摘要：1。原发性肝癌中75%~85%为肝细胞癌（HCC），尽管目前甲胎蛋白（AFP）和超声检测灵敏度很高，但绝大多数HCC患者确诊时已是中晚期，且HCC复发率较高，生存率较低，多数患者预后不良
导语
1。原发性肝癌中75%~85%为肝细胞癌（HCC），尽管目前甲胎蛋白（AFP）和超声检测灵敏度很高，但绝大多数HCC患者确诊时已是中晚期，且HCC复发率较高，生存率较低，多数患者预后不良1-3。近年来，人工智能（AI）在医学领域引起了广泛关注，AI影像组学在HCC患者的临床决策中发挥着越来越重要的作用，为预测、诊断和预后提供了新的技术保障。2024年5月，《Comput Biol Med》发表了一项综述，评估了AI在HCC管理中的现状，包括诊断、个体治疗和预后生存期，以及未来的应用前景和挑战固定布局
工具条上设置固定宽高
背景可以设置被包含
可以完美对齐背景图和文字
以及制作自己的模板
研究设计
本综述按照系统综述和荟萃分析首选报告项目（PRISMA）的指南进行，从PubMed、EMBASE、Web of Science和Cochrane图书馆的文献数据库中检索了截至2023年8月的文献，以探讨AI与放射组学相结合在HCC的诊断、个体化治疗和预后生存中的应用（图1）。由两位研究人员独立进行文献筛选，并使用以下MeSH术语的不同组合选择符合条件的文章：肝细胞癌、HCC、肝癌、人工智能、诊断、预后、治疗等。同时对选定文章的参考文献进行了审查，以识别符合条件的文章，识别出的文章被导入到EndNote中，并去除了重复项图1. AI放射组学在肝病学中的工作流程
研究结果
AI在HCC诊断方面的应用
不确定性肝结节的诊断：既往已有研究评估了AI放射组学在不确定性肝结节中的实用性。一项纳入了2143名有局灶性肝病变患者的多中心研究，开发了一个深度卷积神经网络-超声（DCNN-US）模型，用于将不确定的病变分类为HCC或良性结节。结果显示，AI放射组学模型展现出高灵敏度和特异性，并优于放射科医生的视觉评估4。CT和磁共振成像（MRI）常用于HCC的准确诊断，Mokrane等人发表了一项回顾性分析研究，从三期CT图像中提取了13920个放射组学特征，通过机器学习（ML）算法，结果发现，AI放射组学可以有效帮助区分肝硬化患者中的HCC和良性肝结节5。
HCC的病理分级：病理分级是HCC的重要预后因素，与肿瘤复发密切相关，影像组学在HCC的组织病理学评估中发挥着越来越重要的作用。Ding等人分析了来自两个机构的HCC患者的临床数据和CT成像数据，建立了一个深度学习（DL）的放射组学模型，用于术前预测HCC的病理分级，该模型在预测肿瘤分化方面表现良好6。Mao等人从122名HCC患者的增强MRI图像中提取放射组学特征，并建立了基于人工神经网络和逻辑回归算法的放射组学模型，用于预测HCC的组织学分级。结果发现，该模型能够有效区分高级别HCC和低级别HCC7。
HCC的微血管浸润：微血管浸润（MVI）是HCC的另一个关键预后因素，最近的研究表明，基于CT图像的AI影像组学可以有效预测HCC患者的MVI。Xia等人发表的一项回顾性研究，纳入了733名HCC患者，从对比增强计算机断层扫描（CECT）图像中提取了肿瘤区域和肿瘤周围区域的放射组学特征。结果发现，基于CECT的放射组学模型能够有效预测HCC中的MVI，并且结合临床和放射学特征的混合模型表现出更优越的性能8。Renzulli等人从CECT图像中提取了肿瘤区域和过渡区（ZOT）的放射组学特征，并通过向量机算法开发了放射组学模型。结果证明了基于ZOT的放射组学特征在预测HCC患者的MVI方面具有一定的价值9。
AI在HCC个体化治疗方面的应用
经动脉化疗栓塞术：大多数HCC患者确诊时已属中晚期，不适合进行手术。经动脉化疗栓塞（TACE）能够局部输送化疗药物并阻断肿瘤组织的血液供应，是不可切除HCC的一线治疗方法之一。AI放射组学已被用于预测HCC患者TACE治疗的效果3。Peng等人从CECT图像中提取放射组学特征，并通过传统的ML和DL算法成功开发了新的放射组学模型，这些模型能够预测中期HCC患者对TACE治疗的初步反应10。Chen等人通过整合基于CT的放射组学特征和临床因素构建了一个临床-放射组学模型，以预测对TACE的反应。结果证明，这种新的临床-放射组学模型可以作为一个稳健的工具，帮助选择可能从TACE治疗中受益的患者11系统治疗：系统治疗包括分子靶向治疗和免疫治疗，是晚期HCC患者的主要治疗手段。然而，大多数患者对特定的系统治疗无反应，这可能使他们失去从其他治疗选择中获益的机会。早期预测对系统治疗的反应很重要，并且可能有助于为HCC选择理想的一线治疗。在预测系统治疗的反应方面，AI放射组学具有十分广阔的前景3AI在HCC预后方面的应用
术后复发：肝切除是早期HCC的主要治疗方法，但大约50%-70%的患者在术后5年内会出现复发。对术后复发的早期预测可能有助于优化治疗策略，改善HCC患者的预后。既往已有研究表明，AI放射组学在预测HCC患者术后复发方面具有很大的潜力（表1）。一项多中心研究，纳入了470名接受根治性手术的HCC患者，并通过聚合ML方法建立了基于CECT的放射组学模型。结果显示，当与临床数据整合时，该模型可以准确预测个体的复发风险，从而促进HCC的个性化管理12表1. 使用AI放射组学进行HCC预后预测的研究
当前的挑战和未来的应用前景
尽管目前已有诸多文献报告了令人鼓舞的结果，但AI放射组学在临床中的应用仍然面临许多挑战。首先，基于AI的分析需要大量高质量的标记数据集，而目前关于AI放射组学在HCC管理中的应用的研究主要是探索性和初步的，这些研究的数据来自单一或少数几个医疗中心，最终可能影响报告的质量和模型的可靠性及普适性。需要进行大样本量、严格设计、增加标准化和跨中心验证的前瞻性临床试验，以促进放射组学的成熟并将其带入临床应用。其次，放射组学分析没有标准化的流程，如图像获取、图像处理、参数定义等，可能导致不同研究之间存在显著的异质性。此外，用于选择放射组学特征的内部相关系数的最佳阈值在不同研究中有所不同。因此，迫切需要标准化AI算法和放射组学流程。第三，在放射组学处理过程中，图像分割和特征提取主要依赖于手动实施，这在技术上是困难和耗时的，实现可靠的自动处理非常具有挑战性3总结
作为一种新兴技术，AI放射组学在HCC管理方面显示出巨大潜力。但在实现AI放射组学的临床应用前，仍存在一些必须克服的关键挑战。未来，需要更多有说服力的证据将AI放射组学从实验室带到临床，帮助临床医生解读HCC的复杂性，并推动精准医疗的发展。
参考文献：
1. 中国抗癌协会肝癌专业委员会转化治疗协作组.原发性肝癌转化及围手术期治疗中国专家共识（2024版）[J].中华消化外科杂志,2024,23(4):492-513.
2. 中华人民共和国国家卫生健康委员会医政司. 原发性肝癌诊疗指南2024年版)[J]. 中华肝脏病杂志, 2024, 32(7: 581-630.
3. Bo Z, Song J, He Q, et al. Application of artificial intelligence radiomics in the diagnosis, treatment, and prognosis of hepatocellular carcinoma. Comput Biol Med. 2024 May;173:108337.
4. Yang Q, Wei J, Hao X, et al. Improving B-mode ultrasound diagnostic performance for focal liver lesions using deep learning: A multicentre study. EBioMedicine. 2020 Jun;56:102777.
5. Mokrane FZ, Lu L, Vavasseur A, et al. Radiomics machine-learning signature for diagnosis of hepatocellular carcinoma in cirrhotic patients with indeterminate liver nodules. Eur Radiol. 2020 Jan;30(1):558-570.
6. Ding Y, Ruan S, Wang Y, et al. Novel deep learning radiomics model for preoperative evaluation of hepatocellular carcinoma differentiation based on computed tomography data. Clin Transl Med. 2021 Nov;11(11):e570.
7. Mao Y, Wang J, Zhu Y, et al. Gd-EOB-DTPA-enhanced MRI radiomic features for predicting histological grade of hepatocellular carcinoma. Hepatobiliary Surg Nutr. 2022 Feb;11(1):13-24.
8. Xia TY, Zhou ZH, Meng XP, et al. Predicting Microvascular Invasion in Hepatocellular Carcinoma Using CT-based Radiomics Model. Radiology. 2023 May;307(4):e222729.
9. Renzulli M, Mottola M, Coppola F, et al. Automatically Extracted Machine Learning Features from Preoperative CT to Early Predict Microvascular Invasion in HCC: The Role of the Zone of Transition (ZOT). Cancers (Basel). 2022 Apr 3;14(7):1816.
10. Peng J, Huang J, Huang G, Zhang J. Predicting the Initial Treatment Response to Transarterial Chemoembolization in Intermediate-Stage Hepatocellular Carcinoma by the Integration of Radiomics and Deep Learning. Front Oncol. 2021 Oct 21;11:730282.
11. Chen M, Cao J, Hu J, et al. Clinical-Radiomic Analysis for Pretreatment Prediction of Objective Response to First Transarterial Chemoembolization in Hepatocellular Carcinoma. Liver Cancer. 2021 Feb;10(1):38-51.
12. Ji GW, Zhu FP, Xu Q, et al. Machine-learning analysis of contrast-enhanced CT radiomics predicts recurrence of hepatocellular carcinoma after resection: A multi-institutional study. EBioMedicine. 2019 Dec;50:156-165.
13. Akai H, Yasaka K, Kunimatsu , et al. Predicting prognosis of resected hepatocellular carcinoma by radiomics analysis with random survival forest. Diagn Interv Imaging. 2018 Oct;99(10):643-651.
14. Liu F, Liu D, Wang K, et al. Deep Learning Radiomics Based on Contrast-Enhanced Ultrasound Might Optimize Curative Treatments for Very-Early or Early-Stage Hepatocellular Carcinoma Patients. Liver Cancer. 2020 Aug;9(4):397-413.
本材料由阿斯利康公司提供，仅供医疗卫生专业人士参考。涉及具体药物使用，请参考相关药品说明书
CN-150643，有效期：2025-06-30
撰写：Selina
审核：Arrival
排版：Aurora
执行：Kirinmay
医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。
本平台旨在为医疗卫生专业人士传递更多医学信息。本平台发布的内容，不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解医学信息以外的目的，本平台不承担相关责任。本平台对发布的内容，并不代表同意其描述和观点。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。
来源：医脉通肝脏科一点号
