基于增强磁共振成像影像组学的肝细胞癌靶向联合免疫治疗疗效预测研究

摘要

背景 靶向联合免疫治疗是目前肝细胞癌的一线系统治疗方案，临床缺乏可靠的生物标志物用于疗效预测及识别潜在获益人群。目的 探讨利用增强磁共振成像(magnetic resonance imaging,MRI)影像组学特征进行疗效预测的可行性。方法 纳入2019年1月—2023年1月在解放军总医院肝胆胰外科医学部接受靶向免疫治疗的肝细胞癌患者191例，以7∶3的比例随机分为训练集和验证集。所有患者在治疗前和随诊期间均接受了动态增强MRI检查，根据RECIST 1.1标准评估疗效，达到客观缓解(objective response,OR)视为治疗有效。在治疗前的动态增强MRI图像上勾画肿瘤区域并提取影像组学特征，使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法筛选有意义的影像组学特征。采用多种机器学习算法，包括逻辑回归、K-最近邻、朴素贝叶斯、人工神经网络、支持向量机、决策树、XGBoost、随机森林分别构建影像组学预测OR的模型，使用受试者工作特征(receiver operator characteristic,ROC)曲线和混淆矩阵评估各模型效能。使用Cox回归和Kaplan-Meier曲线分析模型的预后预测价值。结果 共收集191例患者，其中男性患者163例(85.3%)，女性患者28例(14.7%)，中位年龄为55(范围：24～74)岁，整体客观缓解率30.4%，纳入训练集133例，验证集58例，两组性别和年龄差异无统计学意义(P>0.05)，训练集和验证集的客观缓解率分别为30.1%和31.0%。基于筛选后的影像组学特征成功构建了8个机器学习模型，其中K-近邻、朴素贝叶斯和支持向量机模型的AUC值在10折交叉验证的训练集中分别达到了0.826、0.810、0.801，在验证集中分别达到了0.830、0.836、0.825。生存分析显示上述3个模型预测治疗有效的患者无进展生存期显著延长(P<0.05)。结论 基于机器学习算法的增强MRI影像组学模型能够准确预测肝细胞癌患者靶向免疫治疗的疗效，具有辅助临床决策的潜在应用价值。

关键词

肝细胞癌 / 免疫治疗 / 影像组学 / 预测模型