Machine Learning Model Integrating Clinical Features, CT Radiomics, and Transfer Learning for Predicting Aggressive Recurrence of Hepatocellular Carcinoma

技术摘要：整合临床特征、CT 影像组学与迁移学习用于预测肝细胞癌侵袭性复发的机器学习模型

问题陈述
肝细胞癌（HCC）仍是导致癌症相关死亡的主要原因，术后根治性肝切除术的复发率高达 60–70%。一个关键的临床挑战是如何预测“侵袭性复发”，其定义为超过米兰标准（Milan criteria）的首次复发（例如：较大的肿瘤负荷、血管侵犯或肝外转移）。目前的风险评估严重依赖于术后病理特征（如微血管侵犯）或血清标志物（如 AFP），这些指标在术前决策中的敏感性不足。虽然影像组学提供了一种非侵入性的替代方案，但传统的特征工程（handcrafted features）往往难以捕捉肿瘤侵袭性的复杂空间模式，且在小样本数据集中容易出现过拟合并产生过拟合问题。此外，深度学习模型通常需要大规模的标注数据集，而这类数据在医学影像领域较为稀缺。本研究旨在开发一种结合临床数据、传统影像组学特征和深度学习特征的术前非侵入性预测模型，以识别高风险患者，从而制定个体化的围术期策略。

研究方法
本研究采用回顾性设计，纳入了 2013–2020 年间在广西医科大学第一附属医院接受根治性肝切除术的 455 例 HCC 患者。研究队列按 7:3 的比例分为训练组（n=318）和验证组（n=137）。

1. 数据获取与预处理：

   • 临床数据： 术前变量包括人口统计学资料、实验室检查（如白蛋白、AFP、FIB-4）以及影像学测量值（如门静脉直径）。
   • 影像学： 使用术前门静脉期增强 CT 图像。通过两名资深医师使用 ITK-SNAP 进行感兴趣区域（ROI）的手动分割。
   • 影像组学： 利用 PyRadiomics 提取了 1,561 个手工特征，涵盖一阶统计量、纹理矩阵（GLCM、GLRLM、GLSZM、NGTDM、GLDM）及形状特征。特征经过 Z-score 标准化处理。
   • 深度学习（迁移学习）： 使用在 ImageNet 上预训练的 ResNet-50 模型，并在训练集上进行微调。从全局平均池化层提取深度特征（2,048 维），并通过主成分分析（PCA）将其降至 150 个主成分。

2. 特征选择与模型构建：

   • 筛选： 通过单变量 t 检验、相关性分析（阈值 0.9）和最小绝对收缩和选择算子（LASSO）回归进行特征筛选，以消除冗余并选择最具预测性的特征子集。
   • 多模态融合： 通过早期融合（early fusion）创建了“DLR”（深度学习与影像组学）特征集。
   • 算法： 测试了八种机器学习算法（逻辑回归、SVM、KNN、随机森林、Extra Trees、XGBoost、LightGBM、MLP）。基于性能表现，最终选择 XGBoost 作为最优分类器。
   • 模型构建： 构建了四种不同的模型：仅临床模型、仅影像组学模型、仅 DLR 模型以及多模态融合模型（临床 + 影像组学 + DLR）。
   • 评估： 使用受试者工作特征曲线下面积（AUC）、校准曲线以及决策曲线分析（DCA）对训练组和独立验证组进行性能评估。

关键结果

• 独立预测因子： 多变量逻辑回归确定了四个侵袭性复发的独立临床因素：白蛋白（OR=0.927）、FIB-4 分值（OR=0.524）、门静脉直径（OR=1.173）以及 S2 段肝段受累（OR=0.071）。
• 训练集表现： 多模态融合模型在训练组中表现出卓越的判别能力，AUC 达到 0.996（95% CI: 0.992–1.000）。DLR 模型同样表现近乎完美（AUC 0.994）。
• 验证集表现： 在独立验证组中，所有模型的性能均显著下降，表明存在严重的过拟合现象。多模态融合模型的 AUC 仅为 0.567（95% CI: 0.468–0.667）；DLR 模型降至 0.564；临床模型则降至 0.436。
• 临床实用性： 决策曲线分析（DCA）显示，在验证组中，多模态融合模型的净获益在任何阈值概率下均未超过“全部治疗”或“不治疗”策略。

意义与结论
本文声称是首个系统性整合基于迁移学习的深度特征、传统影像组学特征及临床变量以预测 HCC 侵袭性复归的模型。

• 理论可行性： 研究证明了多源异构信息融合在理论上的可行性，因为组合模型的训练集表现优于单模态模型，这表明深度学习特征捕捉到了互补的信息，反映了肿瘤的异质性。
• 临床警示： 至关重要的是，作者明确指出该模型目前尚不适用于临床决策。训练集与验证集之间巨大的 AUC 差距，结合 DCA 中缺乏净临床获益的结果，证实了该模型由于“高维特征—有限样本—复杂模型”的困境而导致了严重的过拟合。
• 未来方向： 作者强调，这项工作的核心价值在于为多模态融合策略提供方法论参考。他们总结道，在将该模型应用于个体化围术期治疗方案之前，需要开展大规模、多中心、前瞻性的研究，并使用更大的样本量来验证并优化模型。

综上所述，尽管该研究在回顾性背景下成功构建了一个高性能模型，但作者谦逊地指出其泛化能力有限，该研究主要作为在小样本医学数据集中将深度学习与影像组学相结合的原理验证（proof-of-concept），而非现成的临床工具。