Gd-EOB-DTPA增強MRI影像組學預測肝細胞癌組織病理學分級的價值

[摘要]"目的"探討基于釓塞酸二鈉（gadolinium"ethoxybenzyl"diethylenetriamine"pentaacetic"acid，Gd-EOB-DTPA）增強磁共振成像（magnetic"resonance"imaging，MRI）影像組學在術(shù)前預測肝細胞癌（hepatocellular"carcinoma，HCC）組織病理學分級的價值。方法"選取2021年1月至2024年6月于昆明醫(yī)科大學第二附屬醫(yī)院診治的101例HCC患者為研究對象，按7∶3比例將其隨機分配至訓練集（n=70）和測試集（n=31）。從門靜脈期（portal"venous"phase，PVP）和肝膽期（hepatobiliary"phase，HBP）圖像提取影像組學特征，使用最小絕對收縮和選擇算子邏輯回歸降維后構(gòu)建支持向量機（support"vector"machine，SVM）影像組學模型，通過曲線下面積（area"under"the"curve，AUC）、準確度、敏感度和特異性評估模型性能。結(jié)果"經(jīng)特征篩選共保留HBP"2個、PVP"5個及聯(lián)合模型11個最佳影像組學特征構(gòu)建SVM模型，PVP、HBP及PVP+HBP聯(lián)合模型的AUC分別為0.870、0.914和0.952，顯示出良好的區(qū)分高、低級別HCC的能力。結(jié)論"與獨立模型相比，PVP+HBP聯(lián)合模型預測HCC組織病理學分級的性能更優(yōu)，可作為無創(chuàng)性輔助工具幫助術(shù)前區(qū)分高、低級別HCC。

[關(guān)鍵詞]"肝細胞癌；釓塞酸二鈉；增強磁共振成像；組織病理學分級；影像組學

[中圖分類號]"R735.7；R445.2""""""[文獻標識碼]"A""""[DOI]"10.3969/j.issn.1673-9701.2025.13.002

The"value"of"Gd-EOB-DTPA"enhanced"MRI"radiomics"in"predicting"the""""""histopathological"grading"of"hepatocellular"carcinoma

LYU"Xiaoxiao，"LI"Zhili，"DONG"Huimin，"GUO"Li

Department"of"Radiology，"the"Second"Affiliated"Hospital"of"Kunming"Medical"University，"Kunming"650000，"Yunnan，"China

[Abstract]"Objective"To"investigate"the"value"of"enhanced"magnetic"resonance"imaging"（MRI）"radiomics"based"on"gadolinium"ethoxybenzyl"diethylenetriamine"pentaacetic"acid"（Gd-EOB-DTPA）"in"predicting"the"histopathological"grading"of"hepatocellular"carcinoma"（HCC）"before"surgery."Methods"A"total"of"101"patients"with"HCC"who"were"treated"in"the"Second"Affiliated"Hospital"of"Kunming"Medical"University"from"January"2021"to"June"2024"were"selected"as"study"subjects"and"randomly"assigned"to"the"training"set"（n=70）"and"the"test"set"（n=31）"in"a"ratio"of"7∶3."Radiomics"features"were"extracted"from"portal"venous"phase"（PVP）"and"hepatobiliary"phase"（HBP）"images，nbsp;and"support"vector"machine"（SVM）"image"omics"model"was"constructed"after"dimensionality"reduction"by"least"absolute"shrinkage"and"selection"operator"logistic"regression."Model"performance"was"assessed"by"area"under"the"curve"（AUC），"accuracy，"sensitivity，"and"specificity."Results"After"feature"screening，"the"SVM"model"was"constructed"by"retaining"the"best"image"omics"features"of"2"HBP，"5"PVP"and"11"combined"models."The"AUC"of"PVP，"HBP"and"PVP+HBP"combined"models"were"0.870，"0.914"and"0.952，"respectively，"showing"a"good"ability"to"distinguish"between"high"and"low"grade"HCC."Conclusion"Compared"with"the"independent"model，"PVP+HBP"combined"model"has"better"performance"in"predicting"HCC"histopathological"grading，"and"can"be"used"as"a"non-invasive"auxiliary"tool"to"help"distinguish"between"high-grade"and"low-grade"HCC"before"surgery.

[Key"words]"Hepatocellular"carcinoma;"Gadolinium"ethoxybenzyl"diethylenetriamine"pentaacetic"acid;"Enhanced"magnetic"resonance"imaging;"Histopathological"grading;"Radiomics

肝細胞癌（hepatocellular"carcinoma，HCC）是全球癌癥死亡率排名第三的腫瘤[1]。手術(shù)切除是HCC患者的首選治療方法，但術(shù)后復發(fā)常見[2]。組織病理學分級是HCC患者術(shù)后復發(fā)的預測因素之一，低分化HCC患者可通過更積極的治療獲得更好的預后及較長的生存期[3-4]。穿刺活檢作為術(shù)前獲取腫瘤組織病理信息的金標準，具有侵入性且存在采樣誤差等不足，因此構(gòu)建一種無創(chuàng)、便捷的術(shù)前預測模型準確評估HCC組織病理學分級對患者治療計劃的制定、預后和術(shù)后管理至關(guān)重要。隨著技術(shù)的不斷發(fā)展，多種醫(yī)學影像檢查可用于HCC的診斷及療效評估。釓塞酸二鈉（gadolinium"ethoxybenzyl"diethylenetriamine"pentaacetic"acid，Gd-EOB-DTPA）是一種具備肝細胞高度選擇性的造影劑，可被肝細胞有效吸收，在肝膽期成像中，不同分化程度的HCC可表現(xiàn)出不同程度的低信號特征，可幫助影像醫(yī)生判別HCC的組織病理學分級[5-6]。影像組學利用大量的圖像特征提取算法，將醫(yī)學圖像轉(zhuǎn)化為可供深入分析的高維特征集，涵蓋形狀、灰度級、紋理及小波等屬性[7]。影像組學基于腫瘤圖像提取的影像特征構(gòu)建預后評估及分級預測模型，對術(shù)前多種類型腫瘤的復發(fā)預測、生存預后評估及組織病理學分級判斷展現(xiàn)出良好的效用[8-11]。本研究旨在研究基于Gd-EOB-DTPA增強磁共振成像（magnetic"resonance"imaging，MRI）影像組學術(shù)前區(qū)分HCC分級價值。

1""資料與方法

1.1""研究對象

回顧性分析2021年1月至2024年6月于昆明醫(yī)科大學第二附屬醫(yī)院診治的HCC患者的臨床及影像資料。納入標準：①經(jīng)手術(shù)切除且組織病理學報告證實為HCC；②術(shù)前1周內(nèi)行肝臟Gd-EOB-DTPA增強MRI檢查。排除標準：①術(shù)前接受過全身或局部抗腫瘤治療，如射頻或微波消融、經(jīng)導管動脈化療栓塞等治療；②本次手術(shù)之前曾行肝部分切除術(shù)；③臨床資料不完整；④偽影導致MRI質(zhì)量差。最終納入101例患者，按7∶3比例隨機分配至訓練集（n=70）和測試集（n=31）。本研究經(jīng)昆明醫(yī)科大學第二附屬醫(yī)院醫(yī)學倫理委員會審核批準（倫理審批號：審-PJ-科-2024-13）。

1.2""組織病理學分級評估

HCC組織病理學分級采用埃德蒙森分級法，HCC分級越高，其分化程度越低，治療難度越大，患者預后也越差，見表1。埃德蒙森分級Ⅰ、Ⅰ～Ⅱ、Ⅱ級為低級別腫瘤，Ⅱ～Ⅲ、Ⅲ、Ⅲ～Ⅳ、Ⅳ級為高級別腫瘤。由于腫瘤分化不一致，同一病灶中可能含有不同病理級別的腫瘤細胞，本研究采用該病灶較高分級為該腫瘤的病理分級。

1.3""MRI掃描方案

所有患者均于術(shù)前1周內(nèi)行常規(guī)Gd-EOB-DTPA增強MRI檢查。檢查前患者禁食6h以上，并接受呼吸訓練。所有患者于GE"Signa"Premier"3.0T磁共振掃描儀上完成掃描，掃描范圍為膈頂至腎門。經(jīng)外周靜脈注射對比劑Gd-EOB-DTPA（注冊證號：國藥準字HJ20150175，生產(chǎn)廠商：Bayer"AG；規(guī)格：10ml∶1.8143g），注射后于45s、20min得到門靜脈期（portal"venous"phase，PVP）、肝膽期（hepatobiliary"phase，HBP）圖像。

1.4""感興趣區(qū)勾畫與影像組學特征的提取及篩選

將患者的PVP和HBP圖像加載到Mazda軟件進行人工分割，勾畫覆蓋腫瘤最大面積的二維感興趣區(qū)后，提取放射組學特征。對所提取的特征參數(shù)進行篩選，然后使用最小絕對收縮和選擇算子（least"absolute"shrinkage"and"selection"operator，LASSO）來選擇不同時期最有價值的特征。

1.5""模型建立

支持向量機（support"vector"machine，SVM）是一種強大的監(jiān)督學習算法，廣泛應用于分類和回歸任務。SVM通過尋找最優(yōu)超平面區(qū)分不同類別的數(shù)據(jù)點，并確保這個超平面與最近的點（即支持向量）之間的距離最大化，從而實現(xiàn)高效的分類或預測。目前SVM已被廣泛應用于醫(yī)學圖像分析領(lǐng)域，通過分析這些腫瘤的影像特征，SVM可幫助醫(yī)生更準確地評估腫瘤的侵襲性及其生物學行為。本研究將篩選后得到的最佳參數(shù)建立PVP、HBP及PVP+HBP的SVM模型，以此預測HCC的組織病理學分級，并采用受試者操作特征曲線（receiver"operating"characteristic"curve，ROC曲線）評估預測模型的性能。

1.6""統(tǒng)計學方法

采用SPSS"26.0軟件對臨床數(shù)據(jù)和影像組學特征進行統(tǒng)計分析。采用Kolmogorov-Smirnov檢驗分析計量資料是否服從正態(tài)分布，對符合正態(tài)分布的計量資料以均數(shù)±標準差（"）表示，兩組間比較采用獨立樣本t檢驗；對不符合正態(tài)分布的數(shù)據(jù)以中位數(shù)（四分位數(shù)間距）[M（Q1，Q3）]表示，比較采用Mann-Whitney"U檢驗。計數(shù)資料以例數(shù)（百分率）[n（%）]表示，比較采用χ2檢驗。繪制ROC曲線，計算曲線下面積（area"under"the"curve，AUC）、敏感度、特異性，評價各模型預測術(shù)前HCC組織病理學分級的效能。Plt;0.05為差異有統(tǒng)計學意義。

2""結(jié)果

2.1""不同組織病理學分級患者的臨床特征比較

納入患者中低級別腫瘤37例，高級別腫瘤64例。不同組織病理學分級患者的臨床特征比較差異均無統(tǒng)計學意義（"Pgt;0.05），見表2。

2.2""影像組學特征的篩選和模型的性能

使用訓練集進行影像組織學特征篩選，每例患者的圖像共提取558個放射組學特征。經(jīng)初步特征篩選，最后利用LASSO回歸選擇不同時期最有價值的特征，保留HBP"2個、PVP"5個及聯(lián)合模型11個非零系數(shù)特征，見圖1。

基于PVP及HBP構(gòu)建的SVM模型對預測高級別HCC患者和低級別HCC患者均有良好效能。HBP測試集的AUC為0.914，敏感度為66.7%、準確度為80.7%、特異性為86.4%；PVP測試集的AUC為0.870，敏感度為84.6%、準確度為83.9%、特異性為80.0%；PVP+HBP聯(lián)合測試集的AUC為0.952，敏感度為80.0%、準確度為80.7%、特異性為83.3%，見圖2。

3""討論

HCC的病理分化程度可作為患者預后的重要因素，分化程度越低意味著病灶更易侵犯鄰近正常組織，術(shù)后復發(fā)率高且預后較差。基于超聲、CT、MRI等影像檢查可預測HCC的組織病理學分級，楊潔等[13]發(fā)現(xiàn)增強MRI對判斷HCC組織病理學分級有一定幫助，且準確度高于平掃。但常規(guī)影像學檢查無法探勘出腫瘤病理分化程度更深層次信息，影像組學作為一個新興領(lǐng)域，可根據(jù)提取的影像特征構(gòu)建預后及分級預測模型，近年來基于CT和MRI的影像組學已被應用于術(shù)前預測HCC的組織病理學分級并取得不錯進展，研究發(fā)現(xiàn)基于增強CT的影像組學在區(qū)分低級別和高級別HCC方面表現(xiàn)出較好的評估性能，有助于臨床醫(yī)生制定個性化診療計劃[14-15]。Wu等[16]發(fā)現(xiàn)結(jié)合MRI平掃圖像的影像組學模型和臨床模型有助于術(shù)前預測HCC患者的組織病理學分級，幫助臨床醫(yī)生更好地選擇治療方案。

然而，目前通過Gd-EOB-DTPA增強MRI的放射學特征預測HCC的組織病理學分級的研究并不多。本研究比較低、高級別HCC的臨床參數(shù)，并基于Gd-EOB-DTPA增強MRI的影像組學特征構(gòu)建PVP、HBP及PVP+HBP聯(lián)合模型，發(fā)現(xiàn)聯(lián)合模型的性能優(yōu)于PVP和HBP的獨立模型，且聯(lián)合模型的敏感度、準確度和特異性均有較好的表現(xiàn)。研究表明在增強MRI上PVP圖像對HCC的診斷效能更好，更容易顯示腫瘤邊界[17]。也有研究表明HBP的相對信號強度在高級別和低級別HCC之間有明顯不同[5，18]，本研究證實基于Gd-EOB-DTPA增強MRI的HBP相對于PVP可表現(xiàn)出腫瘤分級的更多信息。此外筆者發(fā)現(xiàn)聯(lián)合HBP和PVP的影像組學特征能更好地在術(shù)前預測HCC的組織病理學分級，幫助臨床醫(yī)生選擇更佳的治療方案。此前也有非影像組學研究證明Gd-EOB-DTPA增強MRI的HBP可較好地預測HCC組織病理學分級，腫瘤-肝組織對比增強比與腫瘤分化程度呈負相關(guān)，Gd-EOB-DTPA增強MRI定量分析可預測HCC的組織病理學分級[19]。相較于測量增強MRI的定量分析，影像組學可挖掘出腫瘤更深層次的信息，有更好的預測效果。

研究表明甲胎蛋白（alpha"fetoprotein，AFP）水平是區(qū)分高級別和低級別HCC的獨立危險因素[20]。周欣冉等[21]研究發(fā)現(xiàn)高分化患者的AFP水平明顯低于中低分化患者，AFP區(qū)分HCC病理分化程度的AUC為0.635。但本研究中高、低級別HCC的AFP水平并無顯著差異，可能與本研究樣本量有限導致AFP水平失衡有關(guān)。

本研究為單中心回顧性研究，存在一定的選擇偏倚，需要進行外部驗證來確認模型的可靠性。另外，構(gòu)建的模型只包含部分MRI增強時期影像組學特征，可能忽略其他時期的一些有用信息，后續(xù)將嘗試分析Gd-EOB-DTPA增強MRI更多序列的影像組學特征與HCC組織病理學分級的關(guān)系。

總之，基于Gd-EOB-DTPA增強MRI放射組學特征構(gòu)建的SVM模型有助于在術(shù)前區(qū)分高、低級別HCC，對臨床治療方案的選擇有重要意義。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] BRAY"F，"LAVERSANNE"M，"SUNG"H，"et"al."Global"cancer"statistics"2022："GLOBOCAN"estimates"of"incidence"and"mortality"worldwide"for"36"cancers"in"185"countries[J]."CA"Cancer"J"Clin，"2024，"74（3）："229–263.

[2] ANGELI-PAHIM"I，"CHAMBERS"A，"DUARTE"S，"et"al."Current"trends"in"surgical"management"of"hepatocellular"carcinoma[J]."Cancers"（Basel），"2023，"15（22）："5378.

[3] QU"Q，"LU"M，"XU"L，"et"al."A"model"incorporating"histopathology"and"preoperative"gadoxetic"acid-enhanced"MRI"to"predict"early"recurrence"of"hepatocellular"carcinoma"without"microvascular"invasion"after"curative"hepatectomy[J]."Br"J"Radiol，"2023，"96（1144）："20220739.

[4] REN"S，"QI"Q，"LIU"S，"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.

[5] KIM"H"Y，"CHOI"J"Y，"KIMnbsp;C"W，"et"al."Gadolinium"ethoxybenzyl"diethylenetriamine"pentaacetic"acid-enhanced"magnetic"resonance"imaging"predicts"the"histological"grade"of"hepatocellular"carcinoma"only"in"patients"with"Child-Pugh"class"A"cirrhosis[J]."Liver"Transpl，"2012，"18（7）："850–857.

[6] AN"C，"PARK"M"S，"JEON"H"M，"et"al."Prediction"of"the"histopathological"grade"of"hepatocellular"carcinoma"using"qualitative"diffusion-weighted，"dynamic，"and"hepatobiliary"phase"MRI[J]."Eur"Radiol，"2012，"22（8）："1701–1708.

[7] BERBíS"M"á，"GODINO"F"P，"RODRíGUEZ-COMAS"J，"et"al."Radiomics"in"CT"and"MR"imaging"of"the"liver"and"pancreas："Tools"with"potential"for"clinical"application[J]."Abdom"Radiol"（NY），"2024，"49（1）："322–340.

[8] JIANG"Y，"CHEN"C，"XIE"J，"et"al."Radiomics"signature"of"computed"tomography"imaging"for"prediction"of"survival"and"chemotherapeutic"benefits"in"gastric"cancer[J]."EBioMedicine，"2018，"36："171–182.

[9] THAWANI"R，"MCLANE"M，"BEIG"N，"et"al."Radiomics"and"radiogenomics"in"lung"cancer："A"review"for"the"clinician[J]."Lung"Cancer，"2018，"115："34–41.

[10] HUANG"X，"CHENG"Z，"HUANG"Y，"et"al."CT-based"radiomics"signature"to"discriminate"high-grade"from"low-grade"colorectal"adenocarcinoma[J]."Acad"Radiol，"2018，"25（10）："1285–1297.

[11] WANG"H，"XIE"M，"CHEN"X，"et"al."Radiomics"analysis"of"contrast-enhanced"computed"tomography"in"predicting"the"International"Neuroblastoma"Pathology"classification"in"neuroblastoma[J]."Insights"Imaging，"2023，"14（1）："106.

[12] NAZARI"M，"SHIRI"I，"HAJIANFAR"G，"et"al."Noninvasive"Fuhrman"grading"of"clear"cell"renal"cell"carcinoma"using"computed"tomography"radiomic"features"and"machine"learning[J]."Radiol"Med，"2020，"125（8）："754–762.

[13] 楊潔，"李秋實，"趙森，"等."MRI動態(tài)增強掃描在肝癌診斷、病理分級評估中的應用觀察[J]."中國CT和MRI雜志，"2023，"21（6）："100–102.

[14] CHEN"W，"ZHANG"T，"XU"L，"et"al."Radiomics"analysis"of"contrast-enhanced"CT"for"hepatocellular"carcinoma"grading[J]."Front"Oncol，"2021，"11："660509.

[15] WU"C，"DU"X，"ZHANG"Y，"et"al."Five"machine"learning-based"radiomics"models"for"preoperative"prediction"of"histological"grade"in"hepatocellular"carcinoma[J]."J"Cancer"Res"Clin"Oncol，"2023，"149（16）："15103–15112.

[16] WU"M，"TAN"H，"GAO"F，"et"al."Predicting"the"grade"of"hepatocellular"carcinoma"based"on"non-contrast-enhanced"MRI"radiomics"signature[J]."Eur"Radiol，"2019，"29（6）："2802–2811.

[17] SEUSS"C"R，"KIM"M"J，"TRIOLO"M"J，"et"al."Comparison"of"MRI"pulse"sequences"for"prediction"of"size"of"hepatocellular"carcinoma"at"explant"evaluation[J]."AJR"Am"J"Roentgenol，"2014，"203（2）："300–305.

[18] KOGITA"S，"IMAI"Y，"OKADA"M，"et"al."Gd-EOB-DTPA-"enhanced"magnetic"resonance"images"of"hepatocellular"carcinoma："Correlation"with"histological"grading"and"portal"blood"flow[J]."Eur"Radiol，"2010，"20（10）："2405–2413.

[19] TONG"H"F，"LIANG"H"B，"MO"Z"K，"et"al."Quantitative"analysis"of"gadoxetic"acid-enhanced"magnetic"resonance"imaging"predicts"histological"grade"of"hepatocellular"carcinoma[J]."Clin"Imaging，"2017，"43："9–14.

[20] WU"M，"TAN"H，"GAO"F，"et"al."Predicting"the"grade"of"hepatocellular"carcinoma"based"on"non-contrast-enhanced"MRI"radiomics"signature[J]."Eur"Radiol，"2019，"29（6）："2802–2811.

[21] 周欣冉，"鄒夢夢，"岳鳳輝，"等."基于增強CT的細胞外體積分數(shù)聯(lián)合常規(guī)檢驗標志物在肝癌分級中的預測價值[J]."分子影像學雜志，"2024，"47（4）："379–385.

（收稿日期：2025–01–20）

（修回日期：2025–04–16）