多模态CT在预测孤立性cHCC-CCA微血管侵犯中的应用：双中心外部验证

《Academic Radiology》：Multimodal CT for Predicting Microvascular Invasion in Solitary cHCC-CCA: Dual-Center External Validation

肝细胞癌-胆管细胞癌混合型单发肿瘤术前门静脉癌栓预测的CT多模态机器学习模型双中心研究。在184例患者中，通过不同分割策略的CT影像构建机器学习模型，AUC 0.761-0.800，未发现最佳分割策略，但10mm perimeter区域能提高敏感性和校准。

　　

刘武元|魏玉辰|陈桥芳|陶媛芳|陈璐|廖金源

中国南宁广西医科大学第一附属医院放射科（刘武元、魏玉辰、陈桥芳、陶媛芳、陈璐、廖金源）

章节摘录

引言

原发性肝癌仍然是全球癌症相关死亡的主要原因之一，尽管在监测和治疗方面取得了进展，但术后复发率仍然很高（1）。混合型肝细胞癌-胆管癌（cHCC-CCA）是一种罕见但具有侵袭性的亚型，约占所有病例的0.4-14.2%（2）。由于同时具有肝细胞和胆管细胞的特征，cHCC-CCA表现出显著的生物学异质性、多样的影像学表现，以及较差的术后预后

材料与方法

本研究的技术流程如图1所示。

基线特征

共纳入184名患者，其中139名来自中心1，45名来自中心2。两个中心之间MVI（混合肿瘤成分）的患病率相当（38.1% vs 37.8%），在年龄、性别、最大肿瘤直径或MVI状态方面没有观察到显著差异（所有P > 0.05），表明基线人口统计学特征和预后分布较为均衡。然而，在一些实验室和影像学指标上，两个中心之间存在显著差异，包括总胆红素水平等

主要发现与背景

在这项双中心研究中，我们开发并外部验证了基于多模态CT的机器学习模型，用于术前预测孤立型cHCC-CCA患者的MVI（混合肿瘤成分）。在不同的分割策略下，这些模型在独立的外部验证队列中表现出中等且稳定的区分能力，AUC值范围为0.761至0.800。尽管各模型之间的AUC值没有统计学上的显著差异，但包含10毫米肿瘤周围区域的模型在敏感性方面有所提高

结论

在孤立型cHCC-CCA中，基于门静脉期CT的多模态机器学习模型在术前预测MVI方面表现出稳定的外部性能。虽然没有一种分割策略在统计学上具有更优的区分能力，但包含10毫米肿瘤周围区域的模型在敏感性及校准方面有所提升。这些模型可以作为决策支持工具，辅助传统影像学方法进行术前风险分层，有待未来的多中心研究进一步验证

伦理批准

本研究获得了广西医科大学机构伦理委员会的批准（批准编号2025-E0705），由于其回顾性研究性质，免除了获取知情同意的要求。

资助

本研究得到了中国广西壮族自治区自然科学基金（项目编号2023GXNSFAA026053）和中国国家自然科学基金（项目编号NSFC81360220、NSFC81260214）的支持。

作者贡献声明

魏玉辰：撰写初稿、数据管理、概念构思。刘武元：撰写初稿、项目管理、方法学设计、概念构思。廖金源：撰写、审稿与编辑、监督、资源协调、资金筹集。陈璐：数据可视化、模型验证。陶媛芳：软件开发与数据处理。陈桥芳：软件应用、数据分析与统计分析。

关于写作过程中使用生成式AI和AI辅助技术的声明

我们仅使用ChatGPT（GPT-4）进行轻微的语言编辑和翻译。所有内容均由作者本人审核和验证，未使用任何生成式AI工具进行数据分析、结果解释或科学结论的生成。

利益冲突声明

所有作者声明不存在可能影响本文研究结果的已知财务利益冲突或个人关系。