0 引言

       肝切除术已成为原发性和转移性肝脏肿瘤的安全治疗手段，且被广泛接受^[1]。尽管外科手术和围手术期领域取得进展，但是肝切除术后肝衰竭（post-hepatectomy liver failure, PHLF）仍然是术后并发症和死亡最严重的原因^[2]。尤其对于接受两阶段肝切除术的患者，避免PHLF至关重要^[3]。在接受肝切除术的患者中，PHLF的发生率为8%~12%，据报道其严重程度与术后死亡率和并发症发病率相关^[4]。

       肝切除的术后结果主要取决于未来残余肝（future liver remnant, FLR）的体积和功能。在残余肝不足的情况下进行肝切除，将不可避免地导致PHLF。对于未患有实质性肝病的患者而言，其FLR体积的阈值为25%^[5]。对于肝脏受损的患者，其FLR体积至少为40%^[6]。除FLR的体积以外，其功能还会受到肝硬化和脂肪变性等基础疾病影响^[7]。

       影像学有助于预测PHLF，常用的影像学检查技术有CT、MRI、SPECT/CT等。本文从形态、功能影像学和人工智能预测PHLF的研究进展进行综述，以加强对PHLF的认识，降低其发生率。

1 PHLF的定义

       2011年，国际肝脏外科研究组（The International Study Group of Liver Surgery, ISGLS）提出了关于PHLF的标准化定义^[8]。ISGLS定义PHLF为肝切除术后第5天或之后凝血酶原时间国际标准化比值增加，且伴有高胆红素血症。严重程度分三级：A级，肝功能短暂、轻微恶化，无需侵入治疗；B级，结果偏离预期，需要无创治疗；C级，严重肝衰竭及多器官功能衰竭，需要侵入治疗。A、B、C级三级PHLF患者的围手术期死亡率分别为0%、12%和54%^[8]。ISGLS所提出的定义得到普遍认可，并广泛用于肝切除术后评估^{[9, 10]}。

2 形态影像学预测PHLF

2.1 CT体积测量法

       目前术前评估FLR体积的金标准是CT体积测量法^[11]。这项技术首先通过手动追踪每个断层图像中的肝脏轮廓，将所有图像对应的体积相加计算肝脏总体积，然后计算非肿瘤肝脏体积、肿瘤体积和FLR体积。其主要优点是无创性，并且常用于临床随访，但是CT评估也存在一定的局限性。第一，手动追踪肝脏轮廓是耗时的过程；第二，肿瘤特征和肝脏特征的个体差异会导致测量误差^[12]；第三，FLR体积并不完全反映FLR的功能，FLR功能还会受到纤维化、肝硬化等的影响。

       为了克服CT评估的缺点，VAUTHEY等^[13]提出了一种改进的测量方法：估计肝脏总体积（estimated Total Liver Volume, eTLV；单位：mL）=-794.41+1 267.28×体表面积。该公式在估算肝脏总体积方面的有效性已得到证实。传统CT评估测得的FLR体积与eTLV的比值称为标准化FLR体积，代表肝切除术后残留肝脏的百分比。对于接受扩大肝切除术的患者来说，标准化FLR体积的测量是预测术后结果的准确方法。当标准化FLR体积小于eTLV的20%时，术后并发症的发生率上升^[14]。根据相关研究^[15]，对于肝功能正常患者，标准化FLR体积阈值为20%：对于化疗后肝损伤患者，其阈值为30%；对于慢性肝病患者，其阈值为40%；不符合以上标准的患者应考虑门静脉栓塞^[14]。然而，这种方法也存在局限性，即对于多次进行肝切除术或FLR体积与eTLV比值接近临界值的患者，这种方法可能并不可靠。

2.2 CT三维重建技术

       CT三维重建技术使用增强CT图像对FLR进行测量^[16]。一项研究报告称，利用CT三维重建技术计算的肝段或亚段体积，与实际切除的标本体积高度相关^[17]。因此术前对FLR体积的准确评估是不可或缺的。CT三维重建技术为肝脏手术规划提供了辅助，使手术模拟过程更为精确可靠。为了确保肝脏切除的安全性，明确门静脉灌注区和静脉引流区是非常重要的。SAITO等^[18]报道，25%的患者门静脉右前段的灌注区会穿过右上肝静脉，引流到肝中静脉。在此类患者进行左肝切除术时，应考虑肝静脉相关残肝缺血或充血的风险。因此使用CT三维重建技术识别右上肝静脉，对于精确估算左肝切除术后的FLR体积具有重大意义。CT三维重建技术也适用于腹腔镜肝脏切除术^[19]。三维重建的CT图像有助于医生识别血管和胆管等解剖结构，并准确预测将切除的肝脏体积。

       综上，CT在预估FLR体积方面具有重要价值，但这是基于整个肝脏功能均匀的前提下。因此，需结合其他功能性参数，对PHLF进行综合评估，提高预测PHLF的准确性。

3 功能影像学预测PHLF

3.1 MRI

3.1.1 磁共振弹性成像

       肝纤维化和肝硬化是诱发PHLF的不利因素，而磁共振弹性成像（magnetic resonance elastography, MRE）是一种无创的高精度量化肝纤维化的技术。MRE可无缝融入腹部MRI方案，生成全肝硬度图，与全腹MRI进行综合评估。LEE等^[20]研究发现，通过MRE测量144名肝细胞癌患者的肝硬度值，能有效预测PHLF的发生。CHO等^[21]研究MRE测得的肝硬度值对PHLF预测的实用性，并开发了基于MRE的风险预测模型，该模型在预测PHLF，特别是B、C级PHLF方面表现出色。

       然而，MRE也存在一些局限性，包括成本高昂、普及率不高等问题。同时对于门静脉高压患者，MRE相关预测研究较少，这可能影响MRE对这类患者PHLF发生的准确预测。

3.1.2 钆塞酸二钠增强MRI

       钆塞酸二钠（gadolinium-ethoxybenzyl-diethylenetriamine pentaacetic acid, Gd-EOB-DTPA）是一种肝细胞特异性磁共振对比剂。静脉注射后，一半药物通过OATP1转运体被肝细胞摄取并排入胆管^[22]。在给药后约20分钟获得的肝胆期图像中，肝实质的摄取可用于评估整体及分段肝功能。肝实质的增强程度会随着肝功能的恶化而降低^[22]。WANG等^[23]的一项荟萃分析显示，Gd-EOB-DTPA增强MRI能有效预测PHLF，是一种有前途的生物成像标志物。

       使用Gd-EOB-DTPA增强MRI预测PHLF的方法，包括信号强度测量法和磁共振弛豫时间测量法。JIN等^[24]研究了121例肝细胞癌肝切除术的患者，发现Gd-EOB-DTPA增强MRI能有效预测PHLF。PHLF患者的肝脏相对增强（relative liver enhancement, RLE）显著低于非PHLF的患者。术前测得的RLE可作为预测肝细胞癌患者术后PHLF的指标。肝细胞摄取指数（hepatocyte uptake index, HUI）是一个半定量的参数，通过肝脏体积和Gd-EOB-DTPA对比剂摄取量来综合评估PHLF^[25]。TSUJITA等^[26]研究显示，残余肝脏的HUI是严重PHLF的独立预测指标。这表明，监测Gd-EOB-DTPA在肝脏内摄取的变化，能精确评估FLR功能，从而优化手术方案的制订。功能性肝脏成像评分（functional liver imaging score, FLIS）引入了肝脏的增强程度、胆汁对比剂排泄率和门静脉信号强度三个成像特征，是一种简单易行的Gd-EOB-DTPA增强MRI预测PHLF方法。LUO等^[27]研究了502例肝细胞癌患者，证实FLIS是PHLF的独立预测指标。一些研究人员提出了磁共振弛豫时间测量法的可行性，LIU等^[28]通过Gd-EOB-DTPA增强MRI评估了49例将接受肝切除术患者，发现Gd-EOB-DTPA增强T1 mapping能准确预测肝切除术的安全性。

       Gd-EOB-DTPA增强MRI技术融合了体积与功能评估，可全面预测PHLF。相较于单纯的体积评估，该技术的功能体积测量具有更高的预测准确性。CHUANG等^[29]利用Gd-EOB-DTPA增强MRI测得了肝脏总体积、脾脏体积，并发现脾脏体积与FLR的比值升高与PHLF风险相关。根据评估，脾脏体积与肝脏总体积比值偏高的患者，肝切除术后出现门脉高压的风险更高。这是因为尽管门静脉血流保持不变，但肝实质的血管床减少了，可能加剧门脉高压状况，进而增加肝衰竭风险。ARAKI等^[30]回顾性地分析了155例多肝段切除的患者，证实使用Gd-EOB-DTPA增强MRI功能体积测量可以精确预测多个肝段的PHLF，对接受过门静脉栓塞的患者也适用。

       Gd-EOB-DTPA增强MRI作为一站式术前检查，可同时进行结构和功能的双重评估，无辐射，具有良好的临床应用价值。它是检测肿瘤、模拟血管和胆管解剖以及评估分段肝功能、残余肝储备最重要的成像方式。但是缺少统一的评估标准，这会影响结果的一致性和可比性。

3.2 超声弹性成像

       超声弹性成像预测PHLF的技术主要包括瞬时弹性成像和剪切波弹性成像。LEI等^[31]通过瞬时弹性成像测得了245名接受肝切除术的肝细胞癌患者的肝硬度值，可帮助医生进行治疗方案的决策。瞬时弹性成像对于存在腹水、肋间狭窄及超重的情况并不适用。LONG等^[32]的研究得出利用二维剪切波弹性成像测得的肝硬度值能有效预测PHLF。二维剪切波弹性成像是瞬时弹性成像的衍生技术，其在预测肝切除术后的并发症方面优于瞬时弹性成像^[33]。此外，该技术还可用于儿童PHLF的预测^[34]。但是，二维剪切波弹性成像不能应用于存在肝炎和胆汁淤积的患者。

       但是，超声弹性成像技术在成像过程中仍依赖于人工定位，这难以避免误差的产生。同时，超声探头的面积对整体脏器的评价也存在局限性。

3.3 SPECT/CT

3.3.1 99m锝标记的半乳糖基人血清白蛋白显像

       ^99m锝标记的半乳糖基人血清白蛋白（^99m technetium-galactosyl-serum-albumin, ^99mTc-GSA）是一种与肝细胞上的同位糖蛋白受体特异性结合的放射性药物，其吸收情况仅反映功能正常的肝细胞状态^[35]，因此成为评估功能性肝储备的可靠工具。利用放射性药代动力学模型计算的^99mTc-GSA的最大清除率，能精确反映肝功能，尤其适用于评估受损肝脏^[35]。MIZUTANI等^[36]的研究证明^99mTc-GSA显像是ISGLS-PHLF独立且重要的预测因子。KASAI等^[37]通过对102名肝切除术后患者的^99mTc-GSA显像分析，建立了多变量的风险评分系统。该系统可有效识别PHLF高风险患者，为规划治疗策略提供依据。此外，^99mTc-GSA显像还可评估肝切除术前肝纤维化和门静脉栓塞后PHLF的预测^{[38, 39]}。然而，GSA的获取困难成为制约这项技术发展的主要因素。

3.3.2 99m锝标记的甲溴苯宁肝胆显像

       ^99m锝标记的甲溴苯宁被肝细胞特异性摄取，经胆管排泄，受胆红素影响小，经肾脏排泄少，不会发生生物转化^[40]。肝胆显像可直接对肝功能进行量化评估，适用于健康个体及肝脏受损患者^[40]。一项多中心队列研究证明肝胆显像可以预测大肝切除术后的PHLF，特别是高风险的胆道肿瘤^[41]。DASARI等^[42]的研究表明对于接受大肝切除术的患者，肝胆显像能精准预测FLR的体积和功能，是预测PHLF的有效指标。该技术能对需要肝切除的结直肠癌肝转移瘤患者和儿童进行预测^{[43, 44]}。SERENARI^[45]等研究得出：肝胆显像还可预测ISLGS定义的PHLF的严重程度。随着PHLF的等级升高，FLR相关函数（FLR function, FLR-F）的临界值减小。但是，目前此类研究相对匮乏，有待进一步挖掘与探索。

       SPECT/CT在预测PHLF方面已展现出显著的临床应用潜力，但目前研究多为回顾性研究，研究人群相对较少，限制了其预测的全面性。因此，开展多中心的前瞻性研究将会是新研究方向。

4 人工智能预测PHLF

       近年来，随着人工智能的发展，它在医学研究中的应用前景日益广阔，特别在医学影像领域，人工智能展现出巨大潜力。KANG等^[46]提出利用人工智能预测肝切除术的安全肝切除量，降低了PHLF的风险，改善了肝切除患者的预后。

4.1 机器学习

       机器学习是人工智能领域的重要分支之一，经历飞速发展，被广泛应用于疾病预测领域，并在临床实践中取得显著成效。通过运用计算机算法，机器学习可在短时间内分析大量且多样化的数据。目前，机器学习正应用于临床数据、影像组学和基因组学等多个领域，旨在开发高效准确的预测模型^[47]。WANG等^[48]利用机器学习对术前Gd-EOB-DTPA增强MRI图像的影像组学特征进行分析，成功识别肝细胞癌不同肝功能的亚组，评估了这些亚组与PHLF风险之间的关联。

       深度学习作为当前机器学习领域的研究焦点，尤其卷积神经网络的深度学习，在医学影像图像分析中具有重要临床意义^[49]。XIE等^[50]开发的深度学习模型可自动或半自动分割Couinaud肝段和FLR，用于术前体积评估。此外，该模型还具备肝内门静脉的可视化功能，并可依据肝内血管的结构测量肝段体积。XU等^[51]利用增强CT图像建立一个深度学习的模型，旨在预测半肝切除术后患者发生PHLF的风险。该模型可以协助医生优化高风险PHLF患者的手术计划。深度学习驱动的MRI图像重建技术缩短了采集时间，并在不牺牲图像对比度的情况下降低了图像噪声，不仅加快了MRI的采集速度，还提升了图像质量^[52]。利用深度学习重建的Gd-EOB-DTPA增强MRI图像，能生成更高分辨率的肝胆期图像，提供更详细的解剖信息，并有利于实现精准分割和计算^[52]。

4.2 智能影像组学

       影像组学可从数字医学影像中提取定量特征，从而利用这些高维数据协助医生进行疾病诊断、治疗策略制订和预后评估^[53]。智能影像组学通过人工智能对影像数据进行分析汇总，提高了临床诊断的准确性。CHEN等^[54]对144名肝细胞癌患者的MRI图像进行分析，利用智能影像组学构建了一个预测PHLF模型。该模型对PHLF的预测有较高价值，可以帮助医生制订治疗方案。LI等^[55]建立基于Gd-EOB-DTPA增强MRI的预测模型，该模型可以识别PHLF高风险患者，并在规划患者手术方案时作为辅助决策。相较于传统影像组学，智能影像组学可以识别肉眼无法识别的多种信息，提高医生的工作效率，对PHLF的预测更为准确。

       目前人工智能领域面临多重挑战：多数研究仍局限于单中心验证性质，缺乏大规模前瞻性探索；在数据采集方面，其完整性和质量管控存在难度，难以确保高标准；此外，模型的普遍适用性尚需优化和提升。

5 局限性与展望

       随着影像技术的进步，影像学在PHLF的术前预测和评估中发挥出日益重要的作用。然而，这些研究中仍存在一些局限性：第一，样本规模的局限性，多数研究局限于小样本单中心研究，缺乏多中心协作的大规模研究，限制了研究的普遍适用性和可靠性；第二，标准化的成像评估标准的缺失，这导致不同研究间的结果出现偏差；第三，预测结果的不稳定性，不同的预测模型对同一影像数据进行评估，会产生不同的预测结果，增加了临床决策的不确定性。

       尽管面临诸多局限性，影像学预测PHLF仍展现巨大潜力。随着影像学的迅速发展，未来的发展将聚焦于以下几个方面：第一，多中心大规模研究。通过广泛的前瞻性探索，将提升预测PHLF的精确度和可靠性；第二，多种成像模式融合。通过综合应用不同影像评估方式，实现对PHLF更为全面、深入的预测；第三，新型影像技术的开发与应用。例如正电子发射断层显像（positron emission tomography, PET）-CT、PET/MRI及4D-FLOW MRI等，尽管这些技术目前尚未涉及PHLF领域，但已有研究表明，4D-FLOW MRI^[56]可用于测量门静脉栓塞前和栓塞后3~4天残留门静脉分支的血流变化，从而预测FLR体积。因此，这些技术等在预测PHLF方面具广泛的发展前景。

       综上所述，随着影像技术的不断革新与进步，影像学将在预测PHLF及优化个性化治疗方案方面扮演愈发重要的角色，为临床决策提供更为精准、有力的支持。