0 引言

       肝细胞癌（hepatocellular carcinoma, HCC）已成为对人类生命和健康构成严重威胁的消化系统恶性肿瘤之一，其发病率占原发性肝癌的75%至85%^{[1, 2]}。研究显示，HCC是全球第六大常见的恶性肿瘤，并且是导致与恶性肿瘤相关死亡的第三大原因^[3]。在中国，HCC在癌症新发病例中排名第四，在发病率中位列第五，其死亡人数及死亡率仅次于肺癌，位居第二^[4]。目前，肝切除术作为HCC患者最常采用的根治性治疗手段，但其术后两年、五年复发率也高达50%、70%^{[5, 6]}。近年来众多研究表明，HCC的生存预后与其生物学行为紧密相关，而影响HCC的生物学行为主要有组织病理分级及亚型（组织病理特征）、微血管转移模式、分子蛋白表达等因素。这些因素的预测主要依赖于术后病理结果，若术前能准确预测，将为临床医生对HCC患者进行术前准确评估并制定最佳治疗方案带来巨大帮助。目前，临床上已有研究采用传统影像学方法去预测，包括磁共振成像（magnetic resonance imaging, MRI）和计算机断层扫描（computed tomography, CT）中的形态学征象，例如肿瘤边缘、肿瘤大小，以及肿瘤强化程度、磁共振弹性成像（magnetic resonance elastography, MRE）等^{[7, 8, 9]}。近年来，随着人工智能技术在医学影像领域的迅猛发展，影像组学在精准预测影响HCC患者预后的生物学行为相关因素方面展现出巨大的应用潜力。既往虽已有众多综述概括影像组学评估HCC相关生物学行为，但大多都是基于单个因素进行综述评估^{[10, 11, 12]}，而少有研究对影像组学评估HCC生物学行为的众多因素进行概括分析。以上这些研究大多都得到了特异性较高的影像学征象及优良的影像组学模型，但受于肿瘤影像学征象的敏感性、主观性以及模型的可靠性和可重复性等局限无法在临床中转化应用。

       因此，本文对影像组学评估组织病理特征、微血管转移模式及分子蛋白表达三个HCC相关的生物学行为展开综述，并从多维度进行联系深度剖析其临床转化应用过程中迫切需要解决的核心难题，并展望未来的研究方向，旨在为该领域的发展注入新的思维火花与观察角度，以服务于临床，帮助患者在精准诊疗中受益。

1 影像组学预测组织病理特征

1.1 组织病理分级

       病理分级是组织病理特征重要的分支之一，也是HCC生物学行为的重要影响因素，对于HCC患者的精准治疗、术后复发预测以及疗效评估至关重要。在临床实践中，通常采用世界卫生组织提出的分化程度分类法或Edmondson-Steiner（E-S）分级系统进行分级。研究显示，高级别（即低分化、E-S Ⅲ~Ⅳ级）的肿瘤通常预示着较差的预后，因此需要更加密切地监测并制定更全面的治疗方案^[13]。活检是目前获取肿瘤病理信息的主要手段，但存在侵入性和取样误差等局限性。然而，基于影像组学特征的无创预测方法已经展现出良好的临床应用潜力。为了探讨CT影像组学模型预测HCC病理分级的价值，MAO等^[14]对297例HCC患者的增强CT影像构建影像组学模型预测病理分级，研究结果显示动脉期预测效能优于静脉期，联合了动脉期、静脉期特征及临床信息的联合模型预测能力最佳，其受试者工作特征曲线下面积（area under the curve, AUC）为0.801，这一结果说明不同的期相包含的特征有所差异，并且影像组学特征与临床信息能够互补结合提高模型的预测性能。通过不同的机器学习（machine learning, ML）方法构建影的像组学预测模型效果也会有所差异。WU等^[15]纳入了175例HCC患者的术前CT影像，应用五种ML方法构建模型预测HCC病理分级，发现随机森林（random forest, RF）模型（AUC=0.995）在训练集中的表现优于其他四个模型（P<0.05），并在测试集中获得了良好的预测性能（AUC=0.837），这一结果显示目前不同的ML方法对于模型的构建是有区别的。

       相比CT，MRI在成像序列和期相上提供了更多的选择，例如T1WI、T2WI、弥散加权成像（diffusion-weighted imaging, DWI），以及在注射肝胆特异性对比剂钆塞酸二钠（GD-EOB-DTPA）15~20分钟后形成的肝胆期（hepatobiliary phase, HBP）。HAN等^[16]回顾性分析了137例HCC患者的术前MRI影像，在HBP、门静脉期、T2WI、T1WI上提取了833个影像组学特征，通过RF筛选出影像组学与临床特征组合，并结合十折分层交叉验证对模型进行训练与验证，在开发的8种模型中，基于HBP的影像组学模型显示出最佳AUC。YANG等^[17]基于405名HCC患者的术前Gd-EOB-DTPA增强MRI影像提取影像组学特征，并采用模型自选法、百分位数筛选法和交叉验证递归特征消除法（recursive feature elimination with cross-validation, RFECV）三种特征选择法依次筛选最优特征，并在5个期相中构建单个影像组学模型，最后与临床预测因子结合构建综合模型，旨在预测肿瘤的分化程度。研究结果表明在不同的期相中，基于HBP的组学模型展现出最佳的预测效能，并且当将甲胎蛋白（alpha-fetal protein, AFP）和肿瘤大小数据整合到模型中后，预测能力得到了进一步的提升。以上研究显示MRI特有的HBP可能具有独特的影像组学特征，并且都是基于肿瘤本身在肿瘤边缘勾画感兴趣区（region of interest, ROI），而肿瘤周围的区域也能提供更多有价值的特征，基于不同的ROI构建的影像组学模型预测能力也会有所不同。LIU等^[18]从265例HCC患者的增强MRI影像中划分多个ROI区域构建多个影像组学模型，包括瘤内以及瘤周20 mm、10 mm及5 mm区域，结果显示瘤周10 mm模型预测价值更高（验证集AUC为0.80），可能与该瘤周区域包含更多的病理特征有关，进一步研究发现，纳入瘤周10 mm及瘤内区域的影像组学模型效果最佳，验证集AUC值达到了0.86。除此之外，也有学者应用DL算法构建模型来研究预测HCC病理分级。MAO等^[19]为了预测病理分级，对HCC患者的增强MRI影像构建人工神经网络（artificial neural network, ANN）模型，结果显示其验证集的AUC值高达0.944，这一结果显示DL算法可能相较于普通的ML算法在影像中更具有挖掘性，这可能与算法本身的原理有关。

       综上所述，影像组学在预测HCC组织分级上已展现出不错的能力，对于CT和MRI影像组学技术，不同的期相及序列所包含的信息是不同的，因此基于此构建的组学模型性能也有所差异，MRI有更丰富的期相及序列，因此构建的模型性能相较于CT较为良好。此外，HCC的高异质性不仅表现在瘤内区域，瘤周区域也具有丰富的组织学信息，但是目前基于不同的瘤周区域构建的模型性能差异较大，这或许要归根于瘤周区域的最佳范围及勾画方法尚未达成共识。因此，未来要更多地结合多模态影像学技术，开发更多更先进的人工智能算法，建立标准化统一的ROI勾画方法。

1.2 组织病理亚型

       病理亚型与病理分级类似，均能影响HCC的生物学行为。巨梁-块状型HCC（macrotrabecular-massive HCC, MTM-HCC）是世界卫生组织发布的HCC分型中的一种新亚型，在具有乙型肝炎背景的HCC患者中较常见，约占HCC所有分型的20%，侵袭性和恶性程度较高，其预后通常较为不良。ZHANG等^[20]基于232例HCC患者的增强MRI影像，采用五种ML算法构建预测MTM-HCC亚型的影像组学模型，并整合传统影像学征象、影像组学特征及临床信息构建了列线图模型，研究显示模型测试集AUC为0.805，性能良好。此外，FENG等^[21]利用来自多个中心的365例HCC患者的动态增强CT影像数据，基于5个回顾性和1个前瞻性数据集构建影像组学模型，并开发了一个预测MTM-HCC亚型的列线图模型，结果显示该模型在内部测试集和外部测试集中的AUC值分别达到了0.80和0.74。DL算法为预测MTM-HCC亚型带来了更大的可能，由LI等^[22]进行的多中心预测MTM-HCC亚型研究显示，将基于UCTransNet网络提取的DL特征加入到传统影像组学中构建DL影像组学模型后，该模型在外部测试集上的AUC值达到0.89，显著高于传统的临床影像组学模型。增殖型HCC（proliferative hepatocellular carcinoma, pHCC）涵盖若干预后较差的亚型，包括富含中性粒细胞亚型、硬化亚型、基因突变亚型等。研究显示，pHCC会增加肝内及肝外转移的风险程度，是导致患者的总生存期降低的独立风险因子^[23]。WANG等^[24]基于两家医疗中心的HCC患者的CT影像构建临床-影像组学模型预测pHCC，在内部测试队列和外部测试队列中，模型的AUC值分别为0.87和0.85，效果良好。YAN等^[25]基于222例HCC患者的钆塞酸增强MRI影像，在T1WI、动脉期、HBP上获取原始影像特征和差异值，用不同ML算法构建模型，通过逻辑回归筛选临床独立危险因素，并将最优影像组学模型评分及独立风险因子构建列线图模型预测pHCC，结果显示列线图在训练队列和验证队列中AUC值分别为0.838和0.801，具有良好的预测性能。此外，为了研究DL能否高效且准确地识别pHCC，QU等^[26]回顾性分析381名HCC患者的动态对比增强MRI影像，构建了基于自监督学习（self-supervised learning, SSL）的DL模型预测pHCC，结果显示未进行SSL预训练的模型内部和外部测试AUC分别为0.81和0.80，而在进行SSL预训练后，模型的内部和外部测试AUC分别为0.91和0.94，均得到了显著提高。

       综上所述，影像组学对于HCC组织学分型的预测主要集中在MTM-HCC和pHCC型，这两种亚型是HCC中最多见且侵袭性较高的，预后也较差。当前研究的不足之处在于大多都基于单个的组织学分级和单个亚型（混合亚型）的预测，而未将组织学分级及可能相对应的亚型进行分析预测，例如高级别低分化的组织学分级主要对应的HCC亚型种类，未来应该聚焦于同时评估组织学分级和分型，将在单因素和多因素分析中筛选出来的独立预测因子与影像组学模型相结合，并在多个研究中心进行验证，提高模型在临床中的泛化能力。

2 影像组学预测微血管转移模式

2.1 微血管侵犯

       近年来，大量研究揭示了MVI作为肿瘤复发和生存预后不良的一个重要独立危险因素^{[27, 28, 29]}。对于HCC患者而言，MVI的存在表明肿瘤具有较高的侵袭性和较大的转移风险，这导致治疗效果显著下降，并严重损害患者的生存预后质量^{[30, 31]}。MVI作为组织病理特征及微血管转移模式之一，由于术前穿刺活检存在采样误差等问题，术前无创且高效地预测MVI的存在成为亟待解决的问题。为了研究CT影像组学模型在预测HCC MVI方面的应用价值，ZHOU等^[32]对11项术前预测HCC MVI的CT影像组学研究进行了系统的荟萃分析。结果表明这些研究的AUC值、合并敏感度、特异度分别达到了0.87、82%和79%，这一研究结果证实了CT影像组学在术前预测HCC MVI方面的潜在应用价值。与此类似的是，一项运用MRI影像组学预测HCC MVI术前情况的荟萃分析^[11]的AUC值、合并敏感度、特异度分别达到了0.88、81%、82%，显示出其卓越的预测能力。此外，研究发现，相较于仅依赖影像数据的模型，那些整合了临床特征的影像组学模型表现出了更佳的性能。由于瘤周也能提供丰富的生物学信息，也有研究基于瘤周进行研究。赵华飞等^[33]纳入172例HCC患者的CT影像，勾画出6种不同ROI（原始ROI及5个每向外扩展1 mm形成的新ROI，新ROI命名为Plus1~Plus5），分别在6个ROI中进行特征提取、降维，最终采用SVM进行模型训练并构建影像组学模型，结果显示在Plus2和Plus3的AUC值显著高于原始ROI。迄今为止，关于最佳的瘤周距离问题及ROI尚未形成共识，这需要进一步的研究来深入探讨。

       相较于CT，MRI能够提供更深层次的信息，许多学者正利用DL来构建HCC MVI的预测模型。WANG等^[34]纳入了来自7个中心的725例HCC患者的MRI影像及临床资料，开发了一个多任务DL模型预测MVI，该模型采用transformer架构从术前MRI中提取特征后在234例患者数据集上完成训练，然后在58例患者数据集上进行内部验证，并通过三个不同样本量的独立数据集完成外部验证，结果显示模型在三个外部测试集均表现良好，AUC值分别为0.837、0.815和0.800。由于DL预测模型的“黑盒”性质，导致缺乏一定的临床解释性。YOU等^[35]为了增强临床解释性，将注意力模块提供的注意力权重应用于获取预测决策的可视化解释。结果表明，协同注意力层生成的注意力热图揭示了所有期相的肿瘤边缘都是MVI预测的关键区域。而完全连接层的权重热图进一步显示，HBP对MVI预测的贡献最为显著。本研究首次融合了自注意力机制和协同注意力机制，揭示了深层特征与MVI之间的关联，从而提升了预测模型的临床解释能力。还有研究将CT和MRI相结合预测HCC MVI，LI等^[36]回顾性纳入了93例HCC患者影像和临床资料，对提取的影像组学特征用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归选择了10个CT和MRI的最佳特征，最终构建了结合临床变量和最佳影像组学特征的综合模型，结果显示训练集和验证集AUC分别为0.916、0.816，性能优良。

       综上所述，基于CT与MRI的影像组学模型为HCC MVI的预测提供了多样化手段。这些模型因所采用的影像技术不同、空间分辨率有别，且对比剂使用标准存在差异，各自呈现出独特特点，同时绝大多数模型都具备良好的性能表现。但对于ROI和期相的选择标准、最佳的ML分类器以及病例的选择仍未达成共识，由于标准及参数的不统一，模型的可推广性和鲁棒性也仍需经过大量验证。目前，已有研究正在为影像生物标志物的标准化努力^[37]，旨在为影像生物标志物定义、影像的处理流程、影像组学软件临床应用以及影像组学研究制定指南。借助MRI影像的丰富信息，DL能够挖掘出更多深层次的特征，从而构建出效果显著的DL模型。同时，提高深度学习在临床应用中的解释性，将有助于为HCC患者提供更为科学的治疗方案。未来的发展趋势是将影像组学与生物学特性以及基因技术相结合，需要研究者们进一步深入探索。

2.2 血管包绕肿瘤团簇

       血管包绕肿瘤团簇（vessels encapsulate tumor clusters, VETC）普遍存在，它是利用其窦状血管网络包绕肿瘤细胞簇通过非侵袭性途径促使肿瘤血行转移，从而影响患者的预后^[38]。VETC模式不仅是一种独特的组织学血管模式，还是侵袭性疾病的一个强有力的生物标志物，其识别依赖于对肿瘤组织的组织学检查^[39]。作为预后标志物，VETC模式已被证实为HCC患者在接受切除和肝移植手术后疾病复发和总体生存率的独立预测因子。VETC模式的影像学识别是一个热门的研究领域，其精确性正在不断提高。GU等^[40]纳入3家医院的230例HCC患者的术前MRI影像和临床资料，分别作为训练组、测试组和验证组，其ROI区域包括：肿瘤内（Tumor）、肿瘤周围≤2 mm（Peri2mm）、肿瘤内+肿瘤周围≤2 mm（Tumor+Peri2mm）以及肿瘤与肿瘤周围≤2 mm的结合（TumorPeri2mm）。先筛选出与VETC显著相关的独立预测因子构建临床影像学模型，然后提取影像组学特征后使用LASSO回归分析以及单变量逻辑回归分析选择重要特征，再通过7种不同的ML分别结合4个ROI中选出的特征以构建不同的模型，并比较三组之间的性能。选择最佳组合构建影像组学模型生成影像组学评分（Radscore），最后结合显著的临床影像学预测因子通过多变量逻辑回归分析构成融合模型。结果显示在ROI（TumorPeri2mm）中选出的影像组学特征构建的模型（MLP模型）是最佳模型，并计算了MLP评分（MLP_score），结合这两个组成的融合模型（影像学MLP模型）在训练、测试和验证集中的AUC分别为0.871、0.894和0.918，性能良好，均优于以上两个模型。YU等^[41]纳入了182名术前MRI增强检查的HCC患者，在瘤内、瘤周区域使用RF算法构建临床-影像组学模型预测VETC，结果显示瘤周模型在验证集中AUC值最高（0.972），进一步研究发现，结合瘤周10 mm及瘤内区域的影像组学模型并未展现出比单独使用瘤周或瘤内构建模型更大的优势。这一结果可能与肿瘤的大小、瘤周的范围及切缘的大小有关，我们关注到对于较小的肿瘤选择较大的瘤周及切缘范围，会让ROI包含许多无效且重复的区域，以至于无法体现HCC的高度异质性。然而，目前VETC阳性与阴性的临界值尚未有明确的指南共识，相信未来会研究制定这一标准，以提高模型的性能。

       综上所述，MVI和VETC都是HCC的微血管转移模式，均体现了HCC高度血管性及异质性。既往大多数都聚焦于MVI上，传统影像学还是影像组学都分别得到了一些特异的影像学征象及优良的影像学模型，但新近提出的VETC血管转移模式研究较少。此外，关于两者的联合评估研究甚少，这可能受限于关于VETC的阳性与阴性尚未统一，未来应致力于制定标准及关注两者之间的联系及差异。

3 分子蛋白表达

       HCC相关的分子蛋白表达在很大程度上影响着患者的预后及复发，主要有CK19、Ki-67、磷脂酰肌醇蛋白聚糖3（glypican-3, GPC3）、程序性细胞死亡蛋白-1（programmed cell death protein-1, PD-1）和程序性细胞死亡配体-1（programmed cell death-ligand-1, PD-L1）等。影像组学技术能够在术前预测这些免疫标志物的表达，有助于更全面地了解肿瘤的特性，从而更有效地指导临床制订治疗方案。

       CAI等^[42]回顾性分析了595例经治愈性肝切除术后的HCC患者CT影像和临床资料，根据细胞增殖水平患者被分为高Ki-67表达组（>20%）和低Ki-67表达组（≤20%），使用LASSO回归从提取的影像组学特征中选择了16个关键特征用于开发影像组学模型，最后与临床数据结合构建了一个综合预测模型，结果显示该综合模型在训练集和验证集中的AUC分别为0.854、0.839，表现优良。ZHU等^[43]为了研究瘤内及瘤周对预测Ki-67表达的影响，纳入了164例HCC患者的CT影像和临床数据，通过多种ML构建模型并选择最佳模型，计算Radscore，最终构建了结合Radscore和临床风险因素的列线图，结果显示与仅使用瘤内或瘤周模型相比，结合瘤内和瘤周的融合模型表现出更强的预测能力，可能与瘤周区域包含更多的病理特征有关。此外，包括Radscore和临床特征的临床-影像组学模型的预测性能高于融合模型（训练集AUC：0.848 vs. 0.780，验证集AUC：0.830 vs. 0.760）。YANG等^[44]分析了孤立性HCC患者的增强MRI影像及临床资料构建模型预测Ki-67，通过单变量和多变量分析识别出显著的临床影像学的独立预测因素构建临床模型，对提取的影像学特征采用递归特征消除（recursive feature elimination, RFE）筛选影像特征，利用RF算法对特征进行排名并构建影像组学模型，最终构建两者的联合模型，结果显示联合模型效果最佳，在验证队列中的AUC值达到了0.809，并且动脉期模型性能优于其他期相，这一结果可能与Ki-67阳性与肿瘤增殖活跃及肿瘤新生血管有关，在动脉期能更好地揭示血管信息。ZHANG等^[45]回顾性分析了311名患者MRI影像和临床资料，在多序列MR影像中提取了2286个组学特征，构建了多个影像组学模型和一个融合影像组学模型，并使用逻辑回归与临床特征结合构建了临床-影像组学列线图，旨在预测CK19，研究发现，临床-影像组学列线图的预测性能最为出色，在外部验证队列上的AUC值达到了0.795。此外，该模型预测CK19+的患者显示出较短的总生存期，这表明生存及预后不良。CHONG等^[46]纳入了259名孤立性HCC患者MRI影像及临床资料，采用多变量逻辑回归识别出GPC3的独立预测因子，对提取的影像组学特征通过五种特征选择法和三个ML分类器构建了15个影像组学模型，将最佳组学模型与独立的临床影像学预测因子结合构建列线图模型，结果显示列线图模型性能最佳，在验证集中AUC值为0.943，并且证明GPC3是HCC术后复发的独立风险因素。

       近年来，HCC的免疫检查点抑制剂疗法备受瞩目。阻断PD-1和PD-L1通路的药物已经显示出显著的有效性和安全性^{[47, 48]}。但是PD-1和PD-L1主要依赖于免疫组化检测，以区分从免疫检查点抑制剂治疗中获益最大的HCC患者。因此，术前非侵入性预测PD-1和PD-L1的表达尤为重要。GONG等^[49]纳入108例HCC患者的MRI影像及临床资料，采用单因素和多因素分析选择与PD-1和PD-L1表达相关的潜在临床特征，同时从多期相多序列MRI影像中提取影像组学特征，然后使用LASSO选择最佳特征进行分析，最后进行逻辑回归分析以构建单序列和多序列影像组学及影像组学-临床模型，以预测PD-1/PD-L1表达的有效性，结果显示临床-影像组学融合模型在PD-1及PD-L1预测方面表现最为出色（训练集和验证集中的AUC分别为0.898和0.779）。XIE等^[50]纳入了87例HCC患者的3094张CT影像，构建了基于DL的新预测模型-对比学习网络（contrastive learning network, CLNet），结果显示，对于PD-1和PD-L1的表达，CLNet的AUC分别为0.866和0.839，性能均优于其他DL和ML模型。

       综上所述，影像组学技术在预测HCC相关的分子蛋白表达领域取得了一定的进展，但是分子蛋白阳性表达的界限值及其与影像组学成像特征的关联仍然值得进一步探索，未来应结合影像组学和深度学习技术更深一步地挖掘影像背后的生物学信息。

4 总结与展望

       影像组学在预测生物学行为相关影响因素方面已展现出巨大的应用潜能（表1）。但仍然存在一些不足：（1）在组织病理特征方面，由于HCC的高度异质性，既往研究预测肿瘤的组织学分级及亚型都取得了良好的效果，但很少有研究同时对分级及分型进行预测，因此未来应该深度剖析两者之间的联系及差异。（2）在微血管转移模式上，由于HCC的高度血管性，既往大多数都聚焦于MVI上，不管是传统影像学还是影像组学都取得了一些影像学征象及优良的影像学模型，但新近提出的VETC血管转移模式研究较少，因此未来应该多聚焦于VETC并进一步探索这两种血管转移模式之间的同异性及联系。（3）在分子蛋白表达方面，由于HCC的分子生物学特性，其潜在的分子标记物能反映肿瘤的生物学特性，既往已有不少研究预测某些分子在HCC的表达，但分子蛋白种类较少及其阳性的衡量标准尚未统一，未来应该发现更多相关的分子标记物及制定国际上认可的标准。

       同时，在影像组学研究中仍然有许多问题尚未解决：首先，在图像采集及技术方面，各个医院机构的仪器设备不尽相同，ROI的标准及成像协议尚未达成共识，这些都会导致数据的质量降低，从而影响模型的性能。因此，未来应建立统一的数据格式标准，并统一ROI的分割标准及方法，并开发出更加先进的算法。其次，在数据的获取分析方面，目前大多数研究采用的是回顾性分析，基于单模态和单中心数据构建模型，这样会导致数据样本较少、缺少外部验证等问题，从而降低结果的可靠性和可推广性。因此，前瞻性、多模态、多中心的研究是未来影像组学研究需要继续突破的方向。最后，由于人工智能技术及其他学科的快速发展，未来应致力于开发新的影像学方法和人工智能技术，结合生物学、病理学和基因组学等其他学科，以挖掘更丰富、更深层次的信息进行综合分析。

       综上所述，影像组学在HCC生物学行为中的相关研究有着巨大的潜力及价值。在大数据的背景下，随着人工智能技术朝着个性化、精准化的不断发展，当前的局限及不足会逐步突破解决，相信影像组学在HCC生物学行为中的相关研究领域将实现更显著的突破，推动HCC患者的个性化精准治疗，显著提高患者的生存预后。

点击查看表格

表1  影像组学在HCC生物学行为中的代表研究
Tab. 1  Representative studies of radiomics in the biological behavior of hepatocellular carcinoma