临床放射学杂志

作者：赵凯, 李聚贤, 乔雪, 孙中琪, 邹治炫, 姜慧杰

单位：150001 哈尔滨医科大学附属第二医院放射科赵 凯、李聚贤、乔 雪、孙中琪、姜慧杰; 528300 广州中医药大学顺德医院放射科邹治炫

关键词：肝细胞癌,微血管侵犯,影像组学,机器学习,体层摄影术,X线计算机

<b>目的</b> 探讨基于增强CT(CECT)栖息地的影像组学技术预测肝细胞癌(HCC)患者微血管侵犯(MVI)的价值,并通过Shapley算法对模型进行可视化呈现。<b>方法</b> 回顾性搜集130例经病理证实HCC患者的CECT门静脉期图像,随机分为MVI组(n=91)和非微血管侵犯(non-MVI)组(n=39)。采用K均值聚类算法对肿瘤区域进行分区,生成3~10个不同聚类亚区,使用卡林斯基-哈拉巴斯分数(CH score)评估不同聚类数的聚类水平,选择最优聚类数。基于每个亚区提取影像组学特征,采用Spearman相关性分析和最小绝对收缩和选择算子(LASSO)算法进行特征筛选,并使用随机森林算法构建预测MVI的不同栖息地模型。使用受试者工作特征曲线(ROC)的曲线下面积(AUC)评估模型性能,用校准曲线验证模型的校准能力,用决策曲线分析和比较模型的临床实用,并通过Shapley算法可视化呈现特征的重要性。<b>结果</b> 根据聚类分析,最终选择了3个栖息地亚区,每个亚区提取1834个特征。所有模型中,Combined Habitat模型性能最优,训练集和测试集中的AUC分别为0.836(95%CI:0.749~0.918)和0.791(95%CI:0.641~0.923),高于不同亚区单独构建的模型。决策曲线提示Combined Habitat模型较其他模型具有较好的临床实用价值,校准曲线显示模型拟合良好。Shapley算法展示了Combined Habitat中不同亚区的影像组学特征重要性,其中来自Habitat3的“exponential_firstorder_Maximum_h3”特征对模型预测具有最强的正向影响。<b>结论</b> 基于CECT栖息地构建的影像组学模型对预测HCC MVI具有重要价值。通过对肿瘤不同异质性亚区进行精细划分和特征提取,能够更好地捕捉肿瘤异质性。

来源：2025年第4期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第4期