基于MRI的影像组学预测TACE联合分子靶向药物及免疫检查点抑制剂治疗肝细胞癌疗效

doi:10.3877/cma.j.issn.2095-5782.2026.01.011

目的

基于增强磁共振成像（magnetic resonance imaging, MRI）影像组学特征，构建模型以预测不可切除肝细胞癌（unresectable hepatocellular carcinoma, uHCC）患者接受经动脉化疗栓塞术（transarterial chemoembolization, TACE）联合分子靶向药物（molecular-targeted agents, MTAs）及免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）治疗的肿瘤反应。

方法

回顾性纳入2019年6月至2024年1月于南京医科大学第一附属医院接受TACE-MTAs-ICIs治疗的93例uHCC患者。从MRI图像中提取影像组学特征，采用多种机器学习算法构建预测模型，并评估模型性能。

结果

基于随机森林算法构建的影像组学模型预测性能最佳。进一步结合临床特征构建的列线图模型，在训练集和测试集中，曲线下面积分别为0.933和0.890。

结论

基于MRI影像组学和临床特征的联合模型，能有效预测uHCC患者对TACE-MTAs-ICIs联合治疗的肿瘤反应。

关键词: 经动脉化疗栓塞术, 分子靶向药物, 免疫检查点抑制剂, 影像组学, 肝细胞癌

Objective

To develop and validate a model based on contrast-enhanced magnetic resonance imaging (MRI) radiomics features to evaluate the tumor response of patients with unresectable hepatocellular carcinoma (uHCC) receiving transarterial chemoembolization (TACE) combined with molecular-targeted agents (MTAs) and immune checkpoint inhibitors (ICIs).

Methods

A total of 93 uHCC patients who received TACE-MTA-ICI triple therapy at the First Affiliated Hospital with Nanjing Medical University between June 2019 and January 2024 were retrospectively included. Radiomics features were extracted from MRI images, and multiple machine learning algorithms were employed to construct prediction models, followed by performance evaluation.

Results

The radiomics model based on the Random Forest algorithm demonstrated superior performance. A nomogram model, further integrated with clinical features, achieving areas under the curve (AUC) of 0.933 and 0.890 in the training and testing cohort, respectively.

Conclusion

The combined model based on MRI radiomics and clinical features can effectively predict tumor response to TACE-MTA-ICI triple therapy in uHCC patients.

Key words: Transarterial chemoembolization, Molecular-targeted agents, Immune checkpoint inhibitors, Radiomics, Hepatocellular carcinoma

图1 研究人群入组流程图

图2 基于LASSO回归的影像组学特征筛选 2A：LASSO回归系数路径图；2B：LASSO回归交叉验证图；2C：最终筛选到的影像组学特征及其特征系数。

表1 患者基线资料

特征	总计(n=93)	训练集(n=65)	测试集(n=28)	P值
年龄（岁， $x ¯$ ±s）	58.09±10.21	58.58±9.95	56.93±10.87	0.476
性别[例(%)]				0.895
男性	82(88.17)	58(89.23)	24(85.71)
女性	11(11.83)	7(10.77)	4(14.29)
BCLC分期[例(%)]				0.308
0期	49(52.69)	37(56.92)	12(42.86)
1期	44(47.31)	28(43.08)	16(57.14)
病因[例(%)]				0.603
病毒性肝炎	86(92.47)	59(90.77)	27(96.43)
其他	7(7.53)	6(9.23)	1(3.57)
ECOG评分[例(%)]				0.553
0	59(63.44)	43(66.15)	16(57.14)
1	34(36.56)	22(33.85)	12(42.86)
Child-Pugh评分[例(%)]				0.913
5	67(72.04)	46(70.77)	21(75.00)
6	22(23.66)	16(24.62)	6(21.43)
7	4(4.30)	3(4.62)	1(3.57)
ALT (U/L， $x ¯$ ±s)	43.63±23.54	43.48±24.04	44.00±22.76	0.851
AST (U/L， $x ¯$ ±s)	64.88±46.29	64.13±50.20	66.61±36.37	0.395
AFP[例(%)]				0.909
≤400 ng/mL	49(52.69)	35(53.85)	14(50.00)
>400 ng/mL	44(47.31)	30(46.15)	14(50.00)
白蛋白(g/L， $x ¯$ ±s)	36.42±4.22	36.33±4.44	36.63±3.70	0.755
总胆红素(μmol/L， $x ¯$ ±s)	17.93±8.45	17.34±7.61	19.32±10.15	0.498
NLR ( $x ¯$ ±s)	3.24±1.63	3.31±1.77	3.07±1.23	0.769
肿瘤数目[例(%)]				0.119
单发	19(20.43)	10(15.38)	9(32.14)
多发	74(79.57)	55(84.62)	19(67.86)
肿瘤最大径（cm， $x ¯$ ±s）	9.05±3.88	9.08±3.94	8.96±3.78	0.887
血管侵犯[例(%)]				0.835
无	53(56.99)	38(58.46)	15(53.57)
有	40(43.01)	27(41.54)	13(46.43)
肝外转移[例(%)]				0.662
无	74(79.57)	53(81.54)	21(75.00)
有	19(20.43)	12(18.46)	7(25.00)

表1 患者基线资料

特征	总计(n=93)	训练集(n=65)	测试集(n=28)	P值
年龄（岁， $x ¯$ ±s）	58.09±10.21	58.58±9.95	56.93±10.87	0.476
性别[例(%)]				0.895
男性	82(88.17)	58(89.23)	24(85.71)
女性	11(11.83)	7(10.77)	4(14.29)
BCLC分期[例(%)]				0.308
0期	49(52.69)	37(56.92)	12(42.86)
1期	44(47.31)	28(43.08)	16(57.14)
病因[例(%)]				0.603
病毒性肝炎	86(92.47)	59(90.77)	27(96.43)
其他	7(7.53)	6(9.23)	1(3.57)
ECOG评分[例(%)]				0.553
0	59(63.44)	43(66.15)	16(57.14)
1	34(36.56)	22(33.85)	12(42.86)
Child-Pugh评分[例(%)]				0.913
5	67(72.04)	46(70.77)	21(75.00)
6	22(23.66)	16(24.62)	6(21.43)
7	4(4.30)	3(4.62)	1(3.57)
ALT (U/L， $x ¯$ ±s)	43.63±23.54	43.48±24.04	44.00±22.76	0.851
AST (U/L， $x ¯$ ±s)	64.88±46.29	64.13±50.20	66.61±36.37	0.395
AFP[例(%)]				0.909
≤400 ng/mL	49(52.69)	35(53.85)	14(50.00)
>400 ng/mL	44(47.31)	30(46.15)	14(50.00)
白蛋白(g/L， $x ¯$ ±s)	36.42±4.22	36.33±4.44	36.63±3.70	0.755
总胆红素(μmol/L， $x ¯$ ±s)	17.93±8.45	17.34±7.61	19.32±10.15	0.498
NLR ( $x ¯$ ±s)	3.24±1.63	3.31±1.77	3.07±1.23	0.769
肿瘤数目[例(%)]				0.119
单发	19(20.43)	10(15.38)	9(32.14)
多发	74(79.57)	55(84.62)	19(67.86)
肿瘤最大径（cm， $x ¯$ ±s）	9.05±3.88	9.08±3.94	8.96±3.78	0.887
血管侵犯[例(%)]				0.835
无	53(56.99)	38(58.46)	15(53.57)
有	40(43.01)	27(41.54)	13(46.43)
肝外转移[例(%)]				0.662
无	74(79.57)	53(81.54)	21(75.00)
有	19(20.43)	12(18.46)	7(25.00)

表2 肿瘤反应影响因素的单因素及多因素Logistic回归分析

特征	单因素分析		多因素分析
特征	OR(95% CI)	P值	OR(95% CI)	P值
年龄	1.00(0.99~1.00)	0.196
性别	0.75(0.21~2.64)	0.706
BCLC分期	1.55(0.82~2.92)	0.261
病因	0.20(0.03~1.21)	0.142
ECOG评分	1.20(0.59~2.43)	0.670
Child-Pugh评分	0.94(0.87~1.02)	0.190
ALT	1.00(0.99~1.01)	0.692
AST	1.00(0.99~1.00)	0.774
AFP	1.14(0.63~2.09)	0.715
白蛋白	0.99(0.98~1.00)	0.160
总胆红素	0.99(0.97~1.01)	0.445
NLR	0.96(0.86~1.08)	0.575
肿瘤数目	0.82(0.66~1.03)	0.149
肿瘤最大径	0.98(0.94~1.02)	0.457
血管侵犯	2.38(1.19~4.75)	0.040	2.38 (1.19~4.75)	0.040
肝外转移	2.00(0.73~5.47)	0.258

表2 肿瘤反应影响因素的单因素及多因素Logistic回归分析

特征	单因素分析		多因素分析
特征	OR(95% CI)	P值	OR(95% CI)	P值
年龄	1.00(0.99~1.00)	0.196
性别	0.75(0.21~2.64)	0.706
BCLC分期	1.55(0.82~2.92)	0.261
病因	0.20(0.03~1.21)	0.142
ECOG评分	1.20(0.59~2.43)	0.670
Child-Pugh评分	0.94(0.87~1.02)	0.190
ALT	1.00(0.99~1.01)	0.692
AST	1.00(0.99~1.00)	0.774
AFP	1.14(0.63~2.09)	0.715
白蛋白	0.99(0.98~1.00)	0.160
总胆红素	0.99(0.97~1.01)	0.445
NLR	0.96(0.86~1.08)	0.575
肿瘤数目	0.82(0.66~1.03)	0.149
肿瘤最大径	0.98(0.94~1.02)	0.457
血管侵犯	2.38(1.19~4.75)	0.040	2.38 (1.19~4.75)	0.040
肝外转移	2.00(0.73~5.47)	0.258

表3 不同机器学习模型之间的性能比较

分组	模型名称	AUC (95% CI)	准确率	敏感度	特异度
训练集	逻辑回归	0.940 (0.887~0.992)	0.877	1.000	0.789
	朴素贝叶斯	0.863 (0.771~0.954)	0.831	0.741	0.895
	支持向量机	0.923 (0.855~0.991)	0.877	0.815	0.921
	K近邻算法	0.852 (0.762~0.942)	0.800	0.667	0.895
	随机森林	0.904 (0.829~0.979)	0.877	0.741	0.974
	多层感知机	0.900 (0.826~0.973)	0.846	0.815	0.868
测试集	逻辑回归	0.781 (0.592~0.970)	0.750	0.909	0.647
	朴素贝叶斯	0.829 (0.679~0.979)	0.750	1.000	0.588
	支持向量机	0.765 (0.579~0.950)	0.786	0.455	1.000
	K近邻算法	0.767 (0.582~0.953)	0.714	0.727	0.706
	随机森林	0.864 (0.728~0.999)	0.786	0.818	0.765
	多层感知机	0.829 (0.677~0.980)	0.786	1.000	0.647

表3 不同机器学习模型之间的性能比较

分组	模型名称	AUC (95% CI)	准确率	敏感度	特异度
训练集	逻辑回归	0.940 (0.887~0.992)	0.877	1.000	0.789
	朴素贝叶斯	0.863 (0.771~0.954)	0.831	0.741	0.895
	支持向量机	0.923 (0.855~0.991)	0.877	0.815	0.921
	K近邻算法	0.852 (0.762~0.942)	0.800	0.667	0.895
	随机森林	0.904 (0.829~0.979)	0.877	0.741	0.974
	多层感知机	0.900 (0.826~0.973)	0.846	0.815	0.868
测试集	逻辑回归	0.781 (0.592~0.970)	0.750	0.909	0.647
	朴素贝叶斯	0.829 (0.679~0.979)	0.750	1.000	0.588
	支持向量机	0.765 (0.579~0.950)	0.786	0.455	1.000
	K近邻算法	0.767 (0.582~0.953)	0.714	0.727	0.706
	随机森林	0.864 (0.728~0.999)	0.786	0.818	0.765
	多层感知机	0.829 (0.677~0.980)	0.786	1.000	0.647

图3 各特征SHAP汇总图纵坐标表示特征按重要性排序，横坐标表示 SHAP 值大小，反映特征对模型输出的影响强度和方向。

图4 联合临床特征和影像组学评分的列线图

表4 不同模型之间的性能比较

分组	模型名称	AUC (95%CI)	准确率	敏感度	特异度
训练集	临床模型	0.747 (0.637~0.856)	0.754	0.704	0.789
	影像组学	0.904 (0.829~0.979)	0.877	0.741	0.974
	联合模型	0.933 (0.869~0.997)	0.877	0.889	0.868
测试集	临床模型	0.567 (0.371~0.763)	0.571	0.545	0.588
	影像组学	0.864 (0.728~0.999)	0.786	0.818	0.765
	联合模型	0.890 (0.738~1.000)	0.893	0.909	0.882

表4 不同模型之间的性能比较

分组	模型名称	AUC (95%CI)	准确率	敏感度	特异度
训练集	临床模型	0.747 (0.637~0.856)	0.754	0.704	0.789
	影像组学	0.904 (0.829~0.979)	0.877	0.741	0.974
	联合模型	0.933 (0.869~0.997)	0.877	0.889	0.868
测试集	临床模型	0.567 (0.371~0.763)	0.571	0.545	0.588
	影像组学	0.864 (0.728~0.999)	0.786	0.818	0.765
	联合模型	0.890 (0.738~1.000)	0.893	0.909	0.882

图5 临床模型、影像组学模型和联合模型的效能对比训练集（5A）与测试集（5B）中不同模型的ROC曲线；训练集（5C）与测试集（5D）中不同模型的校准曲线；训练集（5E）与测试集（5F）中不同模型的DCA曲线。

[1]	Filho AM, Laversanne M, Ferlay J, et al. The GLOBOCAN 2022 cancer estimates: Data sources, methods, and a snapshot of the cancer burden worldwide[J]. Int J Cancer, 2025, 156(7): 1336-1346.
[2]	Llovet JM, Kelley RK, Villanueva A, et al. Hepatocellular carcinoma[J]. Nat Rev Dis Primers, 2021, 7(1): 6.
[3]	European Association for the Study of the Liver. EASL Clinical Practice Guidelines on the management of hepatocellular carcinoma[J]. J hepatol, 2025, 82(2): 315-374.
[4]	Singal AG, Llovet JM, Yarchoan M, et al. AASLD Practice Guidance on prevention, diagnosis, and treatment of hepatocellular carcinoma[J]. Hepatology, 2023, 78(6): 1922-1965.
[5]	中华人民共和国国家卫生健康委员会医政司. 原发性肝癌诊疗指南(2024年版)[J]. 中华肝脏病杂志, 2024, 32(7): 581-630.
[6]	Pinato DJ, Murray SM, Forner A, et al. Trans-arterial chemoembolization as a loco-regional inducer of immunogenic cell death in hepatocellular carcinoma: implications for immunotherapy[J]. J Immunother Cancer, 2021, 9(9): e003311.
[7]	Llovet JM, De Baere T, Kulik L, et al. Locoregional therapies in the era of molecular and immune treatments for hepatocellular carcinoma[J]. Nat Rev Gastroenterol Hepatol, 2021, 18(5): 293-313.
[8]	Sangro B, Kudo M, Erinjeri JP, et al. Durvalumab with or without bevacizumab with transarterial chemoembolisation in hepatocellular carcinoma (EMERALD-1): a multiregional, randomised, double-blind, placebo-controlled, phase 3 study[J]. Lancet, 2025, 405(10474): 216-232.
[9]	Kudo M, Ren Z, Guo Y, et al. Transarterial chemoembolisation combined with lenvatinib plus pembrolizumab versus dual placebo for unresectable, non-metastatic hepatocellular carcinoma (LEAP-012): a multicentre, randomised, double-blind, phase 3 study[J]. Lancet, 2025, 405(10474): 203-215.
[10]	Xu B, Dong SY, Bai XL, et al. Tumor Radiomic Features on Pretreatment MRI to Predict Response to Lenvatinib plus an Anti-PD-1 Antibody in Advanced Hepatocellular Carcinoma: A Multicenter Study[J]. Liver Cancer, 2023, 12(3): 262-276.
[11]	Hua Y, Sun Z, Xiao Y, et al. Pretreatment CT-based machine learning radiomics model predicts response in unresectable hepatocellular carcinoma treated with lenvatinib plus PD-1 inhibitors and interventional therapy[J]. J Immunother Cancer, 2024, 12(7): e008953.
[12]	Llovet JM, Lencioni R. mRECIST for HCC: Performance and novel refinements[J]. J Hepatol, 2020, 72(2): 288-306.
[13]	Zhu HD, Li HL, Huang MS, et al. Transarterial chemoembolization with PD-(L)1 inhibitors plus molecular targeted therapies for hepatocellular carcinoma (CHANCE001)[J]. Signal Transduction Targeted Ther, 2023, 8(1): 58.
[14]	Jin ZC, Zhong BY, Chen JJ, et al. Real-world efficacy and safety of TACE plus camrelizumab and apatinib in patients with HCC (CHANCE2211): a propensity score matching study[J]. Eur Radiol, 2023, 33(12): 8669-8681.
[15]	Jin ZC, Chen JJ, Zhu XL, et al. Immune checkpoint inhibitors and anti-vascular endothelial growth factor antibody/tyrosine kinase inhibitors with or without transarterial chemoembolization as first-line treatment for advanced hepatocellular carcinoma (CHANCE2201): a target trial emulation study[J]. E Clinical Medicine, 2024, 72: 102622.
[16]	Reig M, Forner A, Rimola J, et al. BCLC strategy for prognosis prediction and treatment recommendation: The 2022 update[J]. J Hepatol, 2022, 76(3): 681-693.
[17]	Tischfield DJ, Gurevich A, Johnson O, et al. Transarterial Embolization Modulates the Immune Response within Target and Nontarget Hepatocellular Carcinomas in a Rat Model[J]. Radiology, 2022, 303(1): 215-225.
[18]	Fukumura D, Kloepper J, Amoozgar Z, et al. Enhancing cancer immunotherapy using antiangiogenics: opportunities and challenges[J]. Nat Rev Clin Oncol, 2018, 15(5): 325-340.
[19]	Bo Z, Chen B, Zhao Z, et al. Prediction of Response to Lenvatinib Monotherapy for Unresectable Hepatocellular Carcinoma by Machine Learning Radiomics: A Multicenter Cohort Study[J]. Clin Cancer Res, 2023, 29(9): 1730-1740.
[20]	Chen M, Cao J, Hu J, et al. Clinical-Radiomic Analysis for Pretreatment Prediction of Objective Response to First Transarterial Chemoembolization in Hepatocellular Carcinoma[J]. Liver Cancer, 2021, 10(1): 38-51.
[21]	Yuan G, Song Y, Li Q, et al. Development and Validation of a Contrast-Enhanced CT-Based Radiomics Nomogram for Prediction of Therapeutic Efficacy of Anti-PD-1 Antibodies in Advanced HCC Patients[J]. Front Immunol, 2020, 11: 613946.
[22]	Yang C, Yang HC, Luo YG, et al. Predicting Survival Using Whole-Liver MRI Radiomics in Patients with Hepatocellular Carcinoma After TACE Refractoriness[J]. Cardiovasc Inter Rad, 2024, 47(7): 964-977.

[1]	卢瑞芳, 林欣欣, 王昱, 许芊芊, 吴少虹, 王伟, 陈立达, 程美清. 2023年美国肝病研究学会肝细胞癌筛查指南的验证研究[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(11): 1046-1054.
[2]	李俊杰, 董培, 姚成, 刘泽, 李勇. 前列腺癌免疫治疗的研究进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(02): 209-215.
[3]	杜东莲, 史志伟, 姚洁, 张树敏, 代卫斌. 基于CT影像组学和临床特征预测单发肺结节生长的临床意义[J/OL]. 中华肺部疾病杂志(电子版), 2026, 19(01): 56-61.
[4]	谢伟, 张小峰, 沈锋. 肿瘤免疫治疗相关不良事件的流行病学特征、发生机制和防治策略[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(02): 146-151.
[5]	邓玉飞, 王志鑫, 娄珂, 张林轩, 马桂春, 港措. 影像组学在肝癌精准诊断、疗效评估及治疗方案决策优化中应用[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(02): 172-180.
[6]	尹鹏飞, 吴堃, 王槐志, 蔡磊. 肝癌免疫治疗策略及其在围手术期中应用进展[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(01): 21-27.
[7]	戴宗伯, 张城硕, 郭庭维, 何知远, 赵昊宇, 张宇慈, 张佳林. 基于MRI影像组学机器学习构建肝细胞癌微血管侵犯预测模型[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(01): 36-44.
[8]	何泰霖, 王峻峰, 田林云, 王罡, 杨超, 王海峰. 基于CT影像组学构建肝细胞癌微血管侵犯预测模型[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(01): 45-52.
[9]	钟文卿, 韩冰. 基于术前CT影像数据构建肝癌患者生存期Nomogram预测模型[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(01): 53-58.
[10]	刘郁芳, 赵青. 直肠癌MRI影像学评估：从精准分期到预后预测的研究进展与展望[J/OL]. 中华结直肠疾病电子杂志, 2026, 15(01): 31-36.
[11]	陈小坤, 杜顺达. 影像组学在肝细胞癌中的应用进展及挑战[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(02): 97-100.
[12]	高增霞, 贺云飞, 赵娜. DCE-MRI联合Gd-EOB-DTPA MRI纹理特征对肝细胞癌经导管动脉化疗栓塞术后疗效的评估[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(02): 108-113.
[13]	王甜, 张勇, 李苗红, 刘佳玥. MRI动态增强扫描联合CT能谱成像对肝细胞癌微血管侵犯的预测价值[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(01): 6-12.
[14]	陆涛, 李毫, 朱帝文, 鲍应军, 李一帆, 顾俊鹏, 任伟新. 乳酸脱氢酶与C反应蛋白/白蛋白比值对肝细胞癌患者经动脉化疗栓塞术预后的评估价值[J/OL]. 中华介入放射学电子杂志, 2026, 14(01): 66-71.
[15]	汪艺宸, 陈涛, 周嘉璇, 李新春, 万齐. 中国肺癌磁共振成像从功能性成像到影像组学的诊断演进[J/OL]. 中华诊断学电子杂志, 2026, 14(01): 38-43.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

MRI-Based Radiomics for Predicting Treatment Response to TACE Combined with Molecular-Targeted Agents and Immune Checkpoint Inhibitors in Unresectable Hepatocellular Carcinoma

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

MRI-Based Radiomics for Predicting Treatment Response to TACE Combined with Molecular-Targeted Agents and Immune Checkpoint Inhibitors in Unresectable Hepatocellular Carcinoma