基于增強CT的細胞外體積分數聯合常規檢驗標志物在肝癌分級中的預測價值

摘要：目的" 探討細胞外體積分數及常規檢驗標志物與肝細胞肝癌病理分級的相關性，分析聯合預測肝細胞肝癌病理分級的價值。方法" 回顧性收集2019年1月～2023年10月于蚌埠醫科大學第一附屬醫院就診、經病理證實為肝細胞肝癌的患者170例，根據病理分級分為高分化組（n=49）和中低分化組（n=121），提取平掃期及平衡期病灶實質增強CT圖像計算細胞外體積（ECV）值。使用單因素及多因素Logistic 回歸分析影像及臨床特征；采用Spearman分析其與肝細胞肝癌病理分級相關性；通過繪制ROC曲線計算曲線下面積（AUC）評估單一模型及聯合模型診斷效能。采用Kappa檢驗驗證Logistic回歸模型。采用R語言生成列線圖使預測結果可視化。結果" 兩組間ECV、中性粒細胞計數與淋巴細胞計數比值（NLR）及甲胎蛋白的差異有統計學意義（Plt;0.01）；與分級相關的因素有NLR（r=0.381）、血小板計數與淋巴細胞計數比值（r=0.338）、系統免疫炎癥指數（r=0.262）、ECV（r=-0.545）、對比增強值（r=-0.349）；聯合預測模型AUC為0.919，優于各單一模型（ECV、NLR及甲胎蛋白的AUC分別為0.846、0.743、0.635）。結論" 基于增強CT的細胞外體積分數聯合常規檢驗標志物對于肝細胞肝癌病理分級有良好的預測價值。

關鍵詞：肝細胞肝癌；病理分級；細胞外體積；甲胎蛋白；增強CT平衡期

Prediction value of extracellular volume fraction combined with routine testing of markers in the classification of hepatocellular carcinoma based on enhanced CT

ZHOU Xinran， ZOU Mengmeng， YUE Fenghui， ZHANG Zhiya， SUN Xianyu， ZHU Guanghui

Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China

Abstract： Objective To explore the correlation between extracellular volume fraction （ECV）， routine testing of markers and pathological grading of hepatocellular carcinoma （HCC）， to analyze the value of joint prediction of pathological grading of HCC. Methods A total of 170 patients with HCC confirmed by pathology in the First Affiliated Hospital of Bengbu Medical University from January 2019 to October 2023 were retrospectively collected， and divided into well?differentiated group （n=49） and moderately poorly-differentiated group （n=121） according to the pathological classification. ECV was calculated by extracting the CT images of the lesions in plain scan period and equilibrium period. The image and clinical features were analyzed by univariate and multivariate Logistic regression. Spearman was used to analyze its correlation with pathological grading of HCC. ROC curve was drawn to calculate the AUC to evaluate the diagnostic efficiency of single model and joint model. Kappa test was used to verify the Logistic regression model. Using R language to generate nomograms to visualize the prediction results. Results The differences in ECV， the ratio of neutrophil count to lymphocyte count （NLR） and alpha?fetoprotein between the two groups were statistically significant （Plt;0.01）. The factors related to classification are NLR （r=0.381）， platelet-to-lymphocyte ratio （r=0.338）， system immune-inflammation index （r=0.262）， ECV （r=-0.545） and contrast enhances （r=-0.349）. The AUC of the joint prediction model was 0.919， which was better than each single model （AUC in ECV， NLR and alpha-fetoprotein were 0.846， 0.743 and 0.635 respectively）. Conclusion Extracellular volume fraction of enhanced CT combined with routine test markers has good diagnostic value for pathological grading of HCC.

Keywords： hepatocellular carcinoma; pathological grading; extracellular volume; alpha fetoprotein; balance period of enhanced CT

肝細胞肝癌（HCC）是全球癌癥相關死亡的第3大常見原因［1， 2］。手術治療是早期HCC的主要治療方式，然而HCC容易復發及轉移，并且預后不良［3］。 HCC病理分化程度與其治療方案的抉擇、預后評估及復發息息相關［4-6］，與中低分化HCC相比，高分化HCC具有更高的手術治愈率及生存率［7］。術前準確預測HCC病理分級至關重要。盡管切除腫瘤的組織病理學活檢是HCC診斷及病理分級的金標準，但其為有創性操作，且診斷效能受取材大小及術者操作的影響，因此需要一種無創、便捷、可靠的方法用于HCC術前診斷及病理分級。增強CT作為肝臟病變的常規影像學檢查方法，具有檢查范圍廣、掃描速度快、減少患者痛苦等優勢［8］。但目前通過CT對HCC進行分級評估主要是通過對HCC最基本的形態學表現如腫瘤大小、形態、壞死面積及假包膜是否完整等或通過其強化模式進行判斷從而分級［9， 10］ 。研究證明假包膜完整性越低及動脈期強化程度越高的HCC病灶分化程度越低［11］，然而這種判斷方法多受到掃描時間、參數及造影劑劑量的影響，并且依賴于研究者的主觀意愿，并不可靠。

已有研究通過量化腫瘤周圍微環境來預測HCC病理分級［12-14］。細胞外體積分數［15］（ECV）是細胞外-血管外間隙與血管內空間分數的總和，可以作為量化細胞外基質的指標，反映腫瘤微血管浸潤及纖維化情況，且其通過紅細胞校正所得到的數值更具有客觀性。目前以MRI及CT為媒介，ECV已逐步被用于惡性腫瘤各方面的研究。有研究通過提取HCC患者各增強CT掃描時期圖像，測量計算病灶ECV值，較好預測了HCC分化程度（AUC=0.869），但其僅討論了ECV與HCC病理分級的關系，未納入其他危險因素如臨床實驗室指標等［12］；也有研究通過分析HCC患者影像特征聯合臨床炎癥指標較好預測了HCC病理分級（AUC=0.897），但并未聯合病灶ECV值［16］。既往研究并未全面探討影像及臨床多因素與HCC病理分級之間的關系。本研究通過收集更全面的臨床實驗室檢查資料及CT影像圖像，聯合分析ECV及術前常規檢驗標志物與HCC病理分級之間的相關性，從而構建聯合預測模型獲得更高預測性能，旨在為術前無創性預測HCC病理分級及指導臨床治療方案提供更簡便可靠的依據。

1" 資料與方法

1.1" 一般資料

回顧性收集2019年1月～2023年10月于蚌埠醫科大學第一附屬醫院就診、經病理證實為HCC的患者170例，根據病理分級分為高分化組（n=49）和中低分化組（n=121）。高分化組男性38例，女性11例，年齡35～79[61（54，68）]歲；中低分化組男性98例，女性23例，年齡30～92[56（51，65）]歲。納入標準：經肝穿刺活檢或術后病理學檢驗證實為HCC；術后病理學有明確的分化等級；CT檢查前未進行過相關治療；有完整的動態增強CT檢查圖像且與手術日期間隔時間小于1月；臨床資料完整。排除標準：CT圖像質量不佳或存在偽影等影響研究參數的獲取；患者無明確病理分級；患者既往有腫瘤局部治療史。本研究已經通過蚌埠醫科大學第一附屬醫院倫理委員會批準（倫理編號：2023YJS160），免除受試者知情同意。

1.2" CT成像方法

170例患者均采用GE64排螺旋CT（GE 64 Light speed VCT）檢查。掃描方法：行肝臟平掃及3期增強掃描，于掃描前禁水、禁食8 h以上，檢查前均需行碘過敏實驗。掃描參數：層厚5 mm，層間距5 mm，管電壓120 kV，管電流200～300 mA，矩陣 512×512。在掃描過程中，患者取仰臥位，掃描范圍為上腹部，均掃描4期，經肘靜脈注入碘海醇（320 mg/mL），流速3.5 mL/s，劑量1.0～1.5 mL/kg，于注射對比劑后的25～30 s、60～70 s及160～180 s獲取增強動脈期、靜脈期及平衡期圖像。

1.3" 測量方法

收集患者平掃期及平衡期CT圖像并在PACS上打開，選取患者病灶最大徑所在層面進行分析。分別在平掃期及平衡期手動勾畫感興趣區域（ROI），記錄腫瘤病灶長徑（cm）、壞死并測量HCC病灶及同層面腹主動脈兩期CT值（圖1）。在勾畫腫瘤病灶ROI時避開腫瘤壞死出血區，選擇腫瘤實性成分放置ROI；在勾畫腹主動脈ROI區時避開血管壁鈣化及附壁血栓。ROI區的面積以1～2 cm2為宜。上述測量均進行3次，分別取平均值，并分別計算腫瘤實性成分及腹主動脈分別在平衡期及平掃期的CT差值。根據公式計算HCC病灶的對比增強（CE）值以及ECV分數：CE（Hu）=ΔHu腫瘤；ECV（%）=（1-紅細胞壓積）×（ΔHu腫瘤/Hu主動脈）×100%。

1.4" 臨床資料收集

回顧性收集HCC患者CT檢查前1周的臨床資料：性別、年齡、紅細胞壓積、中性粒細胞計數、淋巴細胞計數、血小板計數、乙肝表面抗原、甲胎蛋白（AFP）、癌胚抗原（CEA）及術后病理報告。根據血清學指標記錄計算中性粒細胞與淋巴細胞計數比值（NLR）、血小板計數與淋巴細胞計數比值（PLR）、系統免疫炎癥指數（SII）。

1.5" 統計學分析

所有數據均采用SPSS26.0軟件進行分析。正態分布的計量資料以均數±標準差表示，組間比較采用獨立樣本t檢驗；不符合者以中位數（四分位數間距）表示，兩組間比較采用Mann-Whitney U檢驗。計數資料以n（%）表示，組間比較采用χ2檢驗。患者常規檢驗標志物、腫瘤學標志物及增強CT影像學特征與HCC病理分級之間的相關性分析采用Spearman檢驗。以Plt;0.05為差異有統計學意義。以差異有統計學意義的單因素作為自變量，以HCC病理分級為因變量進行二元Logistic邏輯回歸分析，繪制 ROC曲線，計算曲線下面積（AUC），并以此計算敏感度及特異度。采用Kappa檢驗驗證邏輯回歸模型與病理學結果的一致性，Kappa值低于0.4表示一致性較差，0.4～0.75表示一致性一般，高于0.75表示一致性較好。采用R語言軟件生成列線圖預測模型。

2" 結果

2.1" 患者臨床資料及影像特征分析

高分化組與中低分化組NLR、PLR、SII、ECV、CE及AFP的差異有統計學意義（Plt;0.05）；兩組在紅細胞壓積、CEA、乙肝表面抗原、腫瘤直徑及有無壞死方面的差異無統計學意義（Pgt;0.05，表1）。

2.2" 各指標與HCC病理分級的相關性

AFP、NLR、PLR及SII均與HCC病理分級呈弱正相關性（Plt;0.05）；ECV與HCC病理分級呈中度負相關（Plt;0.001）；CE與HCC病理分級呈弱負相關性（Plt;0.001）；CEA與HCC病理分級無相關性（Pgt;0.05，表2）。

2.3" ECV及CE對肝癌病理分級的診斷價值的比較

繪制ROC曲線并計算AUC可見：CE 預測肝癌病理分級的AUC（95% CI）為0.721（0.635～0.807），敏感度及特異度分別為42.90%、93.39%（Plt;0.001）；ECV預測肝癌病理分級的AUC（95% CI）為0.846（0.772～0.920），敏感度及特異度分別為77.60%、83.47%（Plt;0.001，表3、圖2）。ECV的診斷價值較CE高。

2.4" Logistic回歸分析模型建立及驗證、列線圖生成

將ECV、CE、NLR、PLR、SII及AFP進行多因素回歸分析，結果顯示 ECV、AFP及NLR是預測HCC病理分級的獨立危險因素（Plt;0.05，表4）。

建立回歸方程：Logit（P）=-0.224×ECV-1.356×AFP+2.600×NLR+1.532，繪制ROC曲線（圖3）。將聯合模型預測可視化，生成列線圖（圖4）。結果顯示聯合模型預測HCC病理分級的AUC（95%CI）為0.917（0.870，0.964），敏感度及特異度分別為83.70%、88.43%（Plt;0.001），均高于各單獨因素的AUC，且除較AFP預測HCC敏感度稍低外，聯合模型較各單因素的敏感度及特異度均較高（表5）。該預測模型對HCC病理分級診斷價值較高，一致性檢驗結果顯示預測值與真實值的Kappa值為0.651，具有中等一致性（表6）。

3" 討論

臨床上對于HCC治療方案的選擇多依賴其分期分級，CT是廣泛推薦的術前HCC無創性評估方法［17］。以往研究多通過分析HCC病灶在影像圖像上的形態影像學特征或分析其影像組學特征［18， 19］來預測HCC 病理分級，但研究者的技術水平差異可能造成結果差異，且其操作復雜，不利于推廣。隨著ECV的廣泛應用，ECV通過量化細胞外基質可以正相關地反映肝纖維化程度［20-22］。在增強CT平衡期，造影劑相對均勻地分布在血管內和血管外的細胞腔內，并幾乎完全從細胞中釋放出來。在這一階段，根據造影劑劑量和紅細胞壓積校正后得到的 ECV 值更具有客觀性［23］。目前已有學者將ECV用于HCC病理分級的預測［12］，但其對于其他各種相關因素涉及較少。本研究首次將ECV與臨床常規檢驗標志物及HCC影像學特征聯合分析，旨在更全面地無創性術前預測HCC 病理分級，指導臨床針對病理分級選擇相應的治療方案，從而提高HCC患者的生存率及生活質量，降低患者復發率及組織活檢的痛苦。

本研究結果顯示，ECV對于HCC病理分級呈負相關（r=-0.542，Plt;0.001）且具有很高的診斷效能（AUC=0.846），說明高分化HCC與低分化HCC相比有更高的纖維化程度，這與既往研究［24］相符，可能是由于正常肝實質比HCC的ECV值高，而高分化HCC與低分化HCC相比異質性更小。CE與HCC病理分級亦呈負相關（r=-0.347，Plt;0.001），即與低分化HCC相比，高分化HCC會有更高的腫瘤強化率。以往研究［25］也證實了這一點。AFP作為可以直接診斷HCC的血清腫瘤學指標，在本研究中也被證實可以用來預測HCC分級且與HCC病理分級呈正相關（r=0.259，P=0.001，AUC=0.635），而CEA對于HCC病理分級無統計學意義，這可能與腫瘤標志物的特異性有關。

NLR、PLR及SII作為各種炎癥細胞的量化比值，可以間接描述腫瘤的發生發展狀況。本研究顯示，NLR、PLR及SII與HCC病理分級之間具有較強的相關性（r=0.381、0.338、0.262，Plt;0.01），HCC分化程度越低，NLR、PLR及SII水平越高，這與以往研究［26， 27］結果相符。研究表明，在腫瘤發生過程中有若干炎癥因子的參與，如中性粒細胞可增強血管生成、腫瘤細胞增殖、轉移及其對免疫應答的逃避［28］；血小板通過支持癌癥干細胞、誘導血管生成、維持細胞增殖和逃避免疫監視來促進腫瘤進展［29］等。因此，常規檢驗標志物可以用來預判HCC的分化程度。腫瘤大小、面積及有無壞死出血作為最基本的腫瘤影像學描述特征，往往映射了腫瘤發生發展速度及分化程度。有研究證明瘤內壞死通常提示HCC病理分級高、預后差［9］；而本研究并未發現腫瘤大小及有無壞死與HCC病理分級之間的關系，這可能與樣本量不足以及研究者主觀意愿有關，這也進一步證實以客觀數值量化影像特征在研究中的可靠性。

本研究單因素分析可見NLR、PLR、SII、AFP、CE及ECV均與不同分化HCC組間差異有統計學意義（Plt;0.01），而在多因素分析中，只有NLR、AFP及ECV可作為獨立危險因素（Plt;0.01）納入聯合模型。聯合模型預測HCC病理分級的AUC為0.917（0.870～0.964），均高于各獨立危險因素（Plt;0.01），且其與病理結果具有中度一致性（Kappa=0.651）。這說明ECV及臨床檢驗標志物聯合預測HCC病理分級比單獨預測的診斷效能更好，從而為臨床術前無創性評估HCC病理分級提供了更可靠、客觀的方法，以此進一步為HCC患者選擇更合適的治療方法。但本研究尚存在不足：本研究是回顧性研究，在樣本的選取方法上仍存在局限，且樣本量較小，可能造成錯誤，故未來應繼續擴充樣本量，以作更深入研究；由于本研究的相關因素數量不多，因此未來需要再增加更多變量以增加診斷有效性；該預測模型在未來研究中需進行前瞻性實驗，以證明該模型的可靠性與準確性；由于ROI的選擇受人為因素影響，從而減少了實驗結果的可重復度。

綜上所述，增強CT與臨床指標聯合模型較各單獨模型的預測性能更佳，可為HCC術前無創預測病理學分級，為制定治療方案及評估療效提供參考。

參考文獻：

［1］" "Bray F， Ferlay J， Soerjomataram I， et al. Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2018， 68（6）： 394-424.

［2］" "Wang WY， Wei C. Advances in the early diagnosis of hepatocellular carcinoma［J］. Genes Dis， 2020， 7（3）： 308-19.

［3］" "Wang YY， Zhong JH， Su ZY， et al. Albumin-bilirubin versus Child-Pugh score as a predictor of outcome after liver resection for hepatocellular carcinoma［J］. Br J Surg， 2016， 103（6）： 725-34.

［4］" "Martins-Filho SN， Paiva C， Azevedo RS， et al. Histological grading of hepatocellular carcinoma-a systematic review of literature［J］. Front Med， 2017， 4： 193.

［5］" "Huang J， Liu FC， Li L， et al. Nomograms to predict the long-time prognosis in patients with alpha-fetoprotein negative hepatocellular carcinoma following radical resection［J］. Cancer Med， 2020， 9（8）： 2791-802.

［6］" "Zhou L， Wang SB， Chen SG， et al. Risk factors of recurrence and poor survival in curatively resected hepatocellular carcinoma with microvascular invasion［J］. Adv Clin Exp Med， 2020， 29（7）： 887-92.

［7］" "Ren SS， Qi QH， Liu SH， et al. Preoperative prediction of pathological grading of hepatocellular carcinoma using machine learning-based ultrasomics： a multicenter study［J］. Eur J Radiol， 2021， 143： 109891.

［8］" "Nakamura Y， Higaki T， Honda Y， et al. Advanced CT techniques for assessing hepatocellular carcinoma［J］. Radiol Med， 2021， 126（7）： 925-35.

［9］" "劉雪成， 王" 娟， 吳樹劍. 增強CT結合血清炎癥指標對肝細胞癌病理分級的診斷價值［J］. 齊齊哈爾醫學院學報， 2022， 43（18）： 1750-4.

［10］" 王怡琳， 張海濤， 韋" 敏. 原發性肝癌假包膜影像表現與病理分級的對照研究［J］. 罕少疾病雜志， 2021， 28（2）： 65-7.

［11］" 袁" 月. 孤立性原發性肝癌病灶邊緣假包膜CT增強影像表現與腫瘤大小及病理組織學分級相關性研究［D］. 沈陽： 中國醫科大學， 2023.

［12］" 崔鳳嬌， 李" 琳， 羅婭紅， 等. 應用細胞外體積分數評估肝細胞癌分化程度的初步探索［J］. 腫瘤影像學， 2020， 29（3）： 303-7.

［13］" 梁長華， 梁" 盼， 劉" 甲， 等. 原發性肝癌320排容積CT全腫瘤灌注參數值與微血管密度及其與病理分級的相關性研究［J］. 臨床放射學雜志， 2017， 36（4）： 517-22.

［14］" 龐國棟. 增強CT的類灌注分析在肝臟局灶性病變良惡性鑒別、肝癌組織學分級方面的應用價值研究［D］. 濟南： 山東大學， 2020.

［15］" 王藝潔， 楊亞英， 魏" 博， 等. 基于MRI及CT的細胞外體積在惡性腫瘤中的應用與研究進展［J］. 磁共振成像， 2023， 14（9）： 131-5.

［16］" 馮永志. 術前血清炎癥指標及腫瘤影像特征與肝癌病理分級的相關性研究［J］. 基層醫學論壇， 2023， 27（13）： 82-5.

［17］KLCA， National Cancer Center. 2018 Korean liver cancer association-national cancer center Korea practice guidelines for the management of hepatocellular carcinoma［J］. Korean J Radiol， 2019， 20（7）： 1042-113.

［18］" Wu MH， Tan HN， Gao F， et al. Predicting the grade of hepatocellular carcinoma based on non-contrast-enhanced MRI radiomics signature［J］. Eur Radiol， 2019， 29（6）： 2802-11.

［19］" 于琬晴， 張豐收， 強" 軍， 等. 影像組學在肝細胞癌輔助診斷中的研究進展［J］. 分子影像學雜志， 2024， 47（1）： 93-7.

［20］" Guo SL， Su LN， Zhai YN， et al. The clinical value of hepatic extracellular volume fraction using routine Multiphasic contrast-enhanced liver CT for staging liver fibrosis［J］. Clin Radiol， 2017， 72（3）： 242-6.

［21］" Ito E， Sato K， Yamamoto R， et al. Usefulness of iodine-blood material density images in estimating degree of liver fibrosis by calculating extracellular volume fraction obtained from routine dual-energy liver CT protocol equilibrium phase data： preliminary experience［J］. Jpn J Radiol， 2020， 38（4）： 365-73.

［22］ Takumi K， Nagano H， Myogasako T， et al. Feasibility of iodine concentration and extracellular volume fraction measurement derived from the equilibrium phase dual-energy CT for differentiating thymic epithelial tumors［J］. Jpn J Radiol， 2023， 41（1）： 45-53.

［23］ Cundari G， Galea N， Mergen V， et al. Myocardial extracellular volume quantification with computed tomography-current status and future outlook［J］. Insights Imaging， 2023， 14（1）： 156.

［24］ Desert R， Chen W， Ge XD， et al. Hepatocellular carcinomas， exhibiting intratumor fibrosis， express cancer-specific extracellular matrix remodeling and WNT/TGFB signatures， associated with poor outcome［J］. Hepatology， 2023， 78（3）： 741-57.

［25］" 王東旭. 肝細胞肝癌影像學特點、腫瘤標志物與病理學特征的相關性研究［D］. 長春： 吉林大學， 2018.

［26］" Minici R， Siciliano MA， Ammendola M， et al. Prognostic Role of Neutrophil?to?Lymphocyte Ratio （NLR）， Lymphocyte?to-Monocyte Ratio （LMR）， Platelet-to-Lymphocyte Ratio （PLR） and Lymphocyte?to?C Reactive Protein Ratio （LCR） in Patients with HepatocellularCarcinoma （HCC） undergoing Chemoembolizations （TACE） of the Liver： the Unexplored Corner Linking Tumor Microenvironment， Biomarkers and Interventional Radiology［J］. Cancers， 2022， 15（1）： 257.

［27］" Hu B， Yang XR， Xu Y， et al. Systemic immune-inflammation index predicts prognosis of patients after curative resection for hepatocellular carcinoma［J］. Clin Cancer Res， 2014， 20（23）： 6212-22.

［28］ Mantovani A， Cassatella MA， Costantini C， et al. Neutrophils in the activation and regulation of innate and adaptive immunity［J］. Nat Rev Immunol， 2011， 11（8）： 519-31.

［29］Franco AT， Corken A， Ware J. Platelets at the interface of thrombosis， inflammation， and cancer［J］. Blood， 2015， 126（5）： 582-8.

（編輯：郎" 朗）

作者簡介：周欣冉，住院醫師，E-mail： 570448260@qq.com

通信作者：朱廣輝，副主任醫師，E-mail： 1920935739@qq.com