孙惠川教授团队《Hepatology》刊文揭示：AI如何提前识别肝癌转化治疗后的病理完全缓解

 

 

影像上肿瘤缩小，就代表癌细胞真的被完全清除（即达到病理完全缓解，pCR）了吗？

 

这一直是肝癌转化治疗后临床决策中的关键难题，而 AI 影像组学为这一难题提供了一种新的可能解法。复旦大学附属中山医院孙惠川教授团队联合多中心研究者，将相关研究成果发表于国际肝病学权威期刊《Hepatology》，研究证实：基于 MRI （磁共振成像）的动态影像组学变化联合 AFP 应答，可有效预测初始不可切除肝细胞癌患者在以免疫治疗为基础的转化治疗后是否达到pCR，其中联合模型在测试集和验证集中的 AUC 分别达到 0.920 和 0.857。

 

这项研究的意义并不在于简单判断“肿瘤有没有变小”，而在于它把疗效评估推进到更深一层——通过 AI 捕捉 MRI 中肉眼难以识别的肿瘤动态变化，并结合血清标志物 AFP 的变化，帮助医生在手术前更接近真实病理结果。

 

 

一.  肝癌转化治疗后的新难题

 

对于初始不可切除肝癌患者来说，近年来靶向治疗、免疫治疗以及 TACE、HAIC 等局部治疗的联合应用正在改变治疗路径，使一部分原本无法手术的患者在转化治疗后重新获得了切除机会。但新的问题也随之出现：影像上肿瘤明显缩小，甚至看起来已经接近消失，是否就意味着肿瘤已经达到pCR了？

 

在临床上，真正判断肿瘤是否达到pCR的金标准是术后病理结果，但这个结果恰恰对术前决策很重要——它关系到患者是否真正实现深度缓解，也可能影响手术时机、手术策略和后续治疗安排。

 

现有 CT、MRI 等影像评估主要依赖肿瘤大小、强化程度等变化，但难点在于：转化治疗后的肿瘤并不是简单变大或变小，免疫和靶向治疗会让肿瘤内部出现坏死、纤维化、炎症反应和异质性改变。这些细微信息，往往超出了肉眼看片和传统影像标准的判断能力。

 

 

二.  从“看肿瘤大小”到“读肿瘤变化”

 

孙惠川教授团队这项研究的关键思路，不是简单依赖某一次影像判断疗效，而是比较患者治疗前和手术前的 MRI变化。研究团队提取了三类影像组学特征：baseline radiomics（治疗前影像组学特征）、preoperative radiomics（术前影像组学特征），以及由治疗前后变化形成的 delta radiomics（动态变化影像组学特征）。简单理解，delta radiomics 关注的是：肿瘤在治疗过程中发生了哪些肉眼难以识别的结构和纹理变化。

 

这些变化包括肿瘤内部异质性、纹理、形态、灰度分布等，并不能完全依靠医生肉眼看片识别，而需要借助影像组学和机器学习从 MRI 数据中提取。研究流程上，团队基于治疗前和手术前 MRI 图像，完成肿瘤自动分割、影像组学特征提取、特征筛选和模型构建，并进一步评估模型对 pCR的预测能力。

 

 


三. 模型接受多中心验证

 

这项研究采用多中心回顾性设计，共筛选 226 例初始不可切除肝细胞癌患者。其中，来自复旦大学附属中山医院的 152 例患者用于模型开发和内部验证；来自中山医院、天津医科大学肿瘤医院及上海交通大学医学院附属瑞金医院等中心的 74 例患者组成独立外部验证队列。

 

经筛选和排除不符合标准的病例后，最终患者被分为训练集 78 例、内部测试集 32 例和外部验证集 44 例，分别用于模型开发、内部检验和独立验证。

 

 

 

 

四. 从影像变化到血液应答：联合模型为何更准？

 

研究团队构建了 delta-radiomics 模型：收集患者治疗前和手术前的 MRI 图像，通过 AI 完成肿瘤区域分割，再从影像中提取肿瘤形态、纹理、灰度分布、内部异质性等多维定量特征，并计算治疗前后这些影像组学特征的变化，以反映肿瘤在转化治疗过程中的动态演变。

 

delta-radiomics 的优势在于把肉眼难以捕捉的细微信息转化为可量化数据，从而比单纯治疗前影像组学特征更敏感地反映治疗效果。研究结果也支持这一点：delta-radiomics 模型预测病灶层面 pCR 的表现明显优于 baseline radiomics和 preoperative radiomics，在测试集和验证集中的 AUC 分别达到 0.835 和 0.783。

 

但影像变化只能回答一部分问题。肿瘤的治疗反应不仅体现在局部结构上，也会体现在血清肿瘤标志物的变化中。AFP 是肝癌中常用的血清肿瘤标志物，如果治疗后 AFP 明显下降，往往提示肿瘤负荷下降更明显。研究也提到，达到 pCR 的患者 AFP 下降更显著，AFP response 是预测 pCR 的重要因素。

 

于是，研究团队设计了 delta-radiomics + AFP response（动态影像组学联合甲胎蛋白应答）模型。这个联合模型的优势在于，它同时整合了两类互补信息：MRI 提供的是肿瘤局部结构、空间异质性和微环境变化的信息；AFP 提供的是血液层面对整体肿瘤负荷变化的反映。

 

这样，模型对 pCR 的判断就不再依赖单一维度，而是从影像表型和血清生物标志物两个方向共同验证治疗反应。结果也显示，联合模型的预测效果进一步提高，病灶层面 pCR 预测的 AUC 在测试集和验证集中分别达到 0.920 和 0.857，高于单纯 delta-radiomics 模型。

 

 

 

五. 模型判断并非凭空而来

 

为了进一步解释模型的判断依据，研究团队使用了 SHAP 分析。简单来说，SHAP 是一种模型解释方法，可以帮助研究者看清楚：AI 在预测患者是否达到 pCR时，主要参考了哪些因素。

 

结果显示，模型最主要依赖两个信号：AFP response（甲胎蛋白应答）和 radiomic score（影像组学评分）。前者反映治疗前后血清肿瘤标志物 AFP 的变化，后者则是模型根据 MRI中多种影像组学特征综合计算出的评分，用来概括肿瘤影像特征是否更接近 pCR 状态。

 

换句话说，如果治疗后 AFP 下降更明显，同时 MRI 影像组学评分也提示肿瘤发生了更深层变化，那么模型就更倾向于判断患者可能达到 pCR。

 

SHAP 分析显示，AFP response 与 radiomic score 是模型预测中的主要信号

 

 

六. 研究的三大价值

 

  1. 提供了新的术前评估思路：MRI动态影像组学 + AFP应答，可能成为肝癌转化治疗后判断 pCR的新方法，为术前无创评估治疗深度提供了新路径。

     

  2. 指出了更有价值的预测信息：相比只看治疗前影像或术前单次影像，治疗前后影像特征的动态变化更能反映肿瘤内部结构、异质性和治疗反应，说明“看变化”比“看某一张片子”更接近真实病理结果。

     

  3. 为个体化治疗决策提供参考：如果未来在更大规模、前瞻性研究中得到验证，该模型有望帮助医生更早识别真正达到深度缓解的患者，并为手术时机、手术范围、术后治疗安排，甚至高度选择患者的严密观察策略提供依据。

     

 

结语

 

本研究系统验证了 AI 辅助 MRI 动态影像组学联合 AFP 应答，可用于预测初始不可切除肝癌患者转化治疗后的病理完全缓解，并在多中心队列中展现出稳定的预测能力。这不仅为 pCR 的术前无创评估提供了新的技术路径，也为未来优化手术时机、制定个体化治疗方案提供了重要参考。

 

 

参考文献：Zhou SQ, Wang LN, Wu LF, Sun LY, Yang YC, Yang ZY, Wang ZY, He T, Li F, Chen LL, Li H, Zhu XD, Shen YH, Huang C, Ji Y, Gao Q, Zhou J, Jia F, Chen YJ, Song TQ, Xu B, Sun HC. Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy. Hepatology. 2026 Feb 26.