基于深度学习的肝癌TACE术后疗效的CT影像早期评估与预测模型研究综述

基于深度学习的肝癌TACE术后疗效的CT影像早期评估与预测模型研究综述一、肝癌TACE治疗与CT影像评估的临床背景原发性肝癌是全球范围内发病率第六、死亡率第三的恶性肿瘤，其中肝细胞癌（HCC）占比超过75%。我国肝癌年新发病例占全球总数的45%以上，多数患者确诊时已处于中晚期，错失外科手术根治的机会。经导管动脉化疗栓塞术（TACE）作为不可切除中晚期肝癌的首选治疗方案，通过向肿瘤供血动脉注入化疗药物与栓塞剂，双重作用诱导肿瘤细胞坏死、抑制肿瘤生长。但受肿瘤异质性、供血血管差异、患者基础肝功能状态等因素影响，TACE的临床应答率波动于40%-60%，约30%的患者会在术后6个月内出现肿瘤进展或复发。如何在术后早期精准识别治疗应答人群、预测长期预后，是优化个体化治疗方案、改善患者生存结局的核心临床需求。CT影像目前是肝癌TACE术后随访评估的一线影像学手段。常规临床评估多采用修正实体瘤疗效评价标准（mRECIST），通过测量动脉期增强的存活肿瘤直径变化判定疗效，通常需要在术后4-6周进行首次影像学复查。但该评估方法存在明显局限性：一方面，术后早期（1-2周）肿瘤区域会出现水肿、碘油沉积、炎症反应等混杂影像学表现，肉眼观察难以准确区分存活肿瘤组织与坏死组织，导致早期评估误差率超过30%；另一方面，mRECIST仅关注肿瘤形态学变化，无法反映肿瘤微环境、供血特征、分子生物学行为等深层次异质性信息，难以为后续治疗方案调整提供超前性预测依据。在此背景下，深度学习技术凭借对高维影像特征的自动化提取与深度解析能力，为肝癌TACE术后CT影像的早期精准评估与预后预测提供了全新的技术路径。二、深度学习在CT影像特征提取中的核心技术路径针对肝癌TACE术后CT影像的复杂特征，现有研究主要从基础特征提取、时序特征融合、多模态特征整合三个维度构建技术框架。在基础影像特征提取层面，卷积神经网络（CNN）是应用最广泛的基础模型架构。早期研究多采用迁移学习策略，将在自然图像数据集上预训练的VGG、ResNet、DenseNet等经典CNN架构适配到CT影像任务中：通过冻结模型底层卷积层提取通用的纹理、边缘、灰度分布等低阶特征，微调高层卷积层学习肿瘤区域的特异性高阶特征。例如2021年一项发表于《EuropeanRadiology》的研究，采用ResNet-50模型提取TACE术后1周CT动脉期、门脉期、延迟期的肿瘤区域特征，对术后6个月肿瘤进展的预测AUC达到0.82，显著优于传统影像组学模型的0.71。为进一步提升小样本数据集下的特征提取稳定性，研究者逐步优化适配医学影像的轻量级CNN架构，比如引入注意力机制模块引导模型重点关注肿瘤边缘、碘油不均匀沉积区域等关键影像区域，或者采用U-Net系列的分割网络实现肿瘤区域自动分割与特征提取的端到端训练，避免人工标注肿瘤边界带来的误差。近年来，VisionTransformer（ViT）架构也逐步被引入该领域，其自注意力机制能够捕捉CT影像中远距离区域的特征关联，更好地建模肿瘤整体异质性，相关研究显示ViT对TACE术后疗效的预测性能较传统CNN提升5%-8%。时序特征融合是实现早期评估的关键技术突破。TACE治疗的效果是一个动态演化的过程，术前基线影像与术后早期影像的变化特征比单一时间点影像包含更丰富的疗效相关信息。现有研究主要通过两种方式实现时序特征融合：一种是采用双输入CNN架构，将术前、术后同一期相的CT影像作为两个输入通道，通过孪生网络结构提取差异特征，这类模型能够直接捕捉肿瘤在治疗前后的强化程度、体积、纹理等变化，对早期肿瘤坏死的识别准确率比单时间点模型提升10%以上；另一种是引入循环神经网络（RNN）、长短期记忆网络（LSTM）或3DCNN架构，纳入术前、术后1周、术后1个月等多个时间点的CT序列影像，学习疗效随时间演化的动态特征。2023年一项多中心研究纳入386例肝癌TACE患者的多时间点CT影像，采用3DResNet融合时序特征，在术后1周即可实现对术后6个月肿瘤进展的预测AUC达0.87，且预测结果与术后4周mRECIST评估结果的一致性达83%，大幅提前了疗效评估的时间窗口。多模态特征整合技术则进一步拓展了模型的预测维度。单一CT影像特征无法完全覆盖影响TACE疗效的所有因素，因此越来越多的研究将CT影像特征与临床病理特征、实验室检查指标、基因特征等多模态数据融合，构建联合预测模型。常见的融合策略包括早期融合、中期融合与晚期融合三类：早期融合直接将临床指标转换为向量后与影像特征拼接输入模型，优势是特征交互充分，但容易引入冗余信息；中期融合在模型的隐藏层进行特征交互，通过注意力机制自动分配不同模态特征的权重，是目前主流的融合方式；晚期融合则分别训练影像模型与临床模型，再对两个模型的输出结果进行集成，鲁棒性更高但特征交互不足。2022年《JournalofHepatology》发表的联合模型研究，纳入CT影像特征、术前甲胎蛋白（AFP）水平、肿瘤分化程度、巴塞罗那分期等12项临床特征，对TACE术后1年总生存期的预测AUC达到0.89，显著高于单一影像模型的0.78和单一临床模型的0.72。部分前沿研究还尝试将影像组学特征与基因组数据关联，挖掘CT影像特征背后的分子生物学机制，比如已发现TACE术后CT影像中的碘油异质性沉积特征与肿瘤VEGF表达水平、微血管侵犯状态显著相关，为模型预测结果提供了生物学解释依据。三、现有模型的临床应用场景与性能表现当前基于深度学习的评估预测模型已覆盖TACE术后疗效评估的三类核心临床场景，分别是早期肿瘤坏死识别、短期肿瘤进展预测与长期生存预后预测。在早期肿瘤坏死识别场景，模型的核心价值是在术后1-2周区分存活肿瘤与坏死组织，为后续是否需要补充治疗提供依据。现有模型对肿瘤完全坏死的识别准确率已达到较高水平：一项纳入12项研究的Meta分析显示，深度学习模型识别TACE术后肿瘤完全坏死的合并敏感度为0.86、特异度为0.88、AUC为0.93，显著高于传统影像组学模型的0.79、0.81和0.86，也优于放射科医师肉眼评估的0.72、0.75和0.80。尤其对于直径小于3cm的小肝癌、碘油弥散不均匀的肿瘤，模型的识别优势更加明显。临床实践中，这类模型可辅助医师在术后早期筛选出肿瘤完全坏死的低复发风险患者，适当延长其随访间隔，减少不必要的医疗资源消耗。短期肿瘤进展预测是目前研究的热点方向，模型主要预测术后6-12个月内的肿瘤进展、复发或转移风险。多中心大样本研究数据显示，基于术后1周CT影像的深度学习模型对术后6个月肿瘤进展的预测AUC多分布在0.80-0.88区间，对术后12个月进展的预测AUC多在0.76-0.83区间。2024年一项覆盖5个中心共1247例患者的研究显示，其构建的深度学习预测模型将患者分为高进展风险组与低进展风险组，两组术后1年无进展生存率分别为21.3%和78.6%，差异具有显著统计学意义（P<0.001）。对于模型判定的高进展风险患者，临床可提前采用TACE联合靶向治疗、免疫治疗等综合治疗方案，改善患者生存获益。目前已有部分模型完成了前瞻性临床验证，结果显示应用模型指导治疗方案调整的患者，术后1年总生存率比传统治疗组提高15.2%。在长期生存预后预测场景，模型主要预测患者术后1年、2年、3年的总生存期（OS）与无进展生存期（PFS）。这类模型通常融合影像特征与多维度临床数据，预测性能普遍优于传统的临床预后评分系统。例如有研究对比了深度学习模型与肝癌常用的ALBI评分、BCLC分期、TACE预后评分等系统的预测性能，结果显示深度学习模型对术后2年总生存期的预测C-index达到0.81，显著高于其他评分系统的0.63-0.72区间。部分模型还实现了个体化生存曲线预测，能够为每个患者输出不同时间点的生存概率，辅助医师为患者制定更精准的长期随访与治疗方案。四、当前研究面临的挑战与未来发展方向尽管相关研究已取得显著进展，但深度学习模型在临床落地应用过程中仍面临多方面挑战。首先是数据集的异质性问题：不同中心的CT扫描设备参数、造影剂注射方案、扫描层厚、影像重建算法存在差异，导致模型在跨中心测试时性能出现明显下降，泛化能力不足。现有研究多为单中心回顾性研究，多中心前瞻性研究占比不足20%，且公开标注的肝癌TACE术后CT影像数据集数量极少，限制了模型的训练与验证。其次是模型的可解释性不足：深度学习的“黑箱”特性导致医师难以理解模型预测的依据，无法判断预测结果的可靠性，增加了临床接受难度。虽然目前已有类激活映射（CAM）、SHAP值等可解释性方法，但只能展示模型关注的影像区域，无法提供临床层面的决策逻辑解释，与实际临床需求存在差距。此外，模型的临床应用流程尚不明确：如何将模型评估结果融入现有临床诊疗路径、模型预测结果与传统mRECIST评估出现冲突时的处理原则、模型的定期更新与性能维护机制等问题均缺乏规范指引。未来相关研究的发展方向主要集中在四个方面：一是构建标准化、多中心、大样本的标注数据集，统一影像采集与标注规范，引入联邦学习技术在保护患者隐私的前提下实现多中心数据联合训练，提升模型的泛化能力。二是开发更具可解释性的深度学习架构，将临床先验知识嵌入模型训练过程，实现预测结果的临床逻辑可视化，让医师能够清晰理解模型的决策依据。三是拓展模型的功能边界，从单纯的疗效评估向治疗方案推荐延伸，基于患者术前CT影像与临床特征，预测不同治疗方案（如常规TACE、载药微球TACE、联合免疫治疗等）的