目的：建立肝细胞癌经动脉化疗栓塞术（transarterialchemoembolization,TACE）抵抗的预测模型，评估不同建模方法的预测效能。

患者与方法： 本研究回顾性收集了131例因肝细胞癌（hepatocellular carcinoma,HCC）接受重复TACE治疗的患者的临床和磁共振成像（magnetic resonance imaging,MRI）数据（其中48例为TACE抵抗）。按照8:2的比例，将病例分为训练队列（104例）和验证队列（27例）。通过逻辑回归分析确定了与TACE抵抗性相关的临床影像学特征。在首次TACE治疗前，研究人员对肝细胞癌病灶在动脉期（arterial phase，AP）、门静脉期（portal phase）、延迟期（delayed phase，DP）及脂肪抑制T2加权（T2-weighted fat suppression，T2WI-FS）MRI图像上的表现进行手动勾画，将其定义为感兴趣区域。采用方差阈值法、单变量筛选法及最小绝对收缩选择算子回归进行降维处理，筛选出TACE抵抗性的相关预测指标。筛选出TACE抵抗性的相关预测指标后，采用支持向量机（support vector machine，SVM）、随机森林（random forest,RF）、逻辑回归（logistic regression,LR）及自适应增强（adaptive boosting adaboost，Adaboost）提升算法等机器学习方法，分别构建影像组学预测模型、临床预测模型及联合预测模型。采用受试者工作特征（receiver operating characteristic,ROC）曲线评估各模型的预测效能，最终将最优预测模型构建为列线图，并通过校准曲线分析和决策曲线分析进行验证。

结果： 在评估预测HCC TACE抵抗性的影像组学模型时，基于LR构建的VP模型展现出最佳单序列预测效能（训练集AUC：0.896，95%CI：0.843～0.941；验证集：0.853，95%CI：0.727～0.965）。多参数模型的预测效能显著超越单序列对应模型，其中T2WI-FS+AP+VP+DP多参数逻辑回归模型展现最优效能（训练集AUC：0.905，95%CI：0.853～0.949；验证集AUC：0.876，95%CI：0.773～0.976）。该临床-影像组学联合模型展现出优异的预测效能：训练队列AUC达0.955（95%CI：0.918～0.984），准确率0.885、灵敏度0.921、特异度0.864；且在验证队列中仍保持稳健的预测性能（AUC=0.941，95%CI：0.880～0.991）。

结论：多序列临床-影像组学模型精准预测肝细胞癌TACE抵抗。

关键词： 肝细胞癌；机器学习；经动脉化疗栓塞；影像组学