在肝脏影像报告与数据系统（LI-RADS）中，LI-RADS恶性（LR-M）病变在诊断上仍具挑战性：影像学检查提示为恶性肿瘤，但常难以区分
图1 研究摘要[1]
研究方法
研究的患者样本来源于罗马尼亚克卢日-纳波卡机构提供的LR-M患者队列，HCC和iCCA各25例。采用LASSO逻辑回归及主成分分析对具有信息价值的生物标志物进行优先级排序。混合模型将CD9⁺CD133/2⁺和CD81⁺CD133/2⁺ EV与碱性磷酸酶（ALP）、血清C反应蛋白（CRP）、糖类抗原19-9（CA19-9）及甲胎蛋白（AFP）等生物标志物相结合，采用80:20的训练-测试集进行内部验证，并通过自助法（Bootstrap）及蒙特卡洛扰动（±5%–20%噪声）进行评估。
研究结果
研究对HCC和iCCA患者中一系列常规检测的血清学参数进行了分析，包括AFP、
图2 常见的肝癌血清学参数和CD133/2⁺EV在HCC和iCCA中的差异[1]
为筛选区分HCC与iCCA的有效生物标志物，研究结合LASSO回归与主成分分析进行探索性分析，构建了两种逻辑回归模型：含AFP的混合模型（包括AFP、CA19-9、CD9⁺CD133/2⁺小EV、CD81⁺CD133/2⁺小EV、CRP和ALP），该模型AUROC为0.857，灵敏度为0.71，特异性为1.00；不含AFP的混合模型（包括CA19-9、CD9⁺CD133/2⁺小EV、CD81⁺CD133/2⁺小EV、CRP和ALP），AUROC为0.905，灵敏度达0.86，特异性为1.00。
图3 通过LASSO和主成分分析选择的最终生物标志物集[1]
为将LASSO/主成分分析衍生的混合模型转化为临床适用的评分，研究者开发了一套加和评分系统。对每个入选的生物标志物，通过ROC分析并结合约登指数确定最佳诊断截断值。AFP截断值根据AASLD指南拟定为20 ng/ml。每个标志物数值超过其截断值则计1分（倾向iCCA），低于截断值则计0分（倾向HCC）。所有标志物得分相加得到用于分类的总分：（1）0–3分：归类为HCC；（2）4分及以上：归类为iCCA。随后，基于混合模型对加和评分系统的两个版本进行了评估：（1）含AFP的加和混合模型：所有入选标志物（包括AFP）均使用ROC和约登指数推导的最佳截断值；（2）不含AFP的加和混合模型：评分系统中排除AFP。两种加和混合模型均表现出较强的诊断准确性，AUROC> 0.95，灵敏度高且特异性完美。
为评估混合加和评分方法的稳定性和可迁移性，研究比较了四个加和模型，这些模型仅在标志物截断值来源上有所不同，所有用于标志物的特异性截断值见表1。
表1 针对不同建模策略推导的标志物特异性截断值[1]
四个加和评分模型均实现了较高的诊断准确性（AUROC 0.90–0.93，表2），证实了血清学+EV联合标志物组合在数据驱动截断值和文献参考截断值下均具有稳健性。重要的是，基于PRISM的5分评分系统表现仅略低于机器学习衍生的完全数据驱动混合模型，但无需任何专用软件或计算工具即可直接应用于临床实践，使其成为临床诊断实施中一种实用且易行的选择。
表2 四个加和评分模型在LR-M病变中鉴别iCCA与HCC的诊断性能[1]
总生存期（OS）分析结果显示，LR-M队列内，iCCA患者的OS显著劣于HCC患者；在iCCA亚组中，CD9⁺CD133/2⁺小EV水平高于队列中位数的患者，其OS短于低水平者（中位OS：91.0天vs. 389.5天）。在HCC患者中，以CD81⁺CD133/2⁺指标分层后同样观察到生存差异，高于中位数组的中位OS较短（730天vs. 1460天）。
图4 按CD133/2小EV亚群分层的LR-M患者OS分析
研究结论
整合EV与血清学指标，可对LR-M类肝脏病变中的HCC与iCCA实现微创鉴别。研究将机器学习指导下的模型发现，转化为临床易于操作的加和评分系统，搭建了从计算探索到临床实践的应用桥梁。
本文由阿斯利康提供，仅供医疗卫生专业人士参考，不可用于推广目的。
审批编码：CN-186599
有效期：2027-06-25
参考文献
[1] Salzmann RJS, Mocan T, Willms AG, et al. AI-guided additive scoring model for differential diagnosis of primary liver cancer. JHEP Rep, 2026,8(6):101826.
审核：Selina
排版：Liberos
执行：Aurora
我要投稿
