论文部分内容阅读
研究背景肝切除术是治疗肝细胞癌(hepatocellular carcinoma,HCC)病人的有效手段,但是肝切除术后肝功能衰竭(posthepatectomy liver failure,PHLF)可能引起术后死亡率升高。因此术前评估手术安全性、鉴别出哪些病人可能发生PHLF十分重要。临床上已有多种功能检查和评分系统[Child-Pugh、终末期肝病模型(model of end stage liver disease,MELD)、白蛋白-胆红素(albumin-bilirubin,ALBI)模型]试图解决这类难题,但均存在一定程度的弊端。影像组学(radiomics)是近年来新晋出现的研究方法,其在癌症诊治中具有巨大潜能,能够进行治疗监测、预测病人预后等,从而更好地实现疾病的精准诊疗。由于大部分HCC病人伴有慢性肝脏损伤,因此肝切除术安全性预测的理想模型应该同时考虑肿瘤特性和正常肝组织功能。目前,采用radiomics技术进行上述评估后构建模型来预测肝切除术安全性,尚未见文献报道。材料与方法回顾性分析112例接受了肝切除术的HCC病人资料,其中80人组成训练队列,32人组成验证队列。从病人术前门静脉期CT图像中提取出肝脏和肿瘤组织的radiomics特征共713个。在训练队列中,采用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)法进行数据降维、特征选择和影像学生物标志物的建立,整合得到每名病人具体的radiomics评分(radiomics score,Radscore),选择受试者工作特征(receiver operator characteristic,ROC)曲线下面积(area under curve,AUC)来判断其预测PHLF的能力。进一步采用多元logistic回归方程构建包含Radscore和其他预测因素的列线图(nomogram)综合模型,并评估其预测准确性、校准能力和临床实用性。结果1.Radscore由筛选出的7个特征(6个源于正常肝组织,1个源于肿瘤)所组成。在两组队列中,术后没有发生PHLF的病人,其Radscore要低于发生了PHLF的病人(训练队列P<0.0001;验证队列P<0.025)。Radscore具有预测PHLF的能力:训练队列中AUC为0.822;验证队列AUC为0.762,但是Radscore的预测准确度并不完全优于Child-Pugh、MELD和ALBI模型。2.Nomogram综合模型包含了 Radscore、MELD和状态评分这三个参数,其预测PHLF能力更佳:训练队列中AUC为0.864;验证队列中AUC为0.896,并且nomogram的预测准确度高于Child-Pugh、MELD和ALBI模型(两组队列中:nomogram与其他方法比较的P值均<0.05)。校准曲线显示在两组队列中nomogram均具有良好的校准能力,基于完整队列的决策曲线分析提示nomogram具有临床实用价值。结论1.采用radiomics技术同时评估HCC病人肿瘤和肝组织特性后构建的Radscore具有预测PHLF的能力,无论是在训练队列还是在验证队列中都有较好的准确度,为临床上预测PHLF提供了一个新的方法。2.基于radiomics技术研发的综合nomogram模型:使用方便,预测PHLF能力更佳、准确度优于临床现有的评分模型(Child-Pugh、MELD和ALBI)。同时该模型校准能力好、具有临床实用性,能够以一种低成本的方式改善HCC病人治疗决策的制定。