01文献信息本次分享的文献是由苏州大学第一附属医院胡春红团队联合唐山人民医院核医学科、苏州大学放射医学与防护学院、南通大学附属南通第三医院病理科/放射科等多中心团队在《Radiology: Imaging Cancer》中科院2区IF6.3上发表的研究“Deep Learning Radiopathomics Models Based on Contrast-enhanced MRI and Pathologic Imaging for Predicting Vessels Encapsulating Tumor Clusters and Prognosis in Hepatocellular Carcinoma”即基于对比增强磁共振成像和病理图像的深度学习放射病理学模型预测肝细胞癌肿瘤簇包绕血管及预后该研究基于多中心回顾性数据开发并验证了结合对比增强MRI和病理图像的深度学习放射病理组学模型用于预测肝细胞癌HCC中的血管包绕肿瘤团簇VETC模式并构建列线图模型进行早期复发和无进展生存期PFS的风险分层。图 1患者选择流程与研究设计图A部分患者筛选流程研究纳入3个医疗中心的HCC患者分阶段完成筛选与分组初始纳入池中心12015年1月-2023年2月495例符合“术前10天内钆塞酸增强MRI肝切除病理确诊HCC且有VETC数据”的患者中心2-32016年1月-2022年6月142例符合上述相同纳入标准的患者。排除标准应用中心1排除3类患者术前抗肿瘤治疗16例、临床信息不全10例、影像质量差15例最终纳入454例中心2-3排除3类患者术前抗肿瘤治疗5例、临床信息不全5例、影像质量差8例最终纳入124例。分组结果中心1的454例按7:3分层抽样分为训练集317例和内部测试集137例中心2-3的124例作为外部测试集随访丢失情况训练集39例、内部测试集15例、外部测试集2例最终522例纳入生存分析。B部分研究技术路线MRI与病理图像采集→深度学习模型构建ResNet50、DenseNet121等→放射病理学评分计算DRS、手工/深度学习病理组学评分→生存分析02研究背景及目标研究背景疾病负担HCC是全球第三大癌症相关死亡原因即使诊疗技术进步晚期患者5年生存率仍仅18%核心原因是肿瘤在基因组、分子和组织学水平的高度异质性。VETC的临床意义VETC是HCC的特殊血管模式CD34阳性内皮窦状血管包绕肿瘤簇与肿瘤转移、不良预后直接相关且可预测患者对索拉非尼的治疗获益但需术后病理检查确诊术前缺乏有效评估手段。技术背景深度学习尤其是Transformer模型在医学影像分析中展现优势优于传统CNN的全局特征捕捉能力但在HCC放射组学-病理组学联合预测中的应用较少现有研究多单独使用放射组学或病理组学缺乏整合两者的多模态模型用于VETC及预后预测。研究目标基于对比增强MRI和病理图像开发并验证DL放射组学与病理组学模型实现HCC患者VETC的术前预测筛选独立预后因素构建整合放射组学与病理组学评分的列线图用于HCC患者早期复发术后2年内和无进展生存期PFS的风险分层。03数据和方法研究数据数据来源多中心回顾性研究共578例HCC患者分为训练集317、内部验证集137、外部验证集124。影像学数据Gd-EOB-DTPA增强MRI动脉期、门脉期、肝胆期。病理学数据HE染色切片提取手工特征及深度学习特征。核心方法影像分割与预处理2名8年经验放射科医生用ITK-SNAP软件手动分割肿瘤3D掩膜按切片逐段标注1名12年经验医生审核基于掩膜裁剪2D肿瘤区域用于后续DL模型训练。DL放射组学模型构建模型选择4个预训练模型ResNet50、DenseNet121、Vision Transformer、Swin Transformer基于ImageNet迁移学习训练策略固定预训练参数微调全连接层数据增强随机裁剪、旋转、水平翻转PyTorch2.1.0实现评分计算深度学习放射组学评分DRS最优模型预测VETC的概率均值可解释性分析用Grad-CAM可视化模型注意力区域。病理组学评分开发手工病理组学CellProfiler提取628个特征核175个、细胞质175个、细胞175个、纹理103个LASSO回归筛选15个特征评分特征×非零系数之和DL病理组学OpenSlide将HE图像分割为224×224无重叠补丁选12个代表性补丁输入DL模型评分SwinTransformer预测概率均值。列线图构建与评估变量筛选训练集单因素Cox回归P0.1筛选候选因素多因素Cox回归逐步后退法确定独立预后因素模型评估预测VETC用AUC、准确率、敏感度、特异度预后评估用C指数、时间依赖ROC曲线、Kaplan-Meier生存分析log-rank检验、决策曲线分析。04实验结果图图 2手工病理组学特征提取与选择流程图特征提取流程A-G子图输入图像每例HCC患者的代表性HE染色切片100×放大分辨率3072×2048像素染色拆分通过CellProfiler软件“UnmixColors”模块将HE图像拆分为苏木精染色细胞核B子图和伊红染色细胞质C子图灰度图细胞成分分割用两个模块自动分割细胞核D子图、细胞E子图和细胞质F子图并标注轮廓G子图特征提取从分割结果中提取628个手工病理组学特征含强度、形状、大小、纹理4类细分细胞核175个、细胞质175个、细胞175个、纹理103个特征。特征选择H、I子图H子图LASSO回归的系数分布图y轴为系数值x轴为λ值展示不同正则化参数下特征系数的变化I子图通过10折交叉验证确定λ最小值最终筛选出15个有价值的手工病理组学特征用于计算“手工病理组学评分”评分各特征×其非零系数之和。图 3深度学习放射病理学模型可视化图Grad-CAM热图可视化对象4个深度学习模型ResNet50、DenseNet121、Vision Transformer、Swin Transformer在“MRI多期相图像HE病理图像”上的注意力区域以热图形式呈现红色区域为模型重点关注区域。示例病例71岁女性HCC患者展示其轴向动脉期AP、门脉期PP、肝胆期HBPMRI图像及HE染色病理图像100×放大对应的模型热图。关键发现所有模型对MRI图像的注意力集中于肿瘤边缘区域而非肿瘤核心病理图像上模型注意力集中于“肿瘤细胞簇及周围血管结构”与VETC的“血管包绕肿瘤簇”病理特征高度匹配SwinTransformer模型的热图边界更清晰注意力区域与病理真实VETC区域的重合度最高。图 4深度学习病理组学模型性能与评分箱线图ROC曲线模型诊断性能箱线图评分组间差异图 5放射病理学列线图构建与评估图森林图预后因素筛选列线图风险预测工具决策曲线临床获益评估。图 6放射病理学列线图的预后价值评估图Kaplan-Meier生存曲线风险分层时间依赖ROC曲线预后预测性能。05讨论创新点多模态整合首次结合钆塞酸二钠增强MRI宏观影像和HE病理图像微观特征构建“影像-病理”联合的DL模型实现VETC和预后的双重预测弥补单一模态的信息局限模型优势验证了Transformer尤其是SwinTransformer在放射组学/病理组学中的优势其窗口注意力机制可同时捕捉全局和局部特征且经多中心外部验证AUC0.77-0.79稳定性优于传统CNN临床可解释性用Grad-CAM可视化模型注意力区域肿瘤边缘符合肿瘤侵袭转移的生物学逻辑提升临床信任度决策曲线显示列线图临床净获益高可直接指导临床决策。局限性研究设计回顾性研究存在选择偏倚如纳入患者均为接受手术者排除不可切除HCC随访与病理随访时间较短未纳入总生存期OS仅用单张HE切片提取特征可能未反映肿瘤整体异质性模型特性列线图为静态模型难以随新数据更新结果可能因人群差异波动且缺乏放射病理学模型的标准化报告指南。临床价值术前精准评估无需术后病理即可预测VETC帮助术前识别高风险患者如VETC患者可能更受益于索拉非尼提前制定“手术靶向”联合治疗方案预后风险分层列线图可区分高低风险患者高风险者术后需更密切随访如每3个月一次MRI低风险者可延长随访间隔避免过度医疗技术推广为HCC的“影像-病理”联合预测提供范式可推广至其他癌症如肝癌微血管侵犯、乳腺癌淋巴结转移的生物标志物预测和预后评估。