《Translational Oncology》：Non-invasive predictive model for incidental gallbladder carcinoma based on multimodal features: Integrating clinical data, MRI radiomics, and deep transfer learning features
编辑推荐：
胆囊癌是胆道系统最常见的恶性肿瘤之一，其早期起病隐匿。偶发性胆囊癌（Incidental Gallbladder Carcinoma, IGBC）指因良性疾病行胆囊切除术后，经病理检查意外发现的胆囊癌，发病率为0.2%至2.8%。IGBC常因术前无症状且缺乏灵
胆囊癌是胆道系统最常见的恶性肿瘤之一，其早期起病隐匿。偶发性胆囊癌（Incidental Gallbladder Carcinoma, IGBC）指因良性疾病行胆囊切除术后，经病理检查意外发现的胆囊癌，发病率为0.2%至2.8%。IGBC常因术前无症状且缺乏灵敏诊断工具而被漏诊，导致治疗延误，患者预后显著恶化。随着腹腔镜胆囊切除术的普及，IGBC检出率虽有所上升，但其术后复发风险依然较高，临床亟需有效的术前非侵入性预测手段。当前常规影像学检查（超声、CT、MRI）对早期病变鉴别力有限，易与良性病变混淆；血清肿瘤标志物（如糖类抗原19-9, CA19-9）在早期阶段灵敏度较低。尽管新兴的影像组学（Radiomics）和深度学习技术已显示出肿瘤诊断潜力，但在系统整合这些技术与临床特征以构建IGBC专用术前预测模型方面仍存在空白。为此，研究人员回顾性纳入了IGBC患者术前临床数据、MRI检查及病理记录，开发了一种整合MRI影像组学提取的深度学习特征与关键临床预测因子的非侵入性预测模型。研究共分析299例良性胆囊疾病患者和106例IGBC病例，通过多模态深度学习算法筛选出最优预测模型。多因素分析显示，血红蛋白（Hemoglobin, HGB）、直接胆红素（Direct Bilirubin, DBIL）、年龄、胆囊管距左右肝管汇合处距离（Distance of the Cystic Duct from the Confluence of Right and Left Hepatic Ducts, CD-HDC distance）及胆总管直径（Diameter of the Common Bile Duct, CBD diameter）是IGBC的独立预测因子（均P<0.01）。基于多模态联合特征的预测模型在测试队列中表现最佳，曲线下面积（Area Under the Curve, AUC）达0.894（95%CI 0.829-0.960），显著优于单一模态模型（临床模型：0.862 [95%CI 0.787-0.936]；影像组学模型：0.797 [95%CI 0.716-0.878]；深度学习影像组学模型：0.844 [95%CI 0.775-0.912]）。研究表明，HGB、DBIL、年龄、CD-HDC距离及CBD直径是IGBC的独立预测因子，且多模态联合模型性能显著优于单模态模型，为术前风险分层提供了有力工具。
该研究发表于《Translational Oncology》。胆囊癌（Gallbladder Carcinoma, GBC）作为胆道系统高发恶性肿瘤，早期症状极为隐匿，导致偶发性胆囊癌（IGBC）在临床中常被漏诊。IGBC特指因良性病变行胆囊切除术后，经病理检查意外确诊的胆囊癌，发病率约为0.2%至2.8%。由于现有术前诊断手段（如常规超声、CT及MRI）对早期病灶分辨率不足，且血清肿瘤标志物（如CA19-9）在早期灵敏度较低，IGBC患者往往面临治疗延误，预后极差。此外，随着腹腔镜胆囊切除术的广泛应用，IGBC检出率虽上升，但术后高复发风险仍是重大临床挑战。因此，研究人员亟需开发一种精准、非侵入性的术前预测工具，以实现对高危患者的早期识别与干预。
为解决上述问题，研究人员开展了一项回顾性研究，旨在构建并验证一种基于多模态特征的非侵入性预测模型。研究共纳入405例患者，包括299例良性胆囊疾病患者和106例IGBC患者，按7:3比例随机分为训练队列（284例）和测试队列（121例）。通过整合临床特征、MRI影像组学特征及深度迁移学习特征，研究人员构建了多个预测模型并进行比较。结果显示，多模态联合模型在测试队列中取得了最高的曲线下面积（AUC=0.894, 95%CI 0.829-0.960），显著优于单一的临床模型、影像组学模型及深度学习影像组学模型。研究证实，血红蛋白（HGB）、直接胆红素（DBIL）、年龄、胆囊管距左右肝管汇合处距离（CD-HDC distance）及胆总管直径（CBD diameter）是IGBC的独立预测因子。该模型的建立不仅验证了多模态数据融合策略的优越性，更为临床术前精准识别IGBC提供了强有力的决策支持工具，具有重要的转化医学价值。
研究人员采用了以下关键技术方法开展研究。首先，基于内蒙古医科大学附属医院2014年至2024年的病例，建立了包含IGBC与良性胆囊疾病的回顾性样本队列。其次，利用PyRadiomics库从磁共振胰胆管造影（MRCP）图像中提取手工影像组学特征，并通过ITK-SNAP软件进行感兴趣区域（Region of Interest, ROI）勾画，确保了特征提取的可重复性（组内相关系数 ICC>0.75）。第三，采用迁移学习策略，利用预训练的ResNet18网络提取深度特征，并通过主成分分析（Principal Component Analysis, PCA）降维。第四，通过皮尔逊相关性分析及最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归进行特征筛选，最终利用LightGBM算法构建预测模型，并通过受试者工作特征（ROC）曲线、校准曲线及决策曲线分析（Decision Curve Analysis, DCA）评估模型效能。
研究结果部分，研究人员首先进行了临床特征筛选。单因素及多因素逻辑回归分析表明，CBD直径（比值比 Odds Ratio, OR: 1.271, 95%CI 1.097-1.474, P=0.007）、CD-HDC距离（OR: 1.082, 95%CI 1.038-1.129, P=0.002）、年龄（OR: 1.076, 95%CI 1.039-1.116, P=0.001）、HGB（OR: 0.963, 95%CI 0.933-0.994, P=0.049）及DBIL（OR: 1.050, 95%CI 1.009-1.092, P=0.042）是IGBC的独立预测因子。
在影像组学与深度学习特征研究中，研究人员从MRI图像中提取了311个手工特征，并结合ResNet18提取的512维深度特征。经过严格的特征筛选流程，去除了冗余特征，保留了最具预测价值的子集。
在机器学习模型效能评估中，研究人员比较了支持向量机（Support Vector Machine, SVM）、K近邻（K-Nearest Neighbors, KNN）及LightGBM三种算法。结果显示，LightGBM在处理多模态特征融合时表现出最高的计算效率和泛化能力，被选定为最优算法。在测试队列中，基于多模态联合特征的LightGBM模型AUC达0.844（95%CI 0.775-0.912），而逻辑回归构建的列线图（Nomogram）模型AUC达到0.894（95%CI 0.829-0.960）。
在模型可视化与验证方面，研究人员利用梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）技术对深度学习模型的决策依据进行了可视化，揭示了模型关注的关键影像区域。校准曲线和Hosmer-Lemeshow拟合优度检验证实了模型预测概率与实际观测概率具有良好的一致性，DCA分析则进一步验证了模型在临床应用中的净获益优势。
讨论部分指出，该研究首次将CD-HDC距离作为新型解剖学标志物引入IGBC预测，并探讨了其与胆汁流体动力学改变及慢性炎症导致恶性转化的潜在机制。研究人员分析了HGB降低可能与肿瘤消耗导致的营养不良性贫血有关，而DBIL升高则反映了肿瘤引起的胆道梗阻。尽管多模态联合模型在测试集中AUC（0.894）较训练集（0.995）有所下降，提示可能存在一定过拟合，且其置信区间与其他模型存在重叠，但其综合性能仍显著优于传统评估手段。研究的局限性在于单中心设计缺乏外部验证，且样本量相对有限。未来将通过多中心研究进一步验证模型的普适性，并探索结合肝脏特异性对比增强MRI及液体活检（如循环肿瘤DNA, ctDNA）等跨模态融合策略，以提升模型性能。
结论部分总结道，本研究成功构建了用于术前非侵入性预测IGBC的高性能模型。研究人员确定了HGB、DBIL、年龄、CD-HDC距离及CBD直径为关键的临床独立预测因子。多模态联合模型在测试集中表现出卓越的预测效能（AUC=0.894），显著优于任何单一特征模型。该研究不仅验证了多模态数据融合策略的优越性，也为临床实现IGBC的精准术前识别提供了有力工具。
