增强MRI瘤内瘤周影像组学联合临床影像学特征评估肝细胞癌ki-67的表达

doi:10.3969/j.issn.1006-5725.2025.15.004

摘要/Abstract

摘要：

目的旨在基于增强磁共振成像（contrast enhanced magnetic resonance imaging， CEMRI）的动脉期相瘤内及瘤周影像组学特征，结合临床影像学特征构建预测肝细胞癌（hepatocellular carcinoma， HCC）ki-67表达的模型。方法回顾性纳入中国人民解放军联勤保障部队第910医院2016年1月至2024年12月经手术切除病理证实为HCC，且符合纳入标准和排除标准的患者120例，按7∶3的比例随机划分为训练集（n = 84例）和验证集（n = 36）。使用ITK-SNAP软件在动脉期相MR图像上勾画HCC全域感兴趣区（region of interest， ROI），并针对所有患者的ROI，自动向外扩张2 mm，随后剔除瘤内及超出肝脏边缘的区域，以此获取瘤周ROI。利用PyRadiomics开源程序包在Python软件分别提取瘤内（intratumoral）、瘤周（peritumoral）1 198 个影像组学特征，并采用Spearman相关性分析、最大相关性-最小冗余（maximum relevance-minimum redundancy， mRMR）和最小绝对收缩和选择算子（least absolute shrinkage and selection operator， LASSO）回归进行数据降维并选择其最佳特征，然后构建逻辑回归（Logistic Regression， LR）机器学习算法的影像组学模型，再结合临床影像学特征，建立一个包含临床影像特征和影像组学特征的组合模型。使用受试者工作特征（receiver operating characteristic， ROC）曲线下面积（area under the curve， AUC）、精度（accuracy）、灵敏度（sensitivity）、特异性（specificity）、阳性预测值（positive predictive value， PPV）、阴性预测值（negative predictive value， NPV）、校正曲线（calibration curve）、决策曲线（decision curve analysis， DCA）评估瘤内瘤周影像组学特征联合临床影像学特征的组合模型预测HCC ki-67表达的价值。结果瘤内组学模型预测HCC ki-67表达能力的训练集的AUC值为0.817，验证集的AUC值为0.787；瘤周组学模型预测的AUC值在训练集为0.805，在验证集的AUC值为0.633；瘤内瘤周联合模型预测肝细胞癌ki-67效能最佳，在训练集和验证集AUC值分别为0.874、0.836。使用瘤内瘤周模型联合临床影像学特征构建组合模型，训练集和验证集的AUC值分别为0.877、0.849。DCA提示组合模型均具有良好的临床收益。结论基于 CEMRI动脉期相的瘤内瘤周影像组学特征联合临床影像特征的组合模型，能准确预测HCC ki-67的表达，临床效益最佳。

关键词: 肝细胞癌, 磁共振成像, 瘤内, 瘤周, 影像组学, ki-67

Abstract:

Objective To construct a model for predicting ki-67 expression in hepatocellular carcinoma using the intratumoral and peritumoral radiomic features of contrast enhanced magnetic resonance imaging （CEMRI） in the arterial phase as well as clinical imaging features. Methods A total of 120 patients pathologically diagnosed with hepatocellular carcinoma （HCC） from January 2016 to December 2024 in No. 910 Hospital of the Joint Logistics Support Force of the Chinese People's Liberation Army were retrospectively enrolled and randomly divided into a training set （84 cases） and a test set （36 cases） in a ratio of 7∶3. ITK-SNAP software was used to delineate the global region of interest （ROI） of HCC on the arterial phase MR images. The ROIs of all patients were automatically expanded outward by 2 mm， and then the intratumoral ROI areas were eliminated to obtain the peritumoral ROI. With the help of PyRadiomics software， 1 198 intratumoral and peritumoral radiomic features were extracted. Spearman correlation analysis， maximum relevance-minimum redundancy （mRMR）， and least absolute shrinkage and selection operator （LASSO） regression were used to reduce the data dimension and select the best features. Then， a radiomics model of the logistic regression （LR） machine learning algorithm was constructed. A combined model including clinical imaging features and radiomics features was established. The area under the curve （AUC）， accuracy， sensitivity， specificity， positive predictive value （PPV）， negative predictive value （NPV）， calibration curve and decision curve analysis （DCA） were used to evaluate the efficacy of the intratumoral and peritumoral radiomics features combined with clinical imaging features model in predicting ki-67 expression in hepatocellular carcinoma. Results The intratumor model exhibited an efficacy in predicting the expression of ki-67 in hepatocellular carcinoma with AUC values of 0.817 and 0.787 in the training set and test set， respectively. The peritumoral model showed an efficacy with AUC values of 0.805 and 0.633 in the training set and test set， respectively. The intratumoral and peritumoral model demonstrated AUC values of 0.874 and 0.836 in the training set and test set， respectively. The combined model constructed by integrating the intratumoral and peritumoral model with clinical imaging features yielded AUC values of 0.877 and 0.849 in the training set and test set， respectively， indicating clinical imaging features improved the performance of the model. DCA showed that the combined models all had good clinical benefits， with the intratumoral and peritumoral model performing the best. Conclusion The intratumoral and peritumoral radiomics model based on CEMRI arterial phase combined with clinical imaging data can accurately predict the expression of ki-67 in hepatocellular carcinoma. This combined model yields the best clinical benefit.

Key words: hepatocellular carcinoma, magnetic resonance imaging, intratumoral, peritumoral, radiomics, ki-67

中图分类号:

R445

蔡惠亮,张乾营,黄莹,彭伟生,王成立,杨翠婷,邓娜,章思竹,徐妮娜,韩晓兵. 增强MRI瘤内瘤周影像组学联合临床影像学特征评估肝细胞癌ki-67的表达[J]. 实用医学杂志, 2025, 41(15): 2311-2319.

Huiliang CAI,Qianying ZHANG,Ying HUANG,Weisheng PENG,Chengli WANG,Cuiting YANG,Na DENG,Sizhu ZHANG,Nina XU,Xiaobing HAN. Assessments of ki⁃67 expression in hepatocellular carcinoma using enhanced MRI intratumoral and peritumoral radiomics and clinical imaging features[J]. The Journal of Practical Medicine, 2025, 41(15): 2311-2319.

图/表 9

图1

表1

所有HCC患者的临床和影像特征 (x ± s)"

变量	训练集（n = 84）	阴性组（n = 41）	阳性组（n = 43）	t/U/χ²值	P值	验证集（n = 36）	阴性组（n = 18）	阳性组（n = 18）	t/U/χ²值	P值
MTD/mm	47.96 ± 37.02	53.78 ± 42.94	43.38 ± 31.32	959.5	0.42	42.97 ± 36.98	54.00 ± 44.05	31.94 ± 24.87	221.5	0.06
年龄/岁	57.87 ± 11.39	58.68 ± 12.77	57.23 ± 10.28	0.57	0.57	59.36 ± 10.14	60.56 ± 9.44	58.17 ± 10.92	0.702	0.49
AST/（U/L）	73.80 ± 110.35	56.30 ± 43.92	87.58 ± 141.50	887	0.88	109.76 ± 194.51	122.82 ± 246.61	96.69 ± 129.29	173.0	0.74
ALT/（U/L）	61.33 ± 105.25	41.79 ± 24.10	76.71 ± 137.79	829	0.72	90.98 ± 138.42	66.13 ± 59.38	115.82 ± 186.05	173.0	0.74
PT/s	14.15 ± 11.21	15.60 ± 16.75	13.01 ± 2.04	830.5	0.73	12.94 ± 1.98	12.56 ± 1.52	13.32 ± 2.33	138.5	0.47
PLT/（×10⁹/L）	180.40 ± 81.72	176.81 ± 88.28	183.23 ± 77.01	805.5	0.57	170.17 ± 80.12	176.17 ± 84.45	164.17 ± 77.50	0.444	0.66
组织学分化程度/［例（%）］				4.87	0.03				1.829	0.18
高分化	31（36.90）	19（51.35）	12（25.53）			21（58.33）	13（72.22）	8（44.44）
非高分化	53（63.10）	18（48.65）	35（74.47）			15（41.67）	5（27.78）	10（55.56）
AFP/［例（%）］				0	1				5.512	0.02
< 20 μg/mL	43（51.19）	19（51.35）	24（51.06）			16（44.44）	4（22.22）	12（66.67）
≥ 20 μg/mL	41（48.81）	18（48.65）	23（48.94）			20（55.56）	14（77.78）	6（33.33）
性别/［例（%）］				0.015	0.90				0.2	0.66
女	6（7.14）	2（5.41）	4（8.51）			6（16.67）	2（11.11）	4（22.22）
男	78（92.86）	35（94.59）	43（91.49）			30（83.33）	16（88.89）	14（77.78）
病史/［例（%）］				0.015	0.90				0.93	0.34
非乙肝	6（7.14）	2（5.41）	4（8.51）			5（13.89）	4（22.22）	1（5.56）
乙肝	78（92.86）	35（94.59）	43（91.49）			31（86.11）	14（77.78）	17（94.44）
出血/［例（%）］				3.247	0.07				0.2	0.66
无	75（89.29）	30（81.08）	45（95.74）			30（83.33）	14（77.78）	16（88.89）
有	9（10.71）	7（18.92）	2（4.26）			6（16.67）	4（22.22）	2（11.11）
坏死/［例（%）］				1.884	0.17				4.012	0.05
无	40（47.62）	14（37.84）	26（55.32）			19（52.78）	6（33.33）	13（72.22）
有	44（52.38）	23（62.16）	21（44.68）			17（47.22）	12（66.67）	5（27.78）
包膜/［例（%）］				0	1				2.922	0.09
无	42（50.00）	19（51.35）	23（48.94）			14（38.89）	4（22.22）	10（55.56）
有	42（50.00）	18（48.65）	24（51.06）			22（61.11）	14（77.78）	8（44.44）
脂肪/［例（%）］				1.199	0.27				0	1
无	62（73.81）	30（81.08）	32（68.09）			25（69.44）	13（72.22）	12（66.67）
有	22（26.19）	7（18.92）	15（31.91）			11（30.56）	5（27.78）	6（33.33）
边界/［例（%）］				0.618	0.43				0.138	0.71
清楚	54（64.29）	26（70.27）	28（59.57）			26（72.22）	12（66.67）	14（77.78）
模糊	30（35.71）	11（29.73）	19（40.43）			10（27.78）	6（33.33）	4（22.22）

表1

图2

图3

表2

图4

图5

表3

图6

参考文献 27

[1]	苏秋铭. CD97通过调控PI3K/AKT/mTOR通路促进肝细胞癌的增殖、侵袭和转移的机制研究［D］. 昆明：昆明医科大学， 2024.
[2]	JIANG C， SUN X， QIU W， et al. Conversion therapy in liver transplantation for hepatocellular carcinoma： What's new in the era of molecular and immune therapy？［J］. Hepatobiliary Pancreat Dis Int， 2023， 22（1）： 7-13. doi:10.1016/j.hbpd.2022.10.006 doi: 10.1016/j.hbpd.2022.10.006
[3]	ZHIYING M， PEIYIN C， JIE L， et al. Pre-operative MRI features predict early post-operative recurrence of hepatocellular carcinoma with different degrees of pathological differentiation［J］. Radiol Med， 2023， 128（3）：261-273.
[4]	冯加其，刘雄青，黄鑫昱，等. m6A修饰在肝细胞癌药物治疗中作用研究进展［J］. 新医学，2024，55（6）：480-488.
[5]	段建平，杜镭，宋霆，等. 甲胎蛋白、AFP-L3%和DCP在HBV相关肝细胞癌早期诊断中的临床价值［J］. 新医学，2023，54（8）：564-568.
[6]	HU B， WANG R， ZHANG H， et al. Postnatal development of rat retina： A continuous observation and comparison between the organotypic retinal explant model and in vivo development［J］. Neural Regen Res， 2025， 20（3）：900-912. doi:10.4103/nrr.nrr-d-23-01557 doi: 10.4103/nrr.nrr-d-23-01557
[7]	DENG J， TANG Q， WEI Q， et al. Preoperative assessment of Ki-67 expression in hepatocellular carcinoma using a multi-parametric spectral CT approach［J］. Quant Imaging Med Surg， 2025， 15（5）：4262-4273. doi:10.21037/qims-24-2313 doi: 10.21037/qims-24-2313
[8]	LIANG Y， SHENG G， GUO Y， et al. Prognostic significance of grade of malignancy based on histopathological differentiation and Ki-67 in pancreatic ductal adenocarcinoma［J］. Cancer BiolMed， 2024， 21（5）： 416-432.
[9]	ZHUO J， LU D， WANG J， et al. Molecular phenotypes reveal heterogeneous engraftments of patient-derived hepatocellular carcinoma xenografts［J］. Chin J Cancer Res， 2021， 33（4）： 470-479. doi:10.21147/j.issn.1000-9604.2021.04.04 doi: 10.21147/j.issn.1000-9604.2021.04.04
[10]	SEUNGHYUP J， JIN O M， UNYONG K， et al. Glycosylation of serum haptoglobin as a marker of gastric cancer： an overview for clinicians［J］. Expert Rev Proteomics， 2020， 17（2）：109-117. doi:10.1080/14789450.2020.1740091 doi: 10.1080/14789450.2020.1740091
[11]	KONIARI I， ARTOPOULOU E， VELISSARIS D， et al. Biomarkers in the clinical management of patients with atrial fibrillation and heart failure［J］. J Geriatr Cardiol， 2021， 18（11）： 908-951.
[12]	NOEL S W. Study on the Mechanisms of SAA/TLR4/NETs Inducing Angiogenesis in Rheumatoid Arthritis［D］. 天津：天津医科大学， 2024.
[13]	JI J， BU Z， CHEN J. National guidelines for diagnosis and treatment of gastric cancer 2022 in China（English version）［J］. Chin J Cancer Res， 2022， 34（3）： 207-242. doi:10.21147/j.issn.1000-9604.2022.03.04 doi: 10.21147/j.issn.1000-9604.2022.03.04
[14]	WANG J G. Chinese Guidelines for the Prevention and Treatment of Hypertension（2024 revision）［J］. J Geriatr Cardiol， 2025， 22（1）： 1-149. doi:10.26599/1671-5411.2025.01.008 doi: 10.26599/1671-5411.2025.01.008
[15]	WU G， ZHU R， LU Y， et al. Optical scanning endoscope via a single multimode optical fiber［J］. Opto-Electron Sci， 2024， 3（3）： 4-36. doi:10.29026/oes.2024.230041 doi: 10.29026/oes.2024.230041
[16]	REN X， LUO X， WANG F， et al. Recent advances in copper homeostasis-involved tumor theranostics［J］. Asian J Pharm Sci， 2024， 19（5）： 56-89. doi:10.1016/j.ajps.2024.100948 doi: 10.1016/j.ajps.2024.100948
[17]	赖丹惠，江燕辉，叶思婷，等. 颈动脉斑块超声影像组学特征对颈动脉支架置入术后再狭窄的预测能力［J］. 实用医学杂志， 2025， 41（5）： 742-750.
[18]	WANG Q， ZHAO F， ZHANG H， et al. Deep learning-based multi-task prediction of response to neoadjuvant chemotherapy using multiscale whole slide images in breast cancer：A multicenter study［J］. Chin J Cancer Res， 2025， 37（1）： 28-54.
[19]	SHI Z X， LI C F， ZHAO L F， et al. Computed tomography radiomic features and clinical factors predicting the response to first transarterial chemoembolization in intermediate-stage hepatocellular carcinoma［J］. Hepatobiliary Pancreat Dis Int， 2024， 23（4）： 361-369. doi:10.1016/j.hbpd.2023.06.011 doi: 10.1016/j.hbpd.2023.06.011
[20]	LI H， QIAO Y， DAI X， et al. 3D bioprinting of tumor models and potential applications［J］. Bio-Design and Manuf， 2024， 7（6）： 857-888. doi:10.1007/s42242-024-00317-y doi: 10.1007/s42242-024-00317-y
[21]	GHAZAL M. WDR76 Exerts Oncogene Function in Hepatocellular Carcinoma Via the G2/M Checkpoint Signaling Pathway［D］. 济南：山东大学， 2025.
[22]	QI X， CHEN S， HE H， et al. The role and potential application of extracellular vesicles in liver cancer［J］. Sci ChinaLife Sci， 2021， 64（8）： 1281-1294. doi:10.1007/s11427-020-1905-7 doi: 10.1007/s11427-020-1905-7
[23]	GANBIN Q， JINCAN C， WEIXIONGe L， et al. Gadoxetic acid-enhanced MRI combined with T1 mapping and clinical factors to predict Ki-67 expression of hepatocellular carcinoma［J］. Front Oncol， 2023， 13：1134646. doi:10.3389/fonc.2023.1134646 doi: 10.3389/fonc.2023.1134646
[24]	WANG X， CHEN X， NIU D， et al. National guidelines for diagnosis and treatment of breast cancer 2022 in China（English version）［J］. Chin J Cancer Res， 2022， 34（3）： 151-175. doi:10.21147/j.issn.1000-9604.2022.03.02 doi: 10.21147/j.issn.1000-9604.2022.03.02
[25]	陈丽萍，罗菊玉，彭章艳，等. 肿瘤病灶体积与子宫体积比值和组织中Ki-67、p16蛋白表达与子宫内膜癌病理特征及复发的关联［J］. 实用医学杂志， 2024， 40（23）： 3367-3372.
[26]	吕清清. 钆塞酸二钠增强MRI联合T1 mapping序列在预测肝细胞癌微血管侵犯及Ki-67表达中的价值［D］. 青岛：青岛大学， 2024.
[27]	李思琪. 基于MRI影像组学对HBV相关性肝细胞癌及肝细胞癌GPC3表达水平预测价值的研究［D］. 保定：河北大学， 2025.

变量	OR（95%CI）	P值	OR（95%CI）	P值
出血	0.286（0.076 ~ 1.068）	0.118
坏死	0.913（0.056 ~ 1.499）	0.763
MTD	1.000（0.094 ~ 1.006）	0.930
PLT	1.001（0.999 ~ 1.023）	0.256
PT	1.003（0.982 ~ 1.023）	0.837
年龄	1.004（0.097 ~ 1.01）	0.338
AST	1.004（1 ~ 1.007）	0.127
ALT	1.006（1 ~ 1.012）	0.092
性别	1.229（0.845 ~ 1.786）	0.366
病史	1.229（0.845 ~ 1.786）	0.366
AFP	1.278（0.761 ~ 2.145）	0.436
包膜	1.333（0.799 ~ 2.228）	0.356
边界	1.727（0.926 ~ 3.222）	0.149
组织学分化程度	1.944（1.207 ~ 3.133）	0.022	1.944（1.207 ~ 3.133）	0.022
脂肪	2.143（1.009 ~ 4.549）	0.096

	模型	准确性	AUC	95% CI	敏感度	特异度	阳性预测值	阴性预测值
训练集	临床模型	0.643	0.629	0.526 ~ 0.732	0.745	0.514	0.660	0.613
	瘤内瘤周模型	0.786	0.874	0.801 ~ 0.948	0.702	0.892	0.892	0.702
	联合模型	0.821	0.877	0.803 ~ 0.951	0.957	0.649	0.776	0.923
测试集	临床模型	0.639	0.639	0.480 ~ 0.798	0.556	0.722	0.667	0.619
	瘤内瘤周模型	0.806	0.836	0.702 ~ 0.971	0.778	0.833	0.824	0.789
	联合模型	0.806	0.849	0.724 ~ 0.974	0.611	1.000	1.000	0.720