摘要目的:探讨基于CT影像组学特征、深度迁移学习(deep transfer learning,DTL)特征及临床特征构建的联合预测模型在术前无创评估肝细胞癌(hepatocellular carcinoma,HCC)磷脂酰基醇蛋白聚糖3(glypican-3,GPC3)表达状态中的应用价值.方法:回顾性收集某院2016年1月至2021年12月经术后病理证实为HCC的229例患者的临床和影像资料,其中免疫组织化学检测示GPC3阳性178例、GPC3阴性51例.首先,借助3D Slicer 5.7.0软件,对增强CT动脉期、门静脉期图像中的病灶勾画感兴趣区,并重建肿瘤三维容积感兴趣区;其次,基于动脉期、门静脉期分割后的感兴趣区,提取影像组学特征和DTL特征,并将影像组学特征、DTL特征进一步整合得到深度学习-影像组学(deep learning radiomics,DLR)特征;最后,采用t检验或Mann-Whitney U检验以及Pearson相关性分析、最小绝对收缩和选择算子算法筛选特征,采用单因素Logistic回归筛选GPC3阳性表达的独立危险因素,采用逻辑回归、随机森林、支持向量机、决策树、自适应提升和轻量级梯度提升机(light gradient boosting machine,LightGBM)6种机器学习算法分别构建影像组学(Rad)模型、DTL模型、DLR模型,筛选出最优模型并联合临床危险因素构建联合模型.采用ROC曲线评估Rad模型、DTL模型、DLR模型、临床模型和联合模型对HCC的GPC3表达状态的预测效能,采用校准曲线及临床决策曲线验证各模型的一致性及实用性,采用Delong检验比较各模型间AUC的统计学差异,并通过计算沙普利加性解释(SHapley Additive exPlanations,SHAP)值量化每个特征对DLR模型预测结果重要性的影响.结果:基于LightGBM构建的DLR模型为最优模型,甲胎蛋白(alpha-fetoprotein,AFP)是临床独立危险因素.相较于其他模型,基于最优模型和AFP构建的联合模型诊断效能最优,在训练集、测试集上的AUC分别为0.965、0.905;校准曲线和决策曲线分析结果表明,相较于其他模型,构建的联合模型具有更好的校准度和临床实用性;Delong检验结果表明,在训练集和测试集中,联合模型与临床模型、Rad模型、DTL模型、DLR模型的AUC值比较,差异均有统计学意义(P<0.05).SHAP分析结果表明,wavelet_HHH_glcm_ClusterShade_P的平均SHAP值最高(0.54),是对模型预测结果影响最关键的特征.结论:基于CT影像组学特征、DTL特征及临床特征构建的联合预测模型在HCC患者术前GPC3表达状态预测中表现出优异效能,可为HCC临床个体化治疗策略的制订提供可靠的非侵入性评估工具.