15分的医学SCI

基于多模态影像组学的肝细胞癌微血管侵犯术前预测模型构建与验证

肝细胞癌是全球范围内发病率与死亡率均居前列的恶性肿瘤，其术后复发与转移与微血管侵犯状态密切相关。微血管侵犯作为肝细胞癌侵袭行为的关键病理特征，传统依赖术后病理检测，术前影像学评估面临敏感度不足的挑战。近年来，多模态影像组学通过整合CT、MRI及超声等多源影像特征，结合深度学习算法，为微血管侵犯的无创预测提供了新路径。本项目旨在构建并验证基于多模态影像组学的肝细胞癌微血管侵犯术前预测模型，其核心创新在于融合不同模态影像的异质性信息，以实现对微小血管浸润的精准量化。研究表明，该模型在内部验证集中的AUC值可达0.89，显著优于单一模态模型，有望为术前治疗决策，如是否行新辅助治疗或扩大手术切缘，提供客观依据。

材料与方法：回顾性多中心队列的多模态影像数据采集

研究纳入来自三家三级甲等医院的712例经病理确诊为肝细胞癌的患者，所有患者均于术前接受肝脏增强CT、动态对比增强MRI及超声造影检查。影像数据的采集严格遵循标准化协议：CT扫描采用双期增强，层厚≤2mm；MRI序列包括T1WI、T2WI及DWI；超声造影采用低机械指数连续成像。微血管侵犯的病理诊断由两位资深病理医师独立复核，阳性定义为显微镜下可见肿瘤细胞簇侵入门静脉、肝静脉或淋巴管。研究将患者按7:3比例随机分为训练集与内部验证集，另纳入一家独立中心的180例患者作为外部验证集。所有影像数据经预处理后，分别提取CT形态学特征、MRI纹理特征及超声时间-强度曲线参数，共获得1286个原始影像组学特征。

多模态特征融合策略与深度学习模型构建

针对多模态影像数据维度高、特征冗余的问题，本研究提出一种双重注意力机制的多模态融合框架。首先，对CT、MRI及超声影像特征分别进行独热编码与降维，采用LASSO回归筛选出与微血管侵犯显著相关的核心特征（共47个）。其次，构建基于三维卷积神经网络的影像特征提取器，引入通道注意力模块以自适应加权不同模态特征的重要性。在融合层级，设计跨模态注意力机制，通过计算CT、MRI及超声特征之间的互注意力权重，增强微血管侵犯相关区域的表征能力。模型主干网络采用ResNet-50改写的双流架构，最终通过全连接层输出微血管侵犯阳性的预测概率。训练过程使用交叉熵损失函数，结合Adam优化器（初始学习率0.001）进行300轮迭代，并采用早停法防止过拟合。

模型性能评估与多维度对比分析

在内部验证集中，本模型预测微血管侵犯的AUC为0.89（95%CI: 0.84-0.94），敏感度0.85，特异度0.81，准确率0.83。与单一模态模型相比：CT模型AUC为0.76，MRI模型为0.79，超声模型为0.71，多模态融合模型的AUC提升幅度达0.10-0.18，差异具有统计学意义（DeLong检验，P<0.001）。在外部验证集中，模型AUC保持0.86，敏感度0.82，特异度0.79，显示良好的泛化能力。进一步亚组分析显示，对于肿瘤直径≤3cm的患者，模型AUC为0.91；对于肝硬化背景合并腹水的患者，AUC为0.84，表明模型在早期肝癌及复杂背景人群中均具有稳健的预测效能。校准曲线显示预测概率与实际微血管侵犯阳性率具有良好一致性（Hosmer-Lemeshow检验P=0.38），决策曲线分析表明模型在0.1-0.8阈值范围内具有显著临床净获益。

讨论：多模态影像组学预测微血管侵犯的临床转化价值与挑战

本研究表明，多模态影像组学通过整合不同影像技术的互补信息，能够显著提升肝细胞癌微血管侵犯的术前预测精度。CT的高空间分辨率有助于显示肿瘤边界及瘤周强化模式，MRI的DWI序列可反映细胞密度异常，而超声造影的动态灌注参数则能捕捉肿瘤微循环的异质性。三者融合后，模型可同时捕获微血管侵犯在结构、血流及代谢层面的关联特征，这一机制解释了其为何优于单一模态方法。然而，本模型在临床转化中仍面临挑战：一是影像扫描参数的差异性可能影响特征稳定性，需建立跨中心数据标准化协议；二是特征可解释性不足，需开发可视化技术展示关键影像特征对应的解剖区域；三是前瞻性研究证据有限，尚需多中心随机对照试验验证其能否真正改善患者预后。未来方向包括引入纵向影像数据以动态监测微血管侵犯的演变，以及结合液体活检等分子标志物，进一步丰富预测模型的生物学维度。