，平均年龄56.13岁；验证集中女13例，男44例，平均年龄57.75岁。数据集的临床基线资料详见表1。

点击查看表格

表1  训练集与验证集的临床基线资料比较
Tab. 1  Comparison of clinical baseline data between training set and validation set

2.2 影像组学模型

       从T1WI、HBP、Delta各1834个特征中，分别筛选出21、5、22个最优特征构建模型（图1）。T1WI、HBP、Delta模型训练集AUC分别为0.891、0.750、0.888，验证集AUC分别为0.716、0.733、0.800。各模型敏感度、特异度等参数详见表2。

点击查看大图

图1  用于构建模型的特征的相关系数图。1A：T1WI模型；1B：肝胆期（HBP）模型；1C：Delta模型。
Fig. 1  Correlation coefficient plot of features used for model construction. 1A: T1WI model; 1B: Hepatobiliary phase (HBP) model; 1C: Delta model.

点击查看表格

表2  T1WI、HBP、Delta模型的诊断效能
Tab. 2  Diagnostic performance of T1WI, HBP and Delta models

2.3 模型效能比较

       T1WI、HBP、Delta三种模型中，Delta模型验证集AUC最高。其训练集AUC为0.888（95% CI：0.834~0.942），验证集AUC为0.800（95% CI：0.687~0.913），详见图2。DeLong检验显示，验证集AUC在T1WI、HBP、Delta三种模型中差异无统计学意义。

点击查看大图

图2  T1WI、HBP、Delta模型在训练集（2A）和验证集（2B）的ROC权限。HBP：肝胆期；ROC：受试者工作特征；AUC：曲线下面积；CI：置信区间。
Fig. 2  ROC of T1WI、HBP、Delta models in training set (2A) and validation set (2B). ROC: receiver operating characteristic; HBP: hepatobiliary phase; AUC: area under the curve; CI: confidence interval.

2.4 Delta影像组学+临床联合模型

       我们基于训练集中MVI阴性与阳性组间差异有统计学意义的参数（ALB、ALP、GGT和肿瘤体积）构建了临床模型，该模型训练集和验证集的AUC值分别为0.709（95% CI：0.621~0.798），0.716（95% CI：0.581~0.852）。将Delta影像组学模型与临床模型进行结果后融合，构建了联合模型，并建立列线图以实现MVI的可视化预测。结果显示，联合模型在训练集和验证集的AUC分别为0.898（95% CI：0.846~0.950）、0.811（95% CI：0.702~0.921）。DeLong 检验显示，验证集AUC在临床模型、Delta模型、联合模型中无统计学显著性。典型病例见图3、图4。决策曲线显示，在一定的阈值概率范围内，联合模型相比Delta模型和临床模型具有更好的净获益（图5A）。校准曲线显示联合模型预测结果接近实际结果（图5B）。

点击查看大图

图3  女，76岁，临床预测概率0.415，Delta预测概率0.887，最后总得分102.98，预测微血管侵犯（MVI）阳性概率为0.775，病理结果为MVI阳性。
Fig. 3  Female, 76 years old, clinical prediction probability 0.415, Delta prediction probability 0.887, final total score 102.98, predicted microvascular invasion (MVI) positivity probability 0.775, pathological result: MVI positive.

点击查看大图

图4  男，51岁，临床预测概率0.759，Delta预测概率0.173，最后总得分51.96，预测微血管侵犯（MVI）阳性概率0.277，病理结果为MVI阴性
Fig. 4  Male, 51 years old, clinical prediction probability 0.759, Delta prediction probability 0.173, final total score 51.96, predicted microvascular invasion (MVI) positivity probability 0.277, pathological result: MVI negative.

点击查看大图

图5  临床模型、Delta模型、联合模型验证集的决策曲线（5A）及校准曲线（5B）。
Fig. 5  Decision curves (5A) and calibration curves (5B) of the validation set for the clinical model, Delta model, and combined model.

3 讨论

       本研究中构建并验证了基于Gd-EOB-DTPA增强MRI的T1WI、HBP以及可以反映T1WI和HBP图像影像组学特征净变化的Delta影像组学模型，以期术前预测HCC的MVI。结果显示，基于LR分类器的Delta影像组学模型效能最优，联合模型能进一步提高诊断效能，有助于HCC术前个体化治疗决策。

3.1 Gd-EOB-DTPA增强MRI影像组学预测MVI的价值

       术前预测MVI已成为HCC影像组学及机器学习的研究热点之一^[13]，其中较多的研究来自增强CT^{[14, 15, 16]}和多参数MRI^{[17, 18]}，包括Gd-EOB-DTPA增强MRI^[19]。WEI等^[20]研究表明，基于Gd-EOB-DTPA增强MRI的深度学习（deep learning, DL）模型比基于增强CT的DL模型具有更优的预测效能。Gd-EOB-DTPA作为肝特异性对比剂，其HBP图像质量具有明显优势，能清晰显示病灶及其病灶边界，尤其适用于肝硬化、肝功能受损患者^{[21, 22]}。Gd-EOB-DTPA增强MRI在HBP预测MVI的病理基础可能是由于MVI阻断了肿瘤周围的微小血管，肿瘤周围肝细胞的血流动力学改变和功能受损，肿瘤周围有机阴离子转运多肽转运体对Gd-EOB-DTPA的摄取减少，从而导致HBP图像的变化^{[23, 24, 25]}。WANG等^[26]使用Gd-EOB-DTPA增强MRI预测HCC的MVI，发现在T1WI、T2WI、DWI、动脉期、门静脉期、延迟期和HBP这7个序列构建的模型中，T1WI和HBP模型诊断效能优于其他序列（训练集AUC为0.877和0.792，验证集AUC为0.818和0.764）。罗紫薇等^[6]使用HBP图像构建影像组学模型评估HCC的MVI分级，结果显示，二分类影像组学一对多模型中，M0 vs. M1+M2模型在验证集的AUC为0.78，敏感度81%，特异度67%，准确率74%。本研究构建的HBP模型结果也具有相似的预测效能。

3.2 基于Delta影像组学预测MVI的价值

       Delta影像组学能够反映不同时间点采集的图像中定量特征的变化，相较于单序列影像评估，受机器、参数及层厚的影响较小，因此其构建的模型具有更高的稳健性^{[27, 28, 29]}。目前多数国内外研究将Delta组学应用于肿瘤术前评估^{[30, 31]}，肿瘤治疗前后疗效对比及预后^{[32, 33, 34]}，也开始应用于HCC的MVI预测^{[35, 36]}。ZENG等^[37]使用动脉期与门静脉期的差值构建的Delta模型AUC值为0.707，高于门脉期及HBP的预测模型，且敏感度高于动脉期、门脉期、HBP模型。ZHANG等^[18]构建了平扫-门脉期Delta模型，结果显示平扫、门脉期、Delta模型的影像组学评分（Radscore）是MVI的独立风险因素，其中Delta模型的Radscore比值比（odds ratio, OR）最大，是MVI的强预测因子。

       HBP图像通过显示肝细胞对Gd-EOB-DTPA的摄取情况，可反映HCC中由MVI导致的肝细胞功能改变。本研究以T1WI作为HBP的基线构建了Delta模型。Delta是HBP与基线T1WI特征值的差值，可更准确地反映肝细胞摄取Gd-EOB-DTPA后的影像改变，从而更准确地反映病理改变。本研究结果亦可见Delta模型的AUC、敏感度、特异度、阳性预测值、阴性预测值、准确率各项指标具有相对更优的效能表现，虽然Delong检验模型间差异未见显著统计学，我们分析与样本量较小有关，提示我们在以后的研究中需加大样本量继续研究。此外，相较于单独Delta影像组学模型，联合模型可进一步提升预测效能，其在训练集和验证集的AUC达到0.898和0.811，提示多模态整合是未来研究方向。

3.3 本研究的局限性

       本研究尚存在一些局限性。第一，本研究的图像数据来自多台MR设备，扫描参数的差异是不可避免的，尽管已经进行了图像标准化以期减少设备间的差异，但仍可能会影响预测性能和泛化能力。第二，本研究样本量较小，且仅对比了基于LR分类器建立的T1WI、HBP及Delta模型，在下一步的研究中，团队将扩大样本量，在分析常规MRI组学的同时探讨深度-迁移学习，以提高模型预测效能并增加其稳定性及可靠性。

4 结论

       综上所述，基于Delta影像组学模型可反映肝细胞摄取Gd-EOB-DTPA后MRI影像组学特征的净变化，能够实现术前预测HCC的MVI，联合模型具有更高预测效能，为临床提供了一种有潜力的MVI术前无创评估方法，有助于临床实施HCC的精准治疗。