人工智能引導的加和評分模型用于原發性肝癌鑒別診斷

前言

在肝臟影像報告與數據系統（LI-RADS）中，LI-RADS惡性（LR-M）病變在診斷上仍具挑戰性：影像學檢查提示為惡性腫瘤，但常難以區分肝細胞癌（HCC）與肝內膽管癌（iCCA）。已有的基于血清學的診斷工具，如GALAD模型，主要針對肝細胞癌（HCC）進行了優化，但不能解決LR-M類別內的實體瘤鑒別。近期，一項發表于《JHEP Reports》的研究，通過整合機器學習（LASSO/主成分分析）與簡化評分策略，開發了一種結合小細胞外囊泡（EV）表型與常規血清標志物的混合模型，該模型旨在實現LR-M病變中HCC與iCCA的高精度、微創鑒別，從而減少對肝活檢的依賴[1]。

圖1 研究摘要[1]

研究方法

研究的患者樣本來源于羅馬尼亞克盧日-納波卡機構提供的LR-M患者隊列，HCC和iCCA各25例。采用LASSO邏輯回歸及主成分分析對具有信息價值的生物標志物進行優先級排序。混合模型將CD9?CD133/2?和CD81?CD133/2? EV與堿性磷酸酶（ALP）、血清C反應蛋白（CRP）、糖類抗原19-9（CA19-9）及甲胎蛋白（AFP）等生物標志物相結合，采用80:20的訓練-測試集進行內部驗證，并通過自助法（Bootstrap）及蒙特卡洛擾動（±5%–20%噪聲）進行評估。

研究結果

研究對HCC和iCCA患者中一系列常規檢測的血清學參數進行了分析，包括AFP、白蛋白、ALP、CA19-9、CRP和血小板?？傊?，在該研究隊列中，這六項常規檢測參數的綜合表現未超過82%的靈敏度和88%的特異性?；贓V的分析顯示，HCC與iCCA樣本在CD9?CD133/2?、CD63?CD133/2?和CD81?CD133/2?小EV亞群上存在差異。ROC曲線分析顯示，CD9?CD133/2?小EV的診斷靈敏度為68%，特異性為68%， CD63?CD133/2?小EV靈敏度為72%，特異性為72%。CD81?CD133/2?小EV靈敏度為72%，特異性為72%。

圖2 常見的肝癌血清學參數和CD133/2?EV在HCC和iCCA中的差異[1]

為篩選區分HCC與iCCA的有效生物標志物，研究結合LASSO回歸與主成分分析進行探索性分析，構建了兩種邏輯回歸模型：含AFP的混合模型（包括AFP、CA19-9、CD9?CD133/2?小EV、CD81?CD133/2?小EV、CRP和ALP），該模型AUROC為0.857，靈敏度為0.71，特異性為1.00；不含AFP的混合模型（包括CA19-9、CD9?CD133/2?小EV、CD81?CD133/2?小EV、CRP和ALP），AUROC為0.905，靈敏度達0.86，特異性為1.00。

圖3 通過LASSO和主成分分析選擇的最終生物標志物集[1]

為將LASSO/主成分分析衍生的混合模型轉化為臨床適用的評分，研究者開發了一套加和評分系統。對每個入選的生物標志物，通過ROC分析并結合約登指數確定最佳診斷截斷值。AFP截斷值根據AASLD指南擬定為20 ng/ml。每個標志物數值超過其截斷值則計1分（傾向iCCA），低于截斷值則計0分（傾向HCC）。所有標志物得分相加得到用于分類的總分：（1）0–3分：歸類為HCC；（2）4分及以上：歸類為iCCA。隨后，基于混合模型對加和評分系統的兩個版本進行了評估：（1）含AFP的加和混合模型：所有入選標志物（包括AFP）均使用ROC和約登指數推導的最佳截斷值；（2）不含AFP的加和混合模型：評分系統中排除AFP。兩種加和混合模型均表現出較強的診斷準確性，AUROC> 0.95，靈敏度高且特異性完美。

為評估混合加和評分方法的穩定性和可遷移性，研究比較了四個加和模型，這些模型僅在標志物截斷值來源上有所不同，所有用于標志物的特異性截斷值見表1。

表1 針對不同建模策略推導的標志物特異性截斷值[1]

四個加和評分模型均實現了較高的診斷準確性（AUROC 0.90–0.93，表2），證實了血清學+EV聯合標志物組合在數據驅動截斷值和文獻參考截斷值下均具有穩健性。重要的是，基于PRISM的5分評分系統表現僅略低于機器學習衍生的完全數據驅動混合模型，但無需任何專用軟件或計算工具即可直接應用于臨床實踐，使其成為臨床診斷實施中一種實用且易行的選擇。

表2 四個加和評分模型在LR-M病變中鑒別iCCA與HCC的診斷性能[1]

總生存期（OS）分析結果顯示，LR-M隊列內，iCCA患者的OS顯著劣于HCC患者；在iCCA亞組中，CD9?CD133/2?小EV水平高于隊列中位數的患者，其OS短于低水平者（中位OS：91.0天vs. 389.5天）。在HCC患者中，以CD81?CD133/2?指標分層后同樣觀察到生存差異，高于中位數組的中位OS較短（730天vs. 1460天）。

圖4 按CD133/2小EV亞群分層的LR-M患者OS分析

研究結論

整合EV與血清學指標，可對LR-M類肝臟病變中的HCC與iCCA實現微創鑒別。研究將機器學習指導下的模型發現，轉化為臨床易于操作的加和評分系統，搭建了從計算探索到臨床實踐的應用橋梁。

本文由阿斯利康提供，僅供醫療衛生專業人士參考，不可用于推廣目的。

審批編碼：CN-186599

有效期：2027-06-25

參考文獻

[1] Salzmann RJS, Mocan T, Willms AG, et al. AI-guided additive scoring model for differential diagnosis of primary liver cancer. JHEP Rep, 2026,8(6):101826.

審校：Selina

排版：Liberos

執行：Zelda

本平臺旨在為醫療衛生專業人士傳遞更多醫學信息。本平臺發布的內容，不能以任何方式取代專業的醫療指導，也不應被視為診療建議。如該等信息被用于了解醫學信息以外的目的，本平臺不承擔相關責任。本平臺對發布的內容，并不代表同意其描述和觀點。若涉及版權問題，煩請權利人與我們聯系，我們將盡快處理。