简介：摘要目的探讨影响肝细胞癌血管包绕肿瘤细胞簇（VETC）阳性的危险因素及VETC风险评分模型的应用价值。方法采用回顾性横断面研究方法。收集2017年1月至2020年4月国内2家医学中心收治的149例（江南大学附属中心医院97例和河北医科大学附属邢台市人民医院52例）肝细胞癌患者的临床病理资料；男116例，女33例；年龄为（58±12）岁；VETC阳性74例，VETC阴性75例。观察指标：（1）VETC阳性与阴性患者的临床特征。（2）VETC阳性与阴性患者的影像学检查特征。（3）影响肝细胞癌患者VETC阳性的多因素分析。（4）VETC风险评分模型构建和效能评估。（5）模型预测和组织病理学检查确定的VETC阳性和阴性患者术后早期肿瘤复发情况。正态分布的计量资料以x±s表示，组间比较采用t检验；计数资料以绝对数表示，组间比较采用χ²检验或连续校正χ²检验。将临床特征和影像学特征有统计学意义的变量纳入多因素分析，多因素分析采用Logistic回归模型向后逐步回归法。根据Logistic回归模型结果构建VETC风险评分模型。绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC）、灵敏度、特异度和准确度及其95%可信区间（CI）。约登指数最大值为预测VETC阳性最佳截断值。VETC风险评分模型的预测值与真实值一致性采用Hosmer-Lemeshow拟合优度检验。采用Kaplan-Meier法计算生存率和绘制生存曲线，Log-rank检验进行生存分析。结果（1）VETC阳性与阴性患者的临床特征。术前白蛋白<36 g/L的VETC阳性患者为57例，VETC阴性患者为68例，两者比较，差异有统计学意义（χ²=5.13，P<0.05）。（2）VETC阳性与阴性患者的影像学检查特征。VETC阳性患者影像学检查特征中非周边廓清，马赛克结构，病灶内出血，晕环状强化，不光滑的肿瘤边缘，动脉期瘤周强化，瘤内动脉，肝胆期瘤周低信号，强化类型（均匀低强化、均匀高强化、不均匀强化伴裂隙、不均匀强化伴不规则环状结构），肿瘤坏死或缺血及肿瘤长径>5 cm分别为73，35，33，15，39，28，42，27，（4、5、27、38），45，46例，VETC阴性患者上述指标分别为64，16，13，3，19，15，9，13，（9、35、5、26），10，10例，两者上述指标比较，差异均有统计学意义（χ²=8.92，11.15，12.97，9.28，11.74，5.77，33.14，6.96，41.79，36.05，37.86，P<0.05）。（3）影响患者VETC阳性的多因素分析。多因素分析结果示：强化类型为不均匀强化伴裂隙、强化类型为不均匀强化伴不规则环状结构、肿瘤坏死或缺血、肿瘤长径>5 cm是影响患者VETC阳性的独立危险因素（风险比=4.18、7.62、4.23、4.08，95%CI为1.60~11.60、2.00~31.70、1.71~10.90、1.60~10.80，P<0.05）。（4）VETC风险评分模型构建和效能评估。构建VETC风险评分模型：VETC风险评分=（不均匀强化伴裂隙，有：1.0，无：0）+（不均匀强化伴不规则环状结构，有：1.5，无：0）+（肿瘤坏死或缺血，有：1.0，无：0）+（肿瘤长径>5 cm，有：1.0，无：0）。VETC风险评分模型AUC为0.86（95%CI为0.80~0.92），灵敏度、特异度和准确度分别为79.7%（95%CI为69.2%~87.3%）、80.0%（95%CI为69.6%~87.5%）和79.9%（95%CI为72.7%~85.5%）。Hosmer-Lemeshow拟合优度检验结果显示：模型预测的VETC结果与术后组织病理学诊断结果一致性良好（P>0.05）。（5）模型预测和组织病理学检查确定的VETC阳性和阴性患者术后早期肿瘤复发情况。149例患者均获得随访，随访时间为29（26~35）个月，肿瘤复发时间为29（24~33）个月，2年肿瘤累积复发率为43.0%。模型预测的VETC阳性和阴性患者术后2年肿瘤累积复发率分别为47.8%和37.9%，两者比较，差异有统计学意义（χ²=3.90，P<0.05）。术后组织病理学检查确定的VETC阳性和阴性患者2 年肿瘤累积复发率分别为47.4%和38.1%，两者比较，差异有统计学意义（χ²=4.20，P<0.05）。结论影像学特征的强化类型中不均匀强化伴裂隙或不规则环状结构、肿瘤坏死或缺血、肿瘤长径>5 cm是影响肝细胞癌患者VETC阳性的独立危险因素；以此构建的VETC风险评分模型具有良好的术前诊断效能。

简介：摘要目的探讨基于CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉(PV-SMV)侵犯的价值。方法回顾性分析2010年1月至2021年7月南京医科大学附属无锡第二医院收治的156例经手术病理确诊的胰腺癌患者的临床、病理及术前CT影像资料，其中男性95例，女性61例，年龄(65.7±8.2)岁。所有入组患者按3∶2的比例划分训练集和验证集。通过患者术前增强CT提取肿瘤影像组学特征，采用最大相关最小冗余算法进行特征选择后，构建5种机器学习算法预测模型，并与常规影像特征诊断的受试者工作特征(ROC)曲线进行比较。结果94例患者纳入训练集，62例纳入验证集。训练集和验证集中手术探查证实的PV-SMV侵犯病例分别为30例(31.9%)和25例(40.3%)。基于10个影像组学特征构建的5个机器学习模型中，LASSO回归模型的AUC优于随机森林、支持向量机、K近邻和朴素贝叶斯4个模型，差异有统计学意义(均P<0.05)。与常规影像特征的诊断效能比较，LASSO回归模型在验证集中诊断PV-SMV侵犯具有更高的AUC(0.920比0.752)和更好的灵敏度(92.0%比86.5%)，差异具有统计学意义(均P<0.05)。结论基于CT影像组学的机器学习模型可实现胰腺癌PV-SMV侵犯的术前预测，LASSO回归模型较常规影像特征的诊断效能更高。