基于影像組學(xué)預(yù)測(cè)肝細(xì)胞癌診療及預(yù)后評(píng)估的研究進(jìn)展

摘要：作為全球最普遍的癌癥之一的肝細(xì)胞癌（HCC），存在著復(fù)發(fā)率高、預(yù)后較差等問(wèn)題。影像組學(xué)是一種擁有巨大潛力的新興交叉學(xué)科，因其能無(wú)創(chuàng)獲取腫瘤異質(zhì)性信息而在HCC等癌癥的診療及預(yù)后評(píng)估上具有廣闊的應(yīng)用前景。本文將從影像組學(xué)的工作流程，以及其在HCC的鑒別診斷、病理分級(jí)、免疫組化標(biāo)記物的術(shù)前預(yù)測(cè)、預(yù)后預(yù)測(cè)和療效評(píng)估等方面展開(kāi)綜述，并總結(jié)影像組學(xué)技術(shù)尚存在的局限及未來(lái)的發(fā)展方向，通過(guò)梳理影像組學(xué)在HCC診療及預(yù)后評(píng)估上的最新研究進(jìn)展，旨在為未來(lái)HCC的診治提供新的參考和思路。

關(guān)鍵詞：肝細(xì)胞癌；影像組學(xué)；鑒別診斷；預(yù)后評(píng)估

Research progress in predicting the diagnosis， treatment and prognosis of hepatocellular carcinoma based on radiomics

ZHU Lishan1， TANG Dawei1， CAI Xiaojun2， LI Jing3

1Medical College， Hunan University of Chinese Medicine， Changsha 410000， China; 2First Clinical College of Traditional Chinese Medicine， Hunan University of Chinese Medicine， Changsha 410007， China; 3Department of Oncology， the First Affiliated Hospital of Hunan University of Chinese Medicine， Changsha 410007， China

Abstract： Hepatocellular carcinoma （HCC）， as one of the most prevalent cancers globally， confronts challenges such as a high recurrence rate and poor prognosis. Radiomics is an emerging interdisciplinary discipline with significant potential， showing broad applications in the diagnosis， treatment， and prognosis evaluation of HCC and other cancers. This is attributed to its capacity to noninvasively acquire tumor heterogeneity information. In this paper， we comprehensively examined the workflow of radiomics， exploring its applications in the differential diagnosis， pathological grading， preoperative prediction of immunohistochemical markers， prognosis prediction， and efficacy evaluation of HCC. Additionally， we summarized the limitations and outlined future directions for the development of radiomics technology， with the aim of providing a comprehensive overview of the latest research progress in the diagnosis and prognosis of HCC. This review also introduces novel references and ideas for the future diagnosis and treatment of HCC.

Keywords： hepatocellular carcinoma; radiomics; differential diagnosis; prognostic evaluation

原發(fā)性肝癌是我國(guó)常見(jiàn)的惡性腫瘤之一。其中，HCC是原發(fā)性肝癌最常見(jiàn)的類(lèi)型，同時(shí)也是全球第三大常見(jiàn)癌癥相關(guān)死亡原因［1］。由于基因?qū)W、分子生物學(xué)和病理學(xué)的發(fā)展，近年來(lái)人們對(duì)于HCC的發(fā)病機(jī)制的認(rèn)識(shí)得到顯著提高［2］。但是HCC具有顯著的異質(zhì)性和高復(fù)發(fā)率的特點(diǎn)，預(yù)防HCC發(fā)生的危險(xiǎn)因素是降低死亡率的最佳策略［3］。因此精準(zhǔn)的術(shù)前診斷和預(yù)后療效評(píng)估就顯得尤為重要。影像組學(xué)是對(duì)標(biāo)準(zhǔn)醫(yī)學(xué)影像的定量分析，利用先進(jìn)的圖像分析工具，結(jié)合統(tǒng)計(jì)學(xué)分析，高通量的從CT、MR和PET中提取隱藏在醫(yī)學(xué)圖像中的生物學(xué)本質(zhì)，并以此提供臨床決策支持，以創(chuàng)建診斷、分期，治療反應(yīng)預(yù)測(cè)和預(yù)后模型［4］。傳統(tǒng)上，醫(yī)學(xué)影像的診斷都是通過(guò)主觀定性的方式進(jìn)行評(píng)估，并且極大多數(shù)情況下，醫(yī)生的經(jīng)驗(yàn)是診斷的關(guān)鍵。相較于肉眼所獲得的信息，影像組學(xué)可通過(guò)自動(dòng)或半自動(dòng)挖掘獲得更多信息［5］。近年來(lái)，影像組學(xué)獲得了空前的進(jìn)展，其實(shí)現(xiàn)的無(wú)侵襲病變的準(zhǔn)確定量評(píng)估，對(duì)HCC的診斷、治療和預(yù)后具有重要價(jià)值［6］。

1" 影像組學(xué)流程

1.1" 圖像采集與分割

開(kāi)展影像組學(xué)的第一步是圖像采集。增強(qiáng)CT、MRI和超聲是常見(jiàn)的圖像采集方法。通過(guò)影像學(xué)方法采集臨床圖像后進(jìn)行圖像分割。圖像分割指研究者對(duì)經(jīng)過(guò)篩選后的影像圖像進(jìn)行感興趣區(qū)（ROI）勾畫(huà)。它依賴(lài)于大量的醫(yī)學(xué)圖像以及相應(yīng)的臨床數(shù)據(jù)來(lái)進(jìn)行。ROI分割是開(kāi)展影像組學(xué)的基礎(chǔ)步驟，分為手動(dòng)、半自動(dòng)以及自動(dòng)3種分割方法［7］。 有經(jīng)驗(yàn)的影像科醫(yī)生可通過(guò)手動(dòng)分割精準(zhǔn)勾畫(huà)腫瘤范圍，但這也帶來(lái)了耗時(shí)且存在觀察者之間和觀察者內(nèi)部的可變性以及缺乏可重復(fù)性等局限［8］。有研究通過(guò)比較半自動(dòng)分割和手動(dòng)分割的影像組學(xué)特征在20例非小細(xì)胞肺癌腫瘤中的不同表現(xiàn)，發(fā)現(xiàn)與手動(dòng)分割相比，半自動(dòng)分割生成的影像組學(xué)特征具有更強(qiáng)的穩(wěn)定性和更高的可重復(fù)性［9］。近些年來(lái)，人工智能（AI）的迅速發(fā)展縮短了腫瘤分割時(shí)間的同時(shí)也減小了誤差［10］。盡管如此，由于目前腫瘤分割并沒(méi)有一個(gè)統(tǒng)一的金標(biāo)準(zhǔn)，所以無(wú)論是自動(dòng)、半自動(dòng)或是手動(dòng)的分割方法都仍面臨一定的挑戰(zhàn)。在未來(lái)，我們期望基于AI的影像組學(xué)能夠在圖像分割上得到更廣泛的應(yīng)用，并逐漸實(shí)現(xiàn)圖像采集的標(biāo)準(zhǔn)化，以應(yīng)對(duì)圖像采集具有異質(zhì)性的難題。

1.2" 圖像特征提取與選擇

影像組學(xué)特征可以大致分為5大類(lèi)：直方圖特征、紋理特征、基于模型的特征、基于變換的特征以及形狀特征。對(duì)特征進(jìn)行分類(lèi)并熟悉有利于開(kāi)展圖像特征的提取與選擇。常用的特征選擇方法包括相關(guān)性分析、信息增益、主成分分析等［11］。同時(shí)，由于從圖像中提取出來(lái)的許多特征較為冗余，若直接將其應(yīng)用建模會(huì)導(dǎo)致過(guò)度擬合，所以需要根據(jù)實(shí)際需求對(duì)大量的特征候選項(xiàng)進(jìn)行移除或變換，這個(gè)過(guò)程稱(chēng)之為降維［12］。近年來(lái)，深度學(xué)習(xí)（DL）和機(jī)器學(xué)習(xí)（ML）技術(shù)正逐漸成為實(shí)現(xiàn)更準(zhǔn)確的特征提取與選擇的有用工具［13］。DL算法可被用于完全自動(dòng)化的特征提取和建模步驟，而不需要進(jìn)一步的人工干預(yù)［14］。盡管如此，由于標(biāo)準(zhǔn)化定義及統(tǒng)一的圖像處理過(guò)程的缺乏，因此給處理結(jié)果的可重復(fù)性和可比性帶來(lái)了挑戰(zhàn)。基于此，有學(xué)者于2017年提出了PyRadiomics平臺(tái)，旨在建立影像組學(xué)分析的參考標(biāo)準(zhǔn)，提升了開(kāi)展特征提取與選擇工作的便利性及不同數(shù)據(jù)之間的整合力［15］。

1.3" 建模

在影像組學(xué)分析中，單因素分析往往不能得到可靠的結(jié)果，通常需要通過(guò)ML算法，利用多變量模式來(lái)建立分類(lèi)或預(yù)測(cè)模型，以測(cè)得目標(biāo)變量［16］。 關(guān)于影像組學(xué)建模的方法，邏輯回歸模型因其簡(jiǎn)單易行，成為最受歡迎且常用的監(jiān)督分類(lèi)器［17］。另外，常用的ML模型還有隨機(jī)森林、支持向量機(jī)、AdaBoost、XGBoost、K鄰近算法等。在理想的情況下，應(yīng)采用多種ML方法，實(shí)現(xiàn)多重建模模式。為獲得更佳的模型效能，可將影像組學(xué)標(biāo)簽與臨床數(shù)據(jù)相結(jié)合，將基因組學(xué)、病理組學(xué)、免疫分子標(biāo)志物、腫瘤微環(huán)境等納入模型建立的特征范疇，充分利用大數(shù)據(jù)算法，如DL、AI等。DL是一個(gè)廣闊的、技術(shù)性的、動(dòng)態(tài)發(fā)展的領(lǐng)域。有研究表示，提供足夠的訓(xùn)練數(shù)據(jù)，DL所應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò)所構(gòu)建的模型性能優(yōu)于特征選擇模型性能，因其不是從有限的特征集合中選擇特征，而是從圖像數(shù)據(jù)本身構(gòu)建最優(yōu)特征［18］。至于其訓(xùn)練特征的來(lái)源限制，也通過(guò)最近的遷移學(xué)習(xí)等策略成功解決。

1.4" 模型驗(yàn)證

在對(duì)預(yù)測(cè)模型的性能進(jìn)行評(píng)估時(shí)，可以采用ROC曲線(xiàn)和曲線(xiàn)下面積（AUC）、預(yù)測(cè)模型的準(zhǔn)確性、敏感度、特異度、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值等方式［19］。有研究在2017年提出創(chuàng)建一個(gè)數(shù)據(jù)庫(kù)，將數(shù)百萬(wàn)患者的影像數(shù)據(jù)聯(lián)系起來(lái)，形成龐大的快速學(xué)習(xí)醫(yī)療網(wǎng)絡(luò)，并提出影像組學(xué)質(zhì)量評(píng)分以評(píng)估模型的效能［20］，目前影像組學(xué)質(zhì)量評(píng)分在影像組學(xué)模型評(píng)估上已有應(yīng)用，但其提出的快速學(xué)習(xí)醫(yī)療網(wǎng)絡(luò)具有相當(dāng)大的數(shù)據(jù)管理障礙，必須實(shí)現(xiàn)數(shù)據(jù)共享化、軟件代碼的公開(kāi)化。此外，校準(zhǔn)曲線(xiàn)被用于評(píng)估模型結(jié)果和觀察結(jié)果間的一致性，有研究提出的決策曲線(xiàn)分析被用于評(píng)估臨床預(yù)測(cè)模型［21］，傳統(tǒng)的診斷指標(biāo)如敏感度、特異度和AUC僅測(cè)量預(yù)測(cè)模型的診斷準(zhǔn)確性，未能考慮特定模型的臨床效用，而決策曲線(xiàn)這種理念的提出滿(mǎn)足了臨床決策的實(shí)際需要，在臨床分析中的應(yīng)用日益廣泛［22］。一個(gè)未經(jīng)驗(yàn)證的模型，其價(jià)值是有限的，驗(yàn)證是完整的影像組學(xué)分析中不可缺少的組成部分。模型必須經(jīng)過(guò)內(nèi)部驗(yàn)證，最好是經(jīng)過(guò)外部驗(yàn)證。然而，外部驗(yàn)證的數(shù)據(jù)集面臨著圖像掃描參數(shù)、掃描儀器、ROI勾畫(huà)等的不一致。要解決模型的可重復(fù)性難題，需要實(shí)現(xiàn)檢測(cè)的標(biāo)準(zhǔn)化。此外，建議發(fā)表影像組學(xué)結(jié)果的未來(lái)出版物應(yīng)提供以下數(shù)據(jù)：成像方案、分析掃描參數(shù)、VOIs的分割、提取特征的詳細(xì)說(shuō)明（包括公式）以及使用的建模方法（含有代碼數(shù)據(jù)）。但分享、存儲(chǔ)和管理數(shù)據(jù)需要多中心的合作與努力，此方面，癌癥成像檔案、定量成像網(wǎng)絡(luò)、定量成像生物標(biāo)志物聯(lián)盟等做出了一定貢獻(xiàn)。盡管影像組學(xué)的各個(gè)流程仍然存在著一些缺陷，但目前已有越來(lái)越多的研究者投身其中，不斷提出更多更新的解決方案。

2" 診療及預(yù)后療效評(píng)估

2.1" 影像組學(xué)在HCC鑒別診斷上的研究進(jìn)展

由于HCC的預(yù)后在很大程度上取決于患者腫瘤篩查階段，因此早期對(duì)癌癥的準(zhǔn)確鑒別診斷和評(píng)估于患者而言至關(guān)重要［23］。盡管HCC的診斷可以根據(jù)動(dòng)態(tài)多相CT或MRI的特征增強(qiáng)模式建立且無(wú)需進(jìn)一步的病理學(xué)證實(shí)，但仍然存在諸如肝細(xì)胞腺瘤或混合型肝內(nèi)膽管細(xì)胞癌等惡性腫瘤因其與HCC在常規(guī)影像學(xué)上的相似性［24］，使得HCC的準(zhǔn)確鑒別診斷帶來(lái)了一定的困難和挑戰(zhàn)。由此，影像組學(xué)應(yīng)運(yùn)而生，并在HCC的鑒別診斷上發(fā)揮了不可替代的作用。一項(xiàng)針對(duì)85例患者的回顧性研究通過(guò)采用MRI影像組學(xué)的分析方法，對(duì)病患的臨床圖像采集并進(jìn)行ROI分割后，利用PyRadiomics平臺(tái)提取1419個(gè)影像組學(xué)特征并進(jìn)行降維，最后采用支持向量機(jī)進(jìn)行特征分類(lèi)評(píng)估，結(jié)果顯示基于MRI的影像組學(xué)特征分析對(duì)HCC、膽管細(xì)胞癌和混合型肝內(nèi)膽管細(xì)胞癌的鑒別診斷具有良好的預(yù)測(cè)效果［25］。有研究通過(guò)將85例HCC和46例肝細(xì)胞腺瘤病患隨機(jī)分為訓(xùn)練集和測(cè)試集，同時(shí)行CT檢查和臨床分析且提取影像組學(xué)特征后，構(gòu)建了影像組學(xué)列線(xiàn)圖，并通過(guò)AUC置信區(qū)間的比較，認(rèn)為基于CT的影像組學(xué)諾如圖是在非肝硬化肝臟中鑒別HCC和肝細(xì)胞腺瘤的有力工具［26］。有學(xué)者利用多變量 Logistic 回歸模型對(duì)經(jīng)手術(shù)或穿刺病理證實(shí)的124 例原發(fā)性肝癌進(jìn)行比較，并分析ROC曲線(xiàn)面積和腫瘤異質(zhì)性信息，說(shuō)明了灰階超聲影像組學(xué)的方法對(duì)于HCC和腫塊型膽管細(xì)胞癌的鑒別中有較高的應(yīng)用診斷價(jià)值［27］。故不論是基于MRI、CT或超聲的影像組學(xué)均有利于HCC的鑒別診斷。

2.2" 影像組學(xué)在HCC病理分級(jí)上的研究進(jìn)展

既往研究表明，代表腫瘤生物學(xué)行為的組織學(xué)分級(jí)是與術(shù)后HCC復(fù)發(fā)相關(guān)的重要預(yù)后指標(biāo)之一［28］。對(duì)于沒(méi)有門(mén)靜脈腫瘤血栓形成的HCC患者，Edmondson-Steiner分級(jí)I～I(xiàn)I和III～I(xiàn)V級(jí)的5年腫瘤特異性生存率分別為81%和18%，與高分化的HCC相比，低分化的HCC通常代表著低生存率、高風(fēng)險(xiǎn)率、高隨訪(fǎng)率、高復(fù)發(fā)率［29］。近年來(lái)，CT紋理特征、非增強(qiáng)MRI影像組學(xué)特征和Gd-DTPA 造影增強(qiáng) MRI 影像組學(xué)已被潛在地應(yīng)用于術(shù)前HCC組織學(xué)分級(jí)的預(yù)測(cè)，有望在一定程度上取代具有侵入性與采樣誤差的活檢［30］。有研究基于門(mén)靜脈影像組學(xué)特征的造影劑增強(qiáng)CT于術(shù)前區(qū)分HCC分級(jí)，AUC為0.904～0.937，診斷效能高于基于Gd-DTPA增強(qiáng)MRI圖像的紋理特征所構(gòu)建的模型，但該研究?jī)H考慮門(mén)靜脈期，且未將臨床因素與影像組學(xué)標(biāo)簽結(jié)合訓(xùn)練模型，也未實(shí)現(xiàn)多模態(tài)影像組學(xué)模型［31］。有研究基于釓-乙氧基芐基二乙烯三胺五乙酸（Gd-EOB-DTPA）增強(qiáng)MRI預(yù)測(cè)HCC的組織學(xué)分級(jí)［30］。Gd-EOB-DTPA是一種肝細(xì)胞特異性造影劑，多應(yīng)用于HCC復(fù)發(fā)預(yù)測(cè)。該研究訓(xùn)練集AUC為0.805～0.975，測(cè)試集AUC為0.777～0.944，并實(shí)現(xiàn)了與臨床參數(shù)的結(jié)合。目前，影像組學(xué)與多因素結(jié)合應(yīng)用于HCC的病理分級(jí)，取得了較好的成效，但多為單中心研究，且研究結(jié)果僅局限于區(qū)分高級(jí)別HCC與低級(jí)別HCC，并不能實(shí)現(xiàn)E-S級(jí)別區(qū)分。

2.3" 影像組學(xué)在HCC免疫組化標(biāo)記物上的術(shù)前預(yù)測(cè)

研究表明，影像組學(xué)不僅可以對(duì)HCC進(jìn)行鑒別診斷，還可以對(duì)如Ki-67、CK19等免疫組化標(biāo)記物進(jìn)行術(shù)前預(yù)測(cè)，從而更好地有助于患者的治療［32］。HCC患者中Ki-67的高表達(dá)被認(rèn)為是該惡性疾病快速發(fā)展和不良預(yù)后的標(biāo)志［33］。有研究分析了57例使用3 T MR掃描儀進(jìn)行治療前MRI的HCC患者的直觀圖參數(shù)，發(fā)現(xiàn)了表觀擴(kuò)散系數(shù)圖和MRI的全腫瘤直方圖衍生參數(shù)可能有助于預(yù)測(cè)HCC的Ki-67標(biāo)記指數(shù)［34］。CK19表達(dá)是經(jīng)證實(shí)的HCC的獨(dú)立預(yù)后預(yù)測(cè)因子之一［35］。有研究從227例單發(fā)HCC患者的多序列MR圖像中提取647個(gè)影像組學(xué)特征，得出融合影像組學(xué)標(biāo)簽在訓(xùn)練和驗(yàn)證集中的AUC分別為0.951和0.822，認(rèn)為基于釓塞酸增強(qiáng)MR圖像的影像組學(xué)模型有利于預(yù)測(cè) HCC 的 CK19狀態(tài)；但該研究也存在CK19陽(yáng)性HCC的樣本量相對(duì)較小等局限［36］。也有學(xué)者認(rèn)為基于多序列MRI影像組學(xué)特征的組合模型對(duì)HCC的CK19狀態(tài)具有良好的預(yù)測(cè)效果［37］，該研究為超過(guò)250例患者的多中心研究，驗(yàn)證了結(jié)果的可信度。PI3K是人類(lèi)癌癥中最常見(jiàn)的突變基因［38］。有學(xué)者通過(guò)對(duì)接受二代測(cè)序和術(shù)前造影增強(qiáng)CT的HCC患者進(jìn)行模型訓(xùn)練和驗(yàn)證，分析其AUC下的面積表征模型性能，認(rèn)為基于CT的影像組學(xué)模型有可能表征HCC中PI3K信號(hào)傳導(dǎo)的改變［39］。綜上所述，影像組學(xué)可以綜合納入多種免疫組化標(biāo)記物，并促進(jìn)有價(jià)值的術(shù)前預(yù)測(cè)和模型驗(yàn)證，以指導(dǎo)HCC的臨床決策。

2.4" 影像組學(xué)在HCC上的預(yù)后預(yù)測(cè)和療效評(píng)估

2.4.1" 微血管侵犯預(yù)測(cè)" "微血管侵犯是腫瘤細(xì)胞在由內(nèi)皮組成的血管間隙內(nèi)的侵襲，是HCC早期復(fù)發(fā)的重要指標(biāo)，其存在預(yù)示著強(qiáng)侵襲性和低生存率，且僅在術(shù)后顯微鏡下的病理切片上可見(jiàn)［40］。年齡、腫瘤大小、血清甲胎蛋白、非平滑邊緣、瘤周強(qiáng)化、影像組學(xué)標(biāo)簽為 微血管侵犯的獨(dú)立預(yù)測(cè)因子［41-45］。有研究結(jié)合臨床因素和從肝膽期圖像得出的影像標(biāo)簽，建立預(yù)測(cè)模型，AUC為0.850～0.943 ，取得了較好的臨床效應(yīng)［46］。有研究開(kāi)發(fā)了18F-FDG PET/CT的影像組學(xué)列線(xiàn)圖來(lái)預(yù)測(cè)極早期和早期（BCLC 0、BCLC A）HCC患者的微血管侵犯狀態(tài)，其M-PET/CT模型（0.891， 95% CI： 0.799～0.984）表現(xiàn)出與增強(qiáng)CT模型（0.909， 95% CI： 0.869～0.928）相似的性能，但相較于釓塞酸增強(qiáng)MRI模型性能還是稍有遜色［47］。也有研究通過(guò)整合來(lái)自臨床、實(shí)驗(yàn)室、成像和組織病理學(xué)指標(biāo)的多模態(tài)大規(guī)模數(shù)據(jù)的概念，開(kāi)發(fā)了用于HCC和TACE預(yù)后危險(xiǎn)因素的多任務(wù)DL算法；但其并未進(jìn)一步研究從多參數(shù)MRI中提取信息［48］。就目前，影像組學(xué)在HCC微血管侵犯的術(shù)前預(yù)測(cè)上取得了較好的成效。未來(lái)，多中心驗(yàn)證、基因組信息與模型相結(jié)合的實(shí)現(xiàn)也定會(huì)推動(dòng)該研究的進(jìn)一步發(fā)展。

2.4.2" 復(fù)發(fā)及生存期預(yù)測(cè)" "臨床上，肝切除術(shù)是保留肝功能的早期HCC患者的治療首選［49］。然而，肝切除術(shù)后的長(zhǎng)期預(yù)后仍然不容樂(lè)觀，5年生存率僅為25%～55%，5年復(fù)發(fā)率為60%～100%［50-53］。多發(fā)性腫瘤、顯微鏡下血管浸潤(rùn)、漿膜浸潤(rùn)、腫瘤標(biāo)志物、HCC高分級(jí)是影響早期復(fù)發(fā)的已知臨床病理因素。影像學(xué)特征，如腫瘤周?chē)鰪?qiáng)，腫瘤周?chē)托盘?hào)，不規(guī)則腫瘤邊緣和動(dòng)脈邊緣增強(qiáng)，也與HCC的早期復(fù)發(fā)有關(guān)。然而，晚期復(fù)發(fā)與潛在的肝臟疾病有關(guān)，例如肝硬化等［54］。有研究通過(guò)COX回歸分析影像組學(xué)特征，并比較不同階段（動(dòng)脈期、門(mén)靜脈期和雙期）和ROI區(qū)域（腫瘤、腫瘤周?chē)? mm、腫瘤周?chē)? mm）的預(yù)測(cè)潛力，構(gòu)建CR模型，預(yù)測(cè)肝切除術(shù)后患者的總生存期；然而該模型的實(shí)用性不足，無(wú)法自動(dòng)勾勒ROI［55］。有研究基于多任務(wù)DL網(wǎng)絡(luò)構(gòu)建影像組學(xué)模型，結(jié)合臨床因素，預(yù)測(cè)大血管浸潤(rùn)，取得較好成效［56］。有學(xué)者整合MRI影像組學(xué)特征和術(shù)前臨床危險(xiǎn)因素，預(yù)測(cè)HCC患者的5年生存率，該研究對(duì)比了4個(gè)序列，認(rèn)為DCEIgt;DWIgt;T2WIgt;T1WI［57］。還有研究者基于DL分析對(duì)比增強(qiáng)超聲（CEUS）預(yù)測(cè)無(wú)進(jìn)展生存期，另一些人納入低骨骼肌質(zhì)量和脂肪組織作為影像組學(xué)標(biāo)簽，也取得了不錯(cuò)的成效［58， 59］。目前，臨床因素、基因組學(xué)與影像組學(xué)相結(jié)合，采用多種成像模式，在預(yù)測(cè)HCC的復(fù)發(fā)及生存上取得了出色效應(yīng)。

2.4.3" TACE術(shù)后療效評(píng)估" "盡管早期HCC治療推薦采用移植、切除、消融等治療方法，但相當(dāng)一部分HCC患者確診時(shí)已處于中期。截至目前，經(jīng)導(dǎo)管動(dòng)脈化療栓塞（TACE）為代表的局部治療已成為中晚期HCC患者的重要治療方法。與此同時(shí)，由于HCC的生物學(xué)行為具有高度的異質(zhì)性，這給TACE術(shù)后的精準(zhǔn)療效評(píng)估帶來(lái)了一定的局限［60］。由此，基于影像組學(xué)的分析模型逐漸架起了精準(zhǔn)評(píng)估TACE術(shù)后療效的橋梁。一項(xiàng)回顧性研究分析了88例接受TACE治療的HCC患者，并提取了預(yù)處理CT的116個(gè)影像組學(xué)特征，同時(shí)采用使用Kaplan-Meier分析和Log-rank檢驗(yàn)進(jìn)行模型間的對(duì)比，認(rèn)為基于影像組學(xué)特征和臨床因素的聯(lián)合評(píng)分模型能夠更好地預(yù)測(cè)TACE術(shù)后療效［61］。有研究分析了69例接受TACE治療的中晚期HCC患者的TACE術(shù)前MRI圖像，并通過(guò)對(duì)所有術(shù)前T2加權(quán)圖像進(jìn)行紋理特征提取、影像組學(xué)特征的選擇和構(gòu)建以及R分析，認(rèn)為基于影像組學(xué)評(píng)分和臨床預(yù)測(cè)因子的影像組學(xué)定量列線(xiàn)圖預(yù)測(cè)模型可作為預(yù)測(cè)TACE術(shù)后療效評(píng)估的有力工具［62］。有研究通過(guò)對(duì)89例HCC患者的TACE術(shù)前超聲檢查，分別構(gòu)建和驗(yàn)證基于DL影像組學(xué)的造影劑增強(qiáng)超聲模型（R-DLCEUS）、基于ML影像組學(xué)的CEUS模型時(shí)間強(qiáng)度曲線(xiàn)（R-TIC）和ML基于影像組學(xué)的B模圖像模型（R-BMode），并采用DeLong檢驗(yàn)比較不同的AUC，結(jié)果顯示基于DL影像組學(xué)的CEUS模型可以準(zhǔn)確且有效地預(yù)測(cè)TACE的術(shù)后療效［63］。相比于傳統(tǒng)的影像學(xué)方法，融合了影像組學(xué)的TACE療法在術(shù)后療效評(píng)估上顯得更為精準(zhǔn)。但目前影像組學(xué)模型尚處在初級(jí)階段，仍需要大樣本量和多中心驗(yàn)證來(lái)提高結(jié)果的準(zhǔn)確性等問(wèn)題，近些年來(lái)不斷有學(xué)者采用影像組學(xué)模型方式，嘗試解決臨床問(wèn)題（表1）。

3" 討論與總結(jié)

影像組學(xué)在HCC的診療和預(yù)后評(píng)估中具有廣闊的前景，包括診斷鑒別、病理分級(jí)、預(yù)后預(yù)測(cè)以及療效評(píng)估等。但是，在臨床實(shí)踐之前，仍有需要克服的挑戰(zhàn)與局限。第一，幾乎所有的研究都是回顧性研究，且樣本量少，缺乏外部多中心驗(yàn)證。第二，由于成像采集的異質(zhì)性，分割策略、圖像處理以及特征選擇的不同，預(yù)測(cè)模型在臨床實(shí)踐中的可重復(fù)性有限。第三，AI計(jì)算算法需要專(zhuān)門(mén)的軟件包，導(dǎo)致醫(yī)療成本增加。大多數(shù)工程硬編碼特征很難被臨床醫(yī)生理解。工作流程包括成像采集、分割、特征提取、分析和建模，使其復(fù)雜多樣，進(jìn)一步限制了其臨床應(yīng)用；且盡管影像組學(xué)和AI已經(jīng)被證明于HCC的臨床應(yīng)用有效，但其潛在的應(yīng)用機(jī)制并不清楚，例如從高級(jí)分析中獲得的紋理特征的相關(guān)性。第四，當(dāng)模型在訓(xùn)練集中結(jié)果泛化有限時(shí)，會(huì)發(fā)生過(guò)度擬合，影響模型效能。

對(duì)此，我們提出一些改善策略來(lái)應(yīng)對(duì)這些挑戰(zhàn)：第一，要實(shí)現(xiàn)影像組學(xué)的標(biāo)準(zhǔn)化。基于影像組學(xué)的分析所涉及的每個(gè)步驟都需要優(yōu)化和標(biāo)準(zhǔn)化，包括成像方案和參數(shù)的調(diào)整、（半）自動(dòng)分割方法的開(kāi)發(fā)以及算法和高通量分析建模方法的改進(jìn)。第二，建立和推廣成像和臨床數(shù)據(jù)采集協(xié)議，確保學(xué)術(shù)界能夠獲得高質(zhì)量的影像學(xué)特征和臨床數(shù)據(jù)，進(jìn)行多中心外部驗(yàn)證。第三，聯(lián)合影像科醫(yī)生、臨床醫(yī)生、腫瘤學(xué)家、統(tǒng)計(jì)學(xué)家和數(shù)據(jù)科學(xué)家，開(kāi)發(fā)集成模型以推進(jìn)臨床應(yīng)用，例如多組學(xué)數(shù)據(jù)集成（基因組學(xué)、DL、AI等），推動(dòng)臨床轉(zhuǎn)化。第四，還應(yīng)關(guān)注到影像組學(xué)在HCC的中醫(yī)辨證分型當(dāng)中的促進(jìn)作用，為HCC的中醫(yī)辨證論治提供更加客觀化、標(biāo)準(zhǔn)化、深度化的新影像學(xué)工具［64］。

參考文獻(xiàn)：

［1］" "Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［2］" "Sartoris R， Gregory J， Dioguardi Burgio M， et al. HCC advances in diagnosis and prognosis： digital and Imaging［J］. Liver Int， 2021， 41（Suppl 1）： 73-7.

［3］" "Forner A， Reig M， Bruix J. Hepatocellular carcinoma［J］. Lancet， 2018， 391（10127）： 1301-14.

［4］" "Guiot J， Vaidyanathan A， Deprez L， et al. A review in radiomics： making personalized medicine a reality via routine imaging［J］. Med Res Rev， 2022， 42（1）： 426-40.

［5］" "Peng ZY， Wang YM， Wang YX， et al. Application of radiomics and machine learning in head and neck cancers［J］. Int J Biol Sci， 2021， 17（2）： 475-86.

［6］" "Jiang C， Cai YQ， Yang JJ， et al. Radiomics in the diagnosis and treatment of hepatocellular carcinoma［J］. Hepatobiliary Pancreat Dis Int， 2023， 22（4）： 346-51.

［7］" "Liu ZY， Wang S， Dong D， et al. The applications of radiomics in precision diagnosis and treatment of oncology： opportunities and challenges［J］. Theranostics， 2019， 9（5）： 1303-22.

［8］" "Castaldo A， De Lucia DR， Pontillo G， et al. State of the art in artificial intelligence and radiomics in hepatocellular carcinoma［J］. Diagnostics， 2021， 11（7）： 1194.

［9］" "Parmar C， Rios Velazquez E， Leijenaar R， et al. Robust Radiomics feature quantification using semiautomatic volumetric segmentation［J］. PLoS One， 2014， 9（7）： e102107.

［10］ Marschner S， Datar M， Gaasch A， et al. A deep image-to-image network organ segmentation algorithm for radiation treatment planning： principles and evaluation［J］. Radiat Oncol， 2022， 17（1）： 129.

［11］" Zhu M， Li SJ， Kuang Y， et al. Artificial intelligence in the radiomic analysis of glioblastomas： a review， taxonomy， and perspective［J］." Front Oncol， 2022， 12： 924245.

［12］ Mayerhoefer ME， Materka A， Langs G， et al. Introduction to radiomics［J］. J Nucl Med， 2020， 61（4）： 488-95.

［13］ Miranda J， Horvat N， Fonseca GM， et al. Current status and future perspectives of radiomics in hepatocellular carcinoma［J］. World J Gastroenterol， 2023， 29（1）： 43-60.

［14］ Park T， Yoon MA， Cho YC， et al. Automated segmentation of the fractured vertebrae on CT and its applicability in a radiomics model to predict fracture malignancy［J］. Sci Rep， 2022， 12（1）： 6735.

［15］ Mu W， Schabath MB， Gillies RJ. Images are data： challenges and opportunities in the clinical translation of radiomics［J］. Cancer Res， 2022， 82（11）： 2066-8.

［16］" 李雙雙， 侯" 震， 劉" 娟， 等. 影像組學(xué)分析與建模工具綜述［J］. 中國(guó)醫(yī)學(xué)物理學(xué)雜志， 2018， 35（9）： 1043-9.

［17］ Tseng PY， Chen YT， Wang CH， et al. Prediction of the development of acute kidney injury following cardiac surgery by machine learning［J］. Crit Care， 2020， 24（1）： 478.

［18］ Bera K， Braman N， Gupta A， et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology［J］. Nat Rev Clin Oncol， 2022， 19（2）： 132-46.

［19］ Ren S， Zhang JJ， Chen JY， et al. Evaluation of texture analysis for the differential diagnosis of mass?forming pancreatitis from pancreatic ductal adenocarcinoma on contrast-enhanced CT images［J］. Front Oncol， 2019， 9： 1171.

［20］ Lambin P， Leijenaar RTH， Deist TM， et al. Radiomics： the bridge between medical imaging and personalized medicine［J］. Nat Rev Clin Oncol， 2017， 14（12）： 749-62.

［21］ Vickers AJ， Elkin EB. Decision curve analysis： a novel method for evaluating prediction models［J］. Med Decis Making， 2006， 26（6）： 565-74.

［22］ Yang T， Wu YH， Zuo Y， et al. Development and validation of prognostic nomograms and a web-based survival rate calculator for sarcomatoid renal cell carcinoma in pre- and post-treatment patients［J］. Transl Androl Urol， 2021， 10（2）： 754-64.

［23］Jiang HY， Chen J， Xia CC， et al. Noninvasive imaging of hepatocellular carcinoma： from diagnosis to prognosis［J］. World J Gastroenterol， 2018， 24（22）： 2348-62.

［24］ 韓玉齊， 魏靖?jìng)ィ?蔣涵羽， 等. 影像組學(xué)研究進(jìn)展及其在肝癌中的臨床應(yīng)用［J］. 中國(guó)科學(xué)： 生命科學(xué)， 2020， 50（11）： 1309-20.

［25］ Liu XY， Khalvati F， Namdar K， et al. Can machine learning radiomics provide pre-operative differentiation of combined hepatocellular cholangiocarcinoma from hepatocellular carcinoma and cholangiocarcinoma to inform optimal treatment planning？［J］. Eur Radiol， 2021， 31（1）： 244-55.

［26］ Nie P， Wang N， Pang J， et al. CT-based radiomics nomogram： a potential tool for differentiating hepatocellular adenoma from hepatocellular carcinoma in the noncirrhotic liver［J］. Acad Radiol， 2021， 28（6）： 799-807.

［27］ 林" 瑩， 馮" 湛， 蔣國(guó)平. 灰階超聲影像組學(xué)鑒別肝細(xì)胞肝癌與腫塊型肝內(nèi)膽管細(xì)胞癌的價(jià)值［J］. 中國(guó)醫(yī)學(xué)影像學(xué)雜志， 2020， 28（4）： 269-72.

［28］ Zhou L， Rui JG， Zhou WX， et al. Edmondson?Steiner grade： a crucial predictor of recurrence and survival in hepatocellular carcinoma without microvascular invasio［J］. Pathol Res Pract， 2017， 213（7）： 824-30.

［29］ Dong Y， Zuo D， Qiu YJ， et al. Prediction of histological grades and ki-67 expression of hepatocellular carcinoma based on sonazoid contrast enhanced ultrasound radiomics signatures［J］. Diagnostics， 2022， 12（9）： 2175.

［30］ Mao YF， Wang JC， Zhu Y， et al. Gd-EOB-DTPA-enhanced MRI radiomic features for predicting histological grade of hepatocellular carcinoma［J］. Hepatobiliary Surg Nutr， 2022， 11（1）： 13-24.

［31］ Chen W， Zhang T， Xu L， et al. Radiomics analysis of contrast-enhanced CT for hepatocellular carcinoma grading［J］. Front Oncol， 2021， 11： 660509.

［32］" Hectors SJ， Lewis S， Besa C， et al. MRI radiomics features predict immuno-oncological characteristics of hepatocellular carcinoma［J］. Eur Radiol， 2020， 30（7）： 3759-69.

［33］Maruyama H， Yamaguchi T， Nagamatsu H， et al. AI?based radiological imaging for HCC： current status and future of ultrasound［J］. Diagnostics， 2021， 11（2）： 292.

［34］ Hu XX， Yang ZX， Liang HY， et al. Whole-tumor MRI histogram analyses of hepatocellular carcinoma： correlations with Ki-67 labeling index［J］. J Magn Reson Imaging， 2017， 46（2）： 383-92.

［35］ Zhuo JY， Lu D， Tan WY， et al. CK19-positive hepatocellular carcinoma is a characteristic subtype［J］. J Cancer， 2020， 11（17）： 5069-77.

［36］ Wang WT， Gu DS， Wei JW， et al. A radiomics-based biomarker for cytokeratin 19 status of hepatocellular carcinoma with gadoxetic acid-enhanced MRI［J］. Eur Radiol， 2020， 30（5）： 3004-14.

［37］ Yang F， Wan YD， Xu L， et al. MRI-radiomics prediction for cytokeratin 19-positive hepatocellular carcinoma： a multicenter study［J］. Front Oncol， 2021， 11： 672126.

［38］ Yue XT， Zhao YH， Xu Y， et al. Mutant p53 in cancer： accumulation， gain-of-function， and therapy［J］. J Mol Biol， 2017， 429（11）： 1595-606.

［39］ Liao HT， Jiang HY， Chen YT， et al. Predicting genomic alterations of phosphatidylinositol?3 kinase signaling in hepatocellular carcinoma： a radiogenomics study based on next?generation sequencing and contrast-enhanced CT［J］. Ann Surg Oncol， 2022. doi： 10.1245/s10434-022-11505-4.

［40］" Hu HT， Wang Z， Huang XW， et al. Ultrasound-based radiomics score： a potential biomarker for the prediction of microvascular invasion in hepatocellular carcinoma［J］. Eur Radiol， 2019， 29（6）： 2890-901.

［41］ Lee S， Kim SH， Lee JE， et al. Preoperative gadoxetic acid-enhanced MRI for predicting microvascular invasion in patients with single hepatocellular carcinoma［J］. J Hepatol， 2017， 67（3）： 526-34.

［42］" McHugh PP， Gilbert J， Vera S， et al. Alpha-fetoprotein and tumour size are associated with microvascular invasion in explanted livers of patients undergoing transplantation with hepatocellular carcinoma［J］. HPB， 2010， 12（1）： 56-61.

［43］" Renzulli M， Brocchi S， Cucchetti A， et al. Can current preoperative imaging be used to detect microvascular invasion of hepatocellular carcinoma？［J］. Radiology， 2016， 279（2）： 432-42.

［44］" Ahn SY， Lee JM， Joo I， et al. Prediction of microvascular invasion of hepatocellular carcinoma using gadoxetic acid-enhanced MR and 18F-FDG PET/CT［J］. Abdom Imag， 2015， 40（4）： 843-51.

［45］ Kaibori M， Ishizaki M， Matsui K， et al. Predictors of microvascular invasion before hepatectomy for hepatocellular carcinoma［J］. J Surg Oncol， 2010， 102（5）： 462-8.

［46］ Yang L， Gu DS， Wei JW， et al. A radiomics nomogram for preoperative prediction of microvascular invasion in hepatocellular carcinoma［J］. Liver Cancer， 2019， 8（5）： 373-86.

［47］" Li YC， Zhang Y， Fang Q， et al. Radiomics analysis of 18F-FDG PET/CT for microvascular invasion and prognosis prediction in very-early?and early-stage hepatocellular carcinoma［J］. Eur J Nucl Med Mol Imaging， 2021， 48（8）： 2599-614.

［48］" Liu QP， Xu X， Zhu FP， et al. Prediction of prognostic risk factors in hepatocellular carcinoma with transarterial chemoembolization using multi-modal multi?task deep learning［J］. EClinicalMedicine， 2020， 23： 100379.

［49］" Liu QQ， Li J， Liu F， et al. A radiomics nomogram for the prediction of overall survival in patients with hepatocellular carcinoma after hepatectomy［J］. Cancer Imaging， 2020， 20（1）： 82.

［50］" Lacaze L， Scotté M. Surgical treatment of intra hepatic recurrence of hepatocellular carcinoma［J］. World J Hepatol， 2015， 7（13）： 1755-60.

［51］ Earl TM， Chapman WC. Hepatocellular carcinoma： resection versus transplantation［J］. Semin Liver Dis， 2013， 33（3）： 282-92.

［52］" Poon RTP， Fan ST， Lo CM， et al. Long-term survival and pattern of recurrence after resection of small hepatocellular carcinoma in patients with preserved liver function： implications for a strategy of salvage transplantation［J］. Ann Surg， 2002， 235（3）： 373-82.

［53］" Shah SA， Cleary SP， Wei AC， et al. Recurrence after liver resection for hepatocellular carcinoma： risk factors， treatment， and outcomes［J］. Surgery， 2007， 141（3）： 330-9.

［54］ Kim S， Shin J， Kim DY， et al. Radiomics on gadoxetic acid-enhanced magnetic resonance imaging for prediction of postoperative early and late recurrence of single hepatocellular carcinoma［J］. Clin Cancer Res， 2019， 25（13）： 3847-55.

［55］ Liu Y， Wei XQ， Zhang XR， et al. CT radiomics combined with clinical variables for predicting the overall survival of hepatocellular carcinoma patients after hepatectomy［J］. Transl Oncol， 2022， 26： 101536.

［56］" Fu SR， Lai HR， Huang MY， et al. Multi-task deep learning network to predict future macrovascular invasion in hepatocellular carcinoma［J］. EClinicalMedicine， 2021， 42： 101201.

［57］ Wang XH， Long LH， Cui Y， et al. MRI-based radiomics model for preoperative prediction of 5-year survival in patients with hepatocellular carcinoma［J］. Br J Cancer， 2020， 122（7）： 978-85.

［58］ Saalfeld S， Kreher R， Hille G， et al. Prognostic role of radiomics-based body composition analysis for the 1?year survival for hepatocellular carcinoma patients［J］. J Cachexia Sarcopenia Muscle， 2023， 14（5）： 2301-9.

［59］ Liu F， Liu D， Wang K， et al. Deep learning radiomics based on contrast-enhanced ultrasound might optimize curative treatments for very-early or early-stage hepatocellular carcinoma patients［J］. Liver Cancer， 2020， 9（4）： 397-413.

［60］ 劉一萍， 李新平， 陳" 磊， 等. 基于人工智能的肝細(xì)胞癌精準(zhǔn)影像學(xué)診斷和復(fù)發(fā)預(yù)測(cè)［J］. 臨床肝膽病雜志， 2022， 38（3）： 521-7.

［61］ Kim J， Choi SJ， Lee SH， et al. Predicting survival using pretreatment CT for patients with hepatocellular carcinoma treated with transarterial chemoembolization： comparison of models using radiomics［J］. AJR Am J Roentgenol， 2018， 211（5）： 1026-34.

［62］ Kong CL， Zhao ZW， Chen WY， et al. Prediction of tumor response via a pretreatment MRI radiomics-based nomogram in HCC treated with TACE［J］. Eur Radiol， 2021， 31（10）： 7500-11.

［63］ Liu D， Liu F， Xie XY， et al. Accurate prediction of responses to transarterial chemoembolization for patients with hepatocellular carcinoma by using artificial intelligence in contrast-enhanced ultrasound［J］. Eur Radiol， 2020， 30（4）： 2365-76.

［64］" 李嘉穎， 丁洪蕾， 張華妮， 等. 原發(fā)性肝癌DWI影像組學(xué)特征與中醫(yī)證型的相關(guān)性研究［J］. 中國(guó)中西醫(yī)結(jié)合影像學(xué)雜志， 2022， 20（2）： 146-50.

（編輯：孫昌朋）

基金項(xiàng)目：湖南省自然科學(xué)青年基金（2023JJ40503）；湖南省中醫(yī)腫瘤臨床醫(yī)學(xué)研究中心項(xiàng)目（2021SK4023）；湖南省臨床醫(yī)療技術(shù)創(chuàng)新引導(dǎo)項(xiàng)目（2021SK51410）；湖南省衛(wèi)生健康委科研重點(diǎn)項(xiàng)目（C202203108338）；湖南省教育廳優(yōu)秀青年項(xiàng)目（21B0365）；長(zhǎng)沙市自然科學(xué)基金項(xiàng)目（kq2202453）

作者簡(jiǎn)介：朱莉杉，在讀本科生，E-mail： 2258611285@qq.com

通信作者：李" "菁，博士，副主任醫(yī)師，副教授，E-mail： lileekim_495@hnucm.edu.cn