基于超聲影像組學(xué)的原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測：精準(zhǔn)醫(yī)療的新視角一、引言1.1研究背景1.1.1原發(fā)性肝細(xì)胞癌的現(xiàn)狀原發(fā)性肝細(xì)胞癌（hepatocellularcarcinoma，HCC）是全球范圍內(nèi)常見的惡性腫瘤之一，嚴(yán)重威脅人類健康。據(jù)世界衛(wèi)生組織國際癌癥研究機(jī)構(gòu)（IARC）發(fā)布的2020年全球癌癥負(fù)擔(dān)數(shù)據(jù)顯示，肝癌新發(fā)病例約90.6萬，死亡病例約83萬，分別位居全球惡性腫瘤發(fā)病和死亡的第6位和第3位。我國是肝癌大國，每年新發(fā)病例和死亡病例均占全球的一半以上。肝癌的發(fā)病與多種因素相關(guān)，如乙型肝炎病毒（HBV）和丙型肝炎病毒（HCV）感染、肝硬化、黃曲霉毒素暴露、酗酒等。由于肝癌起病隱匿，早期癥狀不明顯，多數(shù)患者確診時(shí)已處于中晚期，失去了根治性治療的機(jī)會(huì)，導(dǎo)致肝癌的總體預(yù)后較差，5年生存率僅為15%-18%左右。1.1.2微血管侵犯對原發(fā)性肝細(xì)胞癌的影響微血管侵犯（microvascularinvasion，MVI）是指在顯微鏡下于內(nèi)皮細(xì)胞襯覆的血管腔內(nèi)見到癌細(xì)胞巢團(tuán)，以癌旁門靜脈分支為主（含包膜內(nèi)血管），是原發(fā)性肝細(xì)胞癌具有侵襲性生物學(xué)行為的標(biāo)志。MVI被證實(shí)是影響原發(fā)性肝細(xì)胞癌術(shù)后復(fù)發(fā)和預(yù)后的關(guān)鍵因素，其增加了肝癌患者術(shù)后復(fù)發(fā)轉(zhuǎn)移的風(fēng)險(xiǎn)。研究表明，存在MVI的肝癌患者術(shù)后復(fù)發(fā)率明顯高于無MVI患者，5年生存率顯著降低。MVI主要累及癌旁門靜脈分支和肝靜脈，前者與肝內(nèi)轉(zhuǎn)移密切相關(guān)，后者則是遠(yuǎn)處轉(zhuǎn)移的來源。目前，MVI的診斷主要依靠術(shù)后組織病理學(xué)檢查，然而這種方法具有一定的局限性。一方面，術(shù)后病理診斷無法在術(shù)前為臨床治療方案的選擇提供指導(dǎo)，導(dǎo)致部分存在MVI高風(fēng)險(xiǎn)的患者可能接受了不恰當(dāng)?shù)闹委?；另一方面，肝穿刺活檢雖可在術(shù)前獲取組織進(jìn)行病理診斷，但由于其有創(chuàng)性及標(biāo)本采集的主觀性，限制了其臨床廣泛應(yīng)用。因此，尋找一種可靠且無創(chuàng)的方法對MVI進(jìn)行術(shù)前預(yù)測，對于指導(dǎo)臨床治療、改善患者預(yù)后具有重要意義。1.2研究目的與意義1.2.1研究目的本研究旨在利用超聲影像組學(xué)技術(shù)，構(gòu)建預(yù)測原發(fā)性肝細(xì)胞癌微血管侵犯的模型，實(shí)現(xiàn)對MVI的術(shù)前精準(zhǔn)預(yù)測。具體而言，通過從超聲圖像中提取高通量的影像特征，運(yùn)用機(jī)器學(xué)習(xí)和數(shù)據(jù)分析方法，篩選出與MVI相關(guān)的特征，并建立有效的預(yù)測模型，評估模型的性能和準(zhǔn)確性，為臨床醫(yī)生提供一種可靠的術(shù)前預(yù)測工具。1.2.2研究意義從臨床治療角度來看，術(shù)前準(zhǔn)確預(yù)測MVI對原發(fā)性肝細(xì)胞癌的治療方案選擇具有重要指導(dǎo)意義。對于存在MVI高風(fēng)險(xiǎn)的患者，可及時(shí)調(diào)整治療策略，如選擇更積極的手術(shù)方式（擴(kuò)大切除范圍、聯(lián)合血管切除重建等），或在術(shù)后輔助局部放化療、靶向治療等，以降低復(fù)發(fā)風(fēng)險(xiǎn)，提高治療效果。同時(shí)，避免對無MVI的患者進(jìn)行過度治療，減少不必要的醫(yī)療負(fù)擔(dān)和并發(fā)癥。從患者預(yù)后角度出發(fā)，準(zhǔn)確預(yù)測MVI有助于醫(yī)生對患者的預(yù)后進(jìn)行更準(zhǔn)確的評估，使患者及其家屬對疾病的發(fā)展和治療效果有更清晰的認(rèn)識，從而更好地配合治療和進(jìn)行康復(fù)管理。此外，本研究的開展還能豐富原發(fā)性肝細(xì)胞癌的診療理論和技術(shù)體系，推動(dòng)超聲影像組學(xué)在肝癌診療領(lǐng)域的應(yīng)用和發(fā)展，為其他相關(guān)研究提供參考和借鑒。1.3研究方法與創(chuàng)新點(diǎn)本研究采用了一系列科學(xué)嚴(yán)謹(jǐn)?shù)难芯糠椒ǎ詫?shí)現(xiàn)對原發(fā)性肝細(xì)胞癌微血管侵犯的準(zhǔn)確預(yù)測。在數(shù)據(jù)收集方面，收集了某醫(yī)院[X]例經(jīng)手術(shù)病理證實(shí)為原發(fā)性肝細(xì)胞癌患者的術(shù)前超聲圖像及臨床資料，包括患者的年齡、性別、血清學(xué)指標(biāo)（如甲胎蛋白AFP、谷丙轉(zhuǎn)氨酶ALT、谷草轉(zhuǎn)氨酶AST等）、腫瘤大小、數(shù)目等。確保數(shù)據(jù)的完整性和準(zhǔn)確性，并對患者的隱私進(jìn)行嚴(yán)格保護(hù)。在影像組學(xué)特征提取階段，利用專業(yè)的影像分析軟件，在超聲圖像上手動(dòng)勾畫腫瘤及瘤周感興趣區(qū)域（ROI）。對于腫瘤區(qū)域，盡量完整地包含整個(gè)腫瘤組織；瘤周區(qū)域則定義為腫瘤邊緣向外擴(kuò)展[X]mm的環(huán)形區(qū)域。從每個(gè)ROI中提取多種類型的影像組學(xué)特征，包括形態(tài)學(xué)特征（如腫瘤的體積、表面積、直徑等）、紋理特征（如灰度共生矩陣、灰度游程矩陣、小波變換等方法提取的紋理信息）以及直方圖特征（如均值、方差、偏度、峰度等），共計(jì)提取了[X]個(gè)特征。為了篩選出與微血管侵犯最相關(guān)的特征，采用了多種特征選擇方法，如最小絕對收縮和選擇算子（LASSO）回歸、遞歸特征消除（RFE）等。通過這些方法，去除冗余和不相關(guān)的特征，降低模型的復(fù)雜度，提高模型的性能和泛化能力。最終篩選出[X]個(gè)最具預(yù)測價(jià)值的特征用于后續(xù)的模型構(gòu)建。在模型構(gòu)建方面，運(yùn)用多種機(jī)器學(xué)習(xí)算法，包括邏輯回歸（LR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、神經(jīng)網(wǎng)絡(luò)（NN）等，分別構(gòu)建預(yù)測微血管侵犯的模型。利用交叉驗(yàn)證的方法對模型進(jìn)行訓(xùn)練和評估，將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集和測試集，比例為[X]:[X]。在訓(xùn)練集上進(jìn)行模型訓(xùn)練，調(diào)整模型的參數(shù)，以獲得最佳的性能；在測試集上對模型進(jìn)行驗(yàn)證，評估模型的準(zhǔn)確性、敏感性、特異性、受試者工作特征曲線下面積（AUC）等指標(biāo)。通過比較不同模型的性能，選擇性能最優(yōu)的模型作為最終的預(yù)測模型。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面。在特征選取上，不僅關(guān)注腫瘤內(nèi)部的影像特征，還特別強(qiáng)調(diào)瘤周區(qū)域的特征提取。由于微血管侵犯最先影響的是腫瘤周圍組織，瘤周區(qū)域的影像學(xué)特征可能與MVI更相關(guān)。通過對瘤周區(qū)域特征的深入挖掘，有望提高M(jìn)VI預(yù)測的準(zhǔn)確性。在模型構(gòu)建過程中，采用了多種機(jī)器學(xué)習(xí)算法進(jìn)行比較和融合，充分發(fā)揮不同算法的優(yōu)勢。通過模型融合的方式，綜合多個(gè)模型的預(yù)測結(jié)果，進(jìn)一步提高預(yù)測的可靠性和穩(wěn)定性。此外，將影像組學(xué)特征與臨床特征相結(jié)合，構(gòu)建多模態(tài)的預(yù)測模型，能夠更全面地反映患者的病情，為臨床決策提供更豐富的信息。二、原發(fā)性肝細(xì)胞癌與微血管侵犯概述2.1原發(fā)性肝細(xì)胞癌的生物學(xué)特性2.1.1發(fā)病機(jī)制原發(fā)性肝細(xì)胞癌的發(fā)病是一個(gè)多因素、多步驟的復(fù)雜過程，涉及遺傳、環(huán)境和病毒感染等多種因素的相互作用。遺傳因素在原發(fā)性肝細(xì)胞癌的發(fā)病中起到重要作用。研究發(fā)現(xiàn)，某些基因突變和遺傳多態(tài)性與肝癌的易感性密切相關(guān)。例如，TP53基因是一種重要的抑癌基因，其突變在肝癌中較為常見。TP53基因突變可導(dǎo)致其編碼的蛋白質(zhì)功能喪失，無法正常抑制細(xì)胞的異常增殖和分化，從而增加肝癌的發(fā)生風(fēng)險(xiǎn)。此外，一些基因的多態(tài)性，如細(xì)胞色素P450家族基因的多態(tài)性，會(huì)影響機(jī)體對致癌物質(zhì)的代謝能力，使得個(gè)體對肝癌的易感性存在差異。家族聚集現(xiàn)象也表明遺傳因素在肝癌發(fā)病中的作用，家族中有肝癌患者的個(gè)體，其患肝癌的風(fēng)險(xiǎn)相對較高。環(huán)境因素對原發(fā)性肝細(xì)胞癌的發(fā)生發(fā)展也具有重要影響。黃曲霉毒素是一種強(qiáng)致癌物質(zhì)，主要由黃曲霉和寄生曲霉產(chǎn)生，常見于霉變的糧食和花生等食物中。長期攝入含有黃曲霉毒素的食物，可導(dǎo)致肝臟損傷和基因突變，進(jìn)而增加肝癌的發(fā)生風(fēng)險(xiǎn)。研究表明，黃曲霉毒素B1可與DNA結(jié)合，形成加合物，導(dǎo)致DNA損傷和基因突變，從而引發(fā)肝癌。長期酗酒也是導(dǎo)致肝癌的重要環(huán)境因素之一。酒精在肝臟內(nèi)代謝產(chǎn)生乙醛，乙醛具有細(xì)胞毒性和致癌性，可損傷肝細(xì)胞，引發(fā)炎癥反應(yīng)和纖維化，最終導(dǎo)致肝癌的發(fā)生。酗酒者患肝癌的風(fēng)險(xiǎn)是非酗酒者的數(shù)倍，且飲酒量越大、時(shí)間越長，風(fēng)險(xiǎn)越高。此外，水污染、土壤污染等環(huán)境因素也可能與肝癌的發(fā)病有關(guān)。病毒感染是原發(fā)性肝細(xì)胞癌的主要病因之一，其中乙型肝炎病毒（HBV）和丙型肝炎病毒（HCV）感染最為常見。全球約70%-85%的肝癌病例與HBV或HCV感染相關(guān)。HBV和HCV感染后，病毒持續(xù)復(fù)制，導(dǎo)致肝臟慢性炎癥和肝細(xì)胞損傷。在肝細(xì)胞不斷修復(fù)和再生的過程中，容易發(fā)生基因突變，從而增加肝癌的發(fā)生風(fēng)險(xiǎn)。HBV的X基因編碼的HBx蛋白，可通過多種途徑干擾細(xì)胞的正常信號傳導(dǎo)和基因表達(dá)，促進(jìn)肝細(xì)胞的增殖和癌變。HCV核心蛋白則可抑制細(xì)胞的凋亡，促進(jìn)細(xì)胞的異常增殖，同時(shí)還可激活某些致癌信號通路，導(dǎo)致肝癌的發(fā)生。2.1.2病理類型與分級原發(fā)性肝細(xì)胞癌按病理學(xué)分型主要包括肝細(xì)胞癌、膽管細(xì)胞癌和混合型肝癌三種類型，其中肝細(xì)胞肝癌占原發(fā)性肝癌的90%。肝細(xì)胞癌起源于肝細(xì)胞，其病理特點(diǎn)表現(xiàn)為細(xì)胞異型性明顯，核分裂象增多，腫瘤組織常伴有壞死。腫瘤細(xì)胞可呈梁索狀、假腺管狀或?qū)嵭詧F(tuán)塊狀排列。在分化較好的肝細(xì)胞癌中，癌細(xì)胞形態(tài)與正常肝細(xì)胞相似，但仍可見核漿比例增大、核仁明顯等異型性表現(xiàn)；而分化較差的肝細(xì)胞癌，癌細(xì)胞形態(tài)多樣，異型性顯著，核分裂象多見。膽管細(xì)胞癌起源于膽管上皮，其病理特點(diǎn)為腫瘤組織呈腺樣或乳頭狀結(jié)構(gòu)，細(xì)胞異型性明顯，核分裂象易見。腫瘤細(xì)胞常分泌黏液，在顯微鏡下可見黏液湖形成。膽管細(xì)胞癌的間質(zhì)常伴有大量纖維組織增生，質(zhì)地較硬。混合型肝癌則同時(shí)具有肝細(xì)胞癌和膽管細(xì)胞癌兩種組織學(xué)特點(diǎn)，兩種腫瘤組織混合存在，界限不清?；旌闲透伟┑纳飳W(xué)行為和預(yù)后介于肝細(xì)胞癌和膽管細(xì)胞癌之間。肝癌的病理分級通常根據(jù)腫瘤細(xì)胞的分化程度、異型性以及核分裂象的多少來進(jìn)行，一般分為高分化、中分化和低分化三個(gè)等級。高分化肝癌的腫瘤細(xì)胞與正常肝細(xì)胞形態(tài)較為相似，異型性較小，核分裂象少見，惡性程度相對較低，預(yù)后相對較好。中分化肝癌的腫瘤細(xì)胞異型性和核分裂象介于高分化和低分化之間，惡性程度適中。低分化肝癌的腫瘤細(xì)胞異型性顯著，核分裂象多見，與正常肝細(xì)胞形態(tài)差異較大，惡性程度較高，預(yù)后較差。病理分級對于評估原發(fā)性肝細(xì)胞癌的惡性程度、預(yù)測患者預(yù)后以及指導(dǎo)臨床治療具有重要意義。不同分級的肝癌在治療方案的選擇上也有所不同，高分化肝癌可能更適合手術(shù)切除等根治性治療方法，而低分化肝癌可能需要綜合考慮多種治療手段，如化療、靶向治療等。2.2微血管侵犯的概念與分級2.2.1定義微血管侵犯（MVI）在顯微鏡下的表現(xiàn)為內(nèi)皮細(xì)胞襯覆的血管腔內(nèi)存在癌細(xì)胞巢團(tuán)，其中以癌旁門靜脈分支（含包膜內(nèi)血管）最為常見。這種在血管內(nèi)出現(xiàn)的癌細(xì)胞巢團(tuán)是肝癌細(xì)胞突破局部組織屏障，進(jìn)入血液循環(huán)的重要標(biāo)志。研究表明，MVI的發(fā)生意味著肝癌細(xì)胞已經(jīng)具有侵襲性，能夠通過血管系統(tǒng)向周圍組織或遠(yuǎn)處器官轉(zhuǎn)移。癌細(xì)胞巢團(tuán)在血管腔內(nèi)的存在，會(huì)干擾正常的血液循環(huán)，為癌細(xì)胞的播散提供了途徑。癌旁門靜脈分支是肝臟內(nèi)重要的血管結(jié)構(gòu)，其被癌細(xì)胞侵犯后，會(huì)增加肝癌肝內(nèi)轉(zhuǎn)移的風(fēng)險(xiǎn)，因?yàn)殚T靜脈系統(tǒng)負(fù)責(zé)將胃腸道吸收的營養(yǎng)物質(zhì)和血液輸送到肝臟，癌細(xì)胞可隨著門靜脈血流在肝臟內(nèi)播散。包膜內(nèi)血管的侵犯也不容忽視，它可能導(dǎo)致癌細(xì)胞突破腫瘤包膜，向周圍肝組織浸潤，進(jìn)一步擴(kuò)大腫瘤的范圍。2.2.2分級標(biāo)準(zhǔn)及臨床意義目前，MVI的分級主要依據(jù)其數(shù)量及分布情況，分為M0、M1、M2三個(gè)級別。M0級表示未發(fā)現(xiàn)微血管侵犯，這類患者的腫瘤相對局限，侵襲性較低，術(shù)后復(fù)發(fā)轉(zhuǎn)移的風(fēng)險(xiǎn)相對較小。有研究統(tǒng)計(jì)顯示，M0級患者術(shù)后5年復(fù)發(fā)率明顯低于存在MVI的患者，其5年生存率相對較高。對于M0級的原發(fā)性肝細(xì)胞癌患者，手術(shù)切除往往能夠取得較好的治療效果，患者的預(yù)后相對樂觀。M1級為低風(fēng)險(xiǎn)組，定義為在全部組織切片內(nèi)的微血管侵犯數(shù)≤5個(gè)，且微血管侵犯發(fā)生于近癌旁肝組織。M1級患者雖然存在一定程度的微血管侵犯，但侵犯程度相對較輕，其復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)較M0級有所增加，但仍處于相對可控的范圍。針對M1級患者，術(shù)后可根據(jù)具體情況，考慮適當(dāng)?shù)妮o助治療，如局部放療、靶向治療等，以降低復(fù)發(fā)風(fēng)險(xiǎn)。研究表明，M1級患者術(shù)后接受輔助治療后，其復(fù)發(fā)率和生存率與未接受輔助治療的患者相比，有顯著差異，輔助治療能夠在一定程度上改善患者的預(yù)后。M2級屬于高風(fēng)險(xiǎn)組，指在腫瘤組織切片內(nèi)的微血管侵犯數(shù)＞5個(gè)，或者微血管侵犯發(fā)生于遠(yuǎn)癌旁肝組織。M2級患者的微血管侵犯嚴(yán)重，癌細(xì)胞的侵襲性強(qiáng)，術(shù)后復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)高，預(yù)后較差。對于M2級患者，往往需要采取更為積極的綜合治療策略，包括手術(shù)切除聯(lián)合全身化療、免疫治療等。然而，即使采取了積極的治療措施，M2級患者的5年生存率仍然較低。臨床數(shù)據(jù)顯示，M2級患者的5年生存率遠(yuǎn)低于M0和M1級患者，其復(fù)發(fā)轉(zhuǎn)移率明顯升高。2.3微血管侵犯對原發(fā)性肝細(xì)胞癌治療和預(yù)后的影響2.3.1治療方案選擇微血管侵犯（MVI）狀態(tài)對原發(fā)性肝細(xì)胞癌（HCC）的治療方案選擇有著關(guān)鍵影響。在手術(shù)切除方面，對于MVI陰性的患者，通常可選擇常規(guī)的肝切除術(shù)，切除范圍可根據(jù)腫瘤的大小、位置以及患者的肝功能狀況等因素綜合決定。例如，對于腫瘤較小且位于肝臟邊緣的患者，可采用局部切除的方式，既能保證腫瘤的完整切除，又能最大限度地保留正常肝組織，減少手術(shù)對肝功能的影響。而對于MVI陽性的患者，由于其復(fù)發(fā)風(fēng)險(xiǎn)較高，可能需要考慮擴(kuò)大切除范圍，以降低術(shù)后復(fù)發(fā)的可能性。有研究表明，擴(kuò)大切除范圍可有效降低MVI陽性患者的術(shù)后復(fù)發(fā)率，提高患者的生存率。對于侵犯門靜脈分支的MVI陽性患者，可能需要聯(lián)合門靜脈部分切除和重建，以徹底清除腫瘤組織，減少腫瘤細(xì)胞通過門靜脈系統(tǒng)擴(kuò)散的風(fēng)險(xiǎn)。肝移植是治療HCC的重要手段之一，但MVI狀態(tài)在肝移植患者的選擇中起著重要作用。MVI陰性的患者在符合肝移植標(biāo)準(zhǔn)（如米蘭標(biāo)準(zhǔn)、杭州標(biāo)準(zhǔn)等）的情況下，肝移植往往能取得較好的治療效果，患者的生存率和生活質(zhì)量較高。米蘭標(biāo)準(zhǔn)規(guī)定，單個(gè)腫瘤直徑不超過5cm，或腫瘤數(shù)目不超過3個(gè)且最大直徑不超過3cm，無血管侵犯和肝外轉(zhuǎn)移的患者適合進(jìn)行肝移植。然而，對于MVI陽性的患者，肝移植后腫瘤復(fù)發(fā)的風(fēng)險(xiǎn)明顯增加。研究顯示，MVI陽性患者肝移植后的5年復(fù)發(fā)率可高達(dá)50%以上，遠(yuǎn)高于MVI陰性患者。因此，對于MVI陽性的患者，在考慮肝移植時(shí)需要更加謹(jǐn)慎，可能需要結(jié)合其他因素，如腫瘤的分級、患者的整體狀況等，綜合評估肝移植的可行性和風(fēng)險(xiǎn)。消融治療也是HCC的一種治療選擇，包括射頻消融、微波消融等。對于MVI陰性且腫瘤較小（通常直徑≤3cm）的患者，消融治療可作為一種有效的替代治療方法，具有創(chuàng)傷小、恢復(fù)快等優(yōu)點(diǎn)。研究表明，對于符合消融指征的MVI陰性患者，消融治療的局部控制率和生存率與手術(shù)切除相當(dāng)。但對于MVI陽性的患者，消融治療存在一定的局限性，由于消融范圍有限，難以徹底清除可能存在的微轉(zhuǎn)移灶，導(dǎo)致術(shù)后復(fù)發(fā)風(fēng)險(xiǎn)增加。有研究指出，MVI陽性患者接受消融治療后的復(fù)發(fā)率明顯高于MVI陰性患者，因此對于MVI陽性的患者，一般不首選消融治療。2.3.2預(yù)后評估MVI陽性的原發(fā)性肝細(xì)胞癌患者預(yù)后明顯較差，這主要是由于MVI增加了腫瘤復(fù)發(fā)和轉(zhuǎn)移的風(fēng)險(xiǎn)。MVI陽性患者術(shù)后早期復(fù)發(fā)的概率較高，這是因?yàn)槟[瘤細(xì)胞通過微血管侵犯進(jìn)入血液循環(huán)，在肝臟內(nèi)或遠(yuǎn)處器官形成轉(zhuǎn)移灶。研究統(tǒng)計(jì)顯示，MVI陽性患者術(shù)后1-2年內(nèi)的復(fù)發(fā)率可達(dá)到40%-60%，而MVI陰性患者的復(fù)發(fā)率僅為10%-20%。這種早期復(fù)發(fā)不僅增加了患者的痛苦，也給后續(xù)治療帶來了困難。MVI陽性患者的遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)也顯著增加，常見的轉(zhuǎn)移部位包括肺、骨、淋巴結(jié)等。遠(yuǎn)處轉(zhuǎn)移的發(fā)生嚴(yán)重影響患者的生存質(zhì)量和生存期，使得患者的5年生存率大幅降低。臨床數(shù)據(jù)表明，MVI陽性患者的5年生存率通常在30%以下，而MVI陰性患者的5年生存率可達(dá)50%-70%。術(shù)前準(zhǔn)確預(yù)測MVI對于患者的預(yù)后評估和治療決策具有至關(guān)重要的意義。如果能夠在術(shù)前明確患者的MVI狀態(tài)，醫(yī)生可以根據(jù)患者的具體情況制定更加個(gè)性化的治療方案。對于預(yù)測為MVI陽性的患者，可在術(shù)前采取新輔助治療，如經(jīng)動(dòng)脈化療栓塞（TACE）、靶向治療等，以降低腫瘤的分期，減少微血管侵犯的程度，提高手術(shù)切除的成功率和患者的生存率。在術(shù)后，對于MVI陽性患者，可及時(shí)給予輔助治療，如局部放療、全身化療、免疫治療等，以進(jìn)一步降低復(fù)發(fā)轉(zhuǎn)移的風(fēng)險(xiǎn)。準(zhǔn)確的術(shù)前預(yù)測還能幫助患者及其家屬更好地了解病情，做好心理準(zhǔn)備和生活規(guī)劃。三、超聲影像組學(xué)技術(shù)原理與應(yīng)用3.1超聲成像原理3.1.1超聲波的產(chǎn)生與傳播超聲波是一種頻率高于20kHz的聲波，超出了人類聽覺的上限。在醫(yī)學(xué)超聲成像中，其頻率通常在1-20MHz之間。超聲波的產(chǎn)生主要基于壓電效應(yīng)。某些晶體材料，如石英、壓電陶瓷等，在受到外加電場作用時(shí)，會(huì)發(fā)生機(jī)械形變；反之，當(dāng)這些晶體受到機(jī)械壓力時(shí)，其兩端會(huì)產(chǎn)生電荷，這種現(xiàn)象被稱為壓電效應(yīng)。超聲探頭中包含壓電晶片，當(dāng)在壓電晶片兩端施加交變電壓時(shí)，晶片會(huì)按照電壓的頻率進(jìn)行周期性振動(dòng)，從而產(chǎn)生超聲波。例如，在超聲診斷儀中，通過控制電路向壓電晶片輸入特定頻率的交變電壓，壓電晶片就會(huì)以相應(yīng)頻率振動(dòng)，將電能轉(zhuǎn)換為機(jī)械能，進(jìn)而產(chǎn)生超聲波束。當(dāng)超聲波在人體組織中傳播時(shí)，會(huì)發(fā)生多種物理現(xiàn)象。反射是指當(dāng)超聲波遇到兩種不同聲阻抗的介質(zhì)界面時(shí)，部分聲波會(huì)返回原來的介質(zhì)。聲阻抗是介質(zhì)密度與聲速的乘積，人體不同組織的聲阻抗存在差異，如肝臟與血液、脂肪與肌肉等組織之間的聲阻抗不同。當(dāng)超聲波從一種組織傳播到另一種組織時(shí)，在界面處就會(huì)發(fā)生反射。反射回來的聲波攜帶了界面的信息，這是超聲成像的重要基礎(chǔ)。若超聲波垂直入射到兩種介質(zhì)的界面，反射系數(shù)可通過公式R=\frac{(Z_2-Z_1)^2}{(Z_2+Z_1)^2}計(jì)算，其中R為反射系數(shù)，Z_1和Z_2分別為兩種介質(zhì)的聲阻抗。當(dāng)兩種介質(zhì)聲阻抗差異越大，反射系數(shù)越大，反射回波越強(qiáng)。折射是指超聲波在不同介質(zhì)中傳播時(shí)，由于傳播速度不同，傳播方向會(huì)發(fā)生改變。根據(jù)斯涅爾定律，\frac{\sin\theta_1}{v_1}=\frac{\sin\theta_2}{v_2}，其中\(zhòng)theta_1和\theta_2分別為入射角和折射角，v_1和v_2為兩種介質(zhì)中的聲速。例如，當(dāng)超聲波從脂肪組織進(jìn)入肌肉組織時(shí)，由于肌肉組織的聲速大于脂肪組織，超聲波的傳播方向會(huì)向法線方向偏折。折射現(xiàn)象會(huì)影響超聲圖像的準(zhǔn)確性，在圖像分析時(shí)需要考慮其影響。散射是當(dāng)超聲波遇到小于其波長的微小粒子或組織界面不規(guī)則時(shí)，聲波會(huì)向四面八方傳播。在人體組織中，存在許多微小的結(jié)構(gòu)，如紅細(xì)胞、細(xì)胞內(nèi)的細(xì)胞器等，它們會(huì)對超聲波產(chǎn)生散射。散射波的強(qiáng)度和方向與散射體的大小、形狀、性質(zhì)以及超聲波的頻率等因素有關(guān)。散射信號也包含了組織的微觀結(jié)構(gòu)信息，對于疾病的診斷具有一定的價(jià)值。3.1.2超聲圖像的形成超聲成像的基本過程是通過超聲探頭向人體發(fā)射超聲波，然后接收反射回來的聲波（回聲），經(jīng)過一系列處理后形成圖像。超聲探頭既是發(fā)射超聲波的裝置，也是接收回聲的裝置。當(dāng)超聲探頭發(fā)射的超聲波在人體組織中傳播并遇到不同聲阻抗的界面時(shí)，產(chǎn)生的回聲被探頭接收。探頭中的壓電晶片在接收到回聲的機(jī)械振動(dòng)后，會(huì)將其轉(zhuǎn)換為電信號。這些電信號首先經(jīng)過信號處理模塊進(jìn)行處理。在基波成像模式下，濾波器中心頻率為探頭的發(fā)射頻率，通過濾波處理可以排除噪聲干擾，提高信號的質(zhì)量。由于超聲波在人體組織中傳播會(huì)發(fā)生衰減，導(dǎo)致深部組織的回波信號幅值減小，因此需要進(jìn)行時(shí)間增益補(bǔ)償，根據(jù)傳播深度對回波信號進(jìn)行增益補(bǔ)償，以保證圖像各部分的亮度均勻。超聲信號經(jīng)過組織樣本返回探頭時(shí)，組織樣本的生理信號被調(diào)制在超聲回波中，通過包絡(luò)檢測利用希爾伯特變換等方法提取出包絡(luò)信號，即所需的組織樣本信號。當(dāng)對原始回波信號采樣率過高時(shí)，為正常顯示圖像，需要對像素點(diǎn)進(jìn)行二次采樣，通過一定的抽點(diǎn)操作得到輸出數(shù)據(jù)。為了將回波信號的動(dòng)態(tài)范圍壓縮到顯示器可以接收的范圍（通常為40dB左右），還需要進(jìn)行對數(shù)壓縮。經(jīng)過信號處理后的電信號進(jìn)入數(shù)字掃描轉(zhuǎn)換器（DSC）模塊。在DSC模塊中，首先進(jìn)行掃描轉(zhuǎn)換，將超聲回波信號的極坐標(biāo)數(shù)據(jù)轉(zhuǎn)換為直角坐標(biāo)數(shù)據(jù)，以便于后續(xù)的圖像顯示和處理。然后根據(jù)不同的圖像顯示格式要求，如常見的5280x239（表示一共239條掃描線，每條掃描線為5280個(gè)點(diǎn)）等格式，將處理后的信號轉(zhuǎn)換為相應(yīng)格式的圖像數(shù)據(jù)。這些圖像數(shù)據(jù)最終被顯示在超聲診斷儀的屏幕上，形成人體內(nèi)部結(jié)構(gòu)的超聲圖像。醫(yī)生通過觀察超聲圖像的形態(tài)、回聲強(qiáng)度、邊界等特征，來判斷人體組織和器官的結(jié)構(gòu)和功能是否正常，從而進(jìn)行疾病的診斷。3.2影像組學(xué)概述3.2.1影像組學(xué)的概念影像組學(xué)這一概念最早由荷蘭學(xué)者PhilippeLambin于2012年提出，旨在通過“高級特征分析法”從醫(yī)學(xué)影像中提取出更多信息，以協(xié)助臨床診斷。它是指從CT、PET、MRI或超聲等醫(yī)學(xué)影像圖像中高通量地提取并分析大量高級且定量的影像學(xué)特征。與傳統(tǒng)的影像診斷主要依賴醫(yī)生的肉眼觀察和主觀經(jīng)驗(yàn)不同，影像組學(xué)利用計(jì)算機(jī)算法和數(shù)據(jù)分析技術(shù)，能夠提取出肉眼難以識別或量化的復(fù)雜影像特征。這些特征涵蓋了腫瘤的形態(tài)、大小、密度、紋理等多個(gè)方面，能夠更全面、客觀地反映腫瘤的生物學(xué)特性。通過對這些高通量特征的分析，可以實(shí)現(xiàn)對疾病的精準(zhǔn)診斷、預(yù)后評估和治療反應(yīng)預(yù)測等。例如，在腫瘤診斷中，影像組學(xué)可以通過分析腫瘤的影像特征，判斷腫瘤的良惡性、病理類型以及是否存在轉(zhuǎn)移等。在預(yù)后評估方面，影像組學(xué)特征可以與患者的生存數(shù)據(jù)相結(jié)合，建立預(yù)后預(yù)測模型，為醫(yī)生和患者提供更準(zhǔn)確的預(yù)后信息。影像組學(xué)為醫(yī)學(xué)影像分析帶來了新的思路和方法，有望提高臨床診斷和治療的準(zhǔn)確性和有效性。3.2.2影像組學(xué)的研究流程影像組學(xué)的研究流程主要包括圖像采集與預(yù)處理、圖像分割、特征提取、特征篩選和模型構(gòu)建與驗(yàn)證等步驟。在圖像采集與預(yù)處理階段，需要收集患者的醫(yī)學(xué)影像數(shù)據(jù)，包括超聲、CT、MRI等。這些圖像可能來自不同的設(shè)備和廠家，其圖像質(zhì)量、分辨率、灰度值等存在差異。因此，需要對圖像進(jìn)行預(yù)處理，以確保數(shù)據(jù)的一致性和可比性。預(yù)處理步驟通常包括圖像配準(zhǔn)、體素重采樣、圖像歸一化和圖像灰度值標(biāo)準(zhǔn)化處理等。圖像配準(zhǔn)是將不同時(shí)間或不同模態(tài)的圖像進(jìn)行空間對齊，以便進(jìn)行后續(xù)的分析。體素重采樣是將圖像的體素大小調(diào)整為統(tǒng)一的標(biāo)準(zhǔn)，以消除不同設(shè)備分辨率差異的影響。圖像歸一化和灰度值標(biāo)準(zhǔn)化處理則是將圖像的灰度值調(diào)整到一定的范圍內(nèi)，使不同圖像之間具有可比性。圖像分割是影像組學(xué)研究中的關(guān)鍵步驟，其目的是將感興趣區(qū)域（ROI）從背景中分離出來。在原發(fā)性肝細(xì)胞癌的研究中，ROI通常包括腫瘤區(qū)域和瘤周區(qū)域。分割方法主要有自動(dòng)分割、半自動(dòng)分割和人工分割。自動(dòng)分割方法利用計(jì)算機(jī)算法自動(dòng)識別和分割ROI，具有速度快、效率高的優(yōu)點(diǎn)，但準(zhǔn)確性相對較低。半自動(dòng)分割方法需要人工輔助，通過人機(jī)交互的方式對自動(dòng)分割結(jié)果進(jìn)行修正和完善，提高了分割的準(zhǔn)確性。人工分割則是由經(jīng)驗(yàn)豐富的醫(yī)生或?qū)I(yè)人員手動(dòng)勾畫ROI，雖然準(zhǔn)確性高，但耗時(shí)費(fèi)力，且存在一定的主觀性。在實(shí)際應(yīng)用中，通常采用多種分割方法相結(jié)合的方式，以提高分割的準(zhǔn)確性和可靠性。特征提取是從分割后的ROI中提取各種影像組學(xué)特征，這些特征可以分為形態(tài)學(xué)特征、紋理特征、直方圖特征等。形態(tài)學(xué)特征主要描述腫瘤的形狀、大小、體積等幾何信息，如腫瘤的長徑、短徑、體積、表面積等。紋理特征反映了圖像中像素灰度的分布和變化規(guī)律，常用的紋理特征提取方法包括灰度共生矩陣、灰度游程矩陣、小波變換等?；叶裙采仃囃ㄟ^計(jì)算圖像中不同灰度級像素對的出現(xiàn)頻率，來描述圖像的紋理信息?；叶扔纬叹仃噭t是統(tǒng)計(jì)圖像中具有相同灰度值且連續(xù)排列的像素的長度和方向，從而提取紋理特征。小波變換可以將圖像分解為不同頻率的子帶，提取圖像的多尺度紋理信息。直方圖特征是基于圖像灰度值的統(tǒng)計(jì)特征，如均值、方差、偏度、峰度等，它們可以反映圖像的整體灰度分布情況。通過提取這些不同類型的特征，可以全面地描述腫瘤的影像特征。由于提取的影像組學(xué)特征數(shù)量眾多，其中可能包含冗余和不相關(guān)的特征，這些特征會(huì)增加模型的復(fù)雜度，降低模型的性能和泛化能力。因此，需要進(jìn)行特征篩選，從大量的特征中選擇出最具預(yù)測價(jià)值的特征。常用的特征篩選方法包括最小絕對收縮和選擇算子（LASSO）回歸、遞歸特征消除（RFE）、方差分析（ANOVA）等。LASSO回歸通過對回歸系數(shù)進(jìn)行約束，使一些不重要的特征系數(shù)為零，從而實(shí)現(xiàn)特征選擇。RFE則是通過遞歸地刪除對模型貢獻(xiàn)最小的特征，逐步篩選出重要特征。ANOVA用于比較不同組之間的特征均值差異，選擇差異顯著的特征。通過特征篩選，可以降低特征空間的維度，提高模型的效率和準(zhǔn)確性。最后，利用篩選出的特征構(gòu)建預(yù)測模型，并對模型進(jìn)行驗(yàn)證和評估。常用的機(jī)器學(xué)習(xí)算法如邏輯回歸（LR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、神經(jīng)網(wǎng)絡(luò)（NN）等都可以用于模型構(gòu)建。在構(gòu)建模型時(shí)，需要將數(shù)據(jù)集分為訓(xùn)練集和測試集，通常按照70%-30%或80%-20%的比例進(jìn)行劃分。在訓(xùn)練集上進(jìn)行模型訓(xùn)練，調(diào)整模型的參數(shù)，以獲得最佳的性能。在測試集上對模型進(jìn)行驗(yàn)證，評估模型的準(zhǔn)確性、敏感性、特異性、受試者工作特征曲線下面積（AUC）等指標(biāo)。通過交叉驗(yàn)證的方法，如K折交叉驗(yàn)證，可以進(jìn)一步提高模型評估的可靠性。此外，還可以采用獨(dú)立的驗(yàn)證集對模型進(jìn)行外部驗(yàn)證，以檢驗(yàn)?zāi)Ｐ偷姆夯芰Α?.3超聲影像組學(xué)在肝癌診斷中的應(yīng)用現(xiàn)狀3.3.1現(xiàn)有研究成果在肝癌診斷方面，眾多研究表明超聲影像組學(xué)具有顯著的應(yīng)用價(jià)值。一些研究利用超聲影像組學(xué)技術(shù)對肝臟病變進(jìn)行良惡性鑒別。通過提取超聲圖像的紋理、形態(tài)等特征，并結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建模型，能夠準(zhǔn)確區(qū)分肝癌與其他良性肝臟病變。例如，有研究收集了[X]例肝臟病變患者的超聲圖像，其中肝癌患者[X]例，良性病變患者[X]例。從圖像中提取了[X]個(gè)影像組學(xué)特征，經(jīng)過特征篩選后，利用支持向量機(jī)構(gòu)建診斷模型。結(jié)果顯示，該模型對肝癌的診斷準(zhǔn)確率達(dá)到了[X]%，敏感性為[X]%，特異性為[X]%，展現(xiàn)出良好的診斷性能。在肝癌分級領(lǐng)域，超聲影像組學(xué)也取得了一定成果。通過分析不同分級肝癌的超聲影像特征差異，能夠?yàn)楦伟┑姆旨壧峁┛陀^依據(jù)。研究發(fā)現(xiàn)，高分化肝癌與低分化肝癌在超聲圖像的紋理特征上存在明顯差異，低分化肝癌的紋理更加復(fù)雜，灰度值分布更加不均勻?；谶@些特征差異，構(gòu)建的影像組學(xué)模型能夠較好地對肝癌進(jìn)行分級。一項(xiàng)針對[X]例肝癌患者的研究中，利用影像組學(xué)模型對肝癌進(jìn)行分級，與病理分級的一致性達(dá)到了[X]%，為臨床醫(yī)生準(zhǔn)確評估肝癌的惡性程度提供了有力支持。在預(yù)后預(yù)測方面，超聲影像組學(xué)同樣發(fā)揮了重要作用。通過提取與肝癌預(yù)后相關(guān)的影像組學(xué)特征，能夠建立有效的預(yù)后預(yù)測模型，幫助醫(yī)生評估患者的預(yù)后情況，制定個(gè)性化的治療方案。研究表明，腫瘤的大小、形狀、邊緣特征以及瘤周組織的紋理特征等都與肝癌的預(yù)后密切相關(guān)。有研究對[X]例肝癌患者進(jìn)行隨訪，收集其術(shù)前超聲圖像并提取影像組學(xué)特征，結(jié)合臨床資料構(gòu)建預(yù)后預(yù)測模型。結(jié)果顯示，該模型能夠準(zhǔn)確預(yù)測患者的術(shù)后復(fù)發(fā)和生存情況，對患者的預(yù)后評估具有重要指導(dǎo)意義。3.3.2存在的問題與挑戰(zhàn)當(dāng)前超聲影像組學(xué)在肝癌診斷研究中仍面臨一些問題和挑戰(zhàn)。影像組學(xué)特征的穩(wěn)定性是一個(gè)關(guān)鍵問題。由于超聲圖像易受多種因素影響，如超聲設(shè)備的類型、探頭的頻率、患者的呼吸運(yùn)動(dòng)以及超聲醫(yī)師的操作手法等，導(dǎo)致影像組學(xué)特征的可重復(fù)性較差。不同設(shè)備或不同操作人員獲取的超聲圖像，其影像組學(xué)特征可能存在較大差異，這會(huì)影響模型的可靠性和泛化能力。即使是同一設(shè)備和操作人員，在不同時(shí)間獲取的圖像，也可能因微小的差異導(dǎo)致特征不穩(wěn)定。為了解決這一問題，需要建立統(tǒng)一的超聲圖像采集和處理標(biāo)準(zhǔn)，規(guī)范操作流程，減少人為因素和設(shè)備因素的影響。同時(shí)，開發(fā)更穩(wěn)健的特征提取和分析方法，提高特征的穩(wěn)定性和可重復(fù)性也是研究的重點(diǎn)方向之一。模型的通用性也是超聲影像組學(xué)面臨的挑戰(zhàn)之一。目前大多數(shù)研究都是基于單中心的數(shù)據(jù)進(jìn)行模型構(gòu)建和驗(yàn)證，這些模型在本中心的數(shù)據(jù)上表現(xiàn)良好，但在其他中心的數(shù)據(jù)上往往表現(xiàn)不佳，缺乏廣泛的通用性。不同地區(qū)、不同醫(yī)院的患者群體存在差異，疾病的特征和分布也可能不同，這使得模型在跨中心應(yīng)用時(shí)難以取得理想的效果。此外，不同超聲設(shè)備的成像特點(diǎn)和參數(shù)設(shè)置也存在差異，進(jìn)一步增加了模型通用性的難度。為了提高模型的通用性，需要開展多中心、大樣本的研究，收集不同地區(qū)、不同設(shè)備獲取的超聲圖像數(shù)據(jù)，建立多樣化的數(shù)據(jù)集。通過對這些數(shù)據(jù)的分析和整合，構(gòu)建更加通用的模型，使其能夠適應(yīng)不同的臨床環(huán)境和患者群體。臨床轉(zhuǎn)化方面，超聲影像組學(xué)從研究到實(shí)際臨床應(yīng)用還存在一定的差距。雖然在研究中取得了一些成果，但要真正應(yīng)用于臨床實(shí)踐，還需要解決一系列問題。臨床醫(yī)生對超聲影像組學(xué)的認(rèn)識和接受程度有待提高，許多醫(yī)生對這一新興技術(shù)還不夠了解，缺乏相關(guān)的知識和技能，這限制了其在臨床中的推廣應(yīng)用。影像組學(xué)分析需要專業(yè)的軟件和硬件支持，目前這些設(shè)備和軟件的成本較高，且操作復(fù)雜，不利于在臨床中廣泛普及。超聲影像組學(xué)與臨床工作流程的整合也需要進(jìn)一步優(yōu)化，如何將影像組學(xué)分析結(jié)果與臨床診斷、治療決策相結(jié)合，實(shí)現(xiàn)無縫對接，還需要進(jìn)一步探索和研究。為了促進(jìn)臨床轉(zhuǎn)化，需要加強(qiáng)對臨床醫(yī)生的培訓(xùn)，提高他們對超聲影像組學(xué)的認(rèn)識和應(yīng)用能力。同時(shí)，研發(fā)更加便捷、低成本的影像組學(xué)分析工具，優(yōu)化臨床工作流程，使超聲影像組學(xué)能夠更好地服務(wù)于臨床實(shí)踐。四、基于超聲影像組學(xué)的原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型構(gòu)建4.1研究設(shè)計(jì)4.1.1數(shù)據(jù)收集本研究的數(shù)據(jù)來源于[醫(yī)院名稱]20[開始年份]年1月至20[結(jié)束年份]年12月期間收治的原發(fā)性肝細(xì)胞癌患者。通過醫(yī)院的電子病歷系統(tǒng)和影像歸檔與通信系統(tǒng)（PACS），共收集到符合條件的患者[X]例。納入標(biāo)準(zhǔn)為：經(jīng)手術(shù)病理證實(shí)為原發(fā)性肝細(xì)胞癌；術(shù)前接受過超聲檢查，且超聲圖像質(zhì)量良好，能夠滿足影像組學(xué)分析的要求；患者的臨床資料完整，包括年齡、性別、血清學(xué)指標(biāo)（如甲胎蛋白AFP、谷丙轉(zhuǎn)氨酶ALT、谷草轉(zhuǎn)氨酶AST、白蛋白ALB、總膽紅素TBIL等）、腫瘤大小、數(shù)目、位置等信息。排除標(biāo)準(zhǔn)包括：合并其他惡性腫瘤；存在嚴(yán)重的肝腎功能障礙或其他嚴(yán)重的基礎(chǔ)疾病，無法耐受手術(shù)；超聲圖像存在偽影、模糊等質(zhì)量問題，影響特征提取。4.1.2圖像采集與預(yù)處理圖像采集使用[超聲設(shè)備品牌及型號]超聲診斷儀，配備[探頭型號及參數(shù)]探頭。在患者空腹?fàn)顟B(tài)下，取仰臥位或左側(cè)臥位，對肝臟進(jìn)行多切面掃查，重點(diǎn)觀察腫瘤的部位、大小、形態(tài)、邊界、內(nèi)部回聲及血流情況。超聲圖像采集的參數(shù)設(shè)置如下：探頭頻率為[X]MHz，動(dòng)態(tài)范圍為[X]dB，增益調(diào)節(jié)為[X]，幀頻為[X]幀/秒。采集的超聲圖像以DICOM格式存儲(chǔ)于PACS系統(tǒng)中。圖像預(yù)處理是影像組學(xué)分析的重要步驟，旨在提高圖像質(zhì)量，減少噪聲和偽影的影響，使不同患者的圖像具有可比性。首先，使用專業(yè)的醫(yī)學(xué)圖像分析軟件（如[軟件名稱]）對超聲圖像進(jìn)行去噪處理，采用高斯濾波算法去除圖像中的高斯噪聲，設(shè)置濾波核大小為[X]×[X]，標(biāo)準(zhǔn)差為[X]。通過直方圖均衡化方法對圖像進(jìn)行增強(qiáng)處理，擴(kuò)展圖像的灰度動(dòng)態(tài)范圍，提高圖像的對比度，使腫瘤與周圍組織的邊界更加清晰。將所有超聲圖像的像素大小歸一化到相同的體素尺寸，如[X]mm×[X]mm×[X]mm，以消除不同圖像在空間分辨率上的差異。對圖像的灰度值進(jìn)行標(biāo)準(zhǔn)化處理，將灰度值映射到[0,1]的范圍內(nèi)，公式為：I_{norm}=\frac{I-I_{min}}{I_{max}-I_{min}}，其中I_{norm}為標(biāo)準(zhǔn)化后的灰度值，I為原始灰度值，I_{min}和I_{max}分別為圖像中的最小和最大灰度值。經(jīng)過預(yù)處理后的超聲圖像用于后續(xù)的特征提取和分析。4.2影像組學(xué)特征提取4.2.1感興趣區(qū)域（ROI）劃分在超聲圖像上準(zhǔn)確劃分感興趣區(qū)域（ROI）對于影像組學(xué)分析至關(guān)重要。ROI主要包括腫瘤區(qū)域和瘤周區(qū)域。對于腫瘤區(qū)域的勾畫，由兩名具有[X]年以上腹部超聲診斷經(jīng)驗(yàn)的超聲醫(yī)師，在不知患者臨床信息及病理結(jié)果的情況下，獨(dú)立在超聲圖像上手動(dòng)勾勒腫瘤邊界。使用專業(yè)的醫(yī)學(xué)圖像分析軟件，如[軟件名稱]，通過逐層手動(dòng)描繪的方式，確保完整地包含整個(gè)腫瘤組織。在勾畫過程中，充分參考超聲圖像的二維灰階、彩色多普勒血流成像等信息，以準(zhǔn)確界定腫瘤的邊界。對于邊界清晰的腫瘤，以腫瘤與周圍正常肝組織的明顯分界為依據(jù)進(jìn)行勾畫；對于邊界不清晰的腫瘤，則結(jié)合腫瘤的整體回聲特點(diǎn)、血流分布等綜合判斷，盡量將腫瘤組織全部納入ROI內(nèi)。瘤周區(qū)域的定義為腫瘤邊緣向外擴(kuò)展[X]mm的環(huán)形區(qū)域。這一范圍的設(shè)定是基于先前研究表明，微血管侵犯最先影響的是腫瘤周圍組織，且距離腫瘤邊緣[X]mm內(nèi)的瘤周組織與MVI的相關(guān)性最為顯著。在軟件中，通過設(shè)置相應(yīng)的擴(kuò)展參數(shù)，自動(dòng)生成瘤周ROI。在生成瘤周ROI后，兩名醫(yī)師再次對瘤周ROI進(jìn)行檢查和修正，確保其準(zhǔn)確無誤。若兩名醫(yī)師的勾畫結(jié)果存在差異，由一名具有[X]年以上經(jīng)驗(yàn)的資深超聲醫(yī)師進(jìn)行裁決，最終確定ROI的范圍。4.2.2特征類型與提取方法從ROI中提取的影像組學(xué)特征主要包括形狀、紋理、強(qiáng)度等類型。形狀特征用于描述腫瘤的幾何形態(tài)，如體積、表面積、最大直徑、最小直徑、球形度等。體積通過對ROI內(nèi)的體素?cái)?shù)量進(jìn)行統(tǒng)計(jì)計(jì)算得出，公式為V=\sum_{i=1}^{n}v_i，其中V為體積，v_i為第i個(gè)體素的體積。表面積則是通過計(jì)算ROI表面的像素?cái)?shù)量或使用特定的算法來估算。最大直徑和最小直徑分別為ROI在各個(gè)方向上測量得到的最大和最小長度。球形度用于衡量腫瘤形狀與球體的相似程度，公式為S=\frac{36\piV^2}{A^3}，其中S為球形度，V為體積，A為表面積，球形度越接近1，表示腫瘤形狀越接近球體。紋理特征反映了圖像中像素灰度的分布和變化規(guī)律，常用的提取方法有灰度共生矩陣（GLCM）、灰度游程矩陣（GLRLM）、小波變換等。GLCM通過計(jì)算圖像中不同灰度級像素對在特定方向和距離上的出現(xiàn)頻率，來描述圖像的紋理信息。例如，計(jì)算水平方向上距離為1的灰度共生矩陣，公式為P(i,j)=\sum_{x=1}^{M}\sum_{y=1}^{N-1}\begin{cases}1,&\text{if}I(x,y)=i\text{and}I(x,y+1)=j\\0,&\text{otherwise}\end{cases}，其中P(i,j)為灰度共生矩陣元素，I(x,y)為圖像在坐標(biāo)(x,y)處的灰度值，M和N分別為圖像的寬度和高度。從GLCM中可以提取對比度、相關(guān)性、能量、熵等特征。對比度反映了圖像中紋理的清晰程度，計(jì)算公式為Contrast=\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}(i-j)^2P(i,j)，其中L為灰度級數(shù)量。相關(guān)性衡量了圖像中紋理的相似性，公式為Correlation=\frac{\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}(i-\mu_i)(j-\mu_j)P(i,j)}{\sigma_i\sigma_j}，其中\(zhòng)mu_i和\mu_j分別為i和j灰度級的均值，\sigma_i和\sigma_j為標(biāo)準(zhǔn)差。能量表示圖像紋理的均勻程度，公式為Energy=\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}P(i,j)^2。熵反映了圖像紋理的復(fù)雜程度，公式為Entropy=-\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}P(i,j)\logP(i,j)。GLRLM則是統(tǒng)計(jì)圖像中具有相同灰度值且連續(xù)排列的像素的長度和方向，從而提取紋理特征。例如，計(jì)算垂直方向上灰度游程矩陣，統(tǒng)計(jì)每個(gè)灰度級在垂直方向上的游程長度和出現(xiàn)次數(shù)。從GLRLM中可以提取短游程強(qiáng)調(diào)、長游程強(qiáng)調(diào)、灰度不均勻性、游程長度不均勻性等特征。短游程強(qiáng)調(diào)用于突出圖像中短游程的紋理信息，公式為SRE=\sum_{i=0}^{L-1}\sum_{k=1}^{N_r}\frac{P(i,k)}{k^2}，其中P(i,k)為灰度級i游程長度為k的出現(xiàn)次數(shù)，N_r為最大游程長度。長游程強(qiáng)調(diào)則突出長游程的紋理信息，公式為LRE=\sum_{i=0}^{L-1}\sum_{k=1}^{N_r}k^2P(i,k)?；叶炔痪鶆蛐苑从沉藞D像中灰度分布的均勻程度，公式為GLN=\sum_{i=0}^{L-1}(\sum_{k=1}^{N_r}P(i,k))^2。游程長度不均勻性衡量了游程長度分布的均勻程度，公式為RLN=\sum_{k=1}^{N_r}(\sum_{i=0}^{L-1}P(i,k))^2。小波變換是一種多分辨率分析方法，可以將圖像分解為不同頻率的子帶，提取圖像的多尺度紋理信息。通過對超聲圖像進(jìn)行小波變換，得到低頻子帶和高頻子帶，低頻子帶反映了圖像的整體特征，高頻子帶包含了圖像的細(xì)節(jié)和紋理信息。從不同子帶中可以提取均值、方差、能量等特征。例如，計(jì)算低頻子帶的均值，公式為Mean=\frac{1}{M\timesN}\sum_{x=1}^{M}\sum_{y=1}^{N}I(x,y)，其中I(x,y)為低頻子帶圖像在坐標(biāo)(x,y)處的像素值，M和N為低頻子帶圖像的大小。方差用于衡量像素值的離散程度，公式為Variance=\frac{1}{M\timesN}\sum_{x=1}^{M}\sum_{y=1}^{N}(I(x,y)-Mean)^2。能量則表示低頻子帶圖像的能量大小，公式為Energy=\sum_{x=1}^{M}\sum_{y=1}^{N}I(x,y)^2。強(qiáng)度特征主要基于圖像的灰度值進(jìn)行統(tǒng)計(jì)分析，包括均值、方差、偏度、峰度等。均值反映了圖像灰度的平均水平，公式為\bar{I}=\frac{1}{n}\sum_{i=1}^{n}I_i，其中\(zhòng)bar{I}為均值，I_i為第i個(gè)像素的灰度值，n為ROI內(nèi)像素總數(shù)。方差衡量了灰度值的離散程度，公式為\sigma^2=\frac{1}{n}\sum_{i=1}^{n}(I_i-\bar{I})^2。偏度用于描述灰度分布的不對稱性，公式為Skewness=\frac{n}{(n-1)(n-2)}\sum_{i=1}^{n}(\frac{I_i-\bar{I}}{\sigma})^3，當(dāng)偏度為0時(shí)，灰度分布呈對稱狀態(tài)；當(dāng)偏度大于0時(shí)，灰度分布右偏；當(dāng)偏度小于0時(shí)，灰度分布左偏。峰度反映了灰度分布的尖峰程度，公式為Kurtosis=\frac{n(n+1)}{(n-1)(n-2)(n-3)}\sum_{i=1}^{n}(\frac{I_i-\bar{I}}{\sigma})^4-\frac{3(n-1)^2}{(n-2)(n-3)}，峰度越大，說明灰度分布的尖峰越明顯。本研究使用[特征提取軟件名稱]進(jìn)行影像組學(xué)特征的提取，該軟件集成了多種特征提取算法，具有操作簡便、準(zhǔn)確性高的特點(diǎn)。在提取特征時(shí)，對每個(gè)ROI進(jìn)行標(biāo)準(zhǔn)化處理，確保不同患者的特征具有可比性。軟件會(huì)自動(dòng)計(jì)算并輸出各種類型的影像組學(xué)特征，共計(jì)提取了[X]個(gè)特征，為后續(xù)的特征篩選和模型構(gòu)建提供了豐富的數(shù)據(jù)基礎(chǔ)。4.3特征篩選與降維4.3.1特征篩選方法在影像組學(xué)分析中，從大量提取的影像組學(xué)特征中篩選出與原發(fā)性肝細(xì)胞癌微血管侵犯（MVI）真正相關(guān)的特征至關(guān)重要。方差分析（AnalysisofVariance，ANOVA）是一種常用的特征篩選方法，它通過比較不同組（如MVI陽性組和MVI陰性組）之間特征均值的差異，來判斷特征對分類的貢獻(xiàn)。假設(shè)我們有一個(gè)特征X，對于MVI陽性組和MVI陰性組，分別計(jì)算該特征的均值\overline{X}_{MVI+}和\overline{X}_{MVI-}，然后通過方差分析計(jì)算F值，公式為F=\frac{\text{???é?′??1?·?}}{\text{????????1?·?}}。如果F值較大，且對應(yīng)的P值小于預(yù)先設(shè)定的顯著性水平（如0.05），則說明該特征在兩組之間存在顯著差異，具有一定的預(yù)測價(jià)值。方差分析可以快速地篩選出在不同組間表現(xiàn)出明顯差異的特征，從而初步去除那些對MVI狀態(tài)區(qū)分能力較弱的特征。相關(guān)性分析也是常用的特征篩選手段之一，它主要用于衡量特征之間以及特征與目標(biāo)變量（MVI狀態(tài)）之間的線性相關(guān)程度。皮爾遜相關(guān)系數(shù)是一種常用的相關(guān)性度量指標(biāo)，對于兩個(gè)變量X和Y，其皮爾遜相關(guān)系數(shù)r的計(jì)算公式為r=\frac{\sum_{i=1}^{n}(X_i-\overline{X})(Y_i-\overline{Y})}{\sqrt{\sum_{i=1}^{n}(X_i-\overline{X})^2}\sqrt{\sum_{i=1}^{n}(Y_i-\overline{Y})^2}}，其中n為樣本數(shù)量，\overline{X}和\overline{Y}分別為X和Y的均值。當(dāng)|r|越接近1時(shí)，表示兩個(gè)變量之間的線性相關(guān)性越強(qiáng)；當(dāng)|r|接近0時(shí)，表示線性相關(guān)性較弱。在特征篩選中，我們可以計(jì)算每個(gè)特征與MVI狀態(tài)之間的皮爾遜相關(guān)系數(shù)，保留相關(guān)性較強(qiáng)（如|r|\gt0.3）的特征。同時(shí)，為了避免特征冗余，還可以計(jì)算特征之間的相關(guān)性，對于相關(guān)性過高（如|r|\gt0.8）的特征，只保留其中一個(gè)。遞歸特征消除（RecursiveFeatureElimination，RFE）是一種基于模型的特征篩選方法，它通過遞歸地刪除對模型貢獻(xiàn)最小的特征，逐步篩選出重要特征。在本研究中，我們可以使用邏輯回歸模型作為基礎(chǔ)模型。首先，將所有提取的影像組學(xué)特征輸入到邏輯回歸模型中，計(jì)算每個(gè)特征的系數(shù)絕對值。然后，刪除系數(shù)絕對值最小的特征，重新構(gòu)建邏輯回歸模型，并再次計(jì)算特征系數(shù)。重復(fù)這個(gè)過程，每次刪除一個(gè)特征，直到滿足預(yù)設(shè)的停止條件（如剩余特征數(shù)量達(dá)到預(yù)期值，或模型性能不再提升等）。RFE能夠充分利用模型的學(xué)習(xí)能力，根據(jù)特征對模型預(yù)測能力的影響來篩選特征，有助于保留那些對MVI預(yù)測最有價(jià)值的特征。例如，經(jīng)過多次遞歸消除后，我們可能發(fā)現(xiàn)某些紋理特征和形狀特征在模型中始終具有較大的系數(shù)，這些特征就是與MVI相關(guān)性較高的重要特征。4.3.2降維技術(shù)應(yīng)用降維技術(shù)在影像組學(xué)分析中起著關(guān)鍵作用，它能夠有效減少特征數(shù)量，消除冗余信息，提高模型的訓(xùn)練效率和性能。主成分分析（PrincipalComponentAnalysis，PCA）是一種常用的線性降維方法，它通過線性變換將原始特征轉(zhuǎn)換為一組新的不相關(guān)的綜合特征，即主成分。這些主成分按照方差大小依次排列，方差越大表示該主成分包含的信息越多。在本研究中，假設(shè)我們有n個(gè)樣本，每個(gè)樣本有p個(gè)原始影像組學(xué)特征，構(gòu)成一個(gè)n\timesp的特征矩陣X。PCA的計(jì)算過程首先對X進(jìn)行中心化處理，即每個(gè)特征減去其均值。然后計(jì)算協(xié)方差矩陣C=\frac{1}{n-1}X^TX，對協(xié)方差矩陣進(jìn)行特征值分解，得到特征值\lambda_1\geq\lambda_2\geq\cdots\geq\lambda_p和對應(yīng)的特征向量e_1,e_2,\cdots,e_p。主成分就是由特征向量與原始特征的線性組合構(gòu)成，第i個(gè)主成分PC_i=e_i^TX。通常我們會(huì)選擇前k個(gè)主成分（k\ltp），使得它們能夠解釋原始數(shù)據(jù)的大部分方差，如累計(jì)貢獻(xiàn)率達(dá)到85%以上。通過PCA降維，我們可以將高維的影像組學(xué)特征空間壓縮到低維空間，減少計(jì)算量，同時(shí)保留數(shù)據(jù)的主要信息。線性判別分析（LinearDiscriminantAnalysis，LDA）也是一種有效的降維方法，與PCA不同的是，LDA是一種有監(jiān)督的降維方法，它利用類別信息（如MVI陽性和陰性）來尋找一個(gè)投影方向，使得投影后同類樣本盡可能聚集，不同類樣本盡可能分開。對于兩類問題（MVI陽性和陰性），假設(shè)X_1和X_2分別為MVI陽性組和MVI陰性組的特征矩陣，n_1和n_2為兩組的樣本數(shù)量，\overline{X}_1和\overline{X}_2為兩組的均值向量。類內(nèi)散度矩陣S_W=\sum_{i=1}^{n_1}(X_{1i}-\overline{X}_1)(X_{1i}-\overline{X}_1)^T+\sum_{j=1}^{n_2}(X_{2j}-\overline{X}_2)(X_{2j}-\overline{X}_2)^T，類間散度矩陣S_B=(\overline{X}_1-\overline{X}_2)(\overline{X}_1-\overline{X}_2)^T。然后求解廣義特征值問題S_Bw=\lambdaS_Ww，得到特征值\lambda和特征向量w，選擇最大的k個(gè)特征值對應(yīng)的特征向量構(gòu)成投影矩陣。將原始特征投影到這個(gè)投影矩陣上，就實(shí)現(xiàn)了降維。LDA能夠充分利用樣本的類別信息，在降維的同時(shí)提高樣本的可分性，對于構(gòu)建預(yù)測MVI的模型具有重要意義。4.4模型構(gòu)建與驗(yàn)證4.4.1機(jī)器學(xué)習(xí)算法選擇在原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型的構(gòu)建中，機(jī)器學(xué)習(xí)算法的選擇至關(guān)重要。支持向量機(jī)（SupportVectorMachine，SVM）是一種經(jīng)典的分類算法，它通過尋找一個(gè)最優(yōu)分類超平面，將不同類別的樣本分隔開。SVM在小樣本、非線性分類問題上表現(xiàn)出色，其核心思想是將低維空間中的非線性問題映射到高維空間中，通過核函數(shù)實(shí)現(xiàn)線性可分。在本研究中，SVM能夠有效地處理超聲影像組學(xué)特征的高維度和非線性關(guān)系。例如，使用徑向基函數(shù)（RBF）作為核函數(shù)，SVM可以在高維特征空間中找到一個(gè)最優(yōu)的分類邊界，從而對原發(fā)性肝細(xì)胞癌微血管侵犯的狀態(tài)進(jìn)行準(zhǔn)確分類。然而，SVM的性能對核函數(shù)的選擇和參數(shù)的調(diào)整較為敏感，不同的核函數(shù)和參數(shù)設(shè)置可能會(huì)導(dǎo)致模型性能的較大差異。邏輯回歸（LogisticRegression，LR）是一種廣泛應(yīng)用的線性分類模型，它基于邏輯函數(shù)將輸入特征映射到一個(gè)概率值，通過設(shè)定閾值來判斷樣本的類別。LR的優(yōu)點(diǎn)是模型簡單、可解釋性強(qiáng)，能夠直觀地展示各個(gè)特征對分類結(jié)果的影響。在本研究中，LR可以通過對篩選后的超聲影像組學(xué)特征進(jìn)行建模，得到每個(gè)特征的系數(shù)，從而分析哪些特征對微血管侵犯的預(yù)測具有重要作用。例如，通過LR模型可以發(fā)現(xiàn)，某些紋理特征和形態(tài)學(xué)特征與微血管侵犯的發(fā)生密切相關(guān)。但LR假設(shè)特征之間相互獨(dú)立，在實(shí)際應(yīng)用中，超聲影像組學(xué)特征之間可能存在一定的相關(guān)性，這可能會(huì)影響LR模型的性能。決策樹（DecisionTree）是一種基于樹結(jié)構(gòu)進(jìn)行決策的分類算法，它通過對特征進(jìn)行遞歸劃分，構(gòu)建決策樹模型。決策樹的優(yōu)點(diǎn)是易于理解和解釋，能夠直觀地展示決策過程。在本研究中，決策樹可以根據(jù)超聲影像組學(xué)特征的不同取值，逐步對樣本進(jìn)行分類，形成一個(gè)樹形結(jié)構(gòu)。例如，決策樹可能首先根據(jù)腫瘤的大小特征進(jìn)行劃分，然后再根據(jù)紋理特征進(jìn)一步細(xì)分，最終確定樣本是否存在微血管侵犯。然而，決策樹容易出現(xiàn)過擬合問題，特別是在樣本數(shù)量較少、特征維度較高的情況下，決策樹可能會(huì)過度擬合訓(xùn)練數(shù)據(jù)，導(dǎo)致在測試集上的泛化能力較差。隨機(jī)森林（RandomForest，RF）是一種基于決策樹的集成學(xué)習(xí)算法，它通過構(gòu)建多個(gè)決策樹，并將這些決策樹的預(yù)測結(jié)果進(jìn)行綜合，來提高模型的性能和穩(wěn)定性。RF在處理高維數(shù)據(jù)和防止過擬合方面具有優(yōu)勢，它通過隨機(jī)選擇特征和樣本，減少了決策樹之間的相關(guān)性，從而降低了模型的方差。在本研究中，RF可以充分利用超聲影像組學(xué)的高維特征，通過多個(gè)決策樹的投票機(jī)制，對微血管侵犯進(jìn)行準(zhǔn)確預(yù)測。例如，RF模型可以在訓(xùn)練過程中自動(dòng)選擇對分類最有幫助的特征，避免了單一決策樹對某些特征的過度依賴。經(jīng)過對以上幾種算法的綜合比較和分析，考慮到超聲影像組學(xué)特征的高維度、非線性以及本研究樣本量的特點(diǎn)，最終選擇隨機(jī)森林算法作為構(gòu)建原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型的基礎(chǔ)算法。隨機(jī)森林算法能夠充分利用影像組學(xué)特征的信息，同時(shí)有效地防止過擬合，提高模型的泛化能力和穩(wěn)定性，更適合本研究的需求。4.4.2模型訓(xùn)練與評估模型訓(xùn)練過程是構(gòu)建預(yù)測模型的關(guān)鍵環(huán)節(jié)。本研究將收集到的[X]例原發(fā)性肝細(xì)胞癌患者的數(shù)據(jù)集按照70%-30%的比例隨機(jī)劃分為訓(xùn)練集和測試集，其中訓(xùn)練集包含[X1]例患者，用于模型的訓(xùn)練和參數(shù)調(diào)整；測試集包含[X2]例患者，用于評估模型的性能。在訓(xùn)練集中，進(jìn)一步采用5折交叉驗(yàn)證的方法對隨機(jī)森林模型進(jìn)行訓(xùn)練。具體來說，將訓(xùn)練集隨機(jī)分成5個(gè)互不相交的子集，每次選擇其中4個(gè)子集作為訓(xùn)練數(shù)據(jù)，剩余1個(gè)子集作為驗(yàn)證數(shù)據(jù)。通過這種方式，模型可以在不同的訓(xùn)練-驗(yàn)證數(shù)據(jù)組合上進(jìn)行多次訓(xùn)練和評估，從而更全面地學(xué)習(xí)數(shù)據(jù)的特征和規(guī)律，提高模型的穩(wěn)定性和泛化能力。在模型訓(xùn)練過程中，對隨機(jī)森林模型的參數(shù)進(jìn)行了優(yōu)化調(diào)整。隨機(jī)森林模型的主要參數(shù)包括決策樹的數(shù)量（n_estimators）、每個(gè)決策樹分裂時(shí)考慮的最大特征數(shù)（max_features）、決策樹的最大深度（max_depth）等。通過網(wǎng)格搜索法對這些參數(shù)進(jìn)行調(diào)優(yōu)，設(shè)定n_estimators的取值范圍為[50,100,150,200]，max_features的取值為['sqrt','log2']，max_depth的取值范圍為[None,5,10,15]。通過網(wǎng)格搜索遍歷所有參數(shù)組合，在5折交叉驗(yàn)證中選擇使模型性能最優(yōu)的參數(shù)組合。例如，經(jīng)過參數(shù)調(diào)優(yōu)后，發(fā)現(xiàn)當(dāng)n_estimators=150，max_features='sqrt'，max_depth=10時(shí)，模型在交叉驗(yàn)證中的性能最佳。模型評估是衡量模型性能的重要步驟，本研究使用了準(zhǔn)確率、召回率、F1值、受試者工作特征曲線下面積（AUC）等指標(biāo)來全面評估模型的性能。準(zhǔn)確率（Accuracy）是指模型正確預(yù)測的樣本數(shù)占總樣本數(shù)的比例，計(jì)算公式為Accuracy=\frac{TP+TN}{TP+TN+FP+FN}，其中TP表示真陽性樣本數(shù)，TN表示真陰性樣本數(shù)，F(xiàn)P表示假陽性樣本數(shù)，F(xiàn)N表示假陰性樣本數(shù)。召回率（Recall）也稱為靈敏度或真正率，是指實(shí)際為正樣本且被模型正確預(yù)測為正樣本的樣本數(shù)占實(shí)際正樣本數(shù)的比例，計(jì)算公式為Recall=\frac{TP}{TP+FN}。F1值是綜合考慮準(zhǔn)確率和召回率的指標(biāo)，它是準(zhǔn)確率和召回率的調(diào)和平均數(shù)，計(jì)算公式為F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}，其中Precision表示精確率，計(jì)算公式為Precision=\frac{TP}{TP+FP}。AUC是受試者工作特征曲線（ReceiverOperatingCharacteristicCurve，ROC）下的面積，ROC曲線是以真陽性率（召回率）為縱坐標(biāo)，假陽性率（FPR=\frac{FP}{FP+TN}）為橫坐標(biāo)繪制的曲線，AUC取值范圍在0-1之間，AUC越大，表示模型的性能越好，當(dāng)AUC=0.5時(shí)，模型的預(yù)測能力與隨機(jī)猜測相當(dāng)。在測試集上對訓(xùn)練好的隨機(jī)森林模型進(jìn)行評估，結(jié)果顯示模型的準(zhǔn)確率為[X3]，召回率為[X4]，F(xiàn)1值為[X5]，AUC為[X6]。這些指標(biāo)表明，該模型在預(yù)測原發(fā)性肝細(xì)胞癌微血管侵犯方面具有較好的性能。例如，較高的準(zhǔn)確率說明模型能夠準(zhǔn)確地判斷大多數(shù)樣本的微血管侵犯狀態(tài)；較高的召回率意味著模型能夠較好地識別出實(shí)際存在微血管侵犯的樣本；F1值綜合反映了模型在準(zhǔn)確率和召回率方面的表現(xiàn)，較高的F1值表明模型在兩個(gè)方面都表現(xiàn)較為出色；AUC為[X6]，說明模型在區(qū)分微血管侵犯陽性和陰性樣本方面具有較強(qiáng)的能力，能夠?yàn)榕R床診斷提供有價(jià)值的參考。五、案例分析與結(jié)果討論5.1案例展示5.1.1典型病例介紹病例一：患者男性，56歲，乙肝病史20年，因體檢發(fā)現(xiàn)肝臟占位就診。血清甲胎蛋白（AFP）為280ng/mL，谷丙轉(zhuǎn)氨酶（ALT）55U/L，谷草轉(zhuǎn)氨酶（AST）48U/L。超聲檢查顯示肝臟右葉見一大小約4.5cm×3.8cm的低回聲結(jié)節(jié)，邊界尚清，形態(tài)欠規(guī)則，內(nèi)部回聲不均勻，可見散在強(qiáng)回聲光點(diǎn)，周邊可見血流信號。經(jīng)手術(shù)切除后，病理診斷為原發(fā)性肝細(xì)胞癌，中分化，存在微血管侵犯（MVI陽性），MVI分級為M1級，腫瘤侵犯門靜脈分支，癌旁組織可見衛(wèi)星灶。病例二：患者女性，48歲，無乙肝病史，因右上腹隱痛就診。血清AFP為12ng/mL，ALT35U/L，AST32U/L。超聲圖像顯示肝臟左葉有一3.2cm×2.8cm的等回聲結(jié)節(jié)，邊界清晰，形態(tài)規(guī)則，內(nèi)部回聲均勻，周邊未見明顯血流信號。術(shù)后病理證實(shí)為原發(fā)性肝細(xì)胞癌，高分化，無微血管侵犯（MVI陰性），腫瘤包膜完整，癌旁組織未見癌細(xì)胞浸潤。病例三：患者男性，62歲，丙肝病史15年，近期出現(xiàn)乏力、消瘦等癥狀。AFP為1200ng/mL，ALT80U/L，AST75U/L。超聲檢查發(fā)現(xiàn)肝臟右葉多個(gè)結(jié)節(jié)，最大者約6.0cm×5.5cm，呈混合回聲，邊界不清，形態(tài)不規(guī)則，內(nèi)部回聲雜亂，可見大片狀低回聲區(qū)及強(qiáng)回聲光斑，周邊及內(nèi)部可見豐富血流信號。手術(shù)病理結(jié)果為原發(fā)性肝細(xì)胞癌，低分化，MVI陽性，MVI分級為M2級，腫瘤侵犯肝靜脈分支，肝內(nèi)多發(fā)轉(zhuǎn)移灶。5.1.2模型預(yù)測結(jié)果與實(shí)際情況對比將上述三個(gè)典型病例的超聲影像數(shù)據(jù)輸入到基于超聲影像組學(xué)構(gòu)建的原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型中，得到的預(yù)測結(jié)果如下：對于病例一，模型預(yù)測為MVI陽性，與術(shù)后病理診斷結(jié)果一致。模型在分析該病例的超聲影像組學(xué)特征時(shí)，發(fā)現(xiàn)腫瘤的形狀不規(guī)則，球形度較低，紋理特征顯示灰度不均勻，且瘤周區(qū)域的某些紋理特征和強(qiáng)度特征也表現(xiàn)出與MVI陽性相關(guān)的特征模式。這些特征被模型識別并作為判斷MVI陽性的依據(jù)，使得模型能夠準(zhǔn)確預(yù)測該病例的MVI狀態(tài)。病例二，模型預(yù)測為MVI陰性，同樣與病理結(jié)果相符。該病例的腫瘤在超聲影像上表現(xiàn)為邊界清晰、形態(tài)規(guī)則、內(nèi)部回聲均勻，從影像組學(xué)特征角度分析，其形狀特征較為規(guī)則，紋理特征相對簡單，灰度分布均勻，瘤周區(qū)域也未表現(xiàn)出與MVI相關(guān)的特征改變。模型基于這些特征準(zhǔn)確判斷該病例不存在微血管侵犯。病例三，模型也正確預(yù)測為MVI陽性，且預(yù)測MVI分級為M2級。在該病例中，腫瘤的大小、形態(tài)、內(nèi)部回聲以及血流信號等在超聲影像上表現(xiàn)出明顯的惡性特征。影像組學(xué)特征提取顯示腫瘤體積大，形狀極不規(guī)則，紋理復(fù)雜性高，灰度值分布異常，瘤周區(qū)域特征也顯著異常。模型通過對這些特征的分析，準(zhǔn)確預(yù)測出該病例的MVI陽性狀態(tài)以及高風(fēng)險(xiǎn)的M2分級。通過對這三個(gè)典型病例的分析可知，基于超聲影像組學(xué)構(gòu)建的預(yù)測模型在預(yù)測原發(fā)性肝細(xì)胞癌微血管侵犯方面具有較高的準(zhǔn)確性，能夠較好地反映實(shí)際的病理情況。模型能夠從復(fù)雜的超聲影像數(shù)據(jù)中提取出與MVI相關(guān)的特征，并做出準(zhǔn)確的判斷，為臨床術(shù)前評估提供了有價(jià)值的參考。然而，需要注意的是，盡管模型在這些典型病例中表現(xiàn)出色，但在實(shí)際應(yīng)用中，仍可能存在一定的局限性，如對于一些特殊病例或影像特征不典型的情況，模型的預(yù)測準(zhǔn)確性可能會(huì)受到影響。因此，在臨床應(yīng)用中，應(yīng)結(jié)合患者的臨床資料、其他影像學(xué)檢查結(jié)果以及醫(yī)生的臨床經(jīng)驗(yàn)，綜合判斷患者的MVI狀態(tài)，以提高診斷的準(zhǔn)確性和可靠性。5.2結(jié)果分析5.2.1模型性能指標(biāo)分析通過對測試集數(shù)據(jù)的預(yù)測，對基于超聲影像組學(xué)構(gòu)建的原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型的性能指標(biāo)進(jìn)行深入分析。在準(zhǔn)確性方面，模型的準(zhǔn)確率達(dá)到了[X3]，這意味著在所有測試樣本中，模型能夠正確判斷微血管侵犯狀態(tài)的樣本比例較高。例如，在[X2]例測試樣本中，模型正確預(yù)測了[X3*X2]例樣本的MVI狀態(tài)，表明模型在整體上具有較好的判斷能力。然而，準(zhǔn)確率并不能完全反映模型在不同類別樣本上的表現(xiàn)，還需要結(jié)合其他指標(biāo)進(jìn)行綜合評估。敏感度，即召回率，模型的敏感度為[X4]。這表明在實(shí)際存在微血管侵犯的樣本中，模型能夠準(zhǔn)確識別出的樣本比例為[X4]。例如，在測試集中有[X7]例MVI陽性樣本，模型成功預(yù)測出了[X4*X7]例，說明模型對于MVI陽性樣本具有較好的檢測能力，能夠有效識別出潛在的微血管侵犯情況。較高的敏感度對于臨床診斷具有重要意義，它可以幫助醫(yī)生及時(shí)發(fā)現(xiàn)存在微血管侵犯的患者，從而采取更積極的治療措施。特異度方面，模型的特異度為[X8]。這表示在實(shí)際無微血管侵犯的樣本中，模型正確判斷為陰性的樣本比例為[X8]。例如，在測試集中有[X9]例MVI陰性樣本，模型準(zhǔn)確判斷出了[X8*X9]例，說明模型對于MVI陰性樣本的判斷也較為準(zhǔn)確，能夠避免對無MVI患者的過度診斷。特異度的高低直接影響到模型的臨床應(yīng)用價(jià)值，高特異度可以減少不必要的檢查和治療，降低患者的醫(yī)療負(fù)擔(dān)。受試者工作特征曲線下面積（AUC）是評估模型性能的重要指標(biāo)之一，本模型的AUC為[X6]。AUC取值范圍在0-1之間，當(dāng)AUC越接近1時(shí)，說明模型的預(yù)測能力越強(qiáng)，能夠更好地區(qū)分MVI陽性和陰性樣本。本模型的AUC達(dá)到[X6]，表明模型在區(qū)分微血管侵犯狀態(tài)方面具有較強(qiáng)的能力，能夠?yàn)榕R床診斷提供有價(jià)值的參考。在實(shí)際應(yīng)用中，AUC值可以幫助醫(yī)生判斷模型的可靠性，決定是否將其應(yīng)用于臨床實(shí)踐。為了進(jìn)一步驗(yàn)證模型性能的穩(wěn)定性，對不同參數(shù)設(shè)置下的模型進(jìn)行了多次訓(xùn)練和測試。通過調(diào)整隨機(jī)森林模型的決策樹數(shù)量、最大特征數(shù)、最大深度等參數(shù)，觀察模型性能指標(biāo)的變化情況。結(jié)果顯示，在一定范圍內(nèi)，隨著決策樹數(shù)量的增加，模型的準(zhǔn)確率和AUC有一定程度的提升，但當(dāng)決策樹數(shù)量過多時(shí)，模型可能會(huì)出現(xiàn)過擬合現(xiàn)象，導(dǎo)致在測試集上的性能下降。最大特征數(shù)和最大深度的調(diào)整也對模型性能產(chǎn)生了影響，通過不斷嘗試不同的參數(shù)組合，最終確定了使模型性能最優(yōu)的參數(shù)設(shè)置。這表明模型的性能對參數(shù)設(shè)置較為敏感，合理的參數(shù)調(diào)整能夠提高模型的性能和穩(wěn)定性。5.2.2特征重要性分析在構(gòu)建原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型過程中，確定對MVI預(yù)測貢獻(xiàn)較大的影像組學(xué)特征，并探討其與MVI的潛在關(guān)系至關(guān)重要。通過隨機(jī)森林算法中的特征重要性評估方法，得到了各個(gè)影像組學(xué)特征的重要性得分。結(jié)果顯示，紋理特征中的灰度共生矩陣（GLCM）對比度和灰度游程矩陣（GLRLM）長游程強(qiáng)調(diào)在MVI預(yù)測中具有較高的重要性得分。GLCM對比度反映了圖像中紋理的清晰程度和變化程度，較高的GLCM對比度值可能意味著腫瘤內(nèi)部的紋理結(jié)構(gòu)復(fù)雜，這與MVI的發(fā)生可能存在關(guān)聯(lián)。研究表明，存在MVI的腫瘤組織內(nèi)部往往存在更多的微血管分支和癌細(xì)胞浸潤，導(dǎo)致其紋理特征更加復(fù)雜，GLCM對比度升高。GLRLM長游程強(qiáng)調(diào)突出了圖像中長游程的紋理信息，在MVI陽性的腫瘤中，長游程的紋理可能反映了腫瘤細(xì)胞在微血管周圍的浸潤生長模式。當(dāng)腫瘤細(xì)胞侵犯微血管時(shí)，會(huì)沿著血管周圍的組織間隙生長，形成長游程的紋理特征，從而使GLRLM長游程強(qiáng)調(diào)的值增加。形狀特征中的腫瘤體積和球形度也對MVI預(yù)測具有重要貢獻(xiàn)。腫瘤體積越大，發(fā)生MVI的風(fēng)險(xiǎn)可能越高，這是因?yàn)檩^大的腫瘤往往具有更強(qiáng)的侵襲性，更容易侵犯周圍的微血管。研究統(tǒng)計(jì)發(fā)現(xiàn)，MVI陽性組的腫瘤體積明顯大于MVI陰性組。球形度用于衡量腫瘤形狀與球體的相似程度，球形度越低，說明腫瘤形狀越不規(guī)則，而不規(guī)則的腫瘤形狀與MVI的發(fā)生密切相關(guān)。形狀不規(guī)則的腫瘤可能在生長過程中對周圍組織和微血管造成更大的壓迫和侵犯，從而增加MVI的發(fā)生概率。強(qiáng)度特征中的均值和偏度也在MVI預(yù)測中表現(xiàn)出一定的重要性。均值反映了圖像灰度的平均水平，在MVI陽性的腫瘤中，由于癌細(xì)胞的增殖和微血管的侵犯，腫瘤組織的灰度均值可能會(huì)發(fā)生改變。偏度用于描述灰度分布的不對稱性，MVI陽性腫瘤的灰度分布可能更加不對稱，偏度值可能會(huì)偏離正常范圍。這可能是由于腫瘤內(nèi)部的壞死、出血以及微血管侵犯等因素導(dǎo)致灰度分布不均勻，從而使偏度發(fā)生變化。將影像組學(xué)特征與臨床特征相結(jié)合，進(jìn)一步分析其對MVI預(yù)測的影響。臨床特征如甲胎蛋白（AFP）水平、腫瘤數(shù)目等與影像組學(xué)特征具有一定的相關(guān)性。AFP是肝癌的重要標(biāo)志物之一，高水平的AFP往往與肝癌的惡性程度和MVI的發(fā)生相關(guān)。當(dāng)將AFP水平與影像組學(xué)特征一起納入模型時(shí)，模型的預(yù)測性能得到了進(jìn)一步提升。腫瘤數(shù)目也是一個(gè)重要的臨床特征，多個(gè)腫瘤結(jié)節(jié)的存在可能增加了MVI的發(fā)生風(fēng)險(xiǎn)，與影像組學(xué)特征結(jié)合后，能夠更全面地反映患者的病情，提高M(jìn)VI預(yù)測的準(zhǔn)確性。5.3討論5.3.1模型的優(yōu)勢與局限性基于超聲影像組學(xué)構(gòu)建的原發(fā)性肝細(xì)胞癌微血管侵犯預(yù)測模型具有多方面的優(yōu)勢。該模型實(shí)現(xiàn)了無創(chuàng)預(yù)測，傳統(tǒng)的微血管侵犯診斷依賴術(shù)后病理檢查，無法在術(shù)前為治療決策提供依據(jù)，而本模型通過分析術(shù)前超聲影像，無需進(jìn)行有創(chuàng)的穿刺活檢或手術(shù)切除，減少了患者的痛苦和風(fēng)險(xiǎn)，同時(shí)也避免了穿刺活檢可能導(dǎo)致的腫瘤種植轉(zhuǎn)移等并發(fā)癥。從臨床應(yīng)用潛力來看，模型為臨床醫(yī)生提供了一種便捷且快速的預(yù)測工具。在臨床實(shí)踐中，醫(yī)生可在短時(shí)間內(nèi)獲得患者的微血管侵犯預(yù)測結(jié)果，從而及時(shí)調(diào)整治療方案。對于預(yù)測為微血管侵犯陽性的患者，可提前制定更積極的治療策略，如擴(kuò)大手術(shù)切除范圍、聯(lián)合輔助治療等；對于預(yù)測為陰性的患者，則可避免不必要的過度治療。這有助于提高治療的精準(zhǔn)性，改善患者的預(yù)后，同時(shí)也能優(yōu)化醫(yī)療資源的配置，降低醫(yī)療成本。然而，該模型也存在一定的局限性。樣本量相對較小是一個(gè)重要問題。本研究雖然收集了[X]例患者的數(shù)據(jù)，但在復(fù)雜的臨床環(huán)境中，這樣的樣本量可能無法充分涵蓋所有類型的原發(fā)性肝細(xì)胞癌患者及其微血管侵犯情況。較小的樣本量可能導(dǎo)致模型的泛化能力受限，難以準(zhǔn)確應(yīng)用于不同特征的患者群體。未來需要進(jìn)一步擴(kuò)大樣本量，納入更多不同地區(qū)、不同特征的患者數(shù)據(jù)，以提高模型的通用性和準(zhǔn)確性。影像組學(xué)特征的穩(wěn)定性也是模型面臨的挑戰(zhàn)之一。超聲影像易受多種因素影響，如超聲設(shè)備的差異、操作人員的手法、患者的呼吸運(yùn)動(dòng)等，這些因素可能導(dǎo)致影像組學(xué)特征的可重復(fù)性較差。即使是同一患者在不同時(shí)間或不同設(shè)備上進(jìn)行超聲檢查，提取的影像組學(xué)特征也可能存在差異，從而影響模型的可靠性。為解決這一問題，需要建立統(tǒng)一的超聲圖像采集和處理標(biāo)準(zhǔn)，規(guī)范操作流程，同時(shí)開發(fā)更穩(wěn)健的特征提取和分析方法，提高特征的穩(wěn)定性和可重復(fù)性。5.3.2與其他預(yù)測方法的比較與傳統(tǒng)影像學(xué)方法相比，基于超聲影像組學(xué)的模型具有獨(dú)特的優(yōu)勢。傳統(tǒng)的超聲、CT、MRI等影像學(xué)檢查主要