基于深度学习的肝细胞癌TACE治疗抵抗的CT影像早期预测生物标志物挖掘研究综述

基于深度学习的肝细胞癌TACE治疗抵抗的CT影像早期预测生物标志物挖掘研究综述肝细胞癌（HCC）是全球范围内发病率位居第六、死亡率高居第三的恶性肿瘤，我国每年新发HCC病例占全球总数的45%以上，且多数患者确诊时已处于中晚期，失去手术根治机会。经导管动脉化疗栓塞术（TACE）是目前不可切除中晚期HCC的首选一线治疗方案，但其临床疗效个体差异显著，约30%-50%的患者会在治疗后出现原发性或继发性抵抗，导致肿瘤进展、复发甚至死亡。早期识别TACE治疗抵抗高风险患者，对于优化治疗决策、延长患者生存期具有至关重要的临床意义。近年来，随着医学影像技术与深度学习算法的快速融合，基于CT影像的无创生物标志物挖掘为HCC患者TACE疗效预测提供了全新的技术路径，相关研究成果已展现出巨大的临床转化潜力。一、肝细胞癌TACE治疗抵抗的生物学机制与影像关联基础TACE治疗的核心原理是通过栓塞肿瘤供血动脉切断肿瘤营养供给，同时局部灌注化疗药物杀伤肿瘤细胞，其治疗抵抗的发生是肿瘤细胞、微环境与治疗压力共同作用的多因素、多阶段复杂过程。从生物学机制来看，治疗抵抗主要与以下因素相关：其一，肿瘤异质性，包括肿瘤细胞的基因型异质性（如TP53突变、MET扩增、VEGF过表达等）和表型异质性（如分化程度、增殖活性、侵袭能力差异），不同克隆亚型的肿瘤细胞对化疗药物和缺血缺氧的敏感性存在显著差异；其二，肿瘤微环境重塑，TACE术后缺血缺氧会诱导HIF-1α通路激活，促进血管生成因子释放，导致肿瘤新生血管异常增生、侧支循环快速建立，使得栓塞效应难以持久；其三，肿瘤免疫抑制微环境形成，治疗后坏死肿瘤细胞释放的损伤相关分子模式会招募大量免疫抑制细胞（如M2型巨噬细胞、调节性T细胞），抑制效应T细胞的抗肿瘤免疫应答，促进肿瘤免疫逃逸。CT影像作为临床HCC诊疗中最常用的影像学检查手段，能够在宏观层面反映肿瘤的形态、密度、血供及空间分布特征，这些特征本质上是肿瘤微观生物学行为的外在表现。例如，CT动脉期明显强化提示肿瘤血供丰富，往往与VEGF高表达相关；肿瘤边缘不规则、存在卫星灶则对应肿瘤的高侵袭性，常伴随上皮间质转化相关标志物表达上调；肿瘤内部坏死区域占比高则可能反映肿瘤微环境缺氧状态，与HIF-1α通路激活密切相关。这种“影像表型-分子机制”的内在关联性，是基于CT影像挖掘TACE治疗抵抗预测生物标志物的核心理论基础。传统的影像评估方法主要依赖放射科医师的主观经验，通过RECIST或mRECIST标准测量肿瘤大小变化来判断疗效，不仅存在观察者间一致性差的问题，更无法在治疗前识别潜在的抵抗风险，难以满足临床精准决策需求。深度学习算法具备强大的高维特征提取能力，能够从海量CT影像数据中自动挖掘人眼无法识别的细微影像特征，为实现TACE治疗抵抗的早期、无创、精准预测提供了可能。二、深度学习在CT影像特征提取与疗效预测中的技术路径目前基于深度学习的HCCTACE治疗抵抗预测研究主要遵循“数据预处理-特征提取-模型构建-验证优化”的技术流程，不同研究在算法选择和特征利用方式上各有侧重。在数据预处理阶段，首先需要对多期相CT影像（平扫、动脉期、门静脉期、延迟期）进行配准、归一化、肿瘤区域分割等操作。肿瘤分割是特征提取的前提，目前常用的分割算法包括U-Net、MaskR-CNN等，部分研究采用交互式分割方法结合医师标注，在保证分割精度的同时提高效率。针对多中心数据存在的扫描参数差异问题，研究者通常采用灰度标准化、重采样、数据增强（翻转、旋转、缩放、加噪）等方法降低数据异质性，提升模型的泛化能力。在特征提取层面，目前的研究主要分为三大类：第一类是基于深度学习的端到端特征提取，即直接将包含肿瘤区域的CT影像输入卷积神经网络（CNN），通过卷积层、池化层自动学习影像特征，无需人工定义特征规则。常用的CNN模型包括ResNet、DenseNet、EfficientNet等，这类方法能够充分挖掘影像中的深层隐含特征，避免人工特征工程带来的信息损失。例如，2022年一项发表在《Radiology》的研究采用ResNet-50模型对1200例HCC患者的术前多期CT影像进行特征提取，构建的TACE抵抗预测模型在内部验证集AUC达到0.87，外部验证集AUC也达到0.82，显著优于传统的临床病理特征模型。第二类是影像组学特征与深度学习特征融合的方法，即首先提取人工定义的影像组学特征（包括一阶统计特征、形状特征、纹理特征、小波特征等），再将其与深度学习自动提取的特征进行融合，共同输入预测模型。这类方法结合了人工特征的临床可解释性和深度学习特征的高维信息优势，往往能获得更优的预测性能。2023年国内团队的一项研究纳入860例接受TACE治疗的HCC患者，提取了1316个影像组学特征和2048个CNN深度学习特征，通过LASSO算法筛选出12个最优特征构建融合模型，其预测1年无进展生存期的AUC达到0.89，明显高于单独使用影像组学特征（AUC=0.78）或深度学习特征（AUC=0.83）的模型。第三类是结合临床病理特征的多模态预测模型，即除影像特征外，进一步纳入患者的年龄、性别、肝功能指标（Child-Pugh分级、白蛋白、胆红素）、肿瘤标志物（AFP、PIVKA-II）、炎症指标（中性粒细胞淋巴细胞比、血小板淋巴细胞比）等多源数据，通过注意力机制等方法实现多模态特征的有效融合，进一步提升预测精度。这类模型更加符合临床实际诊疗场景，能够为医师提供更全面的决策参考。在模型构建与验证方面，目前主流的预测模型包括逻辑回归、支持向量机、随机森林、梯度提升树以及深度神经网络等。为保证模型的可靠性，国际上相关研究普遍遵循“训练集-内部验证集-外部验证集”的验证框架，部分多中心研究还会进行跨中心验证，评估模型在不同人群、不同扫描设备下的泛化能力。近年来，越来越多的研究开始关注模型的可解释性问题，采用类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等方法可视化模型关注的影像区域，明确预测结果对应的影像特征，减少深度学习“黑箱”特性带来的临床接受度障碍。例如，部分研究通过Grad-CAM发现，模型在预测TACE抵抗时，重点关注的区域主要集中在肿瘤边缘的异质性强化区域和肿瘤内部的低密度坏死区域，这些区域恰好对应肿瘤侵袭性高、微环境缺氧的生物学特征，进一步验证了深度学习模型预测结果的生物学合理性。三、已发现的潜在CT影像生物标志物及其临床价值近年来，全球多个研究团队通过深度学习方法挖掘出一系列与HCCTACE治疗抵抗密切相关的CT影像生物标志物，根据其反映的生物学特性可分为形态与空间分布类、血供与强化类、异质性与纹理类三大类别。形态与空间分布类生物标志物主要反映肿瘤的生长模式与侵袭潜能。研究发现，通过深度学习自动量化的肿瘤边缘不规则度是预测TACE抵抗的重要指标，边缘不规则度每增加1个标准差，TACE抵抗风险升高1.78倍。其机制在于边缘不规则的肿瘤往往具有更强的侵袭性，肿瘤细胞更容易向周围肝组织浸润，TACE治疗难以完全栓塞所有肿瘤供血血管，残留的浸润性肿瘤细胞容易成为复发根源。此外，肿瘤的空间分布位置也与疗效相关，位于肝包膜下、邻近大血管的肿瘤更容易出现TACE抵抗，这类肿瘤往往存在多支供血动脉，且侧支循环建立速度更快，传统栓塞技术难以实现完全栓塞。深度学习算法能够自动识别肿瘤与周围解剖结构的空间位置关系，量化肿瘤包膜侵犯、血管侵犯的可能性，其预测效能明显优于医师的主观评估。血供与强化类生物标志物主要反映肿瘤的血管生成特性与微循环状态。多期CT动态增强扫描获得的时间-密度曲线参数是目前研究最为深入的一类标志物，深度学习算法能够从多期影像中提取更精细的强化异质性特征，包括动脉期瘤内最大强化值、强化异质性程度、门静脉期强化下降速率、延迟期廓清速度等。2024年一项纳入1500例患者的多中心研究发现，基于深度学习提取的“动脉期瘤周强化异质性指数”是预测TACE抵抗的独立危险因素，该指数高于临界值的患者TACE治疗后2年复发率是低指数患者的2.3倍。瘤周强化异质性本质上反映了肿瘤周围肝组织的微血管密度增加和微转移灶存在，这些区域在传统TACE治疗中往往容易被忽略，成为后续肿瘤复发的重要来源。此外，深度学习还能识别CT影像中肉眼难以分辨的微小动静脉瘘、异常灌注等特征，这些特征均与TACE治疗后化疗药物流失、栓塞效果不佳密切相关。异质性与纹理类生物标志物主要反映肿瘤内部的细胞组成、坏死比例、微环境异质性等特性。深度学习提取的高阶纹理特征能够量化肿瘤内部密度分布的细微差异，包括灰度共生矩阵特征、灰度游程矩阵特征、小波变换特征等。多项研究证实，肿瘤内部纹理异质性越高，TACE抵抗风险越高，异质性高的肿瘤往往包含更多的坏死区域、缺氧区域和耐药细胞克隆，对化疗和缺血的耐受性更强。2023年《EuropeanRadiology》发表的一项研究通过3D-CNN提取肿瘤的全容积纹理特征，构建的预测模型能够有效区分TACE敏感和抵抗患者，其预测效能不受肿瘤大小、分化程度等临床因素的影响。值得注意的是，部分研究发现，即使是传统影像评估认为“同质”的小肝癌，深度学习提取的纹理特征依然能够识别出其中的高抵抗风险患者，这对于小肝癌患者的治疗方案选择具有重要指导价值。除上述肿瘤本身的特征外，近年来越来越多的研究开始关注瘤周肝实质的影像特征。最新研究表明，TACE治疗的疗效不仅与肿瘤本身相关，还与肿瘤周围肝实质的炎症状态、纤维化程度、微血管改变密切相关。深度学习算法能够自动提取瘤周2cm范围内肝实质的影像特征，发现瘤周肝实质的纹理异质性、动脉期强化程度等特征均是TACE治疗抵抗的独立预测因素。这类瘤周生物标志物的发现，进一步拓展了CT影像生物标志物的挖掘范围，为更全面地评估患者治疗预后提供了新的方向。四、当前研究面临的挑战与未来发展方向尽管基于深度学习的CT影像生物标志物挖掘已经取得了显著进展，但目前相关研究仍面临诸多挑战，距离大规模临床应用仍有一定距离。首先是数据异质性问题，不同中心的CT扫描设备、扫描参数、造影剂使用方案存在差异，导致影像数据的可比性较差，模型在跨中心应用时性能往往出现明显下降。虽然数据预处理技术能够在一定程度上降低这种差异，但如何构建标准化的影像采集与预处理流程，开发更加鲁棒的深度学习算法，是未来需要解决的首要问题。其次是标注质量与数据集规模的限制，高质量的肿瘤区域标注需要经验丰富的放射科医师完成，标注成本高、效率低，目前多数研究的数据集规模普遍在千例级别，难以覆盖HCC患者的异质性群体。未来需要建立多中心、大样本的标准化影像数据库，结合半监督、自监督学习等技术，降低对人工标注的依赖，进一步提升模型的泛化能力。第三是模型的可解释性与临床转化障碍，深度学习模型的“黑箱”特性使得临床医师难以理解其决策依据，部分预测特征缺乏明确的生物学机制解释，这在一定程度上影响了临床医师对模型结果的信任度。未来需要进一步加强影像学与肿瘤生物学、基础医学的交叉融合，深入挖掘影像特征背后的分子机制，建立“影像表型-分子机制-临床预后”的完整关联链条，提高生物标志物的可解释性和临床接受度。第四是临床应用场景的适用性问题，目前多数研究构建的预测模型仅关注TACE抵抗的二元分类预测，而临床实际中更需要能够预测患者生存获益、指导治疗方案调整的个体化预测工具。未来需要开发更多能够预测患者无进展生存期、总生存期、术后复发风险等临床终点的模型，并且将模型整合到临床诊疗workflow中，实现影像数据的自动分析、结果的自动输出，降低临床使用门槛。未来该领域的发展方向主要集中在以下几个方面：一是多模态融合技术的进一步深化，除CT影像外，进一步整合MRI、PET-CT、液体活检、基因组学等多源数据，构建更加精准的多模态预测模型，实现从宏观影像到微观分子层面的全方位评估。二是动态疗效评估模型的开发，不仅仅局限于治疗前的基线预测，还可以结合TACE术后早期（1-3天）的CT影像特征，动态评估肿瘤对治疗的早期响应，更早地识别抵抗患者，及时调整治疗方案。三是人工智能辅助治疗决策系统的开发，将预测模型与TACE手术规划系统相结合，针对高抵抗风险患者自动推荐优化的栓塞方案、联合治疗策略（如TACE联合靶向治疗、免疫