影像組學和深度學習在肝移植影像中的應(yīng)用

王菜瓊，楊斌

0 前言

全球最新癌癥負擔數(shù)據(jù)顯示，肝細胞癌（hepatocellular carcinoma, HCC）發(fā)病率約41%，排名第5 位；根據(jù)2020 年男女癌癥死亡率的研究顯示，HCC 在前五大死亡原因中排第二，其發(fā)病率在全球范圍內(nèi)呈上升趨勢[1]，已嚴重威脅人類健康。肝移植（liver transplantation, LT）是終末期肝病的主要治療方式[2-3]，終末期肝病主要包括HCC 及肝硬化等，隨著LT 在全球的迅速發(fā)展，每年接受LT 的患者越來越多，終末期肝病患者的存活率也逐年上升，但是這也面臨著一定的挑戰(zhàn)，一方面，對供體的需求持續(xù)遠遠超過現(xiàn)有的捐獻者[4]，另一方面，LT 后患者的存活率及預(yù)后也是一大挑戰(zhàn)，LT 后腫瘤復(fù)發(fā)、轉(zhuǎn)移及各種并發(fā)癥的出現(xiàn)一直是影響療效的主要因素[5-7]。影像學在LT 的應(yīng)用包括術(shù)前供受體評估、術(shù)后并發(fā)癥監(jiān)測、出院后隨訪，如何更早期、有效地診斷術(shù)后并發(fā)癥，減少其發(fā)生率是臨床主要關(guān)注的話題。LT 后并發(fā)癥主要包括血管并發(fā)癥、膽管并發(fā)癥、肝實質(zhì)并發(fā)癥及術(shù)后感染等[8-9]。

血管并發(fā)癥主要包括肝動脈血栓形成或血管狹窄及門靜脈血栓形成[10]，數(shù)字減影血管造影是診斷肝動脈并發(fā)癥的金標準，但其為侵入性檢查；超聲簡單無創(chuàng)，但其敏感性及特異性稍低，且操作者依賴性較強；CT作為無創(chuàng)性檢查可用于LT后并發(fā)癥評估，其中CT 血管造影能較好地顯示血管完整性及血管狹窄。門靜脈血栓的診斷主要依靠超聲及CT增強檢查，床旁超聲是診斷早期門靜脈血栓的首選檢查方式，相比之下，CT及MRI對血管并發(fā)癥的診斷準確性更高，通常價格實惠的CT被作為靜脈并發(fā)癥的優(yōu)選檢查。膽管并發(fā)癥包括膽管狹窄、膽瘺、膽泥形成、膽管結(jié)石等，其中膽管狹窄較常見[11]。膽管并發(fā)癥的診斷金標準為膽道介入造影，但其為有創(chuàng)性檢查；磁共振胰膽管造影（magnetic resonance cholangiopancreatography,MRCP）對膽道顯示較清楚，常作為優(yōu)選檢查；膽管結(jié)石使用超聲即可診斷。肝實質(zhì)并發(fā)癥主要包括肝癌復(fù)發(fā)、肝膿腫和肝內(nèi)血腫，CT 及MRI 對肝臟疾病的診斷準確率優(yōu)于超聲[12]。術(shù)后感染主要是由于LT 術(shù)后患者免疫力下降導(dǎo)致的肺部感染[13]，常通過胸部CT進行診斷。為了提高患者的存活率及改善預(yù)后，預(yù)防并發(fā)癥的產(chǎn)生，許多學者基于影像組學和DL 模型對LT 術(shù)后HCC 進行了大量預(yù)測研究，其中較多研究基于臨床因素和CT 圖像結(jié)合影像組學及DL 對LT 術(shù)后HCC復(fù)發(fā)進行預(yù)測，基于超聲、MRI、PET圖像的預(yù)測研究較少。雖然基于CT影像組學對LT術(shù)后HCC的預(yù)測研究相對成熟，但DL相關(guān)的研究較少，且目前沒有系統(tǒng)性綜述對基于影像圖像結(jié)合影像組學及DL對LT術(shù)后并發(fā)癥預(yù)測研究的探討。本文將從基于超聲、CT、MRI、PET 的影像組學及DL 模型在LT 方面的應(yīng)用作一綜述，分析現(xiàn)階段預(yù)測模型的優(yōu)勢、不足與未來發(fā)展方向，幫助LT術(shù)后患者的精準個體化治療，減少術(shù)后并發(fā)癥，提高患者生存率及改善預(yù)后。

1 影像組學及DL的概述

基于對圖像信息進行紋理分析后能夠得到高通量特征的特點，受基因組學以及腫瘤異質(zhì)性的啟發(fā)，2012年荷蘭學者LAMBIN在之前學者工作的基礎(chǔ)上提出了影像組學的概念[14]，這個概念提出后迅速被越來越多的學者改進與完善。影像組學是一個不斷發(fā)展的領(lǐng)域，與從圖像中提取特征有關(guān)，它將醫(yī)學圖像自動分類到預(yù)定義的組中。該過程包括一系列連續(xù)的步驟，包括圖像采集和處理、感興趣區(qū)域的勾畫、特征提取和分類模型的構(gòu)建。在此過程中計算的特征主要是形狀特征，以及一階和高階紋理特征[15-16]。人工智能（artificial intelligence, AI）一詞由達特茅斯學院的John 于1956 年提出[17]，AI 是一組基于先進計算算法的系統(tǒng)，可以從大量數(shù)據(jù)中準確地進行推理學習。AI屬于數(shù)據(jù)科學領(lǐng)域，包括經(jīng)典編程和機器學習（machine learning, ML），ML 包含許多模型和方法，包括DL 和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）[18-19]。DL 算法是另一種快速發(fā)展的技術(shù)，被認為是醫(yī)學圖像分析領(lǐng)域用于檢測、表征和評估病變的寶貴工具，該算法涉及多層神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中主要包括卷積神經(jīng)網(wǎng)絡(luò)[20-21]。

影像組學提取傳統(tǒng)的圖像特征，包括形狀、灰度、紋理等特征，采用傳統(tǒng)統(tǒng)計模型來分類和預(yù)測，如支持向 量 機、隨 機 森 林、XGBoost（eXtreme Gradient Boosting）等[22]；而DL 則直接使用卷積神經(jīng)網(wǎng)絡(luò)來提取特征，來完成分類和預(yù)測。DL 在完成模型訓(xùn)練后，可以實現(xiàn)影像全自動分析，這是相比影像組學的最大優(yōu)勢之一，但是DL要求巨大的數(shù)據(jù)量，數(shù)據(jù)量可能是影像組學的十倍或百倍以上[23]，而大多研究數(shù)據(jù)量都是有限的。為了解決DL 數(shù)據(jù)量不夠的問題，有學者提出了將DL網(wǎng)絡(luò)輸出特征與影像組學中的經(jīng)典分類器結(jié)合，這些研究結(jié)果表明，結(jié)合DL 特征，能夠在有限的訓(xùn)練數(shù)據(jù)集上進一步提升影像組學分類或預(yù)測的準確性和可靠性[24-25]。因此，影像組學和DL之間的關(guān)系是互補的。由于影像組學不斷增長的高維特性，其領(lǐng)域需要更強大的分析工具，DL 憑借其強大的功能，能實現(xiàn)這一目標。此外，在醫(yī)學圖像分析中，DL 應(yīng)用不可避免地需要影像組學，因為用于訓(xùn)練和構(gòu)建DL 模型的指標是通過影像組學方法提供的，特別是特征提取和特征選擇技術(shù)。總之，DL 和影像組學都是兩種快速發(fā)展的技術(shù)，它們可能在未來聯(lián)合起來產(chǎn)生一個統(tǒng)一的臨床決策支持框架，有可能徹底改變精準醫(yī)學領(lǐng)域[26]。

2 基于不同影像學方法的影像組學和DL技術(shù)

2.1 超聲檢查

移植后淋巴組織增生性疾病是小兒實體器官移植后最常見的惡性腫瘤之一，超聲是淺表淋巴結(jié)疾病的首選影像學方法，但是超聲對于移植后淋巴組織增生性疾病和反應(yīng)性增生淋巴結(jié)鑒別較困難。袁瑤等[27]回顧性分析小兒LT 后經(jīng)病理證實的112 例移植后淋巴組織增生性疾病及93例淋巴結(jié)反應(yīng)性增生患者頸部增大淋巴結(jié)的二維超聲圖像，提取118個影像組學特征構(gòu)建了隨機森林、支持向量機、決策樹及邏輯回歸4個模型，并比較常規(guī)超聲與四個模型的診斷效能，發(fā)現(xiàn)隨機森林模型的診斷效能最好，其模型曲線下面積（area under the curve, AUC）為0.816，優(yōu)于常規(guī)超聲（AUC 為0.613），隨機森林模型的敏感度、特異度及準確度分別為95.7%、68.6%及86.0%。這一結(jié)果表明，基于超聲影像組學的隨機森林模型可以對小兒LT后淋巴組織增生性疾病和淋巴結(jié)反應(yīng)性增生進行鑒別診斷。雖然該影像組學模型的AUC、敏感度及準確度均較高，但是該研究的樣本量較小，可能會導(dǎo)致模型效能較高的假象。因此，還需擴大樣本量且進行多中心研究以驗證該模型的效能，此外，移植后淋巴組織增生性疾病也會發(fā)生于成年人，也應(yīng)該將成年人納入研究。LT 后的患者并發(fā)癥較常見的是膽管和血管的并發(fā)癥，包括吻合口膽管狹窄及非吻合口膽管狹窄、門靜脈血栓形成、肝動脈血栓形成等[28-30]，隨著LT 技術(shù)的不斷提高，門靜脈血栓和肝動脈血栓形成的發(fā)生率逐年降低。MRCP 對于膽管狹窄的診斷效能優(yōu)于超聲。超聲對于門靜脈血栓的檢出率較高，但因超聲對檢查者的依賴性較強，可能會出現(xiàn)漏診的情況，CT 增強對于門靜脈血栓和肝動脈血栓顯示較清晰，所以CT 增強相對于超聲對血管血栓形成診斷效能更高。此外，CT 增強對于門靜脈血栓和癌栓具有一定的鑒別能力[31]，這將有助于臨床醫(yī)生治療方案的選擇。超聲是LT患者最常見的床旁檢查、術(shù)后隨訪檢查方式。對于LT 術(shù)后患者膽管及血管的評估，超聲是最實用、方便的非侵入性檢查方式[32]。基于CT 及MRI 影像組學及DL 對LT 術(shù)后HCC 復(fù)發(fā)的預(yù)測研究越來越多，而因超聲對LT術(shù)后患者HCC復(fù)發(fā)及并發(fā)癥的診斷具有一定的局限性，因此基于超聲影像組學及DL對LT術(shù)后HCC復(fù)發(fā)及并發(fā)癥診斷及預(yù)測方面的研究尚沒有，相關(guān)研究有待提出及實行。未來基于超聲AI 對LT 術(shù)后復(fù)發(fā)及并發(fā)癥預(yù)測研究的增加，將有助于患者術(shù)前的風險分層，幫助臨床醫(yī)生對患者進行個體化治療。

2.2 CT檢查

中晚期HCC 是LT 的適應(yīng)證，但并非所有的中晚期HCC 患者都適合LT 手術(shù)，且LT 術(shù)后HCC 復(fù)發(fā)率較高，其五年復(fù)發(fā)率可達60%～80%[33]。LT 器官緊缺，為了實現(xiàn)合理分配器官，許多學者對LT術(shù)前HCC復(fù)發(fā)進行了預(yù)測研究。JI等[34]回顧性分析了來自三個醫(yī)院的470 名接受孤立性HCC 根治性切除術(shù)和增強CT 的患者，訓(xùn)練集包括210名患者，使用聚合ML框架，基于從原發(fā)腫瘤及瘤周提取的3384個影像組學特征生成影像組學標簽并采用了Cox回歸模型來建立預(yù)測模型。內(nèi)部驗證集和外部驗證集分別包括107 名患者和153 名患者。該研究建立了兩個模型，術(shù)前模型分析了血清甲胎蛋白（alpha-fetoprotein, AFP）水平、白蛋白-膽紅素分級、肝硬化程度、腫瘤邊緣情況、影像組學特征，術(shù)后模型除了上述預(yù)測因子還將衛(wèi)星結(jié)節(jié)納入其中。與無影像組學和廣泛使用的分期系統(tǒng)的競爭模型相比，該研究的兩種模型的預(yù)后預(yù)測性能更好，一致性指數(shù)（concordance index, C-index）為0.733～0.801，綜合Brier 評分為0.147～0.165。此外，他們還給出了三個具有不同復(fù)發(fā)模式的復(fù)發(fā)風險分層。該研究表明當結(jié)合臨床數(shù)據(jù)時，影像組學標簽有望準確預(yù)測個體復(fù)發(fā)風險，從而促進個體化的HCC管理。該研究為大樣本多中心研究，且進行了內(nèi)部驗證和外部驗證，該研究的研究對象是接受孤立性HCC 根治性切除術(shù)的患者，而不是接受LT 術(shù)后的患者，我們可以參考該研究對LT 術(shù)后患者HCC 復(fù)發(fā)進行預(yù)測并進行高風險分層，對高風險患者進行早期干預(yù)。基于以上研究，GUO 等[35]建立了結(jié)合臨床因素和增強CT 影像組學特征的組合模型以預(yù)測LT后HCC 復(fù)發(fā)。通過在CT 圖像上提取影像組學特征，該研究評估了影像組學特征與無復(fù)發(fā)生存期（recurrence-free survival, RFS）之間的關(guān)聯(lián)。該研究發(fā)現(xiàn)，與HCC復(fù)發(fā)相關(guān)的穩(wěn)定影像組學特征僅在動脈期和門靜脈期被發(fā)現(xiàn)，基于動脈期影像組學特征的預(yù)測模型比門靜脈期或動脈期和門靜脈期聯(lián)合模型的預(yù)測性能更好。由影像組學特征和臨床危險因素組成的聯(lián)合模型的影像組學列線圖顯示，RFS 具有良好的預(yù)測性能，訓(xùn)練集的C-index為0.785，驗證集的C-index 為0.789，校準曲線在訓(xùn)練隊列（n=93）和驗證隊列（n=40）均顯示一致。該研究經(jīng)過多變量分析發(fā)現(xiàn)臨床模型中有效的預(yù)測因子包括乙型肝炎病毒表面抗原水平和巴塞羅那分期系統(tǒng)。經(jīng)動脈化療栓塞 術(shù)（transcatheter arterial chemoembolization,TACE）是臨床上不可切除HCC的首選治療方式，但HCC患者TACE 術(shù)后仍然存在復(fù)發(fā)風險；在LT 前進行TACE可避免HCC 進展或可將患者從LT 等待名單中退出。由于LT 費用昂貴，臨床上大多數(shù)患者LT 前均接受了TACE 治療。IVANICS 等[36]回顧性分析了88 名TACE 術(shù)前患者的CT 增強圖像，建立基于CT 增強圖像的影像組學模型以預(yù)測TACE 術(shù)前的HCC 患者LT 后腫瘤復(fù)發(fā)。提取患者動脈期和門靜脈期的HCC 最大體積的影像學特征，構(gòu)建了三個預(yù)后模型，即動脈期、靜脈期和組合模型，其AUC 分別為0.70±0.07、0.87±0.06 和0.81±0.06，該研究表明接受LT 的HCC 患者的TACE術(shù)前影像組學模型可能是預(yù)測不良結(jié)局的有用工具。此外，動脈期特征可能對HCC腫瘤復(fù)發(fā)具有更好的預(yù)后預(yù)測性能[35]，但該研究發(fā)現(xiàn)，與動脈期模型和聯(lián)合模型相比，門靜脈期模型的AUC 是最高的，其效能最好，這與之前的研究結(jié)論相反，研究者認為這可能是由于少數(shù)HCC 不具有典型的快進快出的強化方式有關(guān)。雖然該研究AUC 較高，但是樣本量較小，需要以更大的樣本量進行進一步的外部模型驗證。與其他研究不同，該研究中患者LT 前接受了TACE 治療，但該研究未指出是否TACE 治療患者LT 后較沒有TACE 治療的患者預(yù)后更好。AFP 水平是HCC的腫瘤性標志物，GALDINO-VASCONCELOS 等[37]回顧性研究了162 例LT 患者，結(jié)合移植前AFP 水平和腫瘤影像學參數(shù)對LT 術(shù)后腫瘤復(fù)發(fā)進行了預(yù)測，得出結(jié)論：移植前AFP≥30 ng/mL 和影像學腫瘤總直徑≥5 cm 是HCC 復(fù)發(fā)的獨立預(yù)測因素；移植前AFP≥150 ng/mL 與受體死亡率獨立相關(guān)。我們可以基于該研究結(jié)合臨床因素（AFP 水平）和影像學特征（腫瘤總直徑）建立影像組學模型對HCC 患者LT 后腫瘤復(fù)發(fā)進行預(yù)測。綜上總結(jié)發(fā)現(xiàn)，基于CT 增強圖像建立影像組學預(yù)測模型的AUC 在0.70～0.90 之間；這些研究均集中于LT 術(shù)后腫瘤復(fù)發(fā)的預(yù)測；大多數(shù)研究表明單獨臨床模型或單獨影像組學模型的AUC 均不如兩者聯(lián)合模型高；大多研究中ROI 的勾畫是人工手動勾畫，少數(shù)為半自動勾畫；大多數(shù)研究都表明了獨立危險因子，其中AFP 是各研究中共有的；此外，大多數(shù)研究是小樣本單中心性研究。因此，未來應(yīng)該擴大樣本量并進行內(nèi)部和外部驗證，相信未來這些研究將在改善HCC 患者的LT 決策方面提供幫助。

2.3 MRI檢查

由于基于腫瘤大小的臨床分配政策，HCC 直徑小（＜5 cm）的患者在移植候選時優(yōu)先于其他患者。為了從普遍認為只有小肝癌患者才能成功實現(xiàn)移植且具有更長的無病生存期轉(zhuǎn)變?yōu)槟[瘤負荷較高（＞5 cm）的HCC患者，HE等[38]回顧性研究了109個病例，開發(fā)了一種結(jié)合DL的預(yù)測模型，該模型將臨床數(shù)據(jù)、組織病理學特征和MRI影像學特征相結(jié)合建立了七個模型，對HCC 患者的LT 風險進行評估。不同模型的AUC 分別為0.55（僅包含臨床特征）、0.64（僅包含MRI 特征）、0.64（僅包含病理學特征）、0.68（MRI+病理學特征）、0.78（MRI+臨床特征）、0.77（病理學+臨床特征）和0.87（臨床+MRI+病理學特征結(jié)合模型）。最終結(jié)合模型召回率為80%，準確率為89%，總準確率為82%。該研究驗證了結(jié)合臨床特征、多參數(shù)組織病理學和影像學圖像特征的DL模型可用于預(yù)測腫瘤大小和生物標志物分析以外的復(fù)發(fā)風險因素。這種預(yù)測性的AI 模型有可能改變HCC 患者的LT 分配系統(tǒng)，并將移植治療候選者擴大到腫瘤負擔較高的HCC 患者。相比之前的研究，該研究的創(chuàng)新點是新增了病理學特征（分期和微血管狀態(tài)），摒棄了對腫瘤大小和AFP水平這兩項風險因子的分析，提高了模型的效能，但需要進一步擴大樣本量來驗證預(yù)測模型的可行性。隨著MRI 正在成為HCC 診斷和監(jiān)測中更常用的成像方式，未來的工作應(yīng)該評估基于MRI影像組學的實用性和穩(wěn)定性。

2.4 PET檢查

MIAO 等[39]構(gòu)建了基于氟代脫氧葡萄糖（fluorodeoxyglucose, FDG）PET/CT 代謝參數(shù)的模型，預(yù)測LT 后HCC 的早期復(fù)發(fā)。他們共納入了62 例肝癌LT 術(shù)后患者，隨訪期為1 年。收集基本的臨床、病理和實驗室數(shù)據(jù)、CT 特征和PET/CT 代謝參數(shù)用于模型構(gòu)建。建立了無代謝參數(shù)的CT特征列線圖和有代謝參數(shù)的PET/CT代謝參數(shù)列線圖。計算了兩種模型的凈重分類指數(shù)和綜合歧視改善。將構(gòu)建的模型與米蘭標準和加州大學舊金山分校（University of California San Francisco, UCSF）標準進行了比較。在隨訪期間62 名患者中只有1 名出現(xiàn)腫瘤復(fù)發(fā)，與之前基于CT 和MRI 的研究相同，復(fù)發(fā)病例數(shù)較少，復(fù)發(fā)率大多不超過10%。結(jié)果顯示PET/CT代謝參數(shù)列線圖在每個時間點上的AUC 值均高于米蘭準則和UCSF標準。該研究表明結(jié)合臨床資料、病理資料、實驗室資料、CT 特征和PET 代謝參數(shù)的列線圖，在預(yù)測LT 后HCC 早期復(fù)發(fā)方面性能較好且具有較高的臨床實用性，但是該研究樣本量較小，有待更大樣本量的研究進行驗證。此外，ZUCCHETTA 等[40]構(gòu)建了基于FDG PET/MRI 的預(yù)測模型來預(yù)測LT 術(shù)后腫瘤復(fù)發(fā)，PET/MRI 預(yù)測模型的敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值和準確度分別為100%、94%、91%、100%和96%，但是，該研究的樣本量較小，僅有26 例樣本，其預(yù)測模型的效能可能存在偏倚。此外，在HCC 分期中，F(xiàn)DG PET/MRI 尚未被發(fā)現(xiàn)比MRI 具有更好的診斷性能，這可能是因為FDG 的敏感性較低，尤其是在高分化腫瘤的情況下[41]。在LT患者中，用于預(yù)測HCC復(fù)發(fā)的基于超聲、MRI 和PET 的預(yù)測模型的研究仍然很少，主要集中于CT 檢查。影像組學及DL 可能有助于許多合并癥的自動化風險分層，以便進一步進行風險評估和患者管理。

3 小結(jié)及展望

鑒于影像組學和DL 方法地快速發(fā)展，AI 在醫(yī)學影像中的應(yīng)用越來越廣泛，主要應(yīng)用于腫瘤復(fù)發(fā)預(yù)測，療效評估等[42-43]。在LT 研究中AI 前途無量，在整個LT 決策過程中發(fā)揮著重要作用。盡管前景光明，AI 的普及仍具有挑戰(zhàn)性。第一，AI 在相同的訓(xùn)練條件（如人口統(tǒng)計、地點、設(shè)備）下表現(xiàn)良好，當訓(xùn)練條件不同時表現(xiàn)也不同，這使臨床工作者對AI 的可行性提出了質(zhì)疑[44]。超聲、CT、MRI、PET 是不同的成像方式，其成像原理及成像參數(shù)不同，人工手動勾畫ROI 時會產(chǎn)生差異，并且MRI 序列眾多，不同的序列也會導(dǎo)致模型產(chǎn)生不同的結(jié)果。因此，在將AI 應(yīng)用到新環(huán)境中時，可能需要針對特定設(shè)備進行準確預(yù)測的訓(xùn)練。這需要包括存檔系統(tǒng)和電子健康記錄在內(nèi)的基礎(chǔ)材料，而這些基礎(chǔ)材料很難完整地被收集和提取。如果研究人員在未來的研究中使用多機構(gòu)數(shù)據(jù)集，管理醫(yī)學圖像的模型，例如用于評估健康監(jiān)測的系統(tǒng)，可能會解決這一普遍性問題[45]。因此為了使AI 算法真正可推廣，應(yīng)該創(chuàng)建全球互連的患者數(shù)據(jù)網(wǎng)絡(luò)來訓(xùn)練不同人口統(tǒng)計、地區(qū)和疾病的AI 模型。第二，迄今為止大多數(shù)研究的樣本量有限且多為單中心研究，需要更大的多中心研究來確定算法的準確性[46]。此外，當數(shù)據(jù)丟失時，會造成選擇偏倚等。第三，目前影像組學及DL 結(jié)合影像學及臨床特征的研究多集中于預(yù)測HCC 患者LT 術(shù)后腫瘤復(fù)發(fā)。肝硬化患者LT 術(shù)后不會出現(xiàn)腫瘤復(fù)發(fā)的情況，預(yù)后較HCC 患者好，因晚期肝硬化而接受LT 的患者可能會越來越多[47]，如我院因肝硬化而接受LT的患者較HCC 多。但目前對于肝硬化患者LT 術(shù)后的研究尚沒有，影像組學是針對腫瘤異質(zhì)性的研究方法，能否將肝硬化患者的全肝當作一個ROI 進行全肝勾畫還有待研究；膽管狹窄也是影響患者預(yù)后的較常見的因素，希望以后關(guān)于LT 術(shù)后并發(fā)癥預(yù)測的研究越來越多，以幫助患者的風險分層，幫助臨床醫(yī)生對患者采取個體化治療。第四，患者LT 術(shù)后均會出現(xiàn)排斥反應(yīng)[48-49]，這關(guān)系到移植手術(shù)的成功與否及患者的預(yù)后，是臨床醫(yī)生最關(guān)心的問題，影像學是否能評估LT 術(shù)后排斥反應(yīng)并進行危險分層，但目前尚無該方面的研究。第五，基于影像組學對腫瘤異質(zhì)性的研究相對成熟，但基于DL 的研究相對較少，這是因為DL 需要巨大的樣本量，且具有不可解釋性[50]。目前影像組學與DL 結(jié)合的相關(guān)性研究越來越多，希望影像組學與DL 通過互補為患者LT 預(yù)后研究帶來福音[51-52]。

綜上所述，基于各影像學檢查的影像組學與DL在預(yù)測HCC 患者LT 術(shù)后的大部分研究的AUC 均能達到0.70及以上，聯(lián)合臨床、病理學及影像學特征的預(yù)測模型較單獨的預(yù)測模型效能更高。通過挖掘醫(yī)學圖像中放射科醫(yī)生肉眼無法識別的特征，有助于LT患者的個體化治療，減少HCC 患者LT 術(shù)后復(fù)發(fā)，進而提高患者生存率，改善患者預(yù)后。我們相信，隨著時代的進步，影像組學及DL的使用會更加廣泛，研究也會更加深入，其可解釋性也會逐漸改善，各種挑戰(zhàn)終將被逐一解決。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：楊斌設(shè)計本研究的方案，對稿件重要的智力內(nèi)容進行了修改；王菜瓊起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)/文獻；楊斌獲得了云南省科技廳重大專項計劃、云南省“興滇英才支持計劃”青年人才專項、云南省器官移植中心臨床醫(yī)學中心專項課題、昆明市衛(wèi)生科技人才培養(yǎng)項目“十百千”工程人員項目、2023 年度昆明市衛(wèi)生科技人才培養(yǎng)項目（醫(yī)學技術(shù)中心）資助；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。