切换至 "中华医学电子期刊资源库"
高级检索
中华消化病与影像杂志(电子版)

中华消化病与影像杂志(电子版) ›› 2025, Vol. 15 ›› Issue (02) : 112 -119. doi: 10.3877/cma.j.issn.2095-2015.2025.02.004

论著

中青年肝癌患者根治术后不同复发时期的风险模型构建及验证
李娅辉1,†(), 栾琳1, 黄辉云1   
  1. 1. 266000 山东省，青岛市第八人民医院感染性疾病科
  • 收稿日期:2024-10-01 出版日期:2025-04-01
  • 通信作者: 李娅辉

Construction and validation of risk model for young and middle-aged patients with liver cancer at different recurrence stages after radical operation

Yahui Li1,†(), Lin Luan1, Huiyun Huang1   

  1. 1. Department of Infectious Diseases，Qingdao Eighth People's Hospital，Qingdao 266000，China
  • Received:2024-10-01 Published:2025-04-01
  • Corresponding author: Yahui Li
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

李娅辉, 栾琳, 黄辉云. 中青年肝癌患者根治术后不同复发时期的风险模型构建及验证[J/OL]. 中华消化病与影像杂志(电子版), 2025, 15(02): 112-119.

Yahui Li, Lin Luan, Huiyun Huang. Construction and validation of risk model for young and middle-aged patients with liver cancer at different recurrence stages after radical operation[J/OL]. Chinese Journal of Digestion and Medical Imageology(Electronic Edition), 2025, 15(02): 112-119.

目的

构建和验证针对中青年肝癌患者根治术后不同时期复发的预测模型，为临床提供更有效的术后监测和干预策略。

方法

选取2017 年1 月至2021 年12 月青岛市第八人民医院接受根治术治疗的341 例原发性肝细胞癌（PHC）作为研究对象，按照一定的纳入和排除标准筛选病例，并收集详细的临床资料。采用逻辑回归（LR）、决策树（DT）、支持向量机（SVM）、随机森林（RF）和极端梯度提升算法（XGBoost）五种机器学习算法构建预测模型，将所有患者分为训练集和验证集，训练集数据通过五折交叉验证的方式训练、优化各模型。采用测试集数据对各模型的预测性能进行评估，评价方法采用受试者工作特征曲线（ROC）进行，统计各模型预测近期复发、远期复发的曲线下面积（AUC）、敏感度、特异度及约登指数。

结果

341 例PHC 患者中，共有173例（50.73%）出现了术后复发，其中78 例（22.87%）为近期复发，95 例（27.86%）为远期复发。近期复发者、远期复发者的中性粒细胞与淋巴细胞比值（NLR）、血小板与淋巴细胞比值（PLR）、丙氨酸转氨酶、天冬氨酸转氨酶、总胆红素、甲胎蛋白水平分别明显高于近期未复发者、远期未复发者，同时近期复发者与近期未复发者、远期复发者与远期未复发者在合并门静脉癌栓、肿瘤包膜完整性、BCLC 分期和肿瘤分化程度等方面均存在显著差异（P＜0.05）。模型预测结果显示，XGBoost 算法在预测近期复发（AUC=0.989）和远期复发（AUC=0.983）方面表现出最佳性能，其次是RF（AUC分别为0.926、0.939）和SVM 算法（AUC 分别为0.914、0.904）。

结论

LR、DT、SVM、RF 和XGBoost均能够较好预测中青年肝癌患者根治术后不同时期复发的可能性。其中RF、SVM 和XGBoost 模型的预测性能相对较好，尤其是XGBoost 模型展现出较高的预测准确性。另外，NLR、PLR、相关肝功能指标以及门静脉癌栓、肿瘤包膜完整性、BCLC 分期以及肿瘤分化程度可能是影响复发的预测因素。

关键词: 肝细胞癌, 肿瘤复发, 风险模型, 中青年人, 机器学习算法

Objective

To construct and verify the prediction model for recurrence of young and middle-aged patients with liver cancer in different periods after radical surgery，and then provide more effective postoperative monitoring and intervention strategies for clinic.

Methods

From January 2017 to December 2021，341 cases of primary hepatocellular carcinoma （PHC） were selected as the research object，and the cases were screened according to certain inclusion and exclusion criteria，and detailed clinical data were collected. Five machine learning algorithms，including logistic regression （LR），decision tree （DT），support vector machine （SVM），random forest （RF） and extreme gradient lifting algorithm （XGBoost），were used to construct the prediction model. All patients were divided into training set and validation set，and the data of training set were trained and optimized by 50% cross validation. Receiver operating characteristic curve （ROC） was used to evaluate the prediction performance of each model，and the area under the curve （AUC），sensitivity，specificity and Jordan index of each model for predicting recent recurrence and long-term recurrence were counted.

Results

Of the 341 PHC patients，173 （50.73%） had postoperative recurrence，of which 78 （22.87%） had recent recurrence and 95 （27.86%） had long-term recurrence. The levels of neutrophil to lymphocyte ratio （NLR），platelet to lymphocyte ratio （PLR），alanine aminotransferase，aspartate transaminase，total bilirubin and alpha fetoprotein in recent and long-term relapses were significantly higher than those in patients without recent and long-term relapses. At the same time，there were significant differences between those with recent recurrence and those without recent recurrence，and between those with long-term recurrence and those without long-term recurrence in portal vein tumor thrombus，tumor envelope integrity，BCLC staging and tumor differentiation （P＜0.05）. The model prediction results showed that XGBoost algorithm had the best performance in predicting recent recurrence （AUC=0.989） and long-term recurrence （AUC=0.983），followed by RF （AUC=0.926，0.939）and SVM algorithm （AUC=0.914，0.904）.

Conclusion

LR，DT，SVM，RF and XGBoost can all predict the recurrence possibility of young and middle-aged patients with liver cancer in different periods after radical surgery. Among them，the prediction performance of RF，SVM and XGBoost model is relatively good，especially XGBoost model shows high prediction accuracy. In addition，NLR，PLR，related liver function indexes，portal vein tumor thrombus，tumor capsule integrity，BCLC stage and tumor differentiation degree may be predictive factors for recurrence.

Key words: Hepatocellular carcinoma, Tumor recurrence, Risk model, Young and middleaged people, Machine learning algorithm
表1 近期复发和近期未复发患者的临床资料
临床资料 近期复发者（n=78） 近期未复发者（n=263） t/χ 2 值 P 值
年龄（岁， xˉ± s ） 34.56±4.23 34.62±4.39 0.107 0.915
性别（男/女，例） 45/33 144/119 0.210 0.646
BMI（kg/m2， xˉ± s ） 23.46±3.11 23.54±3.23 0.194 0.847
肝功能Child-Pugh 分级［例（%）］ 0.403 0.526
A 级 60（76.92） 211（80.23）
B～C 级 18（23.08） 52（19.77）
HBsAg［例（%）］ 0.011 0.916
阳性 73（93.59） 247（93.92）
阴性 5（6.41） 16（6.08）
HCVAb［例（%）］ 0.004 0.952
阳性 69（88.46） 232（88.21）
阴性 9（11.54） 31（11.79）
肝硬化［例（%）］ 0.376 0.540
有 65（83.33） 211（80.23）
无 13（16.67） 52（19.77）
是否接受抗病毒治疗［例（%）］ 0.009 0.926
是 67（85.90） 227（86.31）
否 11（14.10） 36（13.69）
术后是否行p-TACE ［例（%）］ 0.012 0.911
是 48（61.54） 160（60.84）
否 30（38.46） 103（39.16）
NLR（ xˉ± s ） 2.35±0.35 2.03±0.23 9.469 0.000
PLR（ xˉ± s ） 123.64±13.49 109.46±11.51 9.174 0.000
ALT（U/L， xˉ± s ） 63.23±9.58 46.41±7.59 16.136 0.000
AST（U/L， xˉ± s ） 51.31±7.48 38.19±6.64 14.878 0.000
TBil（μmol/L， xˉ± s ） 18.16±2.65 16.19±1.92 7.248 0.000
AFP（ng/mL， xˉ± s ） 46.13±6.19 38.28±5.43 10.850 0.000
肿瘤数目［例（%）］ 1.936 0.164
单发 49（62.82） 187（71.10）
多发 29（37.18） 76（28.90）
肿瘤最大直径（cm， xˉ± s ） 5.33±1.39 5.17±1.36 0.908 0.365
合并门静脉癌栓［例（%）］ 9.706 0.002
是 60（76.92） 151（57.41）
否 18（23.08） 112（42.59）
肿瘤包膜［例（%）］ 7.680 0.006
完整 27（34.62） 138（52.47）
不完整 51（65.38） 125（47.53）
BCLC 分期［例（%）］ 9.620 0.002
A 期 17（21.79） 108（41.06）
B～C 期 61（78.21） 155（58.94）
肿瘤分化程度［例（%）］ 9.537 0.002
中、低分化 46（58.97） 99（37.64）
高分化 32（41.03） 164（62.36）
（续）
临床资料 远期复发者（n=95） 近期未复发者（n=168） t/χ 2 值 P 值
年龄（岁， xˉ± s ） 34.51±4.36 34.68±4.41 0.302 0.763
性别（男/女，例） 55/42 91/77 0.160 0.689
BMI（kg/m2， xˉ± s ） 23.49±3.09 23.68±3.23 0.465 0.642
肝功能Child-Pugh 分级［例（%）］ 0.330 0.565
A 级 78（82.11） 133（79.17）
B～C 级 17（17.89） 35（20.83）
HBsAg［例（%）］ 0.014 0.906
阳性 89（93.68） 158（94.05）
阴性 6（6.32） 10（5.95）
HCVAb［例（%）］ 1.245 0.265
阳性 81（85.26） 151（89.88）
阴性 14（14.74） 17（10.12）
肝硬化［例（%）］ 0.005 0.944
有 76（80.00） 135（80.36）
无 19（20.00） 33（19.64）
是否接受抗病毒治疗［例（%）］ 0.138 0.710
是 81（85.26） 146（86.90）
否 14（14.74） 22（13.10）
术后是否行p-TACE［例（%）］ 0.044 0.834
是 57（60.00） 103（61.31）
否 38（40.00） 65（38.69）
NLR（ xˉ± s ） 2.21±0.28 1.81±0.19 13.753 0.000
PLR（ xˉ± s ） 116.26±10.94 103.46±9.26 10.074 0.000
ALT（U/L， xˉ± s ） 53.88±8.42 44.03±7.13 10.070 0.000
AST（U/L， xˉ± s ） 44.19±7.01 31.15±5.43 16.799 0.000
TBil（μmol/L， xˉ± s ） 17.46±1.79 15.13±1.51 11.229 0.000
AFP（ng/mL， xˉ± s ） 43.74±5.46 33.59±5.03 15.238 0.000
肿瘤数目［例（%）］ 0.956 0.328
单发 71（74.74） 116（69.05）
多发 24（25.26） 52（30.95）
肿瘤最大直径（cm， xˉ± s ） 5.25±1.32 5.03±1.41 1.244 0.215
合并门静脉癌栓［例（%）］ 18.252 0.000
是 71（74.74） 80（47.62）
否 24（25.26） 88（52.38）
肿瘤包膜［例（%）］ 21.048 0.000
完整 32（33.68） 106（63.10）
不完整 63（66.32） 62（36.90）
BCLC 分期［例（%）］ 17.456 0.000
A 期 23（24.21） 85（50.60）
B～C 期 72（75.79） 83（49.40）
肿瘤分化程度［例（%）］ 22.487 0.000
中、低分化 55（57.89） 44（26.19）
高分化 40（42.11） 114（67.86）
（续）
临床资料 训练集（n=239） 验证集（n=102） t/χ 2 值 P 值
年龄（岁， xˉ± s ） 34.59±4.61 34.62±4.78 0.054 0.957
性别（男/女，例） 135/104 54/48 0.363 0.547
BMI（kg/m2， xˉ± s ） 23.45±3.12 23.50±3.15 0.135 0.893
肝功能Child-Pugh 分级［例（%）］ 0.076 0.783
A 级 189（79.08） 82（80.39）
B～C 级 50（20.92） 20（19.61）
HBsAg［例（%）］ 0.125 0.724
阳性 225（94.14） 95（93.14）
阴性 14（5.86） 7（6.86）
HCVAb［例（%）］ 0.560 0.454
阳性 213（89.12） 88（86.27）
阴性 26（10.88） 14（13.73）
肝硬化［例（%）］ 0.028 0.867
有 194（81.17） 82（80.39）
无 45（18.83） 20（19.61）
是否接受抗病毒治疗［例（%）］ 0.104 0.747
是 207（86.61） 87（85.29）
否 32（13.39） 15（14.71）
术后是否行p-TACE［例（%）］ 0.187 0.665
是 144（60.25） 64（62.75）
否 95（39.75） 38（37.25）
NLR（ xˉ± s ） 2.10±0.30 2.12±0.31 0.558 0.577
PLR（ xˉ± s ） 115.23±12.34 114.98±12.56 0.170 0.865
ALT（U/L， xˉ± s ） 50.23±8.45 51.02±8.67 0.784 0.433
AST（U/L， xˉ± s ） 40.12±7.34 40.56±7.56 0.502 0.616
TBil（μmol/L， xˉ± s ） 17.01±2.56 17.12±2.60 0.362 0.718
AFP（ng/mL， xˉ± s ） 40.12±5.34 40.56±5.56 0.688 0.492
肿瘤数目［例（%）］ 0.130 0.718
单发 164（68.62） 72（70.59）
多发 75（31.38） 30（29.41）
肿瘤最大直径（cm） 5.12±1.34 5.15±1.36 0.189 0.851
合并门静脉癌栓［例（%）］ 0.047 0.829
是 147（61.51） 64（62.75）
否 92（38.49） 38（37.25）
肿瘤包膜［例（%）］ 0.023 0.879
完整 115（48.12） 50（49.02）
不完整 124（51.88） 52（50.98）
BCLC 分期［例（%）］ 0.116 0.733
A 期 89（37.24） 36（35.29）
B～C 期 150（62.76） 66（64.71）
肿瘤分化程度［例（%）］ 0.395 0.530
中、低分化 99（41.42） 46（45.10）
高分化 140（58.58） 56（54.90）
表4 模型建立过程中各纳入指标的SHapley 值
指标 SHapley 值
NLR 0.0681
PLR 0.0744
ALT 0.0924
AST 0.0817
TBil 0.1032
AFP 0.0961
合并门静脉癌栓 0.1323
肿瘤包膜 0.1207
BCLC 分期 0.1418
肿瘤分化程度 0.1536
表5 不同模型预测验证集患者近期复发的ROC 曲线分析结果
模型 AUC 标准误 敏感度 特异度 约登指数 P 值 95% CI
LR 0.861 0.059 0.762 0.914 0.675 0.000 0.745～0.977
DT 0.842 0.063 0.762 0.877 0.638 0.000 0.719～0.965
SVM 0.914 0.044 0.857 0.926 0.783 0.000 0.828～1.000
RF 0.926 0.038 0.857 0.951 0.808 0.000 0.851～1.000
XGBoost 0.989 0.008 0.952 0.938 0.891 0.000 0.974～1.000
图1 不同模型预测验证集患者近期复发的ROC 曲线
表6 不同模型预测验证集患者远期复发的ROC 曲线分析结果
模型 AUC 标准误 敏感度 特异度 约登指数 P 值 95% CI
LR 0.840 0.048 0.667 0.882 0.549 0.000 0.747～0.933
DT 0.836 0.046 0.857 0.988 0.845 0.000 0.746～0.926
SVM 0.904 0.037 0.800 0.902 0.702 0.000 0.832～0.976
RF 0.939 0.030 0.900 0.902 0.802 0.000 0.880～0.998
XGBoost 0.983 0.010 1.000 0.882 0.882 0.000 0.963～1.000
图2 不同模型预测验证集患者远期复发的ROC 曲线
［1］
丁光宇，朱小东，沈英皓，等. 肝细胞癌根治性切除后极早期复发的危险因素与预测模型［J］. 中华肝胆外科杂志，2022，28（7）： 486-490.
［2］
高小青，姜胜攀，李军，等. 肝细胞癌切除术后早期复发和转移的危险因素分析及Nomogram 模型构建［J］. 国际消化病杂志，2023，43（5）： 339-347.
［3］
刘瑜，杨文静，郭玮. 肝细胞肝癌患者根治性切除术后复发相关血清标志物的研究进展［J］. 中华检验医学杂志，2023，46（1）： 93-97.
［4］
刘洵祺，才袁，安江宏. 肝细胞癌根治术后复发及预后因素分析［J］. 中西医结合肝病杂志，2023，33（12）： 1073-1077.
［5］
郑咏坤，吴春香，姚志雄. 基于机器学习和术前资料构建肝癌切除术中出血预测模型［J］. 福建医科大学学报，2022，56（6）： 552-560.
［6］
Rahman SA，Walker RC，Lloyd MA，et al. Machine learning to predict early recurrence after oesophageal cancer surgery［J］. Br J Surg，2020，107（8）： 1042-1052.
［7］
张峰，刘敬峰，吴燕. 索拉非尼联合TACE 治疗肝癌复发生存期影响因素预测模型建立［J］. 中西医结合肝病杂志，2022，32（8）： 750-753.
［8］
胡相友，易明超，卢攀. 肝癌切除术和TACE 治疗后肿瘤复发的预测模型构建与评估［J］. 现代医学，2022，50（1）： 41-46.
［9］
韦英婷，覃家盟，樊金莲，等. 基于深度学习算法开发和验证的肝细胞癌预后预测模型： 一项大样本队列和外部验证研究［J］. 中国癌症防治杂志，2021，13（3）： 294-300.
［10］
Famularo S，Donadon M，Cipriani F，et al. Machine Learning Predictive Model to Guide Treatment Allocation for Recurrent Hepatocellular Carcinoma After Surgery［J］. JAMA Surg，2023，158（2）： 192-202.
［11］
孟锦雯，刘治坤，顾钰峰，等. 基于卷积神经网络的肝细胞癌复发预警数字病理学模型研究［J/OL］. 中华肝脏外科手术学电子杂志，2023，12（3）： 272-277.
［12］
薛慧敏，陈涛，朱校均. 肝癌根治性切除术后患者复发情况及其危险因素分析［J］. 实用临床医药杂志，2022，26（18）： 35-38.
［13］
曹宝华，林秀梅，廖媛，等. 肝细胞癌术后复发预测模型建立［J/OL］. 中华肝脏外科手术学电子杂志，2022，11（4）： 386-389.
［14］
Baert T，Ferrero A，Sehouli J，et al. The systemic treatment of recurrent ovarian cancer revisited［J］. Ann Oncol，2021，32（6）： 710-725.
［15］
李巧媚，赵欢，周华邦，等. 不同中国肝癌分期患者根治性切除术后的复发及生存因素分析［J］. 浙江临床医学，2022，24（3）： 323-325.
［16］
朱荣火，黄晶晶，黄鸿娜，等. 基于四种机器学习算法建立预测肝癌切除术后复发模型［J］. 中西医结合肝病杂志，2023，33（3）： 202-208.
［17］
Bruno V，Betti M，D'Ambrosio L，et al. Machine learning endometrial cancer risk prediction model： integrating guidelines of European Society for Medical Oncology with the tumor immune framework［J］. Int J Gynecol Cancer，2023，33（11）： 1708-1714.
［18］
Jolissaint JS，Wang T，Soares KC，et al. Machine learning radiomics can predict early liver recurrence after resection of intrahepatic cholangiocarcinoma［J］. HPB（Oxford），2022，24（8）： 1341-1350.
［19］
郝若飞，赵松. 基于XGBoost 模型的缺血性脑卒中患者中医药治疗复发预测研究［J］. 中国药物应用与监测，2023，20（6）： 441-447.
［20］
Ramírez-Mejía MM，Méndez-Sánchez N. From prediction to prevention：Machine learning revolutionizes hepatocellular carcinoma recurrence monitoring［J］. World J Gastroenterol，2024，30（7）： 631-635.
[1] 史学兵, 谢迎东, 谢霓, 徐超丽, 杨斌, 孙帼. 声辐射力弹性成像对不可切除肝细胞癌门静脉癌栓患者放射治疗效果的评价[J/OL]. 中华医学超声杂志（电子版）, 2024, 21(08): 778-784.
[2] 马旦杰, 黄品同, 徐琛, 周芳芳, 潘敏强. 超声造影LI-RADS系统联合甲胎蛋白对有无高危因素背景人群肝细胞癌的诊断价值[J/OL]. 中华医学超声杂志（电子版）, 2024, 21(03): 288-296.
[3] 吕巧荣, 张燕, 付敏. 232例手足口病患儿流行特征及预后风险模型的构建与验证[J/OL]. 中华实验和临床感染病杂志(电子版), 2024, 18(02): 91-99.
[4] 李敏, 杨世英, 高晓琴, 周丹, 唐筱, 张立婷. 维生素A与慢性肝病相关性研究进展[J/OL]. 中华实验和临床感染病杂志(电子版), 2024, 18(02): 65-70.
[5] 刘世君, 马杰, 师鲁静. 胃癌完整系膜切除术+标准D2根治术治疗进展期胃癌的近中期随访研究[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(01): 27-30.
[6] 胡森焱, 徐冬, 方健, 谢冬冬, 王财庆. ICG荧光显影Laennec膜入路腹腔镜解剖性肝切除的临床研究[J/OL]. 中华普外科手术学杂志(电子版), 2024, 18(05): 513-516.
[7] 高建新, 王啸飞, 于淼, 路夷平. 局部进展期直肠癌新辅助治疗后行ISR术远切缘距离的临床研究[J/OL]. 中华普外科手术学杂志(电子版), 2024, 18(05): 539-543.
[8] 廖俊豪, 周理林, 曾健文. 广东省医学会泌尿外科疑难病例多学科会诊（第25期）——膀胱癌根治术后盆腔复发[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2025, 19(03): 390-394.
[9] 陈政, 叶庆旺, 赵东波, 石鑫, 吴建强, 余德才. 定位针引导下腹腔镜精准局部肝切除应用探索[J/OL]. 中华腔镜外科杂志(电子版), 2024, 17(02): 125-128.
[10] 杨英花, 代丽, 叶骉飞, 杨植, 党升强, 郭愿愿. 食管鳞癌同步放化疗患者血小板严重减少的风险模型构建及应用价值[J/OL]. 中华消化病与影像杂志(电子版), 2025, 15(02): 125-129.
[11] 莫鹏, 郭杏春, 梁秀娟, 王耀明. 超声引导与CT引导射频消融治疗肝细胞癌患者疗效及预后比较[J/OL]. 中华消化病与影像杂志(电子版), 2024, 14(02): 151-154.
[12] 王海旭, 袁芳, 程华中, 戴俊, 杨惠明, 宋红毛, 徐敏, 李硕, 怀德. 基于免疫和代谢相关基因构建头颈部鳞状细胞癌预后模型[J/OL]. 中华临床医师杂志(电子版), 2025, 19(01): 58-67.
[13] 王子阳, 王宏宾, 刘晓旌. 血清标志物对甲胎蛋白阴性肝细胞癌诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(07): 677-681.
[14] 陆知非, 华永飞, 姜哲康, 高过, 江寅, 王高卿. 初始不可切除肝癌转化治疗的影响因素分析[J/OL]. 中华临床医师杂志(电子版), 2024, 18(03): 268-274.
[15] 倪管崟, 缪小赟, 丁家安, 田鹏程, 倪才方. 锥形束计算机断层扫描在肝癌介入诊疗中的应用进展[J/OL]. 中华介入放射学电子杂志, 2024, 12(03): 256-260.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？