引用本文： 瞿成名, 李昆, 蔡萍, 謝巧, 閻曉初, 陳施翰, 李長峰, 夏鋒, 張雷達, 馮凱, 馬寬生. 基于 MRI 影像組學的特征模型預測肝細胞癌微血管侵犯的研究. 中國普外基礎與臨床雜志, 2021, 28(2): 175-180. doi: 10.7507/1007-9424.202009112 復制
肝細胞癌（hepatocellular carcinoma，HCC）目前術后總體復發率仍然較高，預后較差[1-2]。已有研究[3-4]表明，微血管侵犯（microvascular invasion，MVI）與 HCC 的侵襲性生物學特征相關，是影響 HCC 預后的獨立危險因素。因此，術前診斷 MVI 對制定 HCC 的治療方案起著至關重要的作用[5-6]。近年來有研究[7-8]發現： 釓塞酸二鈉（gadoxetate disodium，Gd-EOB-DTPA）增強磁共振（magnetic resonance imaging，MRI）在預測 HCC 的 MVI 方面有著巨大的潛力。然而，目前大多數的 MVI 預測模型是通過提取主觀影像特征建立的，特征的挖掘往往受到觀察者本身的影響。影像組學是一種通過自動化、高通量提取影像特征的技術，可以提取大量無法通過肉眼識別的定量特征，更客觀更準確[9-10]。因此，本研究的目的是基于 Gd-EOB-DTPA 增強 MRI 影像組學來建立 HCC 的 MVI 預測模型，為制定 HCC 的治療策略提供新的依據。
1 資料與方法
1.1 一般資料
前瞻性地收集 2017 年 9 月至 2020 年 5 月期間在陸軍軍醫大學第一附屬醫院接受手術治療的 190 例 HCC 患者的臨床和病理資料。利用隨機數字生成器（SPSS 24.0）產生隨機數字及對應的組別，將入組的 190 例患者按入組次序統一編號，按照 5︰1 的比例隨機分為訓練組和測試組。納入標準：① 單發的腫瘤，術后病理診斷為 HCC；② 在手術前 1 個月內接受了肝臟 Gd-EOB-DTPA 增強 MRI 檢查；③ 行根治性肝癌切除術；④ 影像學無肉眼可見的血管侵犯。排除標準：① 腫瘤在肝內或遠處有轉移；② 術前接受其他抗腫瘤治療，如射頻消融、肝動脈化療栓塞術等；③ 影像學圖像質量不佳、存在偽影等，無法分析。
1.2 病理分析
患者的手術切除標本由病理科兩名具有 5 年以上肝臟疾病病理診斷經驗的醫師獨立進行診斷。 MVI 的診斷標準為：顯微鏡下在內皮細胞襯覆的血管腔內見到癌細胞巢團[11]。
1.3 圖像采集
所有入組患者均行 Gd-EOB-DTPA 增強 MRI 檢查，設備為 3.0T MRI 掃描儀（Magnetom trio，Siemens Health-care，Erlangen，Germany）。檢查前患者禁食 6～8 h。與患者密切溝通，反復耐心訓練患者平靜狀態下屏氣。患者采用仰臥位，使用 6 通道體表線圈和 6 通道體部線圈，自膈頂部掃描至肝臟下緣，覆蓋整個肝臟。經外周靜脈注射對比劑 Gd-EOB-DTPA，注射劑量為 0.1 mL/kg，注射速率為 1.0 mL/s，隨后立即以相同速率注射 20 mL 生理鹽水，以保證所有對比劑全部進入患者體內。掃描序列為：平掃期，冠狀位 2 次閉氣半傅立葉采集單次激發快速自旋回波序列（two breath-hold half-fourier acquisition single short turbo spin echo sequence，HASTE），軸位單次閉氣二維 T1 加權雙回波同反相位序列（a breath-hold T1-weighted dual-echo in phase and opposed phase two-dimensional sequence，In-Opp TIWI），單次閉氣三維容積內插體部檢查序列（three-dimensional volume interpolated breath-hold examination，3D-VIBE），腹主動脈下端信號強度升高觸發動脈期掃描，注射對比劑后 60 s（門靜脈期）、180 s（平衡期）和 20 min（肝膽期）分別行 3D-VIBE 進行掃描。
1.4 圖像預處理和分割
使用 Insight Toolkit（ITK）軟件對動脈期和肝膽期圖像進行預處理。采用線性插值算法和最近鄰插值算法對圖像空間進行重采樣，以保證體素大小均一和各向同性。由放射科兩名具有 5 年以上腹部影像診斷經驗的醫師，在不知曉臨床診斷和病理診斷的情況下，基于 3DVWorks 軟件（深圳市一圖智能科技有限公司，深圳，中國）對動脈期和肝膽期腫瘤病灶進行手動勾畫分割出三維感興趣區（region of interest，ROI），如存在不一致情況時，兩者協商一致后勾畫。分割過程采用了體繪制分割方法實現快速分割。利用形態學膨脹算法，對腫瘤區域進行膨脹，膨脹半徑為 2 cm，以同時獲取腫瘤病灶和腫瘤周圍 2 cm 以內區域的特征。圖 1 示一 MVI 陰性 HCC 患者和一 MVI 陽性 HCC 患者的 MRI 分割圖和 HCC 組織病理圖。
圖1
示一 MVI 陰性和一 MVI 陽性 HCC 患者的 MRI 分割圖和 HCC 組織病理圖
a、b：MVI 陰性 HCC 患者的動脈期（a）和肝膽期（b）勾畫的感興趣區，黃色表示腫瘤病灶，綠色表示腫瘤周圍 2 cm 以內的區域；c：MVI 陰性的 HCC 組織病理圖（HE ×100）；d、e：MVI 陽性 HCC 患者的動脈期（d）和肝膽期（e）勾畫的感興趣區，黃色表示腫瘤病灶，綠色表示腫瘤周圍 2 cm 以內的區域；f：MVI 陽性的 HCC 組織病理圖（HE ×200），黑箭所指處可見血管腔內的癌細胞巢團
1.5 影像組學特征提取
使用 Python 3.7.0 中 Pyradiomics 軟件包提取 ROI 的影像組學特征，包括一階統計特征、形狀特征和紋理特征。為了避免模型過擬合，使用最小絕對收縮和選擇算子 （least absolute shrinkage and selection operator，LASSO）回歸和遞歸特征消除方法（recursive feature elimination，RFE）進行特征選擇。將提取的特征全部輸入，并獲得每個特征的權重大小。按照權重大小進行排序，最終獲得有效特征。
1.6 模型建立及預測效果評價
基于機器學習的 logistic 回歸算法得到每個特征的回歸系數，并建立影像組學模型。在訓練組上建立模型，并在測試組集中進行評價。構建受試者工作特征（ROC）曲線，并從受試者工作特征曲線下面積（AUC）、靈敏度、特異度和 F1 評分 4 個方面對模型的預測效果進行評價。
1.7 統計學方法
使用 SPSS 24.0 軟件進行統計分析。本研究的計量數據不符合正態分布，以中位數和四分位數 ［M（P25，P75）］ 表示，采用兩獨立樣本比較的 Mann-Whitney U 檢驗。計數資料和等級資料則使用頻數和比例表示，分別采用χ2檢驗或 Fisher 確切概率法或等級資料的秩和檢驗。檢驗水準 α=0.05。
2 結果
2.1 臨床特征
本研究中 190 例患者的 MVI 陽性率為 57.9%（110/190）。訓練組納入 158 例患者，其中男 139 例，女 19 例；測試組納入 32 例患者，其中男 26 例，女 6 例。2 組患者在性別、年齡、丙氨酸氨基轉移酶（ALT）、天冬氨酸氨基轉移酶（AST）、血小板計數（PLT）、甲胎蛋白、腫瘤直徑和 MVI 方面比較差異均無統計學意義（P>0.05）。2 組患者的臨床特征見表 1。
表1
2 組患者的一般臨床資料比較
2.2 影像組學模型的建立
從所有 ROI 中共提取了 1 748 個成像特征，其中包括 360 個一階統計特征、28 個形狀特征和 1 360 個紋理特征。根據 LASSO 回歸篩選出了 30 個特征，再通過 RFE 選擇算法進一步選擇特征，最終得到 7 個有效特征用于建立 MVI 預測模型，包括 3 個一階統計特征、1 個形狀特征和 3 個紋理特征。表 2 為影像組學特征選擇的結果。
表2
影像組學特征選擇的結果
2.3 影像組學模型的評價
圖 2a 為影像組學特征的相關系數矩陣熱圖。從圖中可以看出，7 個特征的相關系數較小，特征指標之間相互獨立。訓練組和測試組的 ROC 曲線見圖 2b 和 2c。訓練組模型的 AUC、靈敏度、特異度和 F1 評分分別為 0.830 ［95%CI 為（0.669，0.811）］、0.771、0.710 和 0.787； 測試組模型的 AUC、靈敏度、特異度和 F1 評分分別為 0.734 ［95%CI 為（0.600，0.936）］、0.680、0.857 和 0.791。
圖2
示影像組學特征的相關系數矩陣熱圖及訓練組和測試組的 ROC 曲線
a：影像組學特征的相關系數矩陣熱圖，黑色表示負相關，米色表示正相關；b：訓練組的 ROC 曲線；c：測試組的 ROC 曲線
3 討論
本研究建立了具有較好表現的預測 HCC 的 MVI 影像組學特征模型，篩選出了與預測 MVI 相關的 7 種影像組學特征。從影像組學特征的相關系數矩陣熱圖可以看出，特征之間大多為負相關且冗余較低，提示適合用來建立預測模型。這 7 種影像組學特征可以反映不同方面的結構信息和潛在的腫瘤生物學信息。3 個是一階統計特征（wavelet-LHL_firstorder_Kurtosis、wavelet-LHH_firstorder_Mean 和 wavelet-HHH_firstorder_Median），指的是 ROI 內灰度統計信息（包括平均值、熵、均質性），描述的是圖像強度信息的總體分布。1 個是形狀特征（original_shape_Sphericity），描述區域的球形度，反映 ROI 的三維形狀與球形的接近程度，在 MVI 陽性組中該特征值較小，說明 ROI 的形狀較不規則。3 個是紋理特征：“log-sigma-1-0-mm-3D_glcm_MaximumProbability”反映了 ROI 內頻率最高的相鄰灰度成對出現的概率，概率越小，說明紋理模式更復雜，而 MVI 陽性組中該特征值較小；“wavelet-HHH_glszm_SizeZoneNonUniformityNormalized”反映了 ROI 內體積的均勻性強弱，該值越大，區域均勻性越好，MVI 陽性組該特征值偏小，說明 ROI 體積的均勻性較差；“wavelet-HHH_gldm_HighGrayLevelEmphasis”度量了 ROI 中高灰度值的分布情況，值越大表示區域內灰度分布更側重高灰度值范圍，MVI 陽性組該特征值偏小說明灰度分布更側重于低灰度范圍。
影像組學目前是腫瘤學研究中的一個有廣闊前景的新興學科領域[3，12]。其通過一種高通量的提取方法，將醫學圖像轉換為高維的、可挖掘的數據資料，以獲得疾病預測或預后信息，從而以非侵入性的方式指導醫療決策[13]。先前的報道表明影像組學特征未來可以作為疾病預測或預后的生物標志物[14]。影像組學特征通常是從腫瘤內區域提取的，它反映了與腫瘤異質性有關的生物學特性[15-16]。但是，如何準確劃分腫瘤區域并進行影像組學分析是一項重大難題[17]。在本研究中，我們采用了一種新型的肝膽特異性 MRI 對比劑 Gd-EOB-DTPA，其同時具有肝細胞特異性對比劑和非特異性細胞外對比劑的特點，對肝臟病變的準確檢出和定性診斷能提供更多的功能和形態信息[18]。在 Gd-EOB-DTPA 增強 MRI 的動脈期和肝膽期，腫瘤組織與周圍肝實質之間的信號差異比傳統的造影劑更為顯著，這使得腫瘤的邊界更加清晰[19]。有研究[20-21]指出：MVI通常發生在距腫瘤邊界 2 cm 以內的腫瘤周圍區域，是 MVI 最早侵襲的區域。因此，本研究同時提取了動脈期和肝膽期腫瘤內和腫瘤周圍 2 cm 以內區域的影像組學特征來建立 HCC 的 MVI 預測模型。
既往的一些研究[22-23]已經建立了基于 CT 和超聲預測 MVI 的影像組學模型：利用增強 CT 的動脈期和延遲期建立的影像組學模型的 AUC 分別為 68.4% 和 49.0%[22]；基于超聲建立的模型的 AUC 為 72.6%[23]。此外，也有文獻[7]報道：基于增強 MRI 的肝膽期建立預測 MVI 的影像組學模型時得到的 AUC 為 70.5%。本研究利用 Gd-EOB-DTPA 增強 MRI 的動脈期和肝膽期圖像，訓練組和測試組模型的 AUC 分別達到了 0.830 和 0.734，均提示模型的預測效果良好，預測效能較高。與上述的研究相比，本研究的模型表現更好的主要原因可能是：① 與 CT 和超聲檢查相比，Gd-EOB-DTPA 增強 MRI 對腫瘤病灶具有更高的靈敏度；② 從多期圖像提取特征，并建立腫瘤內和腫瘤周圍 2 cm 以內區域的融合模型來進行影像組學分析。
本研究也存在一些局限性。① 作為單中心的研究，還需外部的、多中心的研究來進一步驗證模型的可靠性；② 本研究的影像組學特征來自動脈期和肝膽期的圖像，可能還需要從 Gd-EOB-DTPA 增強 MRI 的其他序列提取特征來進一步優化模型。
綜上所述，基于 Gd-EOB-DTPA 增強 MRI 的影像組學特征模型可以較好地預測 HCC 的 MVI，并在制定 HCC 的治療方案和手術切除范圍中起著一定的作用。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：瞿成名負責收集、分析資料及撰寫論文；李昆收集、整理了資料；蔡萍和謝巧負責分析影像資料；閻曉初負責分析病理資料；陳施翰和李長峰收集了資料；夏鋒、張雷達和馮凱在論文撰寫中提出修改意見；馬寬生提出了研究思路，并審閱文章及提出修改意見。
倫理聲明：本研究已通過陸軍軍醫大學第一附屬醫院倫理委員會的批準［批文編號：2017 年科研第（50）號］。所有程序都是根據《赫爾辛基宣言》進行的。
肝細胞癌（hepatocellular carcinoma，HCC）目前術后總體復發率仍然較高，預后較差[1-2]。已有研究[3-4]表明，微血管侵犯（microvascular invasion，MVI）與 HCC 的侵襲性生物學特征相關，是影響 HCC 預后的獨立危險因素。因此，術前診斷 MVI 對制定 HCC 的治療方案起著至關重要的作用[5-6]。近年來有研究[7-8]發現： 釓塞酸二鈉（gadoxetate disodium，Gd-EOB-DTPA）增強磁共振（magnetic resonance imaging，MRI）在預測 HCC 的 MVI 方面有著巨大的潛力。然而，目前大多數的 MVI 預測模型是通過提取主觀影像特征建立的，特征的挖掘往往受到觀察者本身的影響。影像組學是一種通過自動化、高通量提取影像特征的技術，可以提取大量無法通過肉眼識別的定量特征，更客觀更準確[9-10]。因此，本研究的目的是基于 Gd-EOB-DTPA 增強 MRI 影像組學來建立 HCC 的 MVI 預測模型，為制定 HCC 的治療策略提供新的依據。
1 資料與方法
1.1 一般資料
前瞻性地收集 2017 年 9 月至 2020 年 5 月期間在陸軍軍醫大學第一附屬醫院接受手術治療的 190 例 HCC 患者的臨床和病理資料。利用隨機數字生成器（SPSS 24.0）產生隨機數字及對應的組別，將入組的 190 例患者按入組次序統一編號，按照 5︰1 的比例隨機分為訓練組和測試組。納入標準：① 單發的腫瘤，術后病理診斷為 HCC；② 在手術前 1 個月內接受了肝臟 Gd-EOB-DTPA 增強 MRI 檢查；③ 行根治性肝癌切除術；④ 影像學無肉眼可見的血管侵犯。排除標準：① 腫瘤在肝內或遠處有轉移；② 術前接受其他抗腫瘤治療，如射頻消融、肝動脈化療栓塞術等；③ 影像學圖像質量不佳、存在偽影等，無法分析。
1.2 病理分析
患者的手術切除標本由病理科兩名具有 5 年以上肝臟疾病病理診斷經驗的醫師獨立進行診斷。 MVI 的診斷標準為：顯微鏡下在內皮細胞襯覆的血管腔內見到癌細胞巢團[11]。
1.3 圖像采集
所有入組患者均行 Gd-EOB-DTPA 增強 MRI 檢查，設備為 3.0T MRI 掃描儀（Magnetom trio，Siemens Health-care，Erlangen，Germany）。檢查前患者禁食 6～8 h。與患者密切溝通，反復耐心訓練患者平靜狀態下屏氣。患者采用仰臥位，使用 6 通道體表線圈和 6 通道體部線圈，自膈頂部掃描至肝臟下緣，覆蓋整個肝臟。經外周靜脈注射對比劑 Gd-EOB-DTPA，注射劑量為 0.1 mL/kg，注射速率為 1.0 mL/s，隨后立即以相同速率注射 20 mL 生理鹽水，以保證所有對比劑全部進入患者體內。掃描序列為：平掃期，冠狀位 2 次閉氣半傅立葉采集單次激發快速自旋回波序列（two breath-hold half-fourier acquisition single short turbo spin echo sequence，HASTE），軸位單次閉氣二維 T1 加權雙回波同反相位序列（a breath-hold T1-weighted dual-echo in phase and opposed phase two-dimensional sequence，In-Opp TIWI），單次閉氣三維容積內插體部檢查序列（three-dimensional volume interpolated breath-hold examination，3D-VIBE），腹主動脈下端信號強度升高觸發動脈期掃描，注射對比劑后 60 s（門靜脈期）、180 s（平衡期）和 20 min（肝膽期）分別行 3D-VIBE 進行掃描。
1.4 圖像預處理和分割
使用 Insight Toolkit（ITK）軟件對動脈期和肝膽期圖像進行預處理。采用線性插值算法和最近鄰插值算法對圖像空間進行重采樣，以保證體素大小均一和各向同性。由放射科兩名具有 5 年以上腹部影像診斷經驗的醫師，在不知曉臨床診斷和病理診斷的情況下，基于 3DVWorks 軟件（深圳市一圖智能科技有限公司，深圳，中國）對動脈期和肝膽期腫瘤病灶進行手動勾畫分割出三維感興趣區（region of interest，ROI），如存在不一致情況時，兩者協商一致后勾畫。分割過程采用了體繪制分割方法實現快速分割。利用形態學膨脹算法，對腫瘤區域進行膨脹，膨脹半徑為 2 cm，以同時獲取腫瘤病灶和腫瘤周圍 2 cm 以內區域的特征。圖 1 示一 MVI 陰性 HCC 患者和一 MVI 陽性 HCC 患者的 MRI 分割圖和 HCC 組織病理圖。
圖1
示一 MVI 陰性和一 MVI 陽性 HCC 患者的 MRI 分割圖和 HCC 組織病理圖
a、b：MVI 陰性 HCC 患者的動脈期（a）和肝膽期（b）勾畫的感興趣區，黃色表示腫瘤病灶，綠色表示腫瘤周圍 2 cm 以內的區域；c：MVI 陰性的 HCC 組織病理圖（HE ×100）；d、e：MVI 陽性 HCC 患者的動脈期（d）和肝膽期（e）勾畫的感興趣區，黃色表示腫瘤病灶，綠色表示腫瘤周圍 2 cm 以內的區域；f：MVI 陽性的 HCC 組織病理圖（HE ×200），黑箭所指處可見血管腔內的癌細胞巢團
1.5 影像組學特征提取
使用 Python 3.7.0 中 Pyradiomics 軟件包提取 ROI 的影像組學特征，包括一階統計特征、形狀特征和紋理特征。為了避免模型過擬合，使用最小絕對收縮和選擇算子 （least absolute shrinkage and selection operator，LASSO）回歸和遞歸特征消除方法（recursive feature elimination，RFE）進行特征選擇。將提取的特征全部輸入，并獲得每個特征的權重大小。按照權重大小進行排序，最終獲得有效特征。
1.6 模型建立及預測效果評價
基于機器學習的 logistic 回歸算法得到每個特征的回歸系數，并建立影像組學模型。在訓練組上建立模型，并在測試組集中進行評價。構建受試者工作特征（ROC）曲線，并從受試者工作特征曲線下面積（AUC）、靈敏度、特異度和 F1 評分 4 個方面對模型的預測效果進行評價。
1.7 統計學方法
使用 SPSS 24.0 軟件進行統計分析。本研究的計量數據不符合正態分布，以中位數和四分位數 ［M（P25，P75）］ 表示，采用兩獨立樣本比較的 Mann-Whitney U 檢驗。計數資料和等級資料則使用頻數和比例表示，分別采用χ2檢驗或 Fisher 確切概率法或等級資料的秩和檢驗。檢驗水準 α=0.05。
2 結果
2.1 臨床特征
本研究中 190 例患者的 MVI 陽性率為 57.9%（110/190）。訓練組納入 158 例患者，其中男 139 例，女 19 例；測試組納入 32 例患者，其中男 26 例，女 6 例。2 組患者在性別、年齡、丙氨酸氨基轉移酶（ALT）、天冬氨酸氨基轉移酶（AST）、血小板計數（PLT）、甲胎蛋白、腫瘤直徑和 MVI 方面比較差異均無統計學意義（P>0.05）。2 組患者的臨床特征見表 1。
表1
2 組患者的一般臨床資料比較
2.2 影像組學模型的建立
從所有 ROI 中共提取了 1 748 個成像特征，其中包括 360 個一階統計特征、28 個形狀特征和 1 360 個紋理特征。根據 LASSO 回歸篩選出了 30 個特征，再通過 RFE 選擇算法進一步選擇特征，最終得到 7 個有效特征用于建立 MVI 預測模型，包括 3 個一階統計特征、1 個形狀特征和 3 個紋理特征。表 2 為影像組學特征選擇的結果。
表2
影像組學特征選擇的結果
2.3 影像組學模型的評價
圖 2a 為影像組學特征的相關系數矩陣熱圖。從圖中可以看出，7 個特征的相關系數較小，特征指標之間相互獨立。訓練組和測試組的 ROC 曲線見圖 2b 和 2c。訓練組模型的 AUC、靈敏度、特異度和 F1 評分分別為 0.830 ［95%CI 為（0.669，0.811）］、0.771、0.710 和 0.787； 測試組模型的 AUC、靈敏度、特異度和 F1 評分分別為 0.734 ［95%CI 為（0.600，0.936）］、0.680、0.857 和 0.791。
圖2
示影像組學特征的相關系數矩陣熱圖及訓練組和測試組的 ROC 曲線
a：影像組學特征的相關系數矩陣熱圖，黑色表示負相關，米色表示正相關；b：訓練組的 ROC 曲線；c：測試組的 ROC 曲線
3 討論
本研究建立了具有較好表現的預測 HCC 的 MVI 影像組學特征模型，篩選出了與預測 MVI 相關的 7 種影像組學特征。從影像組學特征的相關系數矩陣熱圖可以看出，特征之間大多為負相關且冗余較低，提示適合用來建立預測模型。這 7 種影像組學特征可以反映不同方面的結構信息和潛在的腫瘤生物學信息。3 個是一階統計特征（wavelet-LHL_firstorder_Kurtosis、wavelet-LHH_firstorder_Mean 和 wavelet-HHH_firstorder_Median），指的是 ROI 內灰度統計信息（包括平均值、熵、均質性），描述的是圖像強度信息的總體分布。1 個是形狀特征（original_shape_Sphericity），描述區域的球形度，反映 ROI 的三維形狀與球形的接近程度，在 MVI 陽性組中該特征值較小，說明 ROI 的形狀較不規則。3 個是紋理特征：“log-sigma-1-0-mm-3D_glcm_MaximumProbability”反映了 ROI 內頻率最高的相鄰灰度成對出現的概率，概率越小，說明紋理模式更復雜，而 MVI 陽性組中該特征值較小；“wavelet-HHH_glszm_SizeZoneNonUniformityNormalized”反映了 ROI 內體積的均勻性強弱，該值越大，區域均勻性越好，MVI 陽性組該特征值偏小，說明 ROI 體積的均勻性較差；“wavelet-HHH_gldm_HighGrayLevelEmphasis”度量了 ROI 中高灰度值的分布情況，值越大表示區域內灰度分布更側重高灰度值范圍，MVI 陽性組該特征值偏小說明灰度分布更側重于低灰度范圍。
影像組學目前是腫瘤學研究中的一個有廣闊前景的新興學科領域[3，12]。其通過一種高通量的提取方法，將醫學圖像轉換為高維的、可挖掘的數據資料，以獲得疾病預測或預后信息，從而以非侵入性的方式指導醫療決策[13]。先前的報道表明影像組學特征未來可以作為疾病預測或預后的生物標志物[14]。影像組學特征通常是從腫瘤內區域提取的，它反映了與腫瘤異質性有關的生物學特性[15-16]。但是，如何準確劃分腫瘤區域并進行影像組學分析是一項重大難題[17]。在本研究中，我們采用了一種新型的肝膽特異性 MRI 對比劑 Gd-EOB-DTPA，其同時具有肝細胞特異性對比劑和非特異性細胞外對比劑的特點，對肝臟病變的準確檢出和定性診斷能提供更多的功能和形態信息[18]。在 Gd-EOB-DTPA 增強 MRI 的動脈期和肝膽期，腫瘤組織與周圍肝實質之間的信號差異比傳統的造影劑更為顯著，這使得腫瘤的邊界更加清晰[19]。有研究[20-21]指出：MVI通常發生在距腫瘤邊界 2 cm 以內的腫瘤周圍區域，是 MVI 最早侵襲的區域。因此，本研究同時提取了動脈期和肝膽期腫瘤內和腫瘤周圍 2 cm 以內區域的影像組學特征來建立 HCC 的 MVI 預測模型。
既往的一些研究[22-23]已經建立了基于 CT 和超聲預測 MVI 的影像組學模型：利用增強 CT 的動脈期和延遲期建立的影像組學模型的 AUC 分別為 68.4% 和 49.0%[22]；基于超聲建立的模型的 AUC 為 72.6%[23]。此外，也有文獻[7]報道：基于增強 MRI 的肝膽期建立預測 MVI 的影像組學模型時得到的 AUC 為 70.5%。本研究利用 Gd-EOB-DTPA 增強 MRI 的動脈期和肝膽期圖像，訓練組和測試組模型的 AUC 分別達到了 0.830 和 0.734，均提示模型的預測效果良好，預測效能較高。與上述的研究相比，本研究的模型表現更好的主要原因可能是：① 與 CT 和超聲檢查相比，Gd-EOB-DTPA 增強 MRI 對腫瘤病灶具有更高的靈敏度；② 從多期圖像提取特征，并建立腫瘤內和腫瘤周圍 2 cm 以內區域的融合模型來進行影像組學分析。
本研究也存在一些局限性。① 作為單中心的研究，還需外部的、多中心的研究來進一步驗證模型的可靠性；② 本研究的影像組學特征來自動脈期和肝膽期的圖像，可能還需要從 Gd-EOB-DTPA 增強 MRI 的其他序列提取特征來進一步優化模型。
綜上所述，基于 Gd-EOB-DTPA 增強 MRI 的影像組學特征模型可以較好地預測 HCC 的 MVI，并在制定 HCC 的治療方案和手術切除范圍中起著一定的作用。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：瞿成名負責收集、分析資料及撰寫論文；李昆收集、整理了資料；蔡萍和謝巧負責分析影像資料；閻曉初負責分析病理資料；陳施翰和李長峰收集了資料；夏鋒、張雷達和馮凱在論文撰寫中提出修改意見；馬寬生提出了研究思路，并審閱文章及提出修改意見。
倫理聲明：本研究已通過陸軍軍醫大學第一附屬醫院倫理委員會的批準［批文編號：2017 年科研第（50）號］。所有程序都是根據《赫爾辛基宣言》進行的。
