médical IA

射频消融后肝细胞癌的早期复发：一个 MRI 影像组学模型报告 0.909 的 AUC，而该数字来自 34 例患者、12 例复发

发布于 2026年8月24日 · 14 分钟 阅读

中国人民解放军总医院第四医学中心的七位作者，从 2015 至 2021 年间接受射频消融治疗的 169 例肝细胞癌患者的五个 MRI 序列中提取了 11 320 个影像组学特征，随后训练三种经典机器学习分类器来预测一年内的复发。其中表现最好的一个——将 LASSO 筛选出的 16 个特征与三个临床变量结合的随机森林——在训练集上达到 0.975 的 AUC，在测试集上为 0.909（95% CI 0.807–1.000）。这个测试集包含 34 例患者，其中 12 例复发；它与训练集来自同一家中心、同一位术者、同样的设备；并且在它上面比较了九个模型，然后把赢家作为"该模型"报告出来。

关于背景

射频消融与手术切除、肝移植并列，是早期肝细胞癌的三种根治性治疗之一。在超声或 CT 引导下将电极置入肿瘤内加热，通过热凝固性坏死破坏组织。对于肝功能储备不足、无法耐受手术的肝硬化患者，其价值显而易见；其局限同样明显：该操作把肝脏留在原处，连同其基础疾病和致癌潜能一起留下，因此肝内复发很常见。在本文描述的队列中，169 例患者中有 61 例、即 36.1% 在一年内复发。

如果能事先区分出会复发的人，实际用处是明确的：加强随访、考虑用手术切除替代消融，或者转入辅助治疗方案。现有工具——BCLC 分期、CLIP 评分——是为人群而非个体设计的预后分期系统，其中不含任何关于肿瘤异质性的定量信息。

影像组学（radiomics）是近十年来提出的方法学答案。其原理是：不再用放射科医生能叫出名字的少数几个属性（大小、包膜、强化方式）来描述肿瘤，而是自动计算成千上万个关于体素强度及其空间排布的统计描述子——一阶矩、灰度共生矩阵、游程长度，并在小波滤波或高斯拉普拉斯滤波之后重复计算一遍。于是每个肿瘤得到一个数千维的向量，人们希望它能捕捉到肉眼看不见的生物学异质性。这门学科的结构性问题也随之而来：几千个变量对应几十个事件，这使得特征筛选既不可或缺，又充满风险。

关于方法

队列。单中心回顾性研究。2015 年 1 月至 2021 年 12 月间筛查的 486 例患者中，317 例被排除（65.2%）：既往抗肿瘤治疗、经导管化疗栓塞或全身化疗（n = 148）、大血管侵犯（n = 61）、肝外转移（n = 68）、合并其他恶性肿瘤（n = 19）、MRI 伪影明显（n = 21）。剩下 169 例患者，按纳入标准均为早期：单发肿瘤最大径不超过 5 cm，或多发病灶每个不超过 3 cm。队列男性占 89.9%，中位年龄 58 岁，73.9% 为乙型肝炎病毒携带者。诊断依据在 37.9% 的病例中为组织病理，其余 62.1% 依据 AASLD 指南的影像学标准。

操作与终点。所有消融均由一位具有二十年以上经验的介入外科医生完成，使用美敦力 Cool-tip 系统、17 G 电极，每个病灶消融十二分钟。早期复发定义为十二个月内的任何复发，由一位三十年以上经验的放射科医生依据影像或组织病理判定，并经多学科会诊确认。随访要求术后一个月复查肝脏 MRI 与胸部 CT，第一年内此后每三个月复查一次。169 例中 161 例（95.3%）在一个月时达到完全消融；43 例（25.4%）的消融边缘小于 5 mm，仅此一项即与复发相关（OR 2.05；95% CI 1.01–4.16；p = 0.044）。作者刻意将其排除在模型之外：这是术后数据，在需要作出预测的时刻并不存在。

影像与特征。3.0 特斯拉 MRI，使用两台设备——GE Discovery 750（98 例）与 Siemens Skyra（71 例）——纳入五个序列：T2、扩散加权，以及动态增强扫描的动脉期、门静脉期和延迟期。肿瘤体积由两位放射科医生使用 ITK-SNAP 逐层手工勾画，再由一位二十年以上经验的高年资医生复核。两位操作者之间的一致性有实测：平均 Dice 系数 0.85 ± 0.06（范围 0.72–0.94），即两人所画轮廓的重叠程度。经 Z-score 标准化、各向同性重采样至 1 mm、固定 bin 宽 25 离散化之后，在 United Imaging 的一个商业平台上为每例患者的每个序列提取 2 264 个特征，共计 11 320 个。

筛选。四道级联筛选。第一道：两次勾画之间的可重复性，组内相关系数 ICC 阈值 0.75——6 965 个特征通过，占 61.5%。第二道：方差阈值，剔除 199 个无信息变量。第三道：单变量 F 检验，保留 1 398 个特征。第四道：LASSO 回归，一种把最无用变量的系数压为零的惩罚回归，惩罚参数通过十折交叉验证确定——最终保留 16 个特征。其稳定性用 1 000 次 bootstrap 重采样检验：16 个中有 14 个在超过 80% 的重采样中再次入选。它们的来源有交代（T2 一个、扩散一个、动脉期七个、门静脉期三个、延迟期四个），但确切名称被放在补充表格中，正文里看不到。

模型与划分。三种经典算法——支持向量机、逻辑回归、随机森林——分别用于三组输入：单纯影像组学（16 个变量）、单纯临床（3 个变量：甲胎蛋白大于 20 µg/L、血小板大于或等于 140 × 10⁹/L、以及所谓"特殊部位"的肿瘤，即紧邻膈肌、胆囊、消化道、肝内胆管、肝门或包膜下）、以及二者整合（19 个变量）。全程没有使用任何深度学习，尽管标题冠以"AI 模型"。分层随机 80/20 划分：训练集 135 例（49 例复发），测试集 34 例（12 例复发）。有一点值得肯定，且作者写得很明确：标准化、ICC 计算、特征筛选与超参数寻优全部只在训练集内部完成，随后把冻结的流程原封不动地施加于测试集。AUC 比较采用 DeLong 检验，对六项预先设定的比较做 Bonferroni 校正，阈值 p < 0.0083。

关于结果

三个临床变量。训练集多因素分析筛出三个预测因子：甲胎蛋白大于 20 µg/L（OR 1.24；95% CI 1.01–2.56；p = 0.004）、血小板大于或等于 140 × 10⁹/L 且为保护性因素（OR 0.41；0.17–0.98；p = 0.045），以及最重要的肿瘤特殊部位（OR 6.41；2.03–20.24；p = 0.002）。最后一项明显最强，而且在机制上说得通：紧贴膈肌或肝门的肿瘤，恰恰是最难获得足够消融边缘的那一类。

各模型。单纯影像组学：训练集 AUC 0.945 至 0.957，测试集 0.826 至 0.830，三种分类器之间无显著差异。单纯临床：训练集 0.744 至 0.790——此处论文存在一处未被调和的自相矛盾，摘要与正文给出的测试集 AUC 为 0.688、0.706、0.724，而表 5 列出的是 0.600、0.661、0.665。整合模型：随机森林升至训练集 0.975（0.952–0.997）、测试集 0.909（0.807–1.000），Brier 评分 0.143，Hosmer–Lemeshow 检验不显著（p = 0.367），决策曲线分析显示在 15% 至 70% 的阈概率区间内存在净获益。

临床换算。在最佳 Youden 阈值（0.42）下，整合随机森林在测试集上的敏感性为 83.3%、特异性为 90.9%、阳性预测值 83.3%、阴性预测值 90.9%、准确率 88.2%。这些百分数给人一种虚假的安心感：换算回例数，它们的意思是12 例复发中模型识别出 10 例、漏掉 2 例，22 例未复发中正确判断 20 例、误判 2 例。整份成绩单建立在四个错误之上。若把这些比率外推到患病率相同的 1 000 例患者身上，将得到 292 例复发被检出、58 例被漏掉、59 次假警报——但这一计算的性质必须说清楚：它是把一个在 12 个事件上调出来的阈值往外推，而不是一次测量。AUC 置信区间的上界达到 1.000，这是统计学上"样本量不足以下结论"的说法。

做得好的地方

防数据泄漏的纪律写得明确、具体，在这类文献中并不常见。数据泄漏（data leakage）是影像组学的地方病式失效模式：如果特征筛选是在划分数据集之前、在全部数据上进行的，那么测试集其实已经参与了变量的挑选，报告出来的 AUC 必然偏乐观。这里作者白纸黑字地写明，标准化、重采样、ICC 分析、方差阈值、F 检验、LASSO 与超参数寻优全部局限于训练集，之后流程原样施加。他们还补充了 1 000 次 bootstrap 的稳定性检验、全部小于 5 的方差膨胀因子，以及事先声明的、针对六项比较的 Bonferroni 校正。仅就这一点而言，本文做得比影像组学领域已发表的大多数工作都好。

勾画的一致性是测出来的，而不是声称出来的。两位放射科医生独立勾画，第三位复核，一致性被量化——平均 Dice 0.85、范围 0.72–0.94——而不是笼统地说"一致性良好"。随之而来的可重复性过滤并非装饰：提取出的特征中有 38.5% 被丢弃，因为它们在不同轮廓之间变化太大。这正是读者需要知道、而许多论文选择不写的那种数字。

局限由作者自己列出，包括最不好看的那一条。局限部分写得长而坦率。文中写道内部测试集"是有限的"，宽大的置信区间"反映了估计的不稳定"，尤其还写了"训练集 AUC（0.975）与测试集 AUC（0.909）之间的差距提示存在一定程度的过拟合"。作者同时指出，排除筛查患者中的 65.2% 会带来选择偏倚；73.9% 的乙肝感染率限制了向以酒精和丙肝为主因的西方人群的推广；七年的纳入窗口则使研究暴露于诊疗实践随时间漂移的风险。这些内容都没有被埋起来。

做得不够好的地方

测试集只有十二个事件，却比较了九个模型，然后把赢家当作"该模型"报告。这是核心问题。三种分类器乘以三组输入等于九个模型，全部在同一份 34 例的测试集上评估；报告其中最好的那个，等同于在测试集上做选择，于是刚被防泄漏纪律从正门挡住的乐观偏倚，又从窗户翻了进来。而且这个差距只对一种分类器成立：在测试集上，支持向量机从单纯影像组学的 0.826 变为整合后的 0.830，逻辑回归从 0.830 变为 0.830。因此，"整合临床变量能改善预测"这一论断，完全依赖于随机森林，依赖于 34 例患者。再加上不利的"每变量事件数"：19 个输入对应训练集中的 49 例复发，即每个变量 2.6 个事件，而经典经验法则要求十个。

没有任何外部验证，而这种划分方式恰恰没有检验任何真正重要的东西。测试集是同一家中心内部的随机抽样：同样的两台扫描仪、同一位介入外科医生、同一位判定复发的放射科医生、同样以男性和乙肝阳性为主的人群。所有真正会让影像组学模型在现实中失效的因素——换设备、换采集协议、换术者、换流行病学背景——一个都没有被检验。作者表示已按设备厂商亚组核查过稳定性，并建议未来采用 ComBat 校正，但同时承认标准化与重采样"可能不足以消除全部与扫描仪相关的影像组学差异"。这就是最典型形态的人群偏倚与分布漂移，而它们原封未动。

一切都不可复现，而所声称的对照对象从未被真正计算过。特征提取在一个商业平台上完成，即"United Imaging Intelligent Scientific Research Platform System V1.0"；其中一位共同作者隶属于北京联影智能医疗科技研究院，也就是该工具的开发方。代码、权重、数据一概未公开——数据可获取性声明指向"通讯作者"——而最终 16 个特征的名称只出现在补充表格里。一个既不知道提取软件、也不知道确切变量清单的影像组学模型，既无法复现，也无法审计。最后，讨论部分宣称其判别能力"优于" CLIP 与 BCLC 评分：文中从未为 CLIP 或 BCLC 计算过任何 AUC，也没有与放射科医生做过任何对照。另有两处较小的数字不一致——摘要中的临床模型 AUC 与表 5 的数值，以及随机森林在默认阈值下与在 0.42 阈值下的指标——同样未在正文中得到调和。

这意味着什么

对研究界。本文描述的流程隔离方案值得照搬：写得明确、可核查、成本低。但这篇论文更主要地说明了一件事——前端的严谨无法弥补一个 34 例的测试集。肝脏影像组学真正的瓶颈不是特征筛选，而是多中心外部验证，谁也绕不过去。另有一点值得记下，供阅读文献时参考："AI 模型"在这里指的是 LASSO 加随机森林，全程没有深度学习。这个标签已经宽泛到不再传递任何关于方法的信息，只能自己去读原文。

对临床医生。这个模型今天改变不了任何事——单中心、回顾性、无外部验证、无法获取。可复用的结论在别处，而且与模型无关：肿瘤位于特殊部位使一年复发风险增加到 6.4 倍，消融边缘小于 5 mm 使其翻倍。这两项观察指向同一个简单且可操作的机制——紧邻膈肌、胆囊或肝门时难以获得足够的消融边缘——它属于适应证判断与操作技术，而不属于某个算法。一位临床医生哪怕只从这篇文章里记住这一点，也已经拿到了要点。

对患者与公众。两点。第一：早期肝细胞癌接受射频消融后，约每三位患者中就有一位在一年内复发，因为治疗摧毁了肿瘤，却把产生这个肿瘤的病肝留在了原处。第二，更普遍地说：能预测不等于能预防。一个能正确识别高危患者的模型，只有在人们知道拿这条信息该做什么——更密集地随访、换一种治疗、加用辅助方案——并且有临床试验证明这样做能改善结局时，才会改变患者的预后。这样的试验并不存在，而一个 AUC 数字无论多高，都替代不了它。

延伸阅读