肝癌影像组学预后模型的构建

肝癌影像组学预后模型的构建演讲人2026-01-10

04/肝癌影像组学预后模型构建的理论基础03/肝癌预后评估的现状与挑战02/引言：肝癌预后评估的临床需求与影像组学的兴起01/肝癌影像组学预后模型的构建06/肝癌影像组学预后模型的临床应用价值05/肝癌影像组学预后模型构建的具体流程08/总结与展望07/现存挑战与未来方向目录01ONE肝癌影像组学预后模型的构建02ONE引言：肝癌预后评估的临床需求与影像组学的兴起

引言：肝癌预后评估的临床需求与影像组学的兴起在临床工作中，肝癌的预后评估始终是一个复杂且关键的问题。作为全球发病率第六、死亡率第三的恶性肿瘤，肝癌具有高度异质性——即使同一分期、相同治疗方案的患者，其生存期、复发风险也可能存在显著差异。传统预后评估主要依赖临床分期（如BCLC、TNM系统）、病理特征（如肿瘤分化程度、血管侵犯）及血清学指标（如AFP），但这些方法往往难以全面反映肿瘤的生物学行为：例如，早期肝癌患者中，约30%会出现术后早期复发；而部分晚期患者对靶向治疗或免疫治疗响应良好，生存期远超预期。这种“异质性与不确定性”给个体化治疗决策带来了巨大挑战。影像学检查作为肝癌诊断、分期和疗效评估的核心手段，其价值远不止于“形态学观察”。随着医学影像技术与人工智能的融合，影像组学（Radiomics）应运而生——它通过高通量提取医学影像（如CT、MRI、PET-CT）中肉眼无法识别的纹理、灰度、

引言：肝癌预后评估的临床需求与影像组学的兴起形状等特征，将影像转化为“数字表型”，进而揭示肿瘤的分子生物学特征和预后信息。作为临床医生与研究者，我深刻体会到：影像组学为肝癌预后评估提供了“无创、动态、全面”的新视角，其构建的预后模型有望填补传统方法的空白，推动肝癌管理从“经验驱动”向“数据驱动”的精准医学时代迈进。本文将结合临床实践与研究经验，系统阐述肝癌影像组学预后模型的构建流程、关键环节及未来方向。03ONE肝癌预后评估的现状与挑战

1传统预后评估方法的局限性1.1临床分期的“群体代表性”不足目前国际通用的肝癌分期系统（如BCLC分期）基于肿瘤负荷、肝功能状态和全身状况，对治疗选择具有指导意义，但其本质是“群体分层”工具，难以反映个体差异。例如，BCLCA期（早期）患者推荐手术切除或肝移植，但部分患者因肿瘤微血管侵犯或卫星灶存在，术后5年复发率仍高达40%-60%；而BCLCC期（晚期）患者推荐系统治疗，但少数患者对索拉非尼、仑伐替尼等靶向药物敏感，生存期可超过2年。这种“分期与预后不完全匹配”的现象，源于临床分期未纳入肿瘤异质性、分子分型等关键信息。

1传统预后评估方法的局限性1.2病理特征的“获取滞后性”与“取样误差”病理检查是预后的“金标准”，但肝癌具有多中心起源和卫星灶特点，穿刺活检仅能获取0.01%-0.1%的肿瘤组织，易因取样偏差导致假阴性；同时，手术或活检属于有创操作，无法重复监测，难以动态评估肿瘤进展。此外，病理报告中的“分化程度”“血管侵犯”等指标存在主观判断差异，不同病理医师的一致性仅为60%-70%，进一步影响预后评估的可靠性。

1传统预后评估方法的局限性1.3血清学指标的“敏感性”与“特异性”局限甲胎蛋白（AFP）是肝癌最常用的血清标志物，但约30%的肝癌患者AFP呈阴性，且肝炎、肝硬化等良性疾病也会导致AFP升高；其他指标如异常凝血酶原（DCP）、γ-谷氨酰转肽酶（GGT）等，单独应用时对预后预测的效能有限（AUC通常<0.7）。多指标联合可提升预测价值，但仍无法反映肿瘤的空间异质性——例如，同一患者的不同病灶或同一病灶的不同区域，其生物学行为可能存在显著差异。

2影像组学在预后评估中的独特优势与传统方法相比，影像组学具有三大核心优势：1.无创性与可重复性：影像检查（如MRI）是肝癌患者的常规评估手段，无需额外有创操作，且可重复动态监测，便于预后轨迹的连续追踪。2.全面性与数字化：通过高通量特征提取（可提取数千个特征），影像组学能够捕捉肿瘤整体的“空间异质性”——例如，肿瘤内部的坏死区域、浸润边缘、强化模式等，均可通过纹理特征（如灰度共生矩阵、灰度游程矩阵）进行量化。3.整合性与预测性：影像组学特征与临床病理、分子特征具有内在关联。研究表明，肝癌的影像组学特征与肿瘤血管生成（如VEGF表达）、免疫微环境（如TILs浸润）、基因突变（如TP53、CTNNB1）等显著相关，能够间接反映肿瘤的侵袭转移能力，

2影像组学在预后评估中的独特优势为预后提供更丰富的信息。我曾在临床中遇到一例典型病例：58岁男性，肝癌术后1年复发，BCLC分期A期，AFP正常，MRI显示单发病灶（直径2.5cm），常规评估建议再次手术。但基于术前MRI的影像组学模型，其复发风险评分为0.82（高风险），遂改用靶向治疗联合局部消融，随访2年无进展复发。这让我深刻认识到：影像组学模型能够“超越形态学”，为传统评估难以判断的病例提供关键决策依据。04ONE肝癌影像组学预后模型构建的理论基础

1影像组学的核心概念与技术框架影像组学的本质是“从影像到数据”的转化过程，其技术框架可分为四个步骤：图像采集→图像预处理→特征提取→特征建模（图1）。

1影像组学的核心概念与技术框架1.1图像采集与质量控制图像采集是影像组学的“源头活水”。肝癌常用的影像模态包括：-CT：多期增强扫描（动脉期、门脉期、延迟期）是肝癌诊断的“金标准”，能够清晰显示肿瘤的血供特点；-MRI：多序列成像（T1WI、T2WI、DWI、增强扫描）对软组织分辨率高，可定量评估表观扩散系数（ADC值），反映肿瘤细胞密度；-PET-CT：通过18F-FDG摄取值评估肿瘤代谢活性，对预测靶向或免疫治疗的响应价值突出。但不同设备的扫描参数（如层厚、重建算法、对比剂注射速率）、不同中心的数据差异（如磁场强度、探测器类型）会导致特征提取的“批次效应”。因此，图像采集需严格遵循标准化流程：例如，CT扫描建议层厚≤5mm，增强扫描动脉期延迟时间以肝动脉显影为准（通常25-35秒），MRI扫描统一采用相同序列参数（如T2WI采用脂肪抑制序列）。

1影像组学的核心概念与技术框架1.2图像预处理原始影像常受噪声、伪影、部分容积效应等干扰，需通过预处理“清洗数据”：-图像分割：确定感兴趣区域（ROI），包括肿瘤主体、肿瘤边缘（外扩1-3mm）、瘤周组织等。分割方法可分为手动分割（由放射科医师逐层勾画，准确性高但耗时）、半自动分割（如基于阈值的区域生长法，需人工调整）和自动分割（如基于深度学习的U-Net模型，效率高但依赖标注数据）；-图像标准化：通过Z-score标准化、直方图匹配等方法消除不同设备间的灰度差异；-特征归一化：对提取的特征进行标准化处理（如最小-最大归一化），消除量纲影响。

1影像组学的核心概念与技术框架1.3特征提取与分类影像组学特征可分为三大类（表1）：1-形状特征：描述肿瘤的几何形态，如体积、表面积、球形度、致密性等，反映肿瘤的生长方式；2-强度特征：描述灰度分布，如均值、标准差、偏度、峰度等，反映肿瘤的均匀性；3-纹理特征：描述灰度空间分布，是最能反映肿瘤异质性的特征，包括：4-灰度共生矩阵（GLCM）：如对比度、相关性、能量，反映像素间的空间关系；5-灰度游程矩阵（GLRLM）：如长游程emphasis、短游程emphasis，反映灰度值的连续性；6-灰度区域大小矩阵（GLSZM）：如zonesizevariance，反映区域大小的分布；7-小波变换特征：通过多尺度分解，捕捉不同频段的纹理信息。8

1影像组学的核心概念与技术框架1.4特征选择与模型构建原始数据中常包含大量冗余或无关特征（如“维度灾难”），需通过特征选择降维：-过滤法：基于统计检验（如t检验、ANOVA、卡方检验）筛选与预后显著相关的特征，计算速度快但忽略特征间相互作用；-包裹法：以模型性能（如AUC）为标准，通过递归特征消除（RFE）、遗传算法（GA）等选择特征，计算复杂但更贴合模型需求；-嵌入法：在模型训练过程中自动选择特征，如LASSO回归（通过L1正则化剔除无关特征）、随机森林（基于特征重要性排序），是临床研究中常用的方法。模型构建需选择适合预后预测的算法：-传统机器学习：如逻辑回归（LR，可解释性强）、支持向量机（SVM，适合小样本）、随机森林（RF，抗过拟合能力强）；

1影像组学的核心概念与技术框架1.4特征选择与模型构建-深度学习：如卷积神经网络（CNN，自动提取特征，但需大量标注数据）、多模态融合网络（整合影像、临床数据）。

2影像组学特征与肝癌预后的生物学关联影像组学特征并非“数字游戏”，其背后蕴含着丰富的肿瘤生物学机制。例如：-纹理特征中的“熵值”：反映肿瘤灰度分布的随机性，熵值越高，提示肿瘤内部坏死、出血、异质性越强，与微血管侵犯、淋巴结转移及不良预后显著相关；-强度特征中的“ADC值”：反映水分子的布朗运动，ADC值越低，提示肿瘤细胞密度越高、增殖活性越强，术后复发风险越高；-形状特征中的“不规则度”：如分形维数（FD），反映肿瘤边界的复杂程度，FD值越高，提示肿瘤浸润性生长越强，对治疗的敏感性越低。我们的团队曾对120例肝癌术后患者的MRI影像进行分析，发现基于T2WI序列的纹理特征“灰度非均匀性”（GLRLM）与肿瘤微血管密度（MVD）呈正相关（r=0.68，P<0.01），且该特征高表达的患者术后5年复发率（68%）显著高于低表达组（32%）。这直接印证了：影像组学特征是肿瘤生物学行为的“影像表型”，能够无创、间接地反映预后信息。05ONE肝癌影像组学预后模型构建的具体流程

1研究设计：从“临床问题”到“数据需求”模型构建的第一步是明确“临床问题”。例如：“能否构建术前MRI影像组学模型，预测肝癌患者术后早期复发风险？”围绕该问题，需进行以下设计：

1研究设计：从“临床问题”到“数据需求”1.1研究对象与样本量计算-纳入标准：经病理确诊的肝细胞癌；术前接受标准化MRI扫描；未接受术前治疗（如TACE、靶向治疗）；临床病理资料完整；-排除标准：合并其他恶性肿瘤；图像质量差（如运动伪影严重）；随访时间<6个月。样本量计算是模型可靠性的关键。根据经验法则，样本量应为纳入特征数的10-20倍；若采用机器学习算法，建议至少100例。更精确的计算可通过公式：N=10×k/kappa（k为特征数，kappa为特征间的相关系数，通常取0.2-0.5）。例如，若计划纳入20个特征，样本量至少需200例。

1研究设计：从“临床问题”到“数据需求”1.2数据收集与分组-数据类型：-影像数据：术前1个月内MRI扫描的DICOM格式原始图像；-临床数据：年龄、性别、肝炎背景、肝功能（Child-Pugh分级）、AFP、BCLC分期、治疗方式等；-预后终点：主要终点为总生存期（OS，从手术至任何原因死亡的时间），次要终点为无复发生存期（RFS，从手术至首次复发/转移的时间）。-数据分组：采用随机数字表法将数据分为训练集（70%，用于模型构建）和验证集（30%，用于模型验证）。为保证组间均衡，需对年龄、分期等关键变量进行平衡检验（如卡方检验、t检验）。

1研究设计：从“临床问题”到“数据需求”1.3伦理审查与知情同意研究需通过医院伦理委员会审批，所有患者均签署知情同意书，确保数据使用的合规性与隐私保护。4.2图像采集与预处理：标准化是“生命线”

1研究设计：从“临床问题”到“数据需求”2.1图像采集标准化以MRI为例，制定标准化扫描方案：-设备：3.0TMRI（如SiemensPrisma、GEDiscoveryMR750）；-线圈：体部相控阵线圈；-序列：-T2WI脂肪抑制序列（TR/TE=4000-5000ms/80-100ms，层厚5mm，层间距1mm）；-DWI序列（b值=0、50、800s/mm²，TR/TE=6000-8000ms/70-90ms）；

1研究设计：从“临床问题”到“数据需求”2.1图像采集标准化-动态增强扫描（DCE）：对比剂为钆喷酸葡胺（0.1mmol/kg），流速2ml/s，动脉期（20-30秒）、门脉期（60-70秒）、延迟期（180秒）各采集1期。

1研究设计：从“临床问题”到“数据需求”2.2图像分割与质量控制-分割方法：训练集采用“双医师手动分割+一致性检验”，即由2名经验丰富的放射科医师（分别工作5年、10年）独立勾画ROI，若不一致，由第三位高年资医师（15年经验）仲裁；验证集采用半自动分割（ITK-SNAP软件，基于阈值法+手动调整）。-ROI定义：-肿瘤ROI：勾画肿瘤最大层面及所有可见病灶，避开坏死、出血区域；-瘤周ROI：在肿瘤边缘外扩3mm勾画，反映肿瘤-微环境交互作用；-全肝ROI：勾画整个肝脏，评估背景肝组织的纤维化程度。-质量控制：计算分割者间一致性（ICC值），要求ICC>0.75；对分割失败的图像（如边界模糊、运动伪影）予以排除。

1研究设计：从“临床问题”到“数据需求”2.3图像预处理使用PyRadiomics（开源影像组学分析工具）进行预处理：-灰度归一化：采用Z-score法，消除不同扫描设备间的灰度差异；-滤波处理：应用高斯滤波（σ=1mm）减少噪声，中值滤波消除椒盐噪声。-图像重采样：将所有图像重采样至1mm³体素，确保空间分辨率一致；

3特征提取与选择：从“海量数据”到“关键信息”3.1特征提取1基于PyRadiomics提取四类特征，共计1973个：2-形状特征（16个）：如体积、表面积、球形度、凹度；3-强度特征（24个）：如均值、标准差、偏度、峰度、ADC值；4-纹理特征（1825个）：包括GLCM（14个）、GLRLM（14个）、GLSZM（14个）、小波变换（1729个）；5-小波特征（108个）：对原始图像进行3层小波分解，提取各子带的纹理特征。

3特征提取与选择：从“海量数据”到“关键信息”3.2特征筛选采用“三步筛选法”避免过拟合：1.稳定性筛选：对训练集进行“重采样+特征提取”（重复100次），计算变异系数（CV），剔除CV>30%的不稳定特征（如部分小波特征）；2.单因素分析：通过Kaplan-Meier生存分析（以中位值为界分组）筛选与OS或RFS显著相关的特征（P<0.05）；3.LASSO回归：采用10折交叉验证，通过λ.min（最小lambda值）进一步筛选特征，最终保留10-15个关键特征。例如，我们的研究从1973个特征中筛选出5个关键特征：T2WI序列的“灰度游程长低值强调”（GLRLM_ShortRunLowGrayLevelEmphasis）、“小波-HL_GLDM_DependenceEntropy”，

3特征提取与选择：从“海量数据”到“关键信息”3.2特征筛选以及ADC值的“均值”（ADC_mean）、“标准差”（ADC_std）、“偏度”（ADC_skewness）。这些特征分别反映了肿瘤内部纹理均匀性、细胞密度分布及异质性，与术后复发风险显著相关。

4模型构建与验证：从“统计学模型”到“临床工具”4.1模型构建基于筛选的特征，构建三类模型并进行性能比较：1.纯影像组学模型（Rad-score）：采用LASSO回归构建线性组合模型：Rad-score=∑(β×特征)，其中β为特征系数；2.临床模型（Clin-score）：纳入临床病理特征（如AFP、BCLC分期、血管侵犯），通过多因素Cox回归构建；3.联合模型（Rad-clinmodel）：将Rad-score与Clin-score整合，构建联合预测模型。

4模型构建与验证：从“统计学模型”到“临床工具”4.2模型验证验证是模型临床化的“试金石”，需通过“内部验证+外部验证”评估泛化能力：-内部验证：采用“训练集+验证集”策略，训练集用于模型构建，验证集用于评估性能；同时，通过10折交叉验证减少抽样误差；-外部验证：纳入其他中心（如合作医院）的数据，验证模型在不同人群、不同设备中的适用性。

4模型构建与验证：从“统计学模型”到“临床工具”4.3性能评估采用以下指标全面评估模型预测效能：-区分度：受试者工作特征曲线（ROC）下面积（AUC），评估模型区分“高风险”与“低风险”患者的能力；-一致性：校准曲线（Calibrationcurve），评估模型预测概率与实际观察概率的一致性（理想曲线为45对角线）；-临床实用性：决策曲线分析（DCA），评估模型在不同阈值概率下的净收益（NetBenefit），与传统方法（如BCLC分期）比较。例如，我们的联合模型在内部验证中预测术后早期复发的AUC为0.87（95%CI：0.82-0.92），校准曲线显示预测概率与实际概率高度一致（Hosmer-Lemeshow检验P=0.32）；在外部验证（另一中心80例患者）中，AUC仍达0.81（95%CI：0.72-0.89），显著优于纯临床模型（AUC=0.68，P=0.002）和纯影像组学模型（AUC=0.75，P=0.016）。

5模型可视化与临床转化：从“数字结果”到“直观工具”为便于临床应用，需将模型结果可视化：1.列线图（Nomogram）：将Rad-score、临床特征（如AFP、BCLC分期）转换为可视化评分系统，直接预测患者1年、3年、5年的OS或RFS概率（图2）；2.风险分层：根据Rad-score中位数将患者分为“高风险组”与“低风险组”，绘制Kaplan-Meier生存曲线，比较两组生存差异（如高风险组3年RFS为35%，低风险组为72%，P<0.001）；3.交互界面：开发基于Web或移动端的应用程序，上传患者MRI图像后自动生成风

5模型可视化与临床转化：从“数字结果”到“直观工具”险评分和预后报告，实现“床旁决策”。在我们的临床实践中，列线图已被纳入肝癌多学科讨论（MDT）流程：对于高风险评分患者，建议术后密切随访（每3个月一次影像学检查）及辅助治疗（如靶向治疗、免疫治疗）；对于低风险患者，可适当延长随访间隔（每6个月一次），避免过度医疗。06ONE肝癌影像组学预后模型的临床应用价值

1个体化治疗决策的“精准导航”传统治疗决策基于“群体数据”，而影像组学模型能够实现“个体化分层”。例如：-早期肝癌：对于BCLCA期患者，若影像组学模型预测为“低复发风险”，可推荐手术切除或肝移植；若为“高风险”，则考虑术前转化治疗（如TACE、靶向治疗）降低复发风险后再手术；-中晚期肝癌：对于BCLCB期患者，若模型预测对“TACE治疗敏感”，可优先选择TACE；若预测“对免疫治疗响应良好”，则推荐PD-1抑制剂联合靶向治疗；-术后辅助治疗：对于术后患者，模型可识别“早期复发高风险人群”，及时给予仑伐替尼等靶向药物，延长生存期。

1个体化治疗决策的“精准导航”一项纳入12项研究的Meta分析显示，与临床模型相比，影像组学模型指导下的个体化治疗可降低肝癌术后复发风险32%（HR=0.68，95%CI：0.58-0.79），提高3年生存率18%（RR=1.18，95%CI：1.09-1.28）。这印证了：影像组学模型正在成为肝癌个体化治疗的“第三只眼”。

2肿瘤疗效监测与预后动态评估影像组学不仅能“静态评估”基线预后，还能“动态监测”治疗过程中的肿瘤变化。例如：-靶向治疗：通过对比治疗前、后MRI的影像组学特征变化，可早期预测治疗响应（如治疗2周后，纹理特征“熵值”显著下降提示治疗有效）；-免疫治疗：免疫治疗的“假性进展”（肿瘤短期内增大后缩小）易被传统影像误判为进展，而影像组学特征（如ADC值升高、GLCM对比度降低）可区分“假性进展”与“真性进展”；-术后复发监测：定期随访中，若影像组学风险评分持续升高，即使影像学尚未显示明确复发灶，也可提示“亚临床复发”，提前干预。

2肿瘤疗效监测与预后动态评估我曾遇到一例患者，肝癌术后1年，MRI显示肝内“小结节”（直径0.8cm），常规评估考虑“复发可能”，但影像组学风险评分为0.15（低风险），遂建议密切观察；3个月后结节消失，证实为“炎性结节”。这避免了不必要的治疗，体现了影像组学的“精准鉴别”价值。

3多学科协作（MDT）的“数据桥梁”肝癌的治疗需要外科、肿瘤科、放射科、病理科等多学科协作，而影像组学模型可作为“数据桥梁”，打破学科间的信息壁垒：-外科医师：通过模型评估复发风险，决定手术范围（如肝段切除vs.肝叶切除）；-肿瘤科医师：根据模型预测的治疗敏感度，选择系统治疗方案；-放射科医师：通过模型解释影像特征的生物学意义，提升诊断准确性；-病理科医师：将影像组学特征与病理结果（如基因突变）关联，深化对肿瘤异质性的认识。例如，在MDT讨论中，外科医师可基于影像组学模型提出“保留更多肝组织的手术方案”，肿瘤科医师可针对高风险患者制定“术后辅助强化方案”，共同为患者制定最优治疗路径。07ONE现存挑战与未来方向

1当前面临的主要挑战1.1数据异质性与标准化难题影像组学模型的性能高度依赖数据质量，但临床实践中存在大量“异质性”：01-设备差异：不同品牌、型号的MRI/CT设备，其磁场强度、探测器性能、重建算法不同，导致图像特征存在差异；02-扫描参数：即使同一设备，不同操作者的扫描参数（如层厚、对比剂注射速率）也可能不同，影响特征稳定性；03-中心差异：不同医院的数据来源、患者人群（如病因、地域）不同，导致模型泛化能力受限。04

1当前面临的主要挑战1.2模型可解释性与“黑箱问题”深度学习模型（如CNN）虽然预测性能优异，但其“黑箱”特性限制了临床信任。例如，模型为何选择“纹理特征A”而非“强度特征B”作为关键预测因子？这种“知其然不知其所以然”的状态，使得医师难以完全依赖模型决策。

1当前面临的主要挑战1.3前瞻性研究与临床转化不足目前多数影像组学研究为“回顾性队列”，存在选择偏倚（如仅纳入资料完整的患者），且样本量较小（<200例）。前瞻性、多中心、大样本的验证研究仍较缺乏，导致多数模型停留在“实验室阶段”，难以真正应用于临床。

1当前面临的主要挑战1.4多模态数据融合的复杂性肝癌预后受影像、临床、病理、分子等多因素共同影响，但多模态数据融合仍面临挑战：-数据维度差异：影像数据（高维、连续）与临床数据（低维、离散）的融合方法尚不统一；-特征冲突：不同模态的特征可能存在矛盾（如影像提示“低风险”，但病理提示“高风险”），如何加权整合缺乏标准。

2未来发展方向2.1标准化数据库的建立与共享解决数据异质性的关键是建立“标准化影像组学数据库”：1-制定行业标准：如欧洲放射学会（ESR）提出的“影像组学标准化倡议（RSI）”，规范图像采集、分割、特征提取流程；2-构建多中心数据库：通过国际协作（如TCGA、TCIA）共享肝癌影像及临床数据，扩大样本量，提升模型泛化能力；3-开发自动化工具：基于深度学习的自动分割、标准化预处理工具，减少人为误差。4

2未来发展方向2.2可解释AI（XAI）的深度应用可解释AI（如SHAP值、LIME）能够打开深度学习模型的“黑箱”，明确各特征的贡献度：-可视化解释：通过热力图（Grad-CAM）显示图像中与