0 引言

       肝细胞癌（hepatocellular carcinoma, HCC）具有较高的复发率和死亡率，研究^[1]显示其5年内总生存率仅为14.4%。免疫组化标志物不仅用于诊断及鉴别诊断HCC^[2]，还为指导临床治疗方案和预测患者预后^[3]发挥着重要作用。当前免疫组化标志物的检测主要依赖于术后病理等侵入性手段，因此建立早期无创的免疫组化标志物精准预测体系具有重要的临床意义。磁共振成像（magnetic resonance imaging, MRI）通过对肿瘤形态学分析及功能成像在预测HCC免疫组化标志物中展现出良好的诊断效能，然而传统影像对病灶的诊断依赖于医生的主观视觉判读，缺乏定量标准化的分析指标。近年来，影像组学在预测HCC免疫组化方面表现出良好的应用前景，但其提取的定量特征与预测结果之间的关系存在解释性挑战。此外，不同研究间的影像组学分析流程缺乏统一标准，导致重复性不足，阻碍了其临床应用。目前缺乏系统性的综述讨论MRI在预测HCC免疫组化标志物方面的应用价值。本文总结了目前研究最广泛的六种HCC免疫组化标志物：细胞增殖核抗原Ki-67、磷脂酰肌醇蛋白聚糖3（glypican-3, GPC3）、细胞角蛋白19（cytokeratin19, CK19）、程序性死亡受体-1（programmed death-1, PD-1）及其配体（programmed death-ligand 1, PD-L1）和程序性死亡配体-2（programmed death-ligand 2, PD-L2）、P53肿瘤蛋白、血管内皮生长因子（vascular endothelial growth factor, VEGF），以及相关MRI形态学、功能学和影像组学预测免疫组化标志物的研究进展，旨在为HCC的免疫组化标志物评估提供科学依据。

1 细胞增殖核抗原Ki-67

       Ki-67是一种增殖细胞核基质内的核蛋白，与细胞的有丝分裂密切相关，在细胞周期的G1、S、G2和M期表达，但在G0期（静止期）不表达，可用于识别正常分裂的细胞和肿瘤细胞，是评估细胞增殖的标志物。已有研究表明，Ki-67高表达与肿瘤大小、病理分级、淋巴结转移、门静脉浸润和远处转移相关^[4]。

       LIANG等^[5]基于钆塞酸二钠（gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid, Gd-EOB-DTPA）增强MRI使用2018版肝脏影像报告和数据系统（Liver Imaging Reporting and Data System version 2018, LI-RADS v2018）对121例HCC患者的图像进行分析并预测Ki-67表达，发现马赛克结构、浸润性外观和靶样肝胆期的缺乏是预测Ki-67≥50%的独立相关因素，由这3个特征构建的多变量模型显示出较好的性能，曲线下面积（area under the curve, AUC）为0.776。然而，Ki-67高表达的最佳临界值目前还没有达成共识，还需进一步探索。LI等^[6]纳入140例HCC患者通过多因素logistic回归分析，研究与Ki-67表达相关的MRI征象，结果表明肿瘤形状（边界不清、边缘不光滑、形状不圆）是Ki-67高表达的独立预测因素。LIU等^[7]对148名HCC患者的Gd-EOB-DTPA增强MRI图像进行回顾性分析，结果发现瘤周增强、瘤周低信号、肿瘤边缘不规则是Ki-67的独立预测因子。综上，瘤周增强、瘤周低信号、肿瘤边缘不规则、马赛克结构、浸润性外观和缺乏靶样肝胆期的影像特征可用于预测Ki-67表达，但还需更多与Ki-67相关的影像学研究证据来进行验证。

       目前，MRI功能成像已广泛运用于预测Ki-67表达情况。HUANG等^[8]一项基于扩散加权成像（diffusion-weighted imaging, DWI）的研究发现表观扩散系数（apparent diffusion coefficient, ADC）值与Ki-67表达水平呈负相关，这可能是由于Ki-67高表达的HCC肿瘤细胞生长活跃、数量增多及密度增加从而导致扩散明显受限。但由于不同机构扫描条件的差异和微循环灌注的影响，ADC值测量的稳定性一般。WEI等^[9]的研究基于DWI、体素内不相干运动（intravoxel incoherent motion, IVIM）-DWI和扩散峰度成像（diffusion kurtosis imaging, DKI）分析83例HCC患者的影像及临床资料预测Ki-67的表达，结果Ki-67高表达组ADC、真扩散系数（true diffusion coefficient, D）和平均扩散率（mean diffusivity, MD）较低，平均扩散峰度（mean kurtosis, MK）值较高，D值联合中性粒细胞与淋巴细胞比的联合模型预测Ki-67高表达性能最佳，AUC为0.836，D值消除了微循环灌注的影响，能够更好地反映组织扩散和毛细管灌注情况。另外，一些研究还运用T1 mapping功能成像预测Ki-67表达。QIU等^[10]基于Gd-EOB-DTPA增强MRI结合T1 mapping对185例HCC患者进行回顾性分析，结果显示肝胆期肿瘤与肝脏信号强度比值≤0.6、增强后T1弛豫时间>705 ms是Ki-67高表达的预测因素。YE等^[11]定量分析103例HCC患者的肝胆期肿瘤与肝脏信号强度比来预测Ki-67表达情况，研究结果与QIU等相仿，进一步验证了Ki-67高表达的HCC肝胆期肿瘤与肝脏信号强度比降低，这可能是由于增殖活跃的肿瘤细胞功能受损，无法有效摄取钆剂。LIU等^[7]回顾性分析148名HCC患者的T1 mapping图像，结果发现T1 20 min弛豫时间延长是Ki-67高表达的独立预测因子。T1弛豫时间反映组织的固有特性，是不受扫描序列参数影响的绝对值，且与钆剂浓度呈正相关，而信号强度作为相对值易受技术因素影响且与造影剂浓度无线性关系，因此T1弛豫时间在预测Ki-67表达方面或更准确可靠^[12]。上述研究均表明ADC值、T1弛豫时间和肝胆期信号强度是预测Ki-67表达的关键指标，DWI、IVIM和T1 mapping技术可实现精准的定量评估，为HCC免疫组化标志物评估提供重要参考。

       影像组学作为一种新进的诊断技术，通过对图像进行大规模的特征提取，分析医学图像中像素或体素灰度级的分布和关系，揭示肿瘤微环境的细节，从而更精确地评估肿瘤在空间上的异质性以及肿瘤的表型特点。目前，多项研究已运用影像组学技术预测HCC患者Ki-67表达。YAN等^[13]利用递归特征消除和随机森林算法提取258名HCC患者Gd-EOB-DTPA增强MRI图像的影像组学特征并结合甲胎蛋白（alpha-fetoprotein, AFP）水平、肿瘤大小、生长类型和瘤周强化等因素构建了临床放射学-放射组学模型，该模型在训练组中AUC为0.876，明显优于临床放射学模型（AUC：0.780），该研究从肿瘤的三维体积中提取特征，提供了较全面的形态学信息。YE等^[14]在一项前瞻性研究中对89名HCC患者的Gd-EOB-DTPA增强MRI图像进行全病灶纹理分析，应用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）和多元逻辑回归筛选出13个纹理特征并构建临床列线图和组合列线图预测模型，结果发现组合列线图模型诊断效能最高（C指数：0.936）。该研究将多序列纹理特征纳入一个影像组学模型中，能够更全面地反映肿瘤的整体异质性但缺少有力的外部验证。另一项研究^[15]从151名HCC患者的T2WI、动脉期、静脉期、肝胆期的图像中提取病灶最大层面的纹理特征、构建模型并比较各期模型的预测性能，结果动脉期组学模型效能最佳，基于动脉期建立放射组学分数联合AFP的组合模型（AUC分别为0.922和0.863）较单独的动脉期组学模型诊断性能更佳。上述研究多从Gd-EOB-DTPA增强MRI的动脉期、门静脉期、延迟期、肝胆期以及T2WI图像中提取特征，而未纳入T1 mapping、DWI序列分析，今后建议进一步探索更多序列潜在的组学信息。此外，有研究^[16]探讨磁共振弹性成像（magnetic resonance electrography, MRE）在深度学习影像组学模型预测HCC Ki-67表达中的附加价值，结果剪切波速度和相位角的引入显著提高了预测性能，常规MRI、AFP结合MRE的深度学习影像组学模型性能最佳，AUC高达0.90。该研究创新性地结合了MRE，相较传统MRI，MRE可以提供高分辨率的组织力学特性参数图，精准反映肿瘤硬度等独特特征，但MRE需要较昂贵的额外设备，在临床的普及度仍待提高。上述影像组学模型预测Ki-67表达的性能情况详见表1。

       当前研究证实，MRI形态学、功能成像及影像组学在预测Ki-67高表达方面各有优势：形态学直观易用，功能成像定量客观，影像组学多维精准。但这些方法仍存在一些挑战：形态学特征易受MRI扫描参数（如分辨率、对比剂剂量）和主观判读影响，功能成像DWI受b值选择和微循环灌注干扰，而T1 mapping和IVIM技术需要专用序列和后处理软件，对设备要求较高，且部分参数（如T1 20 min弛豫时间）的临床适用性仍需验证。多数影像组学研究为单中心、小样本研究，且深度学习模型的“黑箱”特性限制了其广泛应用，未来还需进一步研究确定Ki-67高表达的最佳临界值，优化模型的可解释性，并通过多中心验证达成临床应用共识。

点击查看表格

表1  Ki-67影像组学模型性能比较
Tab. 1  Performance comparison of Ki-67 radiomics models

2 GPC3

       GPC3是肝素蛋白多糖Glypican家族成员之一，通过糖基磷脂酰肌醇与细胞膜结合，调节多种信号通路参与细胞增殖、分化和凋亡，在正常肝脏细胞、良恶性肿瘤细胞中的表达具有显著差异^[17]。有研究表明^[18]，GPC3与HCC的侵袭性、转移能力和不良预后相关，阳性患者预后差，术后易复发，因此术前准确预测GPC3阳性表达对患者诊疗方案的制订意义重大。

       DONG等^[19]基于Gd-EOB-DTPA增强MRI分析149名单发性HCC患者的图像特征，结果表明非光滑肿瘤边缘是GPC3阳性表达的独立预测因素。张宁等^[20]研究发现肝胆期肿瘤边缘不规则突起、晕状强化是GPC3阳性表达的独立危险因素。此外，多项研究^{[21, 22]}发现非周边廓清也可预测HCC中GPC3的阳性表达，廓清机制与多种因素有关，如肿瘤分化程度、血供模式异常、动静脉分流及内部结构坏死、出血、纤维化或脂肪变性等。SONG等^[23]研究还发现出血、结中结、马赛克结构是GPC3阳性的独立预测指标，结中结提示肿瘤内部的异质性或进展性变化，而马赛克结构在直径大于3 cm的HCC中较常见，代表肿瘤不同程度出血、坏死、囊变，反映肿瘤的异质性。GPC3作为HCC的特异性指标，当出现肿瘤边缘不光滑、晕状强化、结中结、马赛克结构及非周边廓清等影像征象时，可优先考虑GPC3表达阳性。另有孙伟等^[24]基于LI-RADS分析135例HCC患者的MRI及DWI图像对GPC3表达的诊断价值，结果显示ADC≤1.404×10^-3 mm²/s可提示HCC中GPC3表达，且该研究也发现GPC3阳性HCC更常出现晕状强化。

       当前，影像组学预测GPC3的研究主要是基于MRI进行的，AUC范围在0.844~0.989，表明利用MRI预测HCC患者GPC3表达水平是可行且有效的。ZHANG等^[25]基于Gd-EOB-DTPA增强MRI肝胆期建立术前预测HCC GPC3阳性表达的预测模型，共筛选出11个组学特征，联合AFP水平及非光滑肿瘤边缘的列线图模型在训练组的AUC为0.888，特异度高达91.2%，然而该研究仅纳入单个序列特征，单序列MRI只能反映肿瘤的形态、成分、水分子扩散等单一信息，误差可能相对较大。LI等^[26]一项多序列MRI研究对143例HCC患者图像进行组学分析，提取了包括形状、一阶、纹理和高阶特征在内的多组参数，最终结合多序列影像组学评分、肿瘤形态和微血管侵犯的模型诊断效能最高（AUC：0.989）。HAN等^[27]通过分析126名HCC患者多时相增强MRI图像中肿瘤的三维影像特征，采用最小冗余最大相关、递归特征消除等多种算法构建组学模型，再结合AFP构建联合模型，训练组和验证组AUC分别为0.844、0.862，组学模型通过比较不同时间点的影像特征动态变化，进一步提高了预测能力。未来，多序列联合动态分析及深度学习模型的开发或将成为主流方向，在多中心大样本及前瞻性设计验证后有望实现其临床应用。

       综上，MRI预测HCC GPC3阳性表达的研究众多，在肯定MRI预测肿瘤GPC3阳性表达有巨大潜力的同时也应注意当前研究的局限性：影像征象如非周边廓清的机制尚未完全阐明，还需进一步结合病理学验证；其次，在使用MRI检测HCC时，肿瘤的大小、形状和对比度可能差异很大，这使得图像的准确分割存在挑战性；此外，预测GPC3表达的深度学习模型还有待开发。

3 CK19

       CK19是一种存在于上皮细胞骨架系统的中间丝状蛋白，在成熟肝细胞中CK19通常不表达，但在胆管上皮细胞中持续存在^[28]。研究表明^[29]，CK19在HCC中也出现异常表达，其发生率在4%~28%，且与肿瘤侵袭性密切相关。目前，MRI、影像组学及深度学习关于无创预测HCC患者CK19表达的研究已取得显著进展。

       HU等^[30]基于LI-RADS v2018的研究发现靶样外观和缺乏非周边廓清征象是CK19阳性HCC的独立预测因子，目前靶样表现对诊断CK19阳性HCC的重要性已基本达成共识^[31]。多项研究还通过定性定量分析探索Gd-EOB-DTPA增强MRI预测CK19表达的价值。郑婉静等^[32]定性定量分析比较CK19阳性组和阴性组间MRI影像学表现，结果发现肿瘤边缘不规则、晕状强化、肝胆期强化模式与肝胆期肿瘤/肝脏信号强度比均是CK19阳性表达的独立预测指标。CHOI等^[33]基于Gd-EOB-DTPA增强MRI对242名HCC患者进行回顾性分析，进一步提出了肿瘤/肝脏ADC比≤0.820、肝胆期肿瘤/肝脏信号强度比≤0.522、肿瘤边缘不规则和动脉边缘强化有助于识别CK19阳性患者且同时满足上述4个标准时显示出较高的特异性（99.5%）。相关文献报道^[34]肝胆期肿瘤/肝脏信号强度比与HCC的组织学分级呈负相关，且与HCC发生过程中有机阴离子转运多肽表达的逐渐下降有关。CK19阳性HCC更易出现动脉边缘增强，有研究报道^[35]此现象可能与肿瘤分化差、预后不良及包膜缺失、浸润性生长等侵袭性病理特征相关，但该增强模式在HCC中少见，更多见于胆管癌或转移性肝癌。

       除此之外，有研究探索DWI衍生参数预测CK19的价值。CHEN等^[36]纳入73例HCC患者探究DKI在诊断CK19阳性中的潜在价值，发现MD值降低可作为预测CK19阳性HCC的潜在定量指标。GUO等^[37]进一步分析了单指数模型、拉伸指数模型、扩散峰度模型、IVIM成像以及分数阶微积分模型在预测HCC中CK19表达的诊断效能，结果相较CK19阴性HCC，CK19阳性HCC表现出显著较低的ADC、扩散分布系数、伪扩散系数、D及扩散运动扩散系数。这表明，DWI衍生参数可作为预测CK19表达的潜在生物标志物，其组合有助于更全面地评估肿瘤组织、血管和微观结构的信息。

       ZHANG等^[31]回顾性纳入2个研究中心的311名HCC患者，从多个MRI序列中提取2286个影像组学特征，分别建立多期融合影像组学模型和临床影像组学组合模型预测CK19表达，结果组合模型预测性能较好（AUC分别是0.914、0.855、0.795），然而该研究未使用肝胆特异性对比剂，缺乏与肝胆期模型的比较。WANG等^[38]基于Gd-EOB-DTPA增强MRI分别从动脉期和肝胆期图像中提取11和6个放射组学特征，最终影像组学特征结合AFP、动脉边缘增强模式、不规则肿瘤边缘的组合模型预测效能较高，该模型敏感度和特异度分别为81.8%和97.4%，C指数为0.959。CHEN等^[39]进一步开发了预测HCC CK19表达的深度学习影像组学模型，该模型的性能优于临床模型且结合AFP后诊断效能进一步提高，组合模型的AUC为0.833，敏感度为96%，该研究利用MRI图像提取高阶特征开发了深度学习影像组学模型，充分利用瘤内和瘤周区域的图像信息，实现了对HCC病灶的多维度特征解析。

       综上，现有研究在预测CK19阳性HCC中展现出较高诊断效能，但仍存在以下缺陷：部分影像特征如动脉边缘强化与CK19阳性表达的病理机制关联性仍依赖假设，缺乏直接病理学验证，影像组学及深度学习模型虽效能高，但操作复杂，推广困难。目前，预测CK19表达的最佳影像标志物尚未明确，还需进一步研究以达成模型共识实现临床应用。

4 PD-1及其配体PD-L1和PD-L2

       PD-1是一种免疫检查点蛋白，主要表达于T细胞表面，通过与配体PD-L1和PD-L2结合，抑制T细胞活性，防止自身免疫反应。研究表明，PD-1在肿瘤免疫逃逸中起关键作用^[40]且与HCC不良预后密切相关，目前PD-1抑制剂在癌症治疗中广泛应用^[41]。近年来，基于MRI和影像组学预测HCC患者PD-L1、PD-L2方面取得了重要突破，为无创性评估肿瘤免疫微环境开辟了新的途径。

       SUN等^[42]分析120例可切除HCC患者的Gd-EOB-DTPA增强MRI图像，通过多因素逻辑回归分析得出肿瘤边缘不光滑、肝胆期瘤周低信号是PD-L1阳性表达的独立预测因素。此外，KANG等^[43]针对不可切除HCC基于Gd-EOB-DTPA增强MRI和临床特征使用逻辑回归开发了一种高特异度（91%）的PD-L1预测评分，该评分通过计算动脉期低增强（评分1）、坏死（评分1）和AFP>4000 ng/mL（评分2）的总和以预测PD-L1表达且AUC为0.838，可为HCC患者筛选有效的免疫检查点抑制剂提供帮助。在该研究中肿瘤边缘不光滑与PD-L1表达相关，但这种相关性没有统计学意义，这可能是由于不可切除HCC体积较大容易形成不规则边缘，即使在不表达PD-L1的HCC中也出现，因此PD-L1相关的MRI征象还需进一步研究加以验证。

       目前影像组学预测PD-L1及PD-L2的研究多基于T2WI、动脉期和静脉期图像开展，多序列联合建模与深度学习融合是主要研究方向。GONG等^[44]分析108名HCC患者的T2压脂、动脉期和门静脉期MRI图像，分别构建单序列、多序列影像组学和临床影像组合模型，结果组合模型预测PD-L1表达的性能优于单序列、多序列组学模型，训练组AUC为0.898，验证组AUC为0.779，该研究还发现卫星结节是PD-L1阳性表达的独立预测因素。TIAN等^[45]基于T2WI序列提取影像组学和深度学习特征并构建集成模型预测HCC中PD-L1的表达，结果发现影像组学和深度学习的组合模型表现出最佳预测性能，AUC为0.897。TAO等^[46]提取108例HCC患者的术前T2WI、动脉期和门静脉期MRI图像的组学特征并构建logistic回归模型首次预测PD-L2表达，结果多期联合模型的预测效能最佳，AUC为0.871，未来在多中心大样本数据验证之后，有望成为免疫检查点阻断治疗的有效影像标志物。此外，HECTORS等^[47]针对48例HCC患者，综合运用MRI影像组学分析、免疫分析及基因组学检测，揭示了影像组学特征与PD-1和PD-L1表达之间的显著关联。

       以上研究表明MRI形态学及影像组学在预测HCC患者PD-L1、PD-L2表达方面取得了一定进展，但当前相关研究较少，存在形态学特征特异性不足的问题。虽然与传统MRI相比，影像组学能够提取更多定量特征，在一定程度上减少了主观因素的影响，但也存在样本量小、缺乏外部验证，模型泛化能力存疑的局限性，另外PD-L2相关研究刚刚起步，其影像学预测价值仍需更多证据支持。

5 P53肿瘤蛋白

       P53肿瘤蛋白是一种重要的抑癌蛋白，由TP53基因编码。TP53作为抑癌基因，负责调控细胞周期、DNA修复和细胞凋亡等关键过程，防止细胞癌变。然而TP53也是癌症中最常见的突变基因之一^[48]，约50%的人类癌症中存在TP53突变。有研究显示^[49]，P53肿瘤蛋白的突变在HCC的发生过程中起着关键作用，并且被认为是HCC抗肿瘤治疗的有效靶点。

       近来，一些研究开始逐渐探索P53突变型HCC的MRI特征。WENG等^[50]回顾性评估了344名HCC患者的术前MRI图像，结果发现动脉期边缘增强是P53突变HCC的潜在预测因素且不同直径HCC具有不同的预测因素。在10 mm≤肿瘤直径≤20 mm的病变组中，增强包膜是P53突变HCC的独立预测因素，当20 mm<肿瘤直径≤50 mm，电晕增强和结中结是P53突变的独立危险因素，当50 mm<肿瘤直径≤100 mm，研究发现直径和AFP≥400 ng/mL与P53突变HCC相关。JEON等^[51]的研究也发现，动脉期环形强化HCC患者的P53突变率明显高于动脉期非环形强化HCC患者。KITAO等^[52]评估了149名HCC患者的Gd-EOB-DTPA增强MRI图像，结果显示较低的肿瘤肝胆期相对增强率可以预测P53突变HCC且有机阴离子转运多肽1B3（organic anion transporting polypeptide 1B3, OATP1B3）表达和P53肿瘤蛋白表达呈负相关。此外，LIU等^[53]的一项回顾性研究分析42名HCC患者的MRI图像发现HCC肿瘤边缘浸润与TP53基因突变有关，但该特征阳性预测值不高，阴性预测值相对较高，因此，MRI特征分析在排除特定基因突变存在方面可能具有潜在的临床价值，但还需要更大样本量的验证。

       目前多项研究发现了对P53肿瘤蛋白有潜在预测价值的影像学特征，但研究结果存在差异，这可能与样本量、影像技术参数或P53突变亚型异质性有关，另外，MRI影像组学在预测HCC的P53肿瘤蛋白表达方面尚未得到应用，未来随着影像组学技术的不断发展和研究的深入，其在HCC的P53肿瘤蛋白预测方面有望取得突破。

6 VEGF

       VEGF是一种重要的信号蛋白，主要参与血管生成和血管通透性的调节，有研究^[54]报道VEGF高表达会促使肿瘤形成新血管导致其生长和转移，然而直接检测VEGF具有侵入性且耗时等缺点，随着MRI技术的发展以非侵入性量化整个肿瘤的血管生成是非常有前途的。

       HUANG等^[55]分析36例HCC患者的Gd-EOB-DTPA增强MRI和DWI的图像，发现图像强度异质性与VEGF表达呈正相关，动脉强化强度与VEGF表达呈负相关，在KANEMATSU等^[56]的研究中也观察到了类似结果。缺氧条件会诱导VEGF表达上调，促进新血管生成，Gd-EOB-DTPA增强MRI图像强度异质性可能提示HCC的血管分布和伴随的氧合不均匀。同时HUANG等^[55]的研究还发现VEGF表达等级与HCC的ADC值成反比，这与既往HEO等^[57]的研究结果不一致，他们评估了27例HCC患者的MRI图像，发现VEGF表达与ADC值之间没有相关性，这可能是因为他们b值及HCC肿瘤直径的选择不同。

       FAN等^[58]分析202例HCC患者的MRI图像筛选与VEGF相关的影像组学特征及临床因素并构建模型，结果从静脉期和肝胆期图像提取的8个和5个影像组学特征结合AFP和不规则肿瘤边缘的组合模型预测效能高于单独的临床模型和影像组学模型，训练组和测试组AUC分别为0.936、0.836，但他们只研究了对比增强序列，没有纳入其他序列。YANG等^[59]研究进一步分析124例HCC患者的T2压脂、动脉期和门静脉期MRI图像并构建组学模型预测HCC患者VEGF的表达，结果T2压脂和动态对比增强（dynamic contrast-enhanced, DCE）-MRI联合影像组学模型预测性能最高，AUC为0.919，该多序列模型包含的信息较FAN等^[58]的研究可能更全面。此外，DAI等^[60]一项研究分析140名HCC患者的MRI图像开发了视觉决策树模型，该模型结合吸烟史和白蛋白/球蛋白比的融合模型预测效能最好，AUC为0.844，与其他难以解释的机器学习模型不同，决策树模型通过清晰的规则结构给出可解释的预测结果。

       综上，MRI为HCC VEGF表达状态的无创预测提供了重要依据，但相关研究较少且样本量普遍偏小、技术标准化不足导致结果稳定性不足，此外影像组学模型临床转化能力有待考察，未来研究方向需围绕技术标准化、多模态融合及临床转化展开。

7 总结与展望

       近年来，MRI在预测HCC免疫组化标志物方面取得了显著进展，为HCC的个性化治疗，尤其是免疫检查点抑制剂的应用，提供了重要依据。通过多参数MRI技术，如DWI和DCE-MRI，研究者能够非侵入性地评估肿瘤的影像特征，并将其与免疫组化标志物（如Ki-67、GPC3、CK19、PD-1、P53、VEGF等）进行关联分析，然而，MRI受主观视觉影响，且缺少统一的分析标准，难以对免疫组化标志物的预测做出精准判断。影像组学通过挖掘MRI图像中的深层信息，为HCC的免疫组化标志物预测提供了更精准、全面的工具，但目前仍存在缺少多中心、大样本研究以及模型可解释性低的问题。值得一提的是，液体活检这项快速发展的技术在HCC早筛及术后复发预测中展现出较强的临床应用潜能^[61]，多模态影像和液体活检联合应用可提升早期诊断效能、动态监测治疗反应，然而，目前研究较少，且技术整合成本较高。总之，现有技术面临数据标准化不足、肿瘤生物学异质性干扰、临床转化困难的挑战，未来，随着多中心大样本研究的开展、人工智能与影像组学的深度融合、多模态影像融合和液体活检的结合，有望进一步提升HCC的早期诊断和治疗效果，推动精准医学的发展。