1. 领域背景与文献引入
文献英文标题：A radiomics-based model on non-contrast CT for predicting cirrhosis: make the most of image data；发表期刊：Biomarker Research；影响因子：未公开；研究领域：慢性乙型肝炎相关肝硬化的非侵入性诊断。
慢性乙型肝炎（CHB）是全球重大公共卫生问题，据世界卫生组织（WHO）报道，全球约2.4亿CHB感染者，每年约65万人死于CHB相关并发症，其中肝硬化是CHB进展的主要不良结局之一，显著增加肝细胞癌风险及死亡风险。在中国，CHB流行率高，约7400万乙肝表面抗原（HBsAg）携带者，肝硬化的早期诊断对干预治疗、改善预后至关重要。现有肝硬化诊断方法存在明显局限性：肝活检是纤维化分期的金标准，但具有侵入性、费用高，且存在取样误差（如仅获取肝组织的极小部分，可能遗漏纤维化区域）；血清学指标如天冬氨酸转氨酶与血小板比值指数（APRI）、纤维化-4指数（FIB-4）虽简便，但准确性受肝功能波动影响，对早期肝硬化的判别能力有限；弹性成像技术（如瞬时弹性成像（TE）、磁共振弹性成像（MRE））虽无创且准确性高，但设备成本昂贵，难以在基层医疗机构普及。非增强计算机断层扫描（CT）是中国CHB患者常规筛查手段，因成本较低、普及性高被广泛接受，但传统CT图像的视觉评估（如观察肝表面结节、边缘变钝等）对肝硬化的诊断准确性有限（文中报道其准确率仅77.6%，敏感性62.5%），缺乏基于非增强CT图像的量化分析方法。针对这一临床需求，本研究旨在利用放射组学技术，从非增强CT图像中提取量化特征，结合临床指标建立肝硬化预测模型，为CHB患者的肝硬化诊断提供无创、准确的工具。
2. 文献综述解析
作者对现有肝硬化非侵入性诊断方法的研究进行了系统梳理，主要分为三类：第一类是血清学指标（如APRI、FIB-4），其优势在于检测简便、成本低，但局限性是依赖肝功能和血常规参数，易受炎症活动影响，对肝硬化的判别能力不足（文中提到FIB-4在训练组的受试者工作特征曲线下面积（AUC）仅0.664）；第二类是弹性成像技术（如TE、MRE），其优势是无创、能直接反映肝硬度，对纤维化分期的准确性高，但局限性是设备价格昂贵，未在临床广泛普及；第三类是影像学量化分析，包括磁共振成像（MRI）放射组学和CT深度学习：MRI放射组学研究已证实其对肝纤维化的预测价值，但MRI检查成本高于CT，普及度有限；CT深度学习研究（如门脉期CT图像的深度学习模型）虽取得一定成果，但针对非增强CT的研究甚少，且未结合临床指标优化模型。
作者进一步指出，现有研究的核心不足在于：缺乏基于非增强CT（临床最易获取的影像学数据）的放射组学分析，且未充分整合临床指标以提升模型的临床实用性。本研究的创新点在于：首次利用非增强CT图像提取放射组学特征，通过特征筛选构建放射组学签名，并整合独立临床预测因子（丙氨酸转氨酶（ALT）、天冬氨酸转氨酶（AST）、球蛋白（GLOB）、国际标准化比值（INR））建立列线图模型，同时在训练和验证队列中系统验证模型性能，填补了非增强CT放射组学在肝硬化诊断中的应用空白。
3. 研究思路总结与详细解析
本研究采用“队列建立-图像分析-特征筛选-模型构建-性能验证”的闭环研究思路，核心目标是建立并验证基于非增强CT放射组学结合临床指标的肝硬化预测模型，解决非增强CT图像量化分析不足的问题。
3.1 患者队列建立与基线特征分析
实验目的是构建具有可比性的训练和验证队列，确保模型的泛化能力。方法细节：回顾性纳入2018年1月至2019年12月在南京鼓楼医院就诊的632例HBV感染者，排除缺乏肝纤维化病理记录、CT图像厚度不符合（非1.5mm）、CT与活检间隔超过3个月、图像质量差、合并其他病毒感染（如丙型肝炎病毒（HCV）、丁型肝炎病毒（HDV）、人类免疫缺陷病毒（HIV））、肝占位性病变、大量饮酒（>20g/天）及临床数据不全的患者，最终纳入294例患者。根据活检日期，2018年的144例为训练队列，2019年的150例为验证队列。结果解读：训练队列与验证队列的基线特征（如年龄、性别、肝功能指标、肝硬化率）无显著差异（训练队列肝硬化率43.8%（63/144），验证队列38.0%（57/150），P=0.34），确保了队列的可比性。患者筛选流程见图1。
产品关联：文献未提及具体实验产品，领域常规使用GE Healthcare的CT扫描仪（如Lightspeed、VCT、Discovery HD 750）进行图像采集。
3.2 CT图像获取与感兴趣区域分割
实验目的是获取标准化CT图像并勾画肝组织的感兴趣区域（ROI），为放射组学特征提取奠定基础。方法细节：所有患者采用相同型号CT扫描仪进行仰卧位扫描，扫描参数统一（管电压120kVp，管电流250-350mA，层厚5mm，重建层厚1.25mm，螺距1.375）。由两位具有5年以上经验的放射科医生，在右门静脉水平的非增强CT图像上，沿肝右叶边缘勾画ROI，排除大血管及肝外组织。为评估特征的重复性，随机选取50例患者，由一位医生重复分割ROI（间隔1周），另一位医生独立分割，计算组内和组间相关系数（ICC）。结果解读：ROI的平均面积为47±15cm²，828个初始放射组学特征中，85个特征的组内和组间ICC均>0.8（达到预设的重复性阈值），保留用于后续分析。研究 workflow 见图2。
产品关联：使用3D Slicer软件（版本4.8.0）进行ROI分割，Pyradiomics包提取放射组学特征。
3.3 放射组学特征筛选与签名构建
实验目的是从高重复性特征中筛选出与肝硬化相关的核心特征，构建放射组学签名。方法细节：首先对85个高重复性特征进行z-score标准化（基于训练队列的均值和标准差），然后采用最小绝对收缩和选择算子（LASSO）逻辑回归算法（10折交叉验证调整惩罚参数）筛选具有非零系数的特征，最终保留25个肝硬化相关特征。使用支持向量机（SVM）算法基于这25个特征构建放射组学签名。结果解读：训练队列中，63例肝硬化患者的放射组学签名得分均值为0.279，81例非肝硬化患者为-0.649（P<0.001）；验证队列中，57例肝硬化患者均值为0.141，93例非肝硬化患者为-0.585（P<0.001），表明放射组学签名能有效区分肝硬化与非肝硬化患者。LASSO特征筛选结果见图3。
3.4 临床因素筛选与列线图建立
实验目的是整合临床指标优化模型，提升其临床实用性。方法细节：首先通过Spearman相关分析筛选与肝硬化相关的临床因素（包括血常规、肝功能、血脂、凝血功能等20余项指标），然后采用多变量条件逻辑回归分析确定独立预测因子。结果显示，ALT（>25.9U/L）、AST（>32.6U/L）、GLOB（>33.9g/L）、INR（>1.10）是肝硬化的独立临床预测因子。进一步采用多变量逻辑回归分析，将放射组学签名与这4项临床指标整合，建立列线图模型，公式为：Y=0.734×ALT（1=>25.9U/L，0=≤25.9U/L） + 0.468×AST（1=>32.6U/L，0=≤32.6U/L） + 1.385×GLOB（1=>33.9g/L，0=≤33.9g/L） + 2.372×放射组学签名 - 0.454。结果解读：列线图模型在训练队列的AUC为0.915（95%置信区间（CI）0.869-0.961），验证队列的AUC为0.872（95%CI 0.814-0.930），显著优于单独放射组学签名（训练组AUC 0.879）或临床指标（如ALT的AUC 0.72）。列线图与ROC曲线见图4。
3.5 模型性能验证
实验目的是系统评估模型的判别能力、校准度和临床获益。方法细节：采用ROC曲线评估判别能力（AUC值），校准曲线结合Hosmer-Lemeshow检验评估预测值与实际值的一致性，决策曲线分析（DCA）评估模型的临床获益（净获益）。结果解读：ROC曲线显示，列线图模型的判别能力显著优于传统CT视觉评估（训练组AUC 0.752 vs 0.915，P<0.001）、APRI（0.752）和FIB-4（0.664）；校准曲线显示，训练组和验证组的预测值与实际肝硬化发生率一致性良好（Hosmer-Lemeshow检验P值分别为0.317和0.534）；DCA显示，列线图模型在广泛的阈值概率范围内（0.1-0.8）的净获益显著高于其他方法，表明其能为临床决策提供更多价值。决策曲线分析结果见图5。
4. Biomarker研究及发现成果解析
4.1 Biomarker定位与筛选逻辑
本研究的Biomarker是“放射组学签名+临床指标”的整合模型，其中放射组学签名由25个非增强CT图像的量化特征组成（包括一阶统计、纹理和小波变换特征），临床指标包括ALT、AST、GLOB、INR（均为临床易获取的血清学指标）。筛选与验证逻辑遵循“特征重复性筛选-疾病相关性筛选-模型整合-性能验证”的闭环：首先通过组内和组间ICC筛选高重复性放射组学特征（85个），再通过LASSO逻辑回归筛选肝硬化相关特征（25个），用支持向量机构建放射组学签名；同时通过Spearman相关分析和多变量回归筛选与肝硬化相关的独立临床指标（4个）；最后将放射组学签名与临床指标整合，建立列线图模型，并在训练（n=144）和验证（n=150）队列中验证性能。
4.2 研究过程与性能数据
放射组学特征来源于非增强CT图像的肝ROI（由两位放射科医生勾画，确保重复性），临床指标来源于患者血清检测（ALT、AST、GLOB为肝功能指标，INR为凝血功能指标，均为临床常规检测项目）。验证数据显示：（1）判别能力：训练队列AUC为0.915（95%CI 0.869-0.961），验证队列0.872（95%CI 0.814-0.930）；（2）校准度：训练组Hosmer-Lemeshow检验P=0.317，验证组P=0.534，表明预测值与实际值一致性良好；（3）临床获益：DCA显示，当阈值概率为0.2-0.7时，列线图模型的净获益比传统CT评估高0.1-0.2，比APRI高0.15-0.25，比FIB-4高0.2-0.3。
4.3 核心成果与创新性
本研究的核心成果是建立了基于非增强CT放射组学结合临床指标的肝硬化预测列线图，其创新性体现在三个方面：（1）技术创新：首次将放射组学技术应用于非增强CT图像，提取量化特征并构建签名，解决了非增强CT图像量化分析不足的问题；（2）模型创新：整合了临床易获取的肝功能和凝血指标，提升了模型的临床实用性，避免了依赖复杂设备或检测；（3）性能创新：系统验证了模型的判别、校准和临床获益，证明其性能显著优于现有方法（如传统CT视觉评估、APRI、FIB-4）。
该模型的临床价值在于，为CHB患者提供了无创、准确的肝硬化诊断工具，尤其适用于基层医疗机构或无法进行弹性成像、肝活检的患者，有助于早期识别肝硬化高风险患者，及时启动抗病毒或抗纤维化治疗，改善预后。