0 前言

       原发性肝癌是全球第三大癌症死亡原因，肝细胞癌（hepatocellular carcinoma, HCC）占原发性肝癌的75%～85%^[1]。大多数HCC表现为富血供^[2]，血管不仅为肿瘤的生长提供氧气和营养物质，而且增加了血源性转移到邻近或远处部位的倾向^[3]。对人类HCC组织行CD34免疫组织化学染色观察到两种不同的微血管结构：具有离散管腔的经典毛细血管和形成蛛网状模式的窦状血管^[4]。基于经典毛细血管进行的微血管侵犯（microvascular invasion, MVI）和基于窦状血管进行的血管包绕肿瘤团簇（vessels encapsulating tumor clusters, VETC）是两种具有不同分子机制的微血管转移模式^{[5, 6]}，目前确诊主要依托于病理学，具有明显的滞后性和有创性，所以术前无创评估对判断HCC预后和选择恰当的治疗方案有重要的临床意义。钆塞酸二钠（gadolinium ethoxybenzyl diethyle netriamine pentaacetic acid, Gd-EOB-DTPA）利用特异性的肝胆期明显提高HCC诊断与鉴别诊断的准确性^{[7, 8]}，目前越来越多的国内外研究基于Gd-EOB-DTPA增强MRI技术预测MVI，得到了特异性较高的影像征象，并尝试基于此建立组学模型，但泛化性能是目前重点关注的方向；且VETC作为近年来新发现的模式，基于影像进行术前预测的研究仍处于探索阶段。本文从Gd-EOB-DTPA增强MRI影像征象及相关影像组学和人工智能技术评价MVI和VETC的研究现状进行综述，并探讨了未来的研究方向，以期为相关研究人员开发优化模型提供思路，真正实现HCC微血管转移模式术前评估模型的临床化，指导临床诊治，改善患者预后。

1 Gd-EOB-DTPA增强MRI术前评估MVI

1.1 MVI的概念和预后

       MVI指在显微镜下于经典毛细血管内皮细胞衬覆的血管腔内见到癌细胞巢团，以癌旁门静脉分支为主，癌栓无内皮细胞包裹。病理上依据全部组织切片内的MVI的数量和分布情况进行风险分级，M0：未发现MVI；M1（低危组）：MVI的数量≤5个，且分布于近癌旁肝组织（≤1 cm）；M2（高危组）：MVI的数量＞5个，或MVI分布于远癌旁肝组织（＞1 cm）^[7]。据文献报道，HCC中MVI的发生率为15.0%～57.1%^[9]，即使是孤立的小HCC^[10]。基于HCC术后患者的研究显示MVI阳性患者的无复发生存期（recurrence-free survival, RFS）和总生存期（overall survival, OS）显著缩短，且MVI高风险患者的OS和RFS明显短于低风险或中风险患者，表明MVI是影响HCC预后的独立危险因素之一^[11]。由于MVI沿着门静脉或者肝静脉及血管周围区域扩散转移，LEE等^[12]发现，行解剖切除的MVI阳性患者的早期复发率显著低于行射频消融术（radiofrequency ablation, RFA）的患者。SUN等^[13]的研究也表明针对MVI阳性的HCC患者行解剖切除的术后无病生存期（disease-free survival, DFS）和OS明显优于非解剖切除。同时，由于MVI可以侵犯肿瘤包膜并侵犯距离肿瘤包膜≥1 cm的血管，研究发现在对MVI阳性的HCC患者行非解剖切除时，手术切缘越宽，越倾向于更好的DFS和OS^[14]。这意味着如果有较宽的手术切缘，非解剖部分切除在防止肝内复发方面可能具有与解剖切除相似的能力。因此，术前准确评估MVI对于指导HCC患者的手术治疗，包括肝切除术的类型、手术切缘的宽度以及辅助治疗的使用与否极其重要。

1.2 应用基础影像征象预测MVI

       MVI最早和最常侵犯的区域是瘤周组织，该区域的血管是门静脉瘤栓形成、肝内和肝外转移的主要途径^{[15, 16]}。与肿瘤本身相比，瘤周组织的影像学征象可能揭示与MVI的直接联系，因此我们对现有证据进行分析，探究瘤周成像特征与MVI之间的关系。基于多项研究显示，与MVI相关的瘤周特异度较高的影像征象包括不规则的动脉期瘤周环状强化（irregular rim-like arterial phase enhancement, IRE）、动脉期瘤周强化和肝胆期瘤周低信号，详见表1。

       综上研究所述，三个评估MVI的MRI瘤周影像学征象存在很高的特异性，有助于临床医生制订个性化的HCC患者手术切除方案。但我们也注意到这些征象的敏感性比较低，可能是由于研究样本量小、观察者的主观性等原因，随着近年来对MVI扩大样本量或定量分析^{[25, 26]}的研究增加，术前精准预测MVI企足而待。

点击查看表格

表1  预测MVI特异度较高的影像征象
Tab. 1  High-specificity imaging features for predicting MVI

1.3 应用影像组学预测MVI

       Gd-EOB-DTPA动态增强MRI是评估HCC预后的重要手段，但是受视觉感知能力的限制，人们无法观察到影像图像中的某些细微差异。为了充分地挖掘和利用医学影像数据，影像组学成为近年来影像学的研究热点，通过计算机算法的自动提取获得大量的二维图像特征以及高维图像特征，同时将影像学特征与其他可用的临床特征相结合，以增加循证临床决策支持模型的功能^[27]。FENG等^[28]基于研究证实的三个MVI的特异性征象（动脉期瘤周强化、非光滑的肿瘤边缘和肝胆期瘤周低信号）^[19]比较评估影像组学和非影像组学对MVI的预测性能，结果显示影像组学模型预测MVI的敏感性、特异性和准确性均优于基础影像征象。研究表明超过85%的MVI出现在距离肿瘤边界1 cm以内的瘤周区域^[16]，人们构建了多个模型来探索这个高度侵袭性的区域，FENG等^[28]建立了瘤内影像组学模型和瘤内及瘤周1 cm的双区影像组学模型评估MVI，最终证实双区影像组学模型优于瘤内影像组学模型。CHONG等^[29]对瘤周组织进行了更细致的划分（瘤周5 mm，瘤周10 mm及正常肝脏组织），并基于多序列和多参数影像组学预测MVI，感兴趣体积（volume of interest, VOI）（肿瘤+瘤周10 mm+正常肝脏组织）产生了最好的预测效果，最佳的多序列是动脉期、门静脉期、肝胆期和扩散加权成像的结合，且优于任何一个单序列。这些结果表明了肿瘤外围与肿瘤内部相比的优越性，正常肝脏与瘤内/瘤周组织之间纹理和强度的差异性，以及多序列和多VOI融合对预测MVI的协同作用。病理学表明MVI可出现在瘤周＞1 cm的区域，HU等^[30]的研究也证实了针对动脉期和门脉期图像，肿瘤和肿瘤周围20 mm的双区建立的影像组学模型在预测MVI风险等级方面表现优于肿瘤和肿瘤周围10 mm的双区组学模型。但也有部分学者的研究结果与之冲突。NEBBIA等^[31]基于瘤内、瘤周1 cm、瘤内和瘤周1 cm联合的影像组学模型预测MVI，研究显示瘤周组织的影像组学信息与MVI相关，但受试者工作特征曲线下面积（area under the curve, AUC）值低于瘤内组织的影像组学模型，而且瘤内和瘤周1 cm联合的影像组学模型对MVI的预测性能更低，一项基于CT的研究也显示基于整个肿瘤区域的影像组学模型预测MVI的能力高于瘤内和瘤周5 mm联合的影像组学模型^[32]，表明瘤周组织的信息与瘤内组织的信息是不互补的，甚至可能是冲突的。因为两个研究中肿瘤的直径较之前的研究均较大，我们考虑引起此矛盾的原因是所选择的瘤周组织的范围相对过小，未能提供足够的信息，但同时我们也应注意，较宽的切缘可能会导致包含肝外组织，从而加剧异质性问题，因此瘤周范围的选择可能需要考虑肿瘤本身与患者肝组织的比例大小，依据肿瘤大小分层评估最佳瘤周范围。

       相比主观的视觉判读，影像组学呈现出了更好的预测效果，瘤周区域作为MVI最常侵犯的部位，结合肿瘤本身提取的影像特征可以表现出更好的预测性能，但是也不能避免由于不同序列、不同阶段及瘤周范围的影响出现不同的结果。同时，由于缺乏标准化的定义和经过验证的参考值，影像组学模型的泛化有一定的局限性。目前，人们尝试图像生物标记物标准化倡议^[33]，致力于提供标准化的图像生物标志物命名和定义、标准化的通用图像处理工作流程、用于验证影像组学软件实施的工具和用于影像组学研究的报告指南。

2 Gd-EOB-DTPA增强MRI术前评估VETC

2.1 VETC的概念和预后

       VETC病理学上指经过CD34染色后，显微镜下肿瘤的窦状血管内皮细胞表现为蛛网状结构，包裹并分离肿瘤细胞，从而形成一个个独立的球形细胞巢，癌巢之间为血流填充。VETC模式在HCC中普遍存在，并由肿瘤细胞诱导^[4]。肿瘤细胞以VETC的形式整体转移进入血管，并通过包绕肿瘤团簇的血管与门静脉分支之间的吻合口流入到远处血管，随血流转移至靶器官并增殖形成新的转移灶。首先，与MVI模式相比，该模式的肿瘤细胞无需获得迁移和侵袭的能力；其次，瘤栓在循环系统中由于被血管内皮细胞包裹，可以免受免疫系统攻击避免凋亡的威胁，获得更高的存活率；最后，整个肿瘤簇更容易被困在血管中，形成转移灶^[34]。基于以上这些因素，VETC模式介导的转移更容易实现。RENNE等^[35]研究发现VETC阳性患者有早期复发的倾向，与较差的DFS和OS有关。GUAN等^[36]也证实VETC低风险组的RFS和OS显著长于VETC高风险组，表明研究VETC模式对HCC的预后是有临床价值的。FANG等^[4]发现抑制VETC形成会出现肝内及肺转移明显减少的结果，VETC模式的存在预示着HCC的高转移率和高复发率。因此评估HCC中VETC表型，对HCC患者预后有重要的临床价值。

2.2 应用基础影像征象预测VETC

       作为近年来新提出的一种微血管转移模式，人们尝试采用各种影像技术预测VETC^{[37, 38, 39]}，但是，可能受该指标的阳性定义尚未标准化的影响，VETC影像学特征的探索仅处于起步阶段，相关的研究均较少。RHEE等^[17]在研究与IRE相关的组织病理学特征时，发现VETC模式与IRE之间具有明显的正向相关性，同MVI一样，我们考虑是由于HCC侵袭性生长导致瘤周血供增加，从而出现动脉期瘤周高强化，而中央低信号则是由于缺氧所致。肝脏影像报告和数据管理系统（Liver Imaging Reporting and Data System, LI-RADS）是规范HCC风险人群影像诊断的一个动态更新的系统^{[40, 41]}，FAN等^[37]依据LI-RADS征象及非LI-RADS征象预测VETC阳性HCC的影像学特征，多因素定性分析显示VETC模式与动脉期非边缘及非均匀弥漫性高强化具有明显的相关性（P＜0.05）。定量分析显示,VETC阳性时动脉期肿瘤信号强度（signal intensity, SI）/肝脏SI≥1.135，肝胆期肿瘤SI/肝脏SI≤0.585。联合三个影像征象预测MVI的敏感度达到87.2%，特异度为77.4%，具有良好的预测性能。目前的研究认为动脉期非边缘及非均匀弥漫性高强化与HCC的富血管化和高度异质性有关。同时，VETC被证实由具有血液灌注的功能性血管组成^[4]，这与动脉期信号强度比值的改变一致，功能性血管即VETC越多，动脉期图像上肿瘤与肝脏的SI比值越大。而肝胆期的低信号强度比同MVI的肝胆期瘤周低信号原理一致，由于MVI引起癌栓阻塞微小门静脉导致局部血流动力学改变，正常肝细胞功能受损，对Gd-EOB-DTPA的吸收减少。由此我们可以看出，虽然MVI和VETC具有不同的分子机制，但均是影响肿瘤的血液灌注，因此相关的基础的影像学征象及成因有部分相像之处，但也可能受限于目前的研究不足，需要进行更多与VETC相关的影像学研究的证据来进行验证。

2.3 应用影像组学预测VETC

       影像组学以其智能提取特征及定量评估的优势在影像领域占据越来越重要的地位，用于影像组学的特征包括形态学特征、直方图特征、纹理特征及高阶特征。纹理特征能够反映图像中具有相似（或不同）对比值的体素的分布及相互关系，故在影像组学中，纹理分析可以很容易地判定肿瘤内异质性的存在与否^[27]。FAN等^[42]根据133名患者肿瘤内部的动脉期和肝胆期图像提取的纹理特征进行分析显示，基于Gd-EOB-DTPA增强MRI的纹理分析在识别HCC的VETC状态方面优于临床因素；动脉期图像的Log-sigma-4.0-mm-3d一阶峰度和肝胆期图像的Wavelet-LHL-GLDM依赖非均匀性归一化是识别VETC阳性HCC的自变量，两种纹理特征的组合可以获得良好的识别效果；与之前的研究^[37]相比，动脉期和肝胆期图像中纹理特征的AUC值显著高于同时期图像中的定性特征和半定量特征的AUC值。这些结果表明，基于Gd-EOB-DTPA增强MRI的纹理特征可以反映VETC阳性的HCC肿瘤内部结构的复杂性。同时，YU等^[43]发现使用随机森林算法构建的基于瘤周区域预测VETC的训练队列[AUC：1.000，95% 置信区间（confidence interval, CI）：0.972～1.000；敏感度和特异度均为100.00%]和验证队列（AUC：0.972，95% CI：0.887～0.998；敏感度：100.00%，特异度：86.21%）具有最高的预测性能，瘤内和瘤周1 cm联合的影像组学模型在术前预测VETC方面与单瘤内或瘤周模型相比没有显示出额外的价值，临床特征的预测性能最低。不同于MVI的大量研究实践，在现有VETC的术前影像预测研究中，考虑到瘤内及瘤周是否联合及瘤周范围大小对VETC的预测性能的研究数据过少，不足以形成论点，进行大量的针对VETC的病理检测来确定其所属具体范围或开展更多研究去验证基于不同的瘤周范围或瘤周和瘤内联合建立的影像组学模型对VETC的预测性能是更谨慎的。

       综上所述，影像组学可以提取更多深层次的信息，通过各种机器学习算法建立模型获得比基础征象建立的模型更高的敏感性和特异性。但这些预测模型与基础的影像征象一样，必须通过与原始数据集不同的外部数据集进行验证比较才能进行临床应用，可以使用从不同地点收集的数据或在与训练数据不同的时间段内进行。如SUN等^[44]基于同一人群对四个不同影像学模型进行外部验证，结果表明XU等^[32]提出的模型预测MVI的准确性最高，因为此模型结合了基础影像征象的宏观观察和影像组学技术的微观观察，但受到了影像组学复杂性和缺乏算法标准化的限制，而LEI等^[45]结合临床血清学因素和基础影像征象的模型可推广性最强。此外，需要在实际应用影像组学模型的相关临床环境中进行临床验证。因此，这些研究的不一致性导致其模型在临床实践的个体化实施中仍然具有挑战性。

3 Gd-EOB-DTPA增强MRI术前联合评估MVI和VETC

       正常肝脏含有无序的毛细血管和窦状血管，HCC发生时，经典的毛细血管内出现上皮-间充质转化的MVI促进HCC的侵袭性转移^[5,46]，而窦状血管在HCC的诱导下形成蛛网状结构包绕肿瘤细胞簇形成VETC，促进HCC的非侵袭性转移^[4]，是MVI在描述HCC复发异质性方面的重要补充。一项多中心研究显示同时发生VETC和MVI的概率为15.2%^[35]。LU等^[47]尝试结合两种微血管转移模式来评估HCC患者的预后，数据显示VETC及MVI均为阳性HCC患者的1年、3年和5年OS和DFS最短，出现早期复发的概率高达82.8%；VETC及MVI均为阴性的患者OS和DFS最长，出现早期复发的概率最低（24.2%）；仅MVI阳性和仅VETC阳性对HCC的预后影响无显著差异。LIN等^[48]也证实VETC在预测HCC复发方面的重要性并不低于MVI，乃至VETC的权重略高于MVI。因此，VETC和MVI对HCC的预后影响是互补的，联合VETC和MVI可以更加全面地评估HCC血源性转移模式。YANG等^[49]更是创新性地依据MVI和VETC的状态将HCC患者划分为出现微血管转移行为的试验组（VETC阳性/MVI阳性、VETC阳性/MVI阴性、VETC阴性/MVI阳性）和未出现微血管转移行为的对照组（VETC阴性/MVI阴性）两组进行肿瘤内血管侵犯的预后分析，结果表明肿瘤内基于微血管的侵犯转移与早期复发和RFS密切相关。基于VETC和MVI的新型微血管分类系统完全客观，适用于HCC患者常规评估中的风险分层，从而有助于选择更合适的手术方式或辅助治疗策略，对HCC患者的预后至关重要。

       深度学习的发展使得术前对HCC患者MVI和VETC状态的无创评估成为可能。基于受人脑启发的神经网络结构，卷积神经网络（convolutional neural network, CNN）作为医学成像分析中最流行的深度学习类型，通过卷积运算获得最佳特征^[50]。CHU等^[51]采用三维CNN（three-dimensional CNN, 3D CNN）对HCC患者术前Gd-EOB-DTPA增强MRI数据进行MVI的单预测和MVI及VETC的双预测，结果显示基于3D CNN预测MVI的AUC值（单任务学习：0.896，多任务学习：0.917）明显高于FENG等^[28]利用Gd-EOB-DTPA增强MRI术前预测MVI的影像组学模型（0.85），而且3D CNN预测VETC的AUC值达到0.86，显示了3D CNN预测MVI和VETC的良好性能。同时，基于多任务学习的3D CNN可以通过预测MVI和VETC状态的组合来评估HCC患者的预后。然而，因为影像组学和深度学习的训练需要大数据作为支撑，二者的应用研究目前还停留在技术可行性层面。近几年的影像组学研究开始倾向于往多中心大样本发展，相关的前瞻性研究也在进行中。未来可以考虑通过建设区域化医疗和远程医疗平台，以机器学习为核心，推进多中心应用，将影像组学和深度学习技术纳入临床实践。

4 总结与展望

       MVI和VETC作为HCC微血管转移的新型分类模式，会影响临床医生对于HCC的转移和预后的判定，进而影响相应的手术方式的选择。基于Gd-EOB-DTPA动态增强MRI的多序列、多参数及多区域成像，使MVI和VETC的术前评估成为可能，随之发展起来的影像组学和人工智能技术更是提高了预测的准确性，在术前评估MVI和VETC方面有着巨大的潜力。但是受限于单中心研究的局限性、研究的样本量的大小不一、影像组学和人工智能技术的应用标准规范尚未建立、缺乏外部数据集的验证等原因，相关影像征象或模型的推广条件尚不成熟。未来我们希望朝着多中心、大样本、规范化、标准化的方向不断尝试，建设起区域化医疗平台乃至远程医疗平台，并联合多学科的研究数据，建立庞大的医疗信息数据库，从而依据更全面的数据建立起更准确可泛化的预测模型，指导HCC转移及预后的评价，服务HCC患者的临床决策。