基于双能计算机断层扫描的全面参数分析，对分化程度较低的肝细胞癌进行机器学习预测的初步研究

《Journal of Computer Assisted Tomography》：A Preliminary Study of a Machine Learning Prediction of Poorly Differentiated Hepatocellular Carcinoma Based on a Comprehensive Parameter Analysis Using Dual-Energy Computed Tomography

本研究基于双能CT（DECT）多参数开发预测低分化肝细胞癌（p-HCC）的机器学习模型，通过回顾性分析181例病例，提取3516个CT特征（含延迟期CT值、有效原子数等），结合临床数据（ AFP、肿瘤大小等），采用随机森林算法及SHAP可解释性分析，验证模型在测试集中的准确率为60.6%，敏感性81.8%，AUC为0.8，表明初步可行。

　　

摘要 通俗语言总结

---

目的：

利用双能量计算机断层扫描（DECT）提供的全面定量参数，开发并评估一种用于预测分化不良的肝细胞癌（p-HCC）的机器学习模型的性能。

材料与方法：

我们回顾性分析了2019年4月至2025年11月期间，170名患者中通过手术切除并病理确诊的181例HCC病例，这些患者在术前均接受了DECT检查。在根据年龄、性别、甲胎蛋白（AFP）、CT图像上的肿瘤大小以及LI-RADS分类进行倾向评分匹配后，数据集被分为训练集（包含2019年至2022年的51例HCC，其中17例为p-HCC，34例为非p-HCC）和测试集（包含2023年至2025年的33例HCC，其中11例为p-HCC，22例为非p-HCC）。从每例患者的对比增强图像（动脉期（AP）、门静脉期（PVP）和延迟期（DP）中提取了共计3516个DECT参数。这些参数包括虚拟单色成像（VMI）CT值、有效原子序数（Effective-Z）、材料密度、光谱曲线斜率（Slope）和相位差异（Diff）。同时收集了临床数据，包括肝病的病因、血清AFP水平和病变大小。基于Extra Trees分类器的机器学习模型经过训练，并在数据预处理后对每个选定的参数进行了Shapley加性解释（SHAP）分析。模型性能通过准确性、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）和接收者操作特征曲线下面积（AUC）进行评估。

结果：

SHAP分析显示，最具影响力的特征与延迟期相关，其中延迟期的平均40-keV VMI CT值的影响最大。此外，一些与Effective-Z相关的特征和选定的材料密度参数也显示出显著的重要性。在测试集中，该模型的准确性、敏感性、特异性、PPV、NPV和AUC分别为0.606、0.818、0.500、0.450和0.800。

结论：

这种用于预测p-HCC的机器学习模型显示出可接受的诊断性能，尽管仍处于初步阶段，但可能有助于无创评估HCC的分化程度，从而指导临床决策。

导出

通俗语言总结：本研究开发并测试了一种利用双能量计算机断层扫描（DECT）的详细定量数据来预测分化不良的肝细胞癌（p-HCC）的机器学习模型。研究人员分析了181例手术确诊的HCC病例，从对比增强图像、动脉期（AP）、门静脉期（PVP）和延迟期（DP）图像中提取了每个肿瘤的3516个DECT参数，并将这些参数与临床数据结合。Extra Trees分类器结合SHAP分析表明，延迟期特征（尤其是平均40-keV VMI CT值）最为重要。在测试集中，该模型的准确率为0.606，AUC为0.800，表明该模型在无创评估HCC分化程度方面具有初步但令人鼓舞的效果。

文本由机器生成，可能存在不准确之处。 常见问题解答