本研究由四川大学华西医院放射科的冯晨（feng che）和高菲菲（feifei gao）作为共同第一作者，通讯作者为宋彬（bin song）和韦毅（yi wei），联合GE医疗中国CT影像研究中心、河南省人民医院放射科及三亚市人民医院放射科等多个团队共同完成。论文发表于《International Journal of Surgery》2025年第111卷，在线发表时间为2025年5月29日。

一、研究的学术背景与目的

肝细胞癌（hepatocellular carcinoma，HCC）是全球范围内最常见的原发性肝脏恶性肿瘤之一，其术后复发和转移是影响患者长期生存的主要原因。近年来，一种被称为“包裹肿瘤簇的血管”（vessels that encapsulate tumor clusters，VETC）的特殊组织学血管模式受到广泛关注。VETC是一种独立于上皮-间质转化（epithelial-mesenchymal transition，EMT）的侵袭转移途径，其特征是窦隙样血管形成网状结构，包裹单个肿瘤细胞簇。已有研究表明，VETC阳性的HCC患者在手术切除或肝移植后预后明显差于VETC阴性患者，且VETC模式可作为预测索拉非尼（sorafenib）治疗获益的潜在标志物。然而，VETC状态的确定目前依赖术后病理标本的CD34免疫组化染色，属于有创性检查，且存在取样误差风险。因此，如何在术前无创性预测VETC状态，对于优化治疗策略和预后评估具有重要临床意义。

既往研究虽已尝试基于CT或MRI的常规影像特征以及影像组学、深度学习模型预测VETC，但常规影像特征受主观性影响较大，而影像组学和深度学习模型则面临特征数量庞大、过拟合风险高以及外部验证不足等问题。分形分析（fractal analysis）是一种通过计算分形维数（fractal dimension，FD）和空隙度（lacunarity）来定量评价结构复杂性和空间异质性的方法，已被用于肿瘤分级、鉴别诊断和微血管复杂性评估。然而，尚无研究将分形分析应用于HCC患者VETC状态的术前预测。基于此，本研究旨在利用钆塞酸二钠（gadolinium-ethoxybenzyl-diethylenetriamine pentaacetic acid，Gd-EOB-DTPA）增强MRI的肝胆期图像进行分形分析，评估其在预测HCC患者VETC状态及预后中的价值。

二、研究的详细流程

本研究为回顾性多中心研究，共纳入505例HCC患者。研究流程主要包括患者筛选与分组、组织病理学评估、MRI图像采集与影像特征评价、三维肿瘤分割与分形分析、预测模型构建与验证以及预后分析等环节。

在患者筛选与分组方面，来自四川大学华西医院（机构1）的361例患者按7：3比例随机分为训练集（253例）和内部测试集（108例），来自河南省人民医院（机构2）的144例患者构成外部测试集。纳入标准包括：年龄≥18岁、经组织病理学确诊为HCC、术前1个月内接受Gd-EOB-DTPA增强MRI检查。排除标准包括：图像质量不佳、术前曾接受任何抗肿瘤治疗以及合并其他恶性肿瘤。研究收集了患者术前1个月内的临床基线资料和实验室指标，包括甲胎蛋白（alpha-fetoprotein，AFP）、肝功能相关指标、凝血功能指标以及Child-Pugh分级等。

在组织病理学评估方面，由一名具有10年肝脏病理经验的病理科医师在不知晓临床和影像资料的情况下复习所有病理切片。对于多发病灶患者，选取最大病灶作为病理和影像评估的靶病灶。VETC模式定义为经CD34免疫组化染色证实的窦隙样血管形成网状结构并包裹单个肿瘤簇，存在该模式者判为VETC阳性，否则为VETC阴性。

在MRI图像采集方面，研究使用了五台3.0T MRI设备。扫描序列包括T2加权成像、扩散加权成像及表观扩散系数图、T1加权同反相位成像，以及包含平扫期、动脉晚期、门静脉期、移行期和肝胆期（hepatobiliary phase，HBP）的T1加权动态增强成像。图像特征评价由两名分别具有5年和10年腹部影像诊断经验的放射科医师在盲法条件下独立完成。评价的影像特征包括肿瘤大小、肿瘤数目、动脉期环形高强化（rim arterial phase hyperenhancement，rim-APHE）、晕环强化、瘤内动脉、坏死或严重缺血、不完整“包膜”、非光滑肿瘤边缘、肝胆期瘤周低信号以及卫星结节等。

在分形分析环节，首先由一名放射科医师使用ITK-SNAP软件（版本3.8.0）在HBP图像上对肿瘤进行手动三维分割，覆盖整个肿瘤区域，并由一名高年资放射科医师进行核查。随后，使用Python 3.10进行分形分析。分形维数采用盒计数法（box-counting method）计算，以量化肿瘤形态复杂性和不规则性；空隙度采用滑动盒算法（sliding-box algorithm）计算，以评估肿瘤内空隙分布的空间异质性。研究还通过三维模型和空间热图对空隙度分布进行了可视化展示。该部分为本研究的关键技术创新点之一，即将三维分形分析应用于HCC的VETC状态评估。

在模型构建方面，研究首先在训练集中通过单因素logistic回归分析筛选与VETC相关的潜在预测因素，将单因素分析中P<0.05的变量纳入多因素logistic回归模型，并基于赤池信息准则（Akaike information criterion，AIC）采用向后逐步选择法确定最终混合模型（hybrid model）。同时，将仅包含AFP、肿瘤大小和瘤内动脉的模型定义为临床-影像模型（clinical-radiological model），将仅包含FD和空隙度的模型定义为FD-空隙度模型（FD-lacunarity model）。研究还采用五折交叉验证评估模型的泛化性和稳定性，利用方差膨胀因子（variance inflation factor，VIF）检验多重共线性，并使用SHAP（Shapley additive explanations）值对特征重要性进行定量排序。模型的诊断效能通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）评价，采用DeLong检验比较不同模型AUC的差异，并通过校准曲线和决策曲线分析分别评估模型的校准度和临床净获益。

在预后分析方面，患者术后每3至6个月随访一次，随访内容包括AFP水平和超声、CT或MRI等影像学检查。无复发生存期（recurrence-free survival，RFS）定义为手术至肿瘤复发或末次随访的时间，总生存期（overall survival，OS）定义为手术至任何原因死亡的时间。采用Kaplan-Meier法绘制生存曲线，并使用log-rank检验比较组间差异。

三、研究的主要结果

在505例患者中，VETC阳性率在训练集、内部测试集和外部测试集中分别为32.4%、31.5%和37.5%，三组间分布均衡。训练集中，与VETC阴性HCC相比，VETC阳性HCC患者的AFP水平更高（P<0.001），肿瘤更大（P<0.001），瘤内动脉（P=0.038）和坏死或严重缺血（P<0.001）更常见。在内部和外部测试集中，VETC阳性与阴性HCC之间在AFP水平、肿瘤大小和瘤内动脉方面也存在显著差异。

在分形参数方面，三个数据集中VETC阳性HCC的FD和空隙度均显著高于VETC阴性HCC（所有P<0.05）。训练集中，VETC阳性组与阴性组的FD分别为2.87±0.14和2.63±0.26，空隙度分别为2.36±0.43和1.90±0.37；内部测试集中FD分别为2.83±0.13和2.62±0.27，空隙度分别为2.24±0.27和1.95±0.39；外部测试集中FD分别为2.94±0.34和2.60±0.44，空隙度分别为2.29±0.47和2.07±0.34。FD-空隙度模型在训练集、内部测试集和外部测试集中的AUC分别为0.83（95%置信区间[CI]：0.78–0.88）、0.78（95%CI：0.70–0.87）和0.79（95%CI：0.70–0.86）。

多因素logistic回归分析显示，AFP、肿瘤大小、瘤内动脉、FD和空隙度为VETC的独立预测因素，并以此构建混合模型。SHAP分析显示，FD是预测VETC状态最重要的特征，其次为空隙度、肿瘤大小、瘤内动脉和AFP。混合模型在训练集、内部测试集和外部测试集中的AUC分别为0.86（95%CI：0.82–0.91）、0.80（95%CI：0.72–0.89）和0.84（95%CI：0.78–0.91），均显著高于临床-影像模型（AUC分别为0.77、0.72和0.65，所有P<0.05）。五折交叉验证显示混合模型的平均AUC为0.85，准确度为0.76，敏感度为0.78，特异度为0.69，表明模型具有较好的稳定性。校准曲线显示模型预测值与实际观察值之间具有良好的一致性。

在预后方面，训练集中组织学VETC阳性患者的中位RFS为20个月（四分位距[IQR]，5-44），中位OS为47个月（IQR，32-69），均显著短于VETC阴性患者（中位RFS 39个月[IQR，8-51]；中位OS 50个月[IQR，43-76]）（均P<0.05）。混合模型预测为VETC高风险的HCC患者同样表现出显著更差的RFS和OS（均P<0.05），且这一趋势在内部和外部测试集中均得到验证。由于两个中心的随访时长存在差异，研究还进行了亚组分析，结果进一步证实VETC状态与RFS和OS的显著相关性。

四、研究结论与价值

本研究首次将基于Gd-EOB-DTPA增强MRI肝胆期图像的三维分形分析应用于HCC患者VETC状态的术前预测，证实了FD和空隙度均是VETC的独立预测因素。混合模型在内部和外部测试集中均表现出良好的预测性能，且显著优于仅基于临床和常规影像特征的模型。更重要的是，该模型不仅能术前预测VETC状态，还能对患者的RFS和OS进行风险分层，为临床医生制定个体化治疗策略提供了重要参考。从科学价值来看，本研究揭示了分形特征与肿瘤血管微环境之间的潜在关联，为肿瘤异质性的定量表征提供了新思路；从应用价值来看，该方法有望成为术前无创性评估HCC侵袭性和预后的有力工具。

五、研究亮点

本研究的亮点主要包括以下几个方面：第一，首次将分形分析引入HCC的VETC状态评估，提供了一种能够客观定量描述肿瘤复杂性和空间异质性的新方法；第二，研究基于505例多中心数据，并设置了独立的外部测试集，样本量较大且验证较为充分，显著降低了过拟合风险；第三，混合模型将分形参数与临床和常规影像特征相结合，在内部和外部测试集中均实现了优于临床-影像模型的诊断效能，显示出良好的泛化能力；第四，研究不仅关注诊断效能，还进一步验证了模型预测的VETC状态与患者预后的相关性，体现了从诊断到预后评估的完整研究链条。

六、其他有价值的内容

研究还指出了分形分析在临床应用中的潜在挑战，如肿瘤分割的额外处理步骤可能影响常规临床使用效率，但人工智能驱动的自动分割技术有望解决这一问题。此外，研究局限性包括回顾性设计可能引入选择偏倚、仅分析肝胆期图像而未与其他序列对比，以及不同MRI设备参数对分形分析结果的影响尚需进一步验证。这些讨论为后续研究指明了方向，也体现了研究团队对方法学局限性的清晰认识。