《Journal of Hepatocellular Carcinoma》：A Clinlabomics-Based Machine Learning Model Accurately Differentiates Atypical Hepatocellular Carcinoma from Atypical Benign Focal Hepatic Lesion
编辑推荐：
目的：非典型影像学表现的肝细胞癌（aHCC）与非典型良性局灶性肝病变（aBFHL）的鉴别诊断面临挑战。本研究旨在基于临床实验室组学（clinlabomics）的新概念开发诊断模型以解决这一难题。患者与方法：回顾性收集经病理确诊的466例患者（252例aHCC和
目的：非典型影像学表现的肝细胞癌（aHCC）与非典型良性局灶性肝病变（aBFHL）的鉴别诊断面临挑战。本研究旨在基于临床实验室组学（clinlabomics）的新概念开发诊断模型以解决这一难题。患者与方法：回顾性收集经病理确诊的466例患者（252例aHCC和214例aBFHL）及其临床实验室组学数据。根据入院时间将患者分为训练集和测试集，用于构建区分aHCC与aBFHL的模型。利用表现最佳的三种算法从18项临床实验室组学指标中筛选出关键特征构建模型。通过受试者工作特征（ROC）曲线评估最佳模型并验证其分类能力，通过校准曲线评估拟合度，并通过决策曲线评估临床效用。利用SHapley Additive exPlanations（SHAP）分析模型可解释性，并通过易用的在线计算器实现模型应用。结果：随机森林（RF）、支持向量机（SVM）和线性判别分析（LDA）是表现前三的算法。筛选出六个特征（乙型肝炎表面抗原[HBsAg]、性别、甲胎蛋白[AFP]、天门冬氨酸氨基转移酶[AST]、血小板[PLT]和年龄）。利用选定的算法和特征构建了三个模型，其中RF模型最优，测试集ROC曲线下面积（AUC）为0.954，诊断准确率为92.5%。值得注意的是，该模型在早期、小病灶及AFP阴性aHCC中也表现优异，AUC为0.976–0.982，准确率为93.2–93.8%。RF模型在校准度、净获益增益、可解释性和应用方面均表现良好。结论：基于临床实验室组学的诊断模型对于区分各类aHCC与aBFHL具有重要价值，包括早期、小病灶及AFP阴性aHCC。
该研究聚焦于解决非典型影像学表现的肝细胞癌（aHCC）与非典型良性局灶性肝病变（aBFHL）之间的鉴别诊断难题。由于常规影像学检查（如超声、CT、MRI）对这类病变的定性存在局限性，且肝活检具有侵入性风险，研究人员致力于探索一种基于临床实验室组学（clinlabomics）的非侵入性诊断新方法。此项研究由南昌大学第一附属医院的研究团队完成，成果发表在《Journal of Hepatocellular Carcinoma》上。
为实现这一目标，研究人员采用了几项关键技术方法：首先，回顾性收集了该院2015年至2021年间经病理确诊的466例患者的临床资料，并根据入院时间将其划分为训练集（306例）和测试集（160例）。其次，利用R软件包“mlr3”构建了九种前沿机器学习算法的分类器，通过自助重采样策略确定表现前三的算法（随机森林[RF]、支持向量机[SVM]、线性判别分析[LDA]）。随后，联合使用Boruta算法和最小绝对收缩与选择算子（LASSO）回归进行特征选择，筛选出关键变量。最后，通过网格搜索优化超参数，并利用SHapley Additive exPlanations（SHAP）分析增强模型的可解释性，开发了在线计算工具。
研究结果部分详细展示了模型的构建与验证过程：
患者特征：研究共纳入466例患者，其中aHCC组252例，aBFHL组214例。两组患者在人口统计学和实验室指标上存在显著差异。
人口统计学与临床实验室组学指标的特征与诊断价值：在18项指标中，有10项指标的AUC大于等于0.7，其中HBsAg、AST和AFP的诊断价值最高（AUC大于0.8）。
训练集模型构建：基于训练集数据，RF、SVM和LDA表现最佳。特征选择确定了六个关键指标：HBsAg、性别、AFP、AST、PLT和年龄。基于这六个特征和三种算法构建的模型在10折交叉验证中平均AUC达到0.931–0.942。
测试集模型验证：在测试集中，RF模型表现出最高的分类准确率（92.5%）和AUC（0.954），并且在校准曲线和决策曲线分析中均显示出优越的性能，因此被选为最终模型。
RF模型的临床效用与SHAP分析：该模型在早期（TNM I期）、小病灶（直径小于3厘米）及AFP阴性（AFP小于20纳克/毫升）的aHCC亚组中表现尤为出色，AUC高达0.976–0.982。SHAP分析揭示了各特征的贡献方向，其中男性、HBsAg阳性以及AFP、AST水平升高会增加aHCC的预测概率，而血小板计数升高则呈负相关。
讨论部分深入阐述了该研究的创新性与临床意义。研究人员指出，这是首个专门针对影像学非典型HCC利用常规临床实验室数据构建的诊断模型。相比现有的影像组学方法，该模型仅需六项常规指标，成本低廉且易于部署。研究证实，尽管多数患者的肝功能指标处于正常范围，但结合这些指标构建的临床实验室组学模型仍具有极高的诊断效能。此外，通过SHAP分析和在线计算器的开发，有效解决了机器学习模型“黑箱”难以解释的问题，促进了个性化医疗的实施。
结论部分总结道，研究人员成功开发并验证了一种基于临床实验室组学概念的诊断模型，能够精准区分aHCC与aBFHL，尤其在特定亚群中表现卓越。鉴于模型高度依赖HBsAg状态，未来需在非乙型肝炎病毒（HBV）流行地区的人群中进行验证和重新校准，并通过前瞻性多中心研究进一步确认其临床适用性。
