npj Digital Medicine | 基于 Transformer 的多模态深度学习模型预测晚期肝细胞癌 PD-1 阻断治疗中的超进展疾病

小赛推荐：

本研究为 晚期肝细胞癌 免疫治疗前的风险分层提供了关键工具，提示在 PD-1 抑制剂治疗前结合影像组学与临床数据进行多模态分析，可有效识别 超进展疾病 高风险人群，优化临床决策。

 

文献概述

本文《A multimodal deep learning model predicting hyperprogressive disease for PD-1 blockade in advanced hepatocellular carcinoma》，发表于《npj Digital Medicine》杂志，系统探讨了利用基于 Transformer 的多模态深度学习模型 HOPE，整合动脉期与门静脉期 CT 影像及结构化临床因素，以预测接受 PD-1 抑制剂三联疗法的晚期肝细胞癌患者发生超进展疾病的风险。

背景知识

免疫检查点抑制剂，特别是针对 PD-1 的抗体，已成为 晚期肝细胞癌 的重要治疗手段，但治疗反应存在显著异质性。其中，超进展疾病 是一种令人担忧的快速进展模式，可能导致治疗失败甚至死亡，目前缺乏可靠的术前预测工具。晚期肝细胞癌 患者体内和肿瘤间存在高度异质性，导致对 PD-1 阻断的反应模式复杂多变。传统机器学习模型多依赖单一模态或手工特征，难以捕捉影像与临床因素间的复杂非线性交互，限制了其在异质性队列中的泛化能力。因此，开发能够融合多源数据、捕捉跨模态交互的先进模型，对于精准识别 超进展疾病 高风险患者、避免无效治疗及改善患者预后具有迫切的临床需求。

 

肿瘤免疫治疗药效评价平台：提供从肿瘤细胞模型构建、原位成瘤模型到体内体外药效评估的全流程服务，涵盖免疫细胞表型分析、细胞因子检测及肿瘤生长监测，助力 [[PD-1]] 等免疫检查点抑制剂的研发与机制验证。

了解更多

 

研究方法与核心实验

本研究是一项多中心回顾性研究，纳入了 665 例接受 PD-1 抑制剂三联疗法（含 TACE、乐伐替尼及 PD-1 抑制剂）的 晚期肝细胞癌 患者。研究团队构建了名为 HOPE 的 Transformer 架构多模态深度学习模型，该模型整合了动脉期和门静脉期的增强 CT 影像数据，以及人口统计学、肿瘤形态学和实验室检查等结构化临床因素。研究采用了内部验证集和外部验证集来评估模型性能，并与仅临床、仅影像及传统机器学习模型进行了对比。此外，研究还通过消融实验验证了多模态融合的价值，利用 Grad-CAM 技术对模型的可解释性进行了可视化分析，并进行了亚组分析和生存风险分层评估。

关键结论与观点

• HOPE 模型在内部验证集中实现了 0.801 的 AUC，在外部验证集中达到 0.687，显著优于仅临床或仅影像的基线模型，证明了多模态融合在预测 超进展疾病 中的优越性。
• 消融分析显示，单独使用影像或临床数据均无法复现完整模型的性能，且移除任何临床子集（如人口统计学、肿瘤形态学或实验室指标）均会导致性能下降，表明 PD-1 治疗反应受多因素共同调控。
• Grad-CAM 可视化显示，模型在高风险病例中主要关注肿瘤 - 肝脏界面及肿瘤内部异质性区域，这些影像特征与 超进展疾病 的生物学侵袭性密切相关，为模型提供了可解释的生物学依据。
• 亚组分析表明，HOPE 模型在不同 晚期肝细胞癌 亚组（如 AFP 水平、肿瘤大小、血管侵犯等）中保持了稳定的判别能力，且其预测价值独立于基线肿瘤负荷，提示其能捕捉到传统指标无法反映的免疫微环境特征。
• 基于 HOPE 的风险分层能显著区分 超进展疾病 无进展生存期，高风险组患者发生 超进展疾病 的风险显著增加，为临床早期干预和密切监测提供了依据。

研究意义与展望

该发现对 药物开发 和 临床监测 具有重要影响，HOPE 模型可作为术前决策支持工具，帮助医生识别 超进展疾病 高风险患者，从而调整治疗方案或加强治疗后的影像学监测频率。此外，该研究为 疾病建模 提供了新思路，证明了利用深度学习融合多模态数据能有效解析复杂的肿瘤 - 宿主相互作用，未来可进一步整合分子生物学标志物或纵向影像动态变化，以提升预测的精准度和生物学可解释性，最终实现 晚期肝细胞癌 免疫治疗的个体化精准管理。

 

全基因组人源化小鼠模型 HUGO-GT：搭载高效大片段载体融合技术，可模拟人类基因调控模式，为 [[晚期肝细胞癌]] 等复杂疾病的致病机理研究及基因治疗药物临床前开发提供高度贴近真实世界的动物模型支持。

了解更多

 

结语

本研究通过构建 HOPE 模型，成功实现了对 晚期肝细胞癌 患者接受 PD-1 抑制剂治疗后发生 超进展疾病 风险的精准预测。该研究不仅填补了术前识别高危患者的技术空白，更从多模态数据融合的角度揭示了肿瘤异质性与免疫治疗反应之间的深层联系。从实验室到临床转化，HOPE 模型有望成为 晚期肝细胞癌 免疫治疗标准化流程中的关键一环，通过早期风险预警，避免患者遭受无效治疗带来的身体伤害和时间延误，从而优化整体照护体系，提升患者生存获益。未来，随着更多多中心数据的纳入和模型的持续优化，此类人工智能辅助决策工具将在精准肿瘤医学中发挥更大的基石作用。

 

Yan Li, Xin Li, Xiaoqi Lin, Chao An, and Huijun Chen. A multimodal deep learning model predicting hyperprogressive disease for PD-1 blockade in advanced hepatocellular carcinoma. NPJ Digital Medicine.