01文献学习今天分享的文献是由复旦大学附属中山医院孙惠川、徐彬团队联合天津医科大学肿瘤医院宋天强、上海交通大学医学院附属瑞金医院陈拥军教授等团队于2026年2月26日在肝病学领域顶刊《Hepatology》中科院1区topIF16.8上发表的研究“Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy”即基于深度学习辅助MRI肿瘤影像组学动态变化预测接受免疫治疗序贯肝切除术的肝细胞癌患者的病理完全缓解该研究旨在探索基于MRI影像组学特征的动态变化预测肝细胞癌HCC患者在接受免疫联合靶向治疗后行肝切除术前的病理完全缓解pCR。研究构建了基于基线、术前和“delta”变化影像组学特征的多种机器学习模型并验证其预测性能。结果显示delta影像组学模型显著优于传统影像评估方法结合AFP动态变化后预测能力进一步提升。该研究为术前无创评估pCR提供了新工具。创新点①首次构建基于多时点MRI的影像组学动力学模型动态捕捉肿瘤对免疫治疗的演变过程。②结合血清AFP动态变化与影像组学特征构建双模态融合模型显著提升pCR预测准确性。③引入病灶级与患者级分层分析策略解决多灶性HCC异质性对疗效评估的干扰。临床价值①实现术前无创预测pCR避免依赖术后病理为手术时机和策略提供依据。②识别转化治疗中获益最大的患者助力个体化治疗决策避免不必要手术。③模型结合影像与血清指标提升疗效评估全面性适用于多中心推广。图 1研究整体流程图①数据收集阶段纳入影像数据MRI多序列T1WI同相位IP、T2WI反相位OP、DWI弥散加权、门脉期PV、延迟期Delay等临床结局数据pCR/non-pCR分组并标注研究对象为接受转化治疗后行肝切除术的HCC患者②影像处理阶段对MRI影像进行自动化肿瘤分割AI算法→定量特征提取影像组学特征含纹理、形状、一阶统计量等③模型构建与评估阶段通过Pearson相关性分析、LASSO回归进行特征筛选最终构建三类影像组学模型Base-model基线模型、Delta-model动态变化模型、Pre-model术前模型并完成模型训练与效能评估。02研究背景和目的研究背景肝细胞癌HCC是全球范围内发病率位居第六、癌症相关死亡原因位居第三的恶性肿瘤严重威胁人类健康。对于早期HCC患者手术切除是主要的根治性手段但临床上面临的严峻挑战是超过70%的患者在初诊时已处于中晚期失去了直接手术切除的机会。近年来以靶向治疗如酪氨酸激酶抑制剂联合免疫治疗如PD-1/PD-L1抑制剂为基础并结合肝动脉化疗栓塞TACE或肝动脉灌注化疗HAIC等局部治疗手段的转化治疗方案取得了显著进展使得部分初始不可切除的HCC患者获得了降期后手术的机会。在此背景下病理学完全缓解pCR成为评估转化疗效的核心指标研究表明达到pCR的患者术后无进展生存期和总生存期显著优于未达到pCR的患者。然而pCR的明确诊断目前完全依赖于术后对切除标本的病理学评估在术前无法获知。现有的影像学评估方法如基于单一参数强化程度的mRECIST标准难以全面捕捉肿瘤内在的异质性及治疗过程中的动态演变导致影像学评估与病理学反应之间存在显著偏差。因此临床上迫切需要一种能够在术前无创、精准地预测pCR的工具以弥补现有评估手段的不足。影像组学作为一种能从医学影像中高通量提取人眼无法识别的定量特征并结合人工智能算法进行深度分析的新技术为全面量化肿瘤微环境的时空异质性、动态监测治疗反应提供了可能为攻克这一临床难题开辟了新的方向。研究目的本研究的主要目的是开发并验证一种基于多序列MRI的动态影像组学模型用于在术前预测初始不可切除的肝细胞癌uHCC患者在接受免疫联合靶向为基础的转化治疗后能否达到病理学完全缓解pCR。研究团队旨在通过整合患者在基线和术前两个时间点的多序列MRI影像数据提取并筛选出能够稳定反映肿瘤治疗响应动态变化的影像组学特征特别是变化量“delta”特征结合血清肿瘤标志物如AFP的动态变化运用多种机器学习算法构建和优化预测模型。研究的核心目标在于第一系统性比较基线模型、术前模型和delta动态模型在预测pCR性能上的优劣验证捕捉肿瘤动态演变特征的增量价值第二探究影像组学特征与血清AFP动态反应AFP response在预测效能上的协同作用构建融合影像与血清标志物的双模态联合预测模型以期达到最高的预测精度第三在病灶层面和患者层面分别验证模型的预测能力尤其针对多发性HCC患者解决肿瘤异质性带来的评估难题。最终本研究旨在提供一种无创、精准、可解释的术前评估工具用以辅助临床医生甄别出能从转化治疗中获得最大病理学获益的患者从而为后续的个体化治疗决策如手术时机的选择、手术方式的优化乃至未来探索“观察等待”策略的可行性提供强有力的数据支持和科学依据。03数据和方法研究数据总样本量154例患者159个病灶训练集78例中山医院内部测试集32例中山医院外部验证集44例天津肿瘤医院、瑞金医院数据来源三家三甲医院2019–2025年影像数据多序列MRIT2WI、DWI、T1WI、动脉期、门脉期、延迟期等临床数据AFP、PIVKA-II、肝功能、治疗方案等图 2患者纳入与分组流程图技术方法数据预处理图像配准、归一化、N4偏置场校正肿瘤分割AI自动分割 nnU-Net辅助ICC筛选高重复性特征特征提取PyRadiomics提取2264个特征一阶、形状、纹理等特征筛选ICC、t检验、LASSO、随机森林模型构建14种机器学习模型对比最终选择MLP模型评估AUC、准确性、敏感性、特异性、PPV、NPV、校准曲线、DCAAFP动态定义log10(术前AFP)/log10(基线AFP)04实验结果pCR率训练集32.1%测试集31.2%验证集45.5%AFP动态pCR患者AFP下降更显著p 0.05delta影像组学模型显著优于传统模型测试集AUC0.835 vs 基线0.483 / 术前0.685验证集AUC0.783 vs 基线0.434 / 术前0.506结合AFP后预测性能进一步提升测试集AUC0.920验证集AUC0.857SHAP分析AFP响应和影像组学评分为最重要预测因子图 3不同患者队列按pCR状态分层的生存分析图图 4整合临床-影像组学联合模型的效能评估图图 5联合模型的SHAP分析图05研究结论该论文通过多中心回顾性研究首次构建并验证了基于MRI的影像组学-临床融合模型用于预测初始不可切除肝细胞癌uHCC患者在接受免疫联合靶向治疗后、手术前的病理完全缓解pCR。研究发现相较于单一的基线或术前影像模型动态变化影像组学delta radiomics模型能更准确地捕捉治疗过程中的肿瘤异质性演变在测试集和验证集中预测病灶水平pCR的AUC分别达到0.835和0.783显著优于传统mRECIST评估标准。进一步将动态影像组学特征与血清AFP对数比值AFP response相结合构建的联合模型在预测患者水平pCR时表现最优测试集AUC高达0.920验证集为0.857校准度和临床净获益均良好。SHAP分析显示AFP反应与影像组学评分是贡献最大的预测因子。该研究证实动态影像组学联合血清生物标志物可无创、精准地评估转化治疗后的pCR为筛选可能避免手术或实施“等待观察”策略的极佳响应者提供了可靠工具具有指导个体化治疗的潜力。参考文献Zhou SQ, Wang LN, Wu LF, Sun LY, Yang YC, Yang ZY, Wang ZY, He T, Li F, Chen LL, Li H, Zhu XD, Shen YH, Huang C, Ji Y, Gao Q, Zhou J, Jia F, Chen YJ, Song TQ, Xu B, Sun HC. Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy. Hepatology. 2026 Feb 26. doi: 10.1097/HEP.0000000000001724.