在肝癌诊疗领域，医生们长期面临一个关键挑战：如何在不进行创伤性活检的情况下，准确判断肿瘤的生物学行为和复发风险？原发性肝癌(PLC)主要包括肝细胞癌(HCC)和肝内胆管癌(ICC)，这两类肿瘤在血管特征、治疗反应和预后方面存在显著差异。然而，临床常用的LI-RADS（肝脏影像报告和数据系统）诊断准确性仅为60%-75%，尤其对混合型肝癌(CHC)等罕见亚型的鉴别能力有限。
这种诊断不确定性直接影响了患者的预后评估——HCC复发通常通过肿瘤相关的高渗透性血窦早期肝内传播，而ICC复发则表现为晚期淋巴转移。尽管机器学习模型已用于PLC诊断或预后预测，但现有方法往往孤立处理这些任务，忽略了其共同的病理生物学驱动因素。更关键的是，目前缺乏能够无创解码肿瘤血管微环境(TVME)异质性的工具，迫使医生依赖有创活检或手术切除进行准确风险评估。
为解决这一临床瓶颈，来自南方医科大学南方医院等机构的研究团队在《npj Precision Oncology》发表了最新研究成果。他们开发了一种名为MTV-Net的多任务血管计算网络，通过常规CT图像分析血管表型，实现了PLC的亚型重分类和复发风险预测的双重目标。
关键技术方法
研究团队整合了六个临床队列的1020例PLC患者数据，采用Hessian-Frangi血管滤波技术从增强CT中提取78个定量血管特征，涵盖血管密度、口径分布和空间异质性等参数。通过多任务学习框架同步优化亚型分类和复发预测任务，构建了TAVSPHE（表型相似性评分）和TAVSRE（复发风险评估）两个影像生物标志物。采用SHAP值分析进行模型可解释性评估，并结合TCIA数据库的放射基因组学数据探索生物学机制。
血管影像生物标志物的推导与验证
MTV-Net经过1500次迭代训练和10折交叉验证后，在三个独立验证队列中表现出色。TAVSPHE区分HCC与ICC的AUC值分别达到0.949、0.879和0.821，显著高于现有诊断方法。通过Youden指数确定最佳截断值后，患者被分为"HCC样"和"ICC样"两组，总体分类准确率达到82.0%。
同时，TAVSRE在预测复发风险方面也表现优异，三个验证队列的AUC值为0.667-0.710。高风险组患者显示出显著更高的复发率，证实了该标志物在所有PLC亚型中的预测价值。
双生物标志物精准预测预后
研究人员将两个标志物结合使用，产生了四种具有明显预后差异的影像亚型。在包含527例患者的Meta队列中，亚型1的3年无病生存率(DFS)最高(61.8%)，而亚型4的预后最差(13.9%)。多变量Cox回归分析确认TAVSPHE和TAVSRE是DFS和总生存期(OS)的独立预后因素。
整合模型提升CHC风险分层
对于组织学特征复杂的CHC，MTV-Net展现出特别的临床价值。经TAVSPHE重分类为"ICC样"的CHC患者复发率达到69.7%，与纯ICC相当，且生存期显著短于"HCC样"患者。整合模型对CHC术后复发的预测AUC达到0.839，显著优于单一生物标志物或临床模型。
模型可解释性与生物学基础
通过SHAP值分析发现，门静脉期特征在肿瘤表型分类中起主导作用，而动脉期特征对复发风险评估更为关键。放射基因组学分析揭示，"ICC样"和"高风险"亚型均显著富集于细胞外基质(ECM)重塑信号通路，这为两个生物标志物的共同生物学基础提供了机制解释。
研究结论与意义
该研究首次建立了TVME驱动的影像学框架，能够同步实现PLC的双重亚型分类和预后预测。通过将肿瘤内血管异质性定量转化为临床可操作的生物标志物，该方法显著改善了术前风险分层，特别对CHC等组织学不明确病例具有重要价值。研究提出的"表型驱动重分类"范式超越了传统的细胞起源分类，基于体内血管表型对患者进行分组，可能比严格的组织学分类更准确地反映潜在生物学特征。
值得注意的是，该框架的可解释性设计直接解决了人工智能临床转化中的"黑箱"问题，通过明确建立影像生物标志物与潜在生物学机制的联系，增强了临床医生的信任度。未来整合动态增强MRI和液体活检数据，有望开发更全面的多参数诊断和监测策略。
尽管存在回顾性研究的局限性，但MTV-Net为针对TVME脆弱性的个体化治疗策略奠定了基础，标志着肝癌精准医疗向血管表型指导的方向迈出了重要一步。
