Hepatology（IF=16.8）中国人民解放军总医院梁萍、于杰等团队：基于生物学可解释的多模态模型预测肝细胞癌局部肿瘤进展及肿瘤侵袭性
01
文献学习
今天分享的文献是由中国人民解放军总医院梁萍、于杰等团队于2026年1月在全球肝病学领域顶刊《Hepatology》（中科院1区top，IF=16.8）上发表的研究”Biologically explicable multimodal model predicting local tumor progression and tumor invasiveness of hepatocellular carcinoma“即基于生物学可解释的多模态模型预测肝细胞癌局部肿瘤进展及肿瘤侵袭性，该研究构建了一个基于术前CEUS、MRI和临床信息的多模态模型，用于预测肝细胞癌热消融术后局部肿瘤进展，并对肿瘤的侵袭性进行分类。模型在内部和外部测试集中均表现出良好的预测性能（AUC约0.81）。高侵袭性肿瘤在病理、免疫组化和RNA测序层面表现出更高的微血管侵犯、CK-7/GPC-3表达、以及血管生成等相关通路上调。针对安全位置的高侵袭性肿瘤，研究提出最小消融边缘 ≥8 mm的策略，可显著降低LTP发生率至与低侵袭性肿瘤相当。
创新点：①首次从病理、免疫组化和RNA测序层面解释模型预测，揭示高侵袭性肿瘤上调血管生成、应激耐受及转移通路。②提出针对高侵袭性肿瘤的个体化消融策略，通过调节分析确定≥8mm安全边界，突破传统统一边界局限。③整合CEUS高时间分辨率与MRI高空间分辨率构建多模态模型，在不同肿瘤位置亚组中展现互补优势。
临床价值：①模型术前即可有效区分高低侵袭性肿瘤，指导医生制定个体化消融计划，避免“一刀切”治疗。②采用≥8mm消融边界可使高侵袭性肿瘤LTP率从42.4%降至10.5%，达到低侵袭性肿瘤水平，显著改善预后。③模型仅需术前常规影像和临床资料，无需术后MRI即可预判风险，便于临床决策和推广应用。
图 2：实验设计四阶段路线图
图 2将研究分为四个阶段。（A）模型构建阶段：利用CEUS（LSTM网络）、MRI（放射组学+MLP）及临床信息（逻辑回归）建立多模态模型，并以诺莫图可视化。（B）模型评估阶段：通过ROC曲线、Kaplan‑Meier曲线及亚组分析评估模型性能，并根据模型预测将HCC分为高侵袭组与低侵袭组。（C）模型解释阶段：收集病理、免疫组化及RNA测序数据，揭示高侵袭组的生物学特征。（D）模型应用阶段：针对安全位置的肿瘤，分析最小消融边界（MAM）的调节作用，提出个体化消融策略。
02
研究背景和目的
研究背景
肝细胞癌（HCC）是全球发病率第六位、死亡率第三位的恶性肿瘤。随着微创治疗技术的发展，热消融（TA）已被推荐为早期HCC的根治性治疗手段。然而，消融后最常见的复发形式是局部肿瘤进展（LTP），其发生率约为10%~25%。LTP不仅标志着消融治疗的失败，还可能成为肝内或肝外进一步复发的源头，严重威胁患者预后。目前，最小消融边界（MAM）是评估消融范围是否充分的最公认指标，但既往研究对于MAM的最佳阈值存在争议（多数推荐5mm，亦有其他建议）。更重要的是，HCC具有显著的个体异质性，不同肿瘤的侵袭能力差异巨大，采用统一的MAM标准显然不符合肿瘤的生物学本质。因此，亟需在术前准确评估HCC的侵袭性，并据此制定个体化的消融策略。现有研究多依赖术后影像测量MAM来预测LTP，这种方式无法指导术前消融方案的制定。术前增强超声（CEUS）和磁共振成像（MRI）分别具有高时间分辨率和高空间分辨率的优势，结合人工智能技术（如深度学习、影像组学）可提取肉眼无法识别的微观影像特征，为预测LTP和解析肿瘤生物学行为提供了新的可能。
研究目的
本研究旨在构建一个基于术前CEUS、MRI及临床信息的多模态模型，用于预测HCC热消融术后LTP的发生，并对肿瘤的侵袭性进行分类，从而实现生物学可解释的个体化治疗策略。具体而言，研究首先利用长短期记忆网络（LSTM）提取CEUS的时间-强度灌注特征，利用影像组学从MRI的动脉期及扩张区域提取稳定特征，通过逻辑回归融合多源信息建立预测模型。其次，在多个内部和外部测试集中系统评估模型的区分度、校准度和临床净获益。关键创新点在于：通过比较模型划分的高、低侵袭性两组肿瘤在病理（分化程度、微血管侵犯MVI、巨梁型MTM）、免疫组化（CK-7、GPC-3）及RNA测序（VEGFA、MMP-9、HSPA1A等）层面的差异，揭示模型预测背后的生物学机制，证明高侵袭性肿瘤富集了血管生成、应激耐受和转移相关通路。最后，针对位于安全位置（不邻近血管或包膜）的高侵袭性肿瘤，利用调节效应分析确定使LTP风险显著降低的MAM边界条件（8mm），并提出“对高侵袭性肿瘤实施≥8mm消融边界”的策略，旨在将其LTP发生率降至与低侵袭性肿瘤相当的水平。
03
数据和方法
研究数据
总样本：1208例HCC（训练502、验证180、内部测试250、外部测试276）
生物学解释样本：233例（含病理、免疫组化、RNA测序）
数据来源：多中心（中国）
数据模态：CEUS视频、MRI（动脉期/延迟期）、临床信息、术后MRI（用于MAM计算）
图 1：患者纳入流程图
技术方法
图像特征提取：
CEUS：时间-强度曲线 + LSTM网络
MRI：影像组学（PyRadiomics）+ MLP
模型构建：Logistic回归整合影像与临床特征，构建多模态模型
生物学验证：病理（MVI、MTM）、免疫组化（CK-7、GPC-3）、RNA测序（KEGG、GSEA）
MAM策略：3D弹性配准 + Johnson-Neyman调节分析
统计方法：AUC、校准曲线、决策曲线、Kaplan-Meier、Log-rank、调节分析等
04
实验结果
模型性能：内部测试集AUC=0.809，外部测试集AUC=0.811，NPV高达0.93
高侵袭组特征：
更低分化（p=0.048）
更高MVI（p=0.045）、MTM（p=0.032）
更高CK-7（p=0.008）、GPC-3（p=0.035）
更高VEGFA、MMP-9、HSPA1A表达
上调通路：VEGF、HIF-1、内质网蛋白加工
MAM策略：
临界值：7.5mm → 推荐≥8mm
高侵袭组MAM≥8mm后LTP降至10.5%，与低侵袭组（6.1%）无显著差异（p=0.613）
图 3：验证集中模型性能与诺莫图
图 3对比了CEUS模型、MRI模型及多模态模型在验证集中的表现。（A和B）显示多模态模型的AUC（0.823）和准确率（0.783）均优于单一模型，且在安全位置及邻血管/包膜位置的肿瘤中均保持稳定性能。特别地，CEUS模型在安全位置肿瘤中AUC更高（0.814），而MRI模型在邻血管/包膜肿瘤中表现更优（0.785），体现了两种影像技术的互补性。（C）展示了多模态模型的诺莫图，整合了影像特征与临床危险因素（肿瘤大小、邻血管、邻包膜），可直观计算个体化LTP风险。
图 4：高侵袭组与低侵袭组的生物学解释
图 4从病理、免疫组化和RNA测序三个层面解释了模型划分的侵袭性差异。（a）病理学显示高侵袭组更低分化（35.9% vs. 23.4%）、更高微血管侵犯（MVI）比例（40.9% vs. 24.2%）及更高巨梁型（MTM）比例。（b）免疫组化显示高侵袭组CK-7和GPC-3阳性率显著升高。（c‑f）RNA测序揭示高侵袭组中VEGFA、MMP-9、HSPA1A表达显著上调，KEGG/GSEA分析进一步证实血管生成通路（VEGF信号通路）、应激耐受通路（内质网蛋白加工）及肿瘤转移通路（HIF-1信号通路）在高侵袭组中富集。这些结果使模型的预测具有明确的生物学可解释性。
图 5：模型应用——针对高侵袭肿瘤的消融策略
图 5展示了基于最小消融边界（MAM）的个体化治疗策略。（A）通过术前与术后MRI的弹性融合，自动计算MAM。（B）Johnson‑Neyman图显示：当MAM < 7.5 mm时，肿瘤侵袭性对LTP发生有显著影响；而MAM ≥ 7.5 mm时，这种影响消失。因此将8 mm作为安全边界阈值。（C和D）在内部测试集中，高侵袭肿瘤且MAM ≥ 8 mm组的LTP发生率（9.1%）显著低于MAM < 8 mm组（40.6%），且与低侵袭肿瘤（4.1%）无统计学差异（p=0.422）。Kaplan‑Meier曲线进一步证实，MAM ≥ 8 mm可使高侵袭肿瘤的LTP风险降至与低侵袭肿瘤相当的水平。
图 6：外部测试集中模型性能与策略验证
图 6在独立外部测试集（276例HCC）中验证了模型的泛化能力。（A和B）显示多模态模型的AUC为0.811，准确率0.779，且在性别、年龄、病毒史、肝脏背景、肿瘤类型、大小及位置等12个亚组中均保持稳定性能。（C）针对安全位置的151例肿瘤，高侵袭肿瘤且MAM ≥ 8 mm组的LTP发生率为10.5%，与低侵袭肿瘤（6.1%）无显著差异（p=0.613），而MAM < 8 mm的高侵袭肿瘤LTP率高达42.4%（p=0.027）。（D）Kaplan‑Meier曲线同样显示三组间差异显著（p=0.001）。该图成功复现了内部测试集的结论，证实了模型及“8 mm消融边界策略”在真实世界多中心数据中的有效性与普适性。
05
研究结论
该研究开发并验证了一个基于术前多模态影像（CEUS、MRI）和临床信息的人工智能模型，用于预测肝细胞癌（HCC）热消融术后局部肿瘤进展（LTP）并评估肿瘤侵袭性。研究得出的主要结论包括：该多模态模型在内部和外部测试集中均表现出良好的预测性能（AUC分别为0.809和0.811），能够有效将HCC分为高侵袭组与低侵袭组。高侵袭组肿瘤在病理和分子水平上显示出更低的细胞分化、更高的微血管侵犯（MVI）发生率、CK-7和GPC-3阳性率升高，并上调了与血管生成、应激耐受和肿瘤转移相关通路（如VEGF、HIF-1信号通路），从生物学上证实了模型预测的可解释性。更重要的是，针对位于安全位置（不邻近血管或包膜）的高侵袭性肿瘤，模型提出采用最小消融边界（MAM）≥ 8 mm的治疗策略，可将高侵袭组的LTP发生率从42.4%显著降低至10.5%，使其达到与低侵袭组相当的水平（6.1%），且不增加主要并发症风险。总体而言，该研究不仅构建了一个具有生物学可解释性的多模态预测模型，还为高风险HCC患者提供了个体化的消融策略，有望在临床中减少术后局部复发，改善患者预后。
06
Q&A
Q1：本研究构建的多模态模型是如何预测肝细胞癌热消融术后局部肿瘤进展的？
A1：研究结合了术前超声造影（CEUS）、磁共振成像（MRI）和临床信息，构建了一个多模态预测模型。
CEUS模型使用长短期记忆网络（LSTM）提取时间-强度曲线和光流特征，反映肿瘤的血流灌注信息。
MRI模型使用放射组学提取肿瘤及瘤周区域的纹理和空间特征，并通过多层感知器（MLP）构建模型。
最后通过逻辑回归整合CEUS、MRI和临床特征（如肿瘤大小、是否靠近血管或包膜等），形成多模态模型。
该模型在内部和外部测试集中的AUC分别为0.809和0.811，表现出良好的预测性能。
Q2：高侵袭性肿瘤在生物学上有哪些特征？模型如何解释这些特征？
A2：高侵袭性肿瘤在生物学上表现出以下特征：
病理层面：低分化、高微血管侵犯（MVI）比例、高巨小梁型（MTM）比例。
免疫组化：CK-7和GPC-3阳性率显著升高。
RNA测序：VEGFA、MMP-9、HSPA1A等与血管生成、肿瘤侵袭、耐热相关基因高表达。
信号通路：KEGG和GSEA分析显示，血管生成（VEGF信号通路）、应激反应耐受（内质网蛋白加工）、肿瘤转移（HIF-1信号通路）相关通路上调。
模型通过这些生物学信息“解释”了为何高侵袭性肿瘤更易发生局部肿瘤进展（LTP），实现了生物学可解释性。
Q3：模型如何指导临床治疗以降低高侵袭性肿瘤的局部肿瘤进展率？
A3：研究提出针对位置安全（不靠近血管或包膜）的高侵袭性肿瘤，采用最小消融边界（MAM）≥ 8 mm的消融策略。
通过调节分析（moderation analysis）发现，当MAM < 7.5 mm时，肿瘤侵袭性显著影响LTP发生率；当MAM ≥ 8 mm时，这种影响不再显著。
在外部测试集中，高侵袭性肿瘤采用MAM ≥ 8 mm后，LTP发生率从42.4%降至10.5%，与低侵袭性肿瘤（6.1%）无显著差异（p = 0.613）。
该策略不显著增加并发症风险，具有临床可行性和安全性。
参考文献：Ding W, Wu J, Dou J, Liu F, Han Z, Yu J, Liang P. Biologically explicable multimodal model predicting local tumor progression and tumor invasiveness of hepatocellular carcinoma. Hepatology. 2026 Jan 15. doi: 10.1097/HEP.0000000000001678.