编者按
肝细胞癌（HCC）是全球癌症相关死亡的第四大病因，给世界人民带来显著疾病负担。尤其值得警惕的是，约90%的HCC病例发生于肝硬化患者群体——这一人群的5年HCC累积发病率高达8%-30%。如何在肝硬化这一“癌变温床”中精准识别高危个体，成为改善预后的关键突破口。传统模型多依赖侵入性肝活检或复杂血清标志物组合，对医疗资源及应用场景提出了一定要求，推广受限。因此，针对肝硬化患者，当前临床亟需一种兼具可及性与精准度的HCC风险分层工具，为HCC早筛早诊改善预后建立基础。
3月28日，在第34届亚太肝病学会（APASL 2025）上，南方医科大学南方医院侯金林教授和樊蓉教授团队报告了一项题为《肝硬化患者肝细胞癌风险分层：融合肝脾CT放射组学与深度学习特征的临床预测模型研究》的最新成果，通过整合临床生化指标资料与影像组学数据，优化前期研究，构建出适用于肝硬化人群的新型HCC风险预测模型，为实现HCC“早发现、早干预”提供了可落地的解决方案。
石娅茹博士代表团队作口头汇报
研究背景及目的肝癌是全球第八大常见恶性肿瘤和第四大癌症致死原因。尽管疾病负担沉重，但是早期HCC患者的预计生存时间可达5年，早筛早诊、积极干预对改善患者临床预后、提升生活质量具有重要意义。在HCC防治链条中，肝硬化患者管理是核心战场——约80%-90%的HCC病例继发于肝硬化，对肝硬化患者人群的识别管理是构建进展防线的关键，临床迫切需要可靠工具对肝硬化患者进行精准风险分层，为HCC早筛早诊建立基础。
然而，现有预测模型对肝硬化亚群的风险分层效果仍有提升空间。例如，该团队前期开发的aMAP评分在慢性肝病总人群中AUC高达0.87，但在肝硬化亚组中仅为0.60。为克服这一局限，该团队后续基于aMAP评分、甲胎蛋白（Alpha-fetoprotein，AFP）和循环游离DNA（Cell-free DNA，cfDNA）的纵向特征，开发了aMAP-2和aMAP-2 Plus模型。在肝硬化队列中，aMAP-2 Plus的AUC提升至0.86。并且，通过序贯应用aMAP系列评分（aMAP-->aMAP-2-->aMAP-2 Plus），可精准识别占比10%的极高危患者，其年HCC发病率高达12.5%。但受限于cfDNA检测的可及性，该模型的临床应用存在一定局限。
近年来，影像组学与人工智能（Artificial intelligence，AI）技术的快速发展为解决这一问题提供了新思路。影像组学通过从医学影像中提取海量定量特征来识别潜在疾病模式。而该技术与AI的结合以其无创性、高可及性和高准确性的独特优势，逐渐应用于疾病诊疗全流程。
综上，团队提出了以下研究目标：（1）应用AI提取肝脾CT影像特征并将其与aMAP这一临床因素整合，构建并验证肝硬化患者HCC风险预测模型；（2）验证该模型可作为aMAP-2 Plus评分的可靠替代方案。
研究方法及结果研究基于中国多中心、前瞻性、观察性队列——PreCar队列开展，从中排除了失访、入组前后3个月内发展为HCC、影像质量差或接受脾切除术等患者，最终2,411例肝硬化患者纳入研究。为提高模型的泛化能力，研究采用7:3的比例将来自多个中心的患者随机分为训练集和验证集，并将样本量最大中心的患者作为测试集（图1）。
患者中位随访时间为42.7个月。其中，以乙型肝炎为病因的患者占比91.6%。随访过程中，共有118名患者进展为HCC，3年累积发病率为3.59%。所有患者基线时均接受三期增强腹部CT扫描。
图1. PreCar队列纳排流程图
（源自APASL 2025会议）
研究采用nnU-Net模型进行肝脾器官的半自动分割，获得优异的Dice评分（肝脏：0.974，脾脏：0.979）。在此基础上，利用ResNet-18模型提取深度学习特征，pyradiomics获取放射组学特征，经最小绝对收缩和选择算子回归（Least Absolute Shrinkage and Selection Operator，LASSO）筛选关键变量后利用逻辑回归构建影像评分。最终将影像评分与经过充分外部验证的aMAP评分通过逻辑回归整合，得到最终模型：aMAP-CT模型。
研究进一步对模型效果进行评估：
（1）预测效能：aMAP-CT在训练集、验证集和测试集三个队列中均表现出色（AUC：0.81-0.87）。且脾脏特征的引入有效缓解了模型的过拟合（图2）。此外，与表1中多个模型相比，aMAP-CT展现出更优的判别性能；并且，其AUC与aMAP-2 Plus相当。
图2. 在训练集、验证集和测试集中，aMAP-CT模型、aMAP联合肝脏影像特征模型（aMAP+liver）以及aMAP评分预测HCC发生风险的ROC曲线
（源自APASL 2025会议）
表1. 比较 aMAP-CT 模型与其他现有 HCC 风险评分在预测各数据集 HCC 发生的 AUC 值
（源自APASL 2025会议）
（2）风险分层：aMAP-CT有效将肝硬化患者划分为高低风险组（图3）。更重要的是，通过从aMAP到aMAP-CT（aMAPaMAP-CT）的序贯分析（图4），可进一步排除年发病率仅0.8%的低危人群，同时识别出年转癌率高达13.2%的极高危亚群，该结果同样与aMAP系列评分（aMAPaMAP-2aMAP 2 Plus）的序贯应用效果相当。
图3. 根据 aMAP-CT 模型分层的训练（A）、验证（B）和测试（C）队列中的 HCC 累积发病率
（源自APASL 2025会议）
图4. aMAPaMAP-CT序贯分析图
（源自APASL 2025会议）
小 结该研究具有两大创新点：（1）首次引入脾脏CT影像特征显著提升模型稳健性和预测性能；（2）通过序贯分析精确定位年进展率更高的极小极高危人群。但模型仍存在以下局限：回顾性研究不可避免存在选择偏倚；以中国HBV人群为主要病因的肝硬化群体的研究结果对其他地区或病因的肝硬化患者推广有限；过拟合问题仍需优化。
综上所述，aMAP-CT模型不仅为肝硬化患者HCC风险分层提供了新工具，可作为aMAP-2 Plus评分的可靠替代；也验证了基于AI的影像学特征在肝硬化患者HCC风险预测中的临床应用价值；基于风险等级定制监测策略有望提升筛查效率，改善HCC预后。
