基于超聲原發性肝細胞癌微血管侵犯狀態全面預測新思路

　　原發性肝細胞癌（hepatocellular carcinoma，HCC）是世界常見的惡性腫瘤之一，致死率位居第二。其中微血管侵犯（microvascular invasion，MVI）是HCC具有侵襲性生物學行為的標志，被證實是HCC復發風險的重要預測指標，MVI狀態關系到患者治療方案的選擇以及預后，而臨床針對MVI診斷只能依靠術后組織病理學檢查。目前MVI的研究熱點就是術前MVI精準預測，這將有助于指導外科手術（例如術式、切緣確定）和輔助治療（例如是否需要局部放化療等），實現個性化治療。

　　影像組學方法通過從醫學影像中提取高通量信息進行深層挖掘分析，能夠實現腫瘤的無創診斷和預后預測。現有影像組學方法主要集中關注腫瘤內部區域，忽略了腫瘤周圍組織。病理學上，腫瘤周圍組織是最先受MVI影響的區域。因此，與腫瘤區域相比，腫瘤周圍組織的影像學特征可能與MVI更相關。與高分辨率的CT或MRI相比，超聲檢查具有操作簡單、無創便攜等特點，是臨床上肝臟影像學檢查首選檢查方式。因此構建基于超聲影像的HCC患者MVI狀態預測模型對最佳治療方案的制定具有重要臨床意義。

　　中國科學院蘇州生物醫學工程技術研究所高欣團隊與復旦大學附屬中山醫院超聲科王文平團隊合作，提出了一種基于傳統灰階超聲的HCC MVI狀態術前預測模型，且首次建立對MVI陽性中兩種亞型M1和M2分類模型，實現對原發性肝細胞癌患者MVI狀態的全面無創預測。該研究搜集九臺不同型號超聲設備采集的322名患者（其中178名MVI陰性患者，102名M1患者，42名M2患者）的超聲影像數據及臨床資料。在單幅腫瘤切面超聲圖像中，分別從腫瘤區域（GTR）和瘤周區域（PTR）提取高通量影像特征（圖1），通過機器學習方法篩選特征并構建模型，最后使用ROC曲線下面積AUC來評估模型的分類能力。

　　研究結果顯示，MVI陰陽性的預測任務，基于瘤周區域構建的機器學習模型較基于腫瘤區域構建的模型具有更好的預測能力（準確度為71% VS 70.8%），這也從另一角度驗證了瘤周組織的影像學特征與MVI更相關。隨著整合腫瘤區域及臨床甲胎蛋白（AFP）指標，MVI陰陽性預測精度分別得到進一步提升（準確度分別提升了1.6%和3.4%），這表明結合影像和臨床指標可獲得更好的預測能力。而針對MVI陽性的亞型分類（M1和M2），相比于瘤周區域，腫瘤區域構建的機器學模型預測能力更優（準確度達到80.6%）。以上指標見表1。

　　該研究的意義在于，驗證了以往臨床忽略的瘤周區域對MVI預測的重要價值，且首次基于超聲對MVI陽性中的M1和M2進行了分類預測，并結合臨床征象全面客觀地預測MVI狀態，有望在臨床中輔助醫生進行HCC患者MVI狀態術前精準無創診斷，為術前MVI預測提供一種新思路和新方法。

　　該研究受國家自然科學基金委等機構資助，相關成果以Preoperative prediction of microvascular invasion in hepatocellular carcinoma: initial application of a radiomic algorithm based on grayscale ultrasound images 為題發表于Frontiers in Oncology (doi: 10.3389/fonc.2020.00353)。董怡和周榴為并列第一作者。

圖1. 灰階超聲腫瘤切面中（a）腫瘤（GTR）與（b）瘤周區域（PTR），以及全腫瘤區域（GPTR=GTR+PTR）

表1. 各模型的MVI預測準確度