摘要：原发性肝癌是全球范围内第七大常见癌症，也是导致癌症死亡的第三大原因，其中肝细胞癌（HCC）是最主要的类型。尽管肝切除术是治疗早期HCC的主要手段，但超过一半的患者会在术后五年内复发。目前用于预测复发的方法，如组织学微血管侵犯（MVI）和临床评分系统，在术前预后
原发性肝癌是全球范围内第七大常见癌症，也是导致癌症死亡的第三大原因，其中肝细胞癌（HCC）是最主要的类型。尽管肝切除术是治疗早期HCC的主要手段，但超过一半的患者会在术后五年内复发。目前用于预测复发的方法，如组织学微血管侵犯（MVI）和临床评分系统，在术前预后预测方面尚显不足。中国香港大学司徒伟基（Wai-Kay Seto）教授团队与中国香港教育大学及中国香港伊利沙伯医院的专家共同进行了一个大型多中心研究。研究团队开发并验证了一個新型多模态深度学习模型——Recurr-NET，该模型整合了术前成像和临床数据，以预测HCC的复发情况。相关研究成果发表于Hepatology（IF=13）。
研究设计
该多中心研究纳入了1 231例经组织学确诊并接受肝切除术的HCC患者。这些患者包括在中国香港四家医院接受手术的内部队列（n=671；训练队列n=536，验证队列n=135）和在中国台湾一家医院接受手术的外部测试队列（n=560）。
研究团队首先对患者的CT影像进行了预处理，包括图像重建、归一化和裁剪等。然后，他们利用PyTorch框架和NVIDIA Tesla V100 GPU进行了深度学习模型的训练和验证。模型采用了残差网络（ResNet）结构和随机生存森林（RSF）算法，结合了CT影像和术前临床数据。模型分为三种版本：Recurr-NET CT（仅包含CT影像）、Recurr-NET LITE（包含CT影像和基本临床参数）和Recurr-NET（包含CT影像和所有临床参数）。
在模型训练过程中，研究者采用了交叉验证的方法，确保模型的泛化能力。训练完成后，他们在内部验证队列和外部测试队列中评估了模型的诊断性能，并与MVI和临床评分系统进行了比较。
研究结果
01
模型性能评估
研究结果显示，Recurr-NET模型在预测HCC术后复发方面表现出色（表1）。在内部验证队列中，Recurr-NET从术后1年到5年的预测准确率（AUROC）分别为0.770到0.857，显著高于MVI（AUROC为0.518到0.590）和临床评分系统（如ERASL-PRE、ERASL-POST、DFT和Shim评分）。在外部测试队列中，Recurr-NET的预测准确率同样优于MVI和临床评分系统，AUROC范围为0.758到0.798。
表1. Recurry-NET对早期和晚期HCC复发的诊断性能
（源自文献）
此外，Recurr-NET在复发风险分层方面也表现优异（图1）。在内部验证队列和外部测试队列中，Recurr-NET在术后2年和5年的复发风险分层准确率分别为72.5%和86.4%（内部）以及65.3%和81.4%（外部），均显著高于MVI（分别为50.0%和62.5%以及46.6%和63.8%）。
图1. Recurr-NET复发风险分层和MVI复发风险分层的比较
（源自文献）
02
特征重要性分析
研究者还通过置换重要性评分（Permutation Importance Score）评估了模型中各特征的重要性。结果显示，CT影像是最重要的特征，对模型性能的影响最大。而临床变量中，白细胞计数、碱性磷酸酶（ALP）、胆红素、白蛋白、吸烟状况、年龄、MELD评分、乙肝抗病毒治疗、血小板计数和甲胎蛋白（AFP）等也是重要的预测因素。
03
亚组分析
为了进一步验证模型的稳健性，研究者还进行了亚组分析。结果显示，在不同年龄、病毒性肝炎状态、肝硬化和脂肪变性等亚组中，Recurr-NET的预测性能均保持一致，且优于MVI。
讨论
该模型预测死亡风险的能力进一步凸显了其临床实用性。Recurr-NET识别出高风险患者，这些患者在两年和五年时的肝相关死亡率显著高于MVI预测的患者（两年：28.3% vs. 11.8%；五年：69.1% vs. 29.9%）。在不同年龄、病毒性肝炎状态、肝硬化和脂肪变性类别的亚组分析中，该模型的表现始终优于MVI。重要的是，该模型在外部验证中表现稳健，确保了其在不同患者群体中的泛化能力。通过整合成像和临床数据，Recurr-NET既考虑了由肿瘤特性驱动的早期复发，也考虑了由患者因素影响的晚期复发。与依赖术后组织学的MVI不同，Recurr-NET提供了可行的术前预后预测，使个体化监测和治疗策略成为可能。
结论
Recurr-NET准确预测了HCC的复发，其表现优于MVI和临床预测评分，凸显了其在术前预后评估中的潜力。
参考文献：Hui RW, Chiu KW, Lee IC, et al. Multimodal multiphasic preoperative image-based deep-learning predicts HCC outcomes after curative surgery. Hepatology. Published online December 2, 2024. doi:10.1097/HEP.0000000000001180
专家简历
司徒伟基教授
中国香港大学
教授，医学博士，肠胃肝脏科专科医生，现为香港大学内科学系肠胃肝脏科临床教授，肝病研究国家重点实验室（香港大学）主要研究员，香港大学深圳医院消化内科教研主管及主任医师，港大医学院助理院长（跨领域协作）。根据《科睿唯安》，司徒教授自2020起每年名列全球学者前1%，他发表的多于300份论文，是在多份高影响力的国际性期刊刊登，包括以第一或通讯作者身份的Lancet，Journal of Clinical Oncology、Lancet Global Health、Journal of Hepatology、Gut、Hepatology等。司徒教授的研究大多与慢性肝病有关，特别是病毒性肝炎、脂肪肝和肝癌。
杨良河教授
中国香港教育大学
中国香港教育大学数学与资讯科技学系教授、数据科学与人工智能中心实验室副总监，中国香港大学计算与数据科学学院名誉教授。
他目前的研究兴趣包括偏好学习、时间序列分析、多模态人工智能及其在教育和医疗中的应用。他在这些领域有大量的研究工作，包括150多篇发表的著作和两部研究专著。他与多位医学研究人员、医生及医疗卫生专业人士合作参与了多个医学人工智能项目，包括开发用于快速医学影像诊断的人工智能算法，如癌症疾病和复发的预测以及病变的分割。
许允轩医师（Rex Wan-Hin Hui）
许医师在2018年以全级第一的成绩于中国香港大学医学院毕业，并于同年在司徒伟基教授指导下获取香港大学医学研究硕士。许医师的研究主要专注于乙型肝炎及肝癌的风险评估。他曾发表多于60篇论文，其中以第一作者身份在Journal of Hepatology、Hepatology及 Clinical Molecular Hepatology发文。从2020年起，许医师的研究曾获得美国肝病学会、欧洲肝脏研究学会、亚太肝脏研究学会、香港医学专科学院、香港内科医学院、香港肝病学会及香港肠胃学会等多个学会的年轻研究员奖项。
来源：临床肝胆病杂志