0 引言

       原发性肝癌是全球第六大常见恶性肿瘤和癌症相关死亡的第三大原因^[1]，其中肝细胞癌（hepatocellular carcinoma, HCC）是最常见的病理亚型（约75%~85%）。HCC具有显著的肿瘤内异质性（intratumoral heterogeneity, ITH）^[2]，其中空间异质性常导致穿刺活检的诊断具有偏差性及滞后性^[3]，进而影响预后评估与治疗策略的制订^[4]；同时ITH作为驱动肿瘤适应和治疗抵抗的关键因素，常导致治疗失败和患者生存率下降^{[5, 6]}。既往多项研究显示，传统影像组学将肿瘤视为内部相对均匀的整体，通过提取全肿瘤特征进行建模，由于忽视了不同亚区间的生物学差异，使其难以精准捕捉肿瘤内部的空间异质性^{[7, 8]}。相比之下，生境分析（habitat analysis, HA）在理论层面从“整体”转向“亚区”视角，在技术上通过生境亚区聚类对各区域独立建模，从而有效弥补了传统方法在空间异质性刻画上的不足^[9]，为精准量化肿瘤生物学行为及治疗反应提供了更可靠的技术支撑^[10]。因此，探讨生境亚区与临床、病理及分子特征之间的相关性，对于推动HCC临床精准诊疗具有重要价值。既往综述大多集中于传统影像组学预测HCC预后的研究进展，而对HA的探讨尚不充分。本文通过综述HA在HCC影像评估中的研究进展，旨在评估预测肿瘤分化程度、微血管转移模式、术后复发及治疗反应等诊疗全流程中的研究价值，并对其临床转化前景与未来探索方向展开探讨，为优化患者预后管理提供新的思路与依据，以期推动HCC精准诊疗。

1 HA概述

       HA是一种基于影像数据划分肿瘤内部功能亚区的计算方法，其核心思想是将肿瘤视为由多个具有相似生物学特性的“生境”构成的异质性整体，通过量化不同亚区的空间分布与功能差异，实现对ITH的无创评估。该技术在HCC及乳腺癌^{[11, 12]}、胶质瘤^{[13, 14, 15]}、前列腺癌^[16]、肾透明细胞癌^[17]等实体瘤的研究中已形成一套系统性的分析流程，主要包括以下步骤：（1）图像预处理。对原始影像进行标准化处理，包括图像配准、重采样、强度归一化及去噪等，消除采集参数差异对后续分析的影响。（2）感兴趣区勾画。由影像科医师在预处理后的图像上逐层或三维勾画肿瘤边界，形成感兴趣区。该步骤通常采用手动、半自动或基于深度学习的方法完成，需确保边界勾画的准确性与可重复性。（3）特征提取与生境亚区聚类。在感兴趣区内，基于像素或体素级的影像特征（如灰度强度、纹理参数、局部梯度等）进行聚类分析，将具有相似影像表现的区域划分为同一“生境”亚区。常用的聚类方法包括：①K均值聚类法（K-means）。最为经典且应用广泛的方法，通过迭代优化将像素划分为K个簇，具有计算效率高、结果易于解释的优点，是目前HA中最常用的聚类算法。②高斯混合模型。基于概率分布的软聚类方法，可量化每个像素隶属于不同生境的概率，适用于影像特征分布呈高斯混合的场景。③Otsu阈值法。基于灰度直方图的二分类方法，常用于将肿瘤划分为高代谢区与低代谢区（如PET-CT）或增强区与非增强区（如MRI）。关于亚区数量的确定，目前尚无统一标准，常用策略包括：肘部法则、轮廓系数、贝叶斯信息准则，或结合生物学先验预设2~5个亚区。（4）生境特征量化与建模。对各生境亚区分别提取影像组学特征^[18]（包括形状、纹理、高阶统计特征等），并通过特征筛选构建预测模型^[19]。相较于传统影像组学提取全肿瘤特征，HA通过保留区域特异性信息，显著提升了模型对临床终点（如治疗反应、复发风险）的预测性能。（5）结果可视化与生物学解读。将各生境亚区的空间分布映射回原始影像，生成ITH空间分布图，直观呈现不同功能亚区的空间位置与占比。同时，结合病理组织切片、分子标志物或转录组数据，解析不同生境所对应的生物学意义，建立影像表型与肿瘤微环境之间的关联。

       综上，HA通过上述标准化流程，实现了从影像数据到生物学解读的完整链条，为无创评估ITH、指导精准治疗决策提供了可靠的技术框架。

2 HA在HCC分化程度预测中的应用

       HCC病理分级与患者治疗、预后息息相关^[20]，因此术前预测病理分级对于术后复发和疗效评估具有临床价值^[21]。LIU等^[22]学者基于增强磁共振成像（contrast-enhanced magnetic resonance imaging, CE-MRI）探讨了HA在预测HCC侵袭性特征方面的价值。该研究回顾性纳入了265例患者的277个HCC病灶，通过K-means聚类算法将肿瘤划分为多个功能亚区以提取ITH特征，同时利用深度学习提取特征构建模型。研究结果显示，基于生境ITH模型在预测低分化HCC方面表现出色，其训练集和验证集的AUC分别达到0.86和0.83，优于深度学习模型，其融合ITH特征与深度学习特征所构建的融合模型，展现了更佳的预测效能，在训练集和验证集中的AUC达0.90和0.87。该研究证实了HA在预测HCC病理特征方面具有一定有效性，同时也凸显了HA与深度学习的互补性。

       此外，HA在预测与低分化密切相关的分子亚型方面也显示出价值。例如，有研究基于钆塞酸二钠（gadoxetic acid disodium, Gd-EOB-DTPA）多序列MRI，采用高斯混合模型划分肿瘤生境亚区，构建生境模型预测增殖型HCC^[23]。增殖型HCC是一类以细胞增殖通路激活为特征的高侵袭性亚型，多表现为中低分化、甲胎蛋白（alpha-fetoprotein, AFP）升高及预后不良。该研究模型在验证集中AUC达0.877，证实HA能有效识别高风险亚型。另一项研究整合瘤内生境特征与瘤周（5 mm/8 mm）影像组学特征构建诺模图，预测磷脂酰肌醇蛋白3（Glypican-3, GPC3）表达^[24]。GPC3在HCC中高表达常提示低分化及不良预后。该模型AUC在验证集中高达0.927，且生境特征的贡献显著优于传统影像组学特征（P<0.001）。上述研究表明，HA不仅能直接预测病理分级，还能通过关键分子标志物（如GPC3）或功能亚型（增殖型），从多维度反映HCC的分化状态与侵袭潜能。

       但是，上述研究侧重于技术实现与预测效能的验证，缺乏具体生物学原理探究。目前，关于HA预测HCC病理分化程度作用机制，其阐述仍面临诸多难点：其一，影像空间分辨率与病理精度不匹配，影像体素难以精准反映微米级细胞分化状态，导致机制推断模糊；其二，病理分化受基因突变、表观遗传、微环境信号等诸多因素共同调控^[25]，影像生境变化难以归因于单一的相关分化机制；其三，缺乏空间一一对应的验证手段^[26]，现有研究多采用整体病理分级与影像特征的关联分析，难以明确特定生境亚区具体对应何种分化状态的细胞。

       针对上述难点，未来研究可从以下方向寻求突破：一是构建影像-病理空间配准技术^[27]，通过手术标本三维重建与影像精确配准，实现同一空间位置下影像特征、细胞分化状态与分子表达的联合分析；二是引入多模态融合建模策略，将影像生境特征与数字化病理图像特征、空间转录组数据进行整合^[28]，建立从影像表型到分子机制的可解释性模型；三是开展影像引导下的精准活检研究^[29]，基于生境分区对不同亚区进行多点穿刺，分别进行病理分级与多组学检测，直接验证生境亚区对应的生物学内涵。通过上述技术手段与研究设计的协同推进，有望逐步阐明HA与HCC病理分化之间的深层作用机制，推动影像、病理、基因组、免疫等多组学融合模式的发展。为HCC精准诊疗提供更坚实的理论依据。

3 HA预测HCC微血管转移模式

       微血管侵犯（microvascular invasion, MVI）和肿瘤包绕型血管（vessels that encapsulate tumor clusters pattern, VETC）作为HCC两种关键的侵袭性病理模式^[30]，不仅是预测HCC患者术后高复发风险和不良预后的独立危险因素，同时为治疗策略的选择提供重要依据^[31]。

       MVI是指在显微镜下于内皮细胞衬覆的脉管腔内观察到癌细胞巢团^[32]，金标准依赖于术后组织病理诊断^[33]，但因其具有有创性及滞后性，为HCC复发、转移风险评估及制订治疗方案带来挑战^{[34, 35]}。近年来，多项HA研究通过融合瘤内与瘤周区域的影像特征，并结合临床指标，构建了预测模型，为无创HCC MVI评估提供价值，WANG等^[36]联合瘤内、瘤周（5 mm及10 mm）HA及肿瘤大小，构建融合模型预测MVI，结果显示在测试集中的AUC达0.825，具有较好的预测性能；ZHANG等^[37]基于弥散加权成像（diffusion weighted imaging, DWI）提取瘤内亚区特征构建HA模型，同时结合肿瘤大小和AFP构建列线图，AUC为0.807，显示出较好临床净获益。

       随着人工智能技术的发展，HA正从传统聚类向深度学习延伸。ZHANG等^[38]通过深度神经网络模型，利用CE-MRI图像构建TH-DNN模型，创新性提出量化瘤内与瘤周异质性预测风险分层，性能得到提升，内部测试和外部测试集AUC达到0.88和0.82，同时证实MVI阳性患者预后更差；而针对小HCC（<5 cm），该研究团队^[39]利用CE-MRI的HA编码发现瘤周3 mm区域的特征体积分数可作为独立预测因子，AUC高达0.953。此外，HUANG等^[40]整合多区域生境特征与深度学习特征构建的决策融合模型AUC为0.808，强调了多特征融合的优势。上述研究整合了瘤周影像信息，提示MVI的影像学表征不仅局限于肿瘤内部，还可能受到邻近肝组织微环境的影响。联合瘤内与瘤周的生境模型能够显著提升MVI的预测准确性，成为术前无创、精准预测HCC MVI的热点研究方向。

       VETC是一种新型血管模式，是由内皮细胞形成的血管网包绕着肿瘤细胞簇，其与肿瘤的侵袭性和预后不良有关^{[41, 42]}。XIE等^[43]基于Gd-EOB-DTPA多序列MRI影像图像，提取瘤内及瘤周区域划分出的生境亚区特征构建模型，实现术后复发风险的精准分层，其AUC达0.820，预测性能优于传统的放射组学模型。同时该研究联合MVI构建融合预测模型，创建了一个复合风险分层系统：将患者分为高中低风险组（MVI高风险/VETC高风险），有利于术前早期识别高风险组患者，指导个体化治疗、辅助预料及预防复发、提高总体生存率。

       综上所述，HA在评估侵袭性血管模式并进行预后分层方面的巨大潜力，对实现个体化精准诊疗和改善患者生存结局具有核心临床价值。未来需探索多中心多样本的临床研究加入验证。

4 HA预测HCC术后早期复发风险

       手术切除是目前HCC主要根治性治疗方法，患者短期预后虽有所改善，但术后5年内复发率仍达到50%~70%^[44]，且术后越早复发患者生存预后越差^[45]。在预测HCC术后早期复发方面，HA通过量化肿瘤及其周围微环境的异质性，展现出独特的显著优势。QIN等^[46]基于Gd-EOB-DTPA MRI的肝胆期图像，构建了临床、传统影像组学与生境特征的融合模型，在外部验证中AUC达0.820，并通过沙普利加性解释（shapley additive explanations, SHAP）图可视化早期复发危险因素，包括肝硬化、多个生境特征（如小波纹理特征）及传统影像组学特征，其中生境特征在模型贡献中占比最高（11个关键特征中占8个），表明ITH对复发风险具有重要影响。ZHANG等^[47]将生境扩展至瘤周区域，研究表明4 mm瘤周区域内“生境3”的体素分数是预测无复发生存的独立危险因素，该生境区域在影像学上表现为高动脉期强化比与中等偏低肝胆期强化比，表示肿瘤周围微环境中存在活跃的微血管浸润、新生血管形成及局部肝细胞功能受损，反映肿瘤高度侵袭性行为。另一项基于动态对比增强（dynamic contrast enhanced, DCE）-CT研究显示^[48]，联合动脉期、门静脉期生境特征及临床变量的支持向量机（support vector machine, SVM）模型，在外部验证中AUC高达0.896，决策曲线分析（decision curve analysis, DCA）显示其具有良好的临床净收益，表明该模型能够有效识别高复发风险患者。

       综上，HA能够有效识别与复发相关的肿瘤区域及其微环境异质性，其预测性能优于传统影像组学模型，且融合临床与多序列生境特征可进一步提升模型性能，为术前无创、个体化评估HCC术后早期复发风险提供了有力工具。未来仍需通过多中心研究进一步验证准确性与临床适用性。并且，不同根治性治疗方式（手术切除与局部消融）可能影响复发预测模型的特征权重。例如，对于手术切除患者，切缘处的瘤周生境特征可能至关重要；而对于消融治疗患者，瘤内生境的坏死程度以及消融边缘的生境特征可能更为关键。现有研究大多集中于手术切除患者，针对消融治疗后复发预测的HA研究相对匮乏，这是未来需要填补的空白。

5 HA预测HCC非手术治疗疗效

       在HCC的综合治疗中，根据疾病分期不同，局部治疗联合系统治疗策略的选择存在差异^{[49, 50]}。经肝动脉化疗栓塞术（transcatheter arterial chemoembolization, TACE）联合免疫检查点抑制剂及分子靶向药物治疗，疗效优于单一治疗，对于中晚期HCC患者已成为重要治疗策略^{[51, 52, 53]}。然而，由于HCC具有高度ITH，不同患者对该联合治疗方案的应答率存在显著差异。基于此，近年来研究者致力于利用HA无创量化ITH，以构建预测联合治疗反应的模型。JIN等^[54]利用DCE-CT影像图像构建了融合全局肿瘤区域与ITH特征的全肿瘤区域-ITH评分模型，在TACE联合免疫及靶向治疗的多中心队列中显示出优异的预测效能（AUC最高达0.94），且低风险组患者生存期显著延长，其评分与免疫微环境活性及阿替利珠单抗+贝伐珠单抗反应标志（atezolizumab-bevacizumab response signature, ABRS）呈正相关，体现了该模型在反映肿瘤免疫状态方面的生物学基础。SHEN等^[55]同样聚焦于TACE联合靶向及免疫治疗的患者队列，基于DCE-CT构建了生境模型，该模型在预测治疗反应（测试集AUC 0.881）和总生存期（C指数 0.703）方面均显著优于传统全肿瘤影像组学模型，证实了HA在捕捉ITH以精准预测联合治疗结局方面的优势。ZHU等^[56]则进一步验证了HA在跨中心泛化中的潜力，研究者基于多序列CE-MRI，采用K-means聚类生成瘤内生境区域，并结合深度学习模型，预测了TACE联合系统治疗的早期反应，其模型在外部验证中保持稳定（AUC=0.762）。

       对于不适合TACE或TACE治疗后进展的局部晚期HCC患者，近年来基于FOLFOX（亚叶酸钙、5-氟尿嘧啶和奥沙利铂）方案的经导管肝动脉灌注化疗（HAIC-FOLFOX）凭借其局部高浓度给药优势，逐渐成为另一种治疗选择^{[57, 58]}。WU等^[59]针对HAIC-FOLFOX治疗方案，利用DCE-CT构建生境模型，识别出高强化区域的比例与治疗反应呈正相关，模型AUC值约0.857，显著优于单纯的临床指标，且与肿瘤血管生成及病理特征相关联，为肝动脉灌注化疗的疗效评估提供了可视化工具。这些研究共同表明，HA能够无创、有效地预测不同联合治疗方案在HCC中的疗效，不仅具备良好的判别能力，也初步揭示了其与肿瘤微环境及病理表型的关联，为临床实现个体化治疗决策提供了有力支持。未来研究应进一步整合空间转录组、单细胞测序等高通量技术，构建“影像-病理-基因组-免疫”多组学融合模型，深入解析不同生境亚区所对应的分子特征与免疫状态，从而为免疫治疗联合靶向、介入治疗等综合策略的个体化选择提供更精准的影像学依据。

6 小结与展望

       HA作为一种新兴的无创影像分析技术，通过量化HCC的瘤内及瘤周异质性，在预测分化程度、MVI、VETC、早期复发等多方面存在潜在优势，同时在评估中晚期HCC患者免疫治疗疗效及靶向应答中提供重要价值。尽管HA在HCC精准诊疗中展现出广阔前景，但当前研究仍面临一些困难：技术层面，分析结果高度依赖图像质量，不同设备与参数影响特征一致性，且聚类方法与特征提取流程缺乏统一标准，模型可重复性较差。生物学层面，HCC常发生于肝硬化背景下，具有多中心起源、早期血管侵犯及复杂的免疫微环境。现有生境亚区的划分主要基于影像信号强度或纹理，其与HCC病理分型、基因表达及免疫微环境之间的关联尚缺乏组织病理学与多组学验证，相关生物学行为缺乏机制性证据支撑。临床层面，HCC治疗依赖巴塞罗那分期（barcelona clinic liver cancer, BCLC），不同阶段的治疗方式各异。现有研究多为回顾性设计，缺乏前瞻性干预性研究来验证HA指导下的治疗策略能否真正改善各期患者预后。针对上述局限，未来应聚焦以下方向：开展多中心前瞻性研究^[60]，统一图像采集与分析流程，增强模型的泛化能力与稳定性；构建HCC“影像-病理-基因组-免疫”多组学融合数据库，验证生境特征的生物学机制；开发针对HCC治疗模式的深度学习全自动生境建模方法，减少人工干预，提升可重复性与临床实用性；开展前瞻性干预性研究，以无复发生存、进展时间及肝功能储备（Child-Pugh评分）为终点，验证HA能否优化BCLC分期决策。综上，HA有望成为HCC精准诊疗中的重要影像学生物标志物，通过攻克其在技术、生物学及临床层面的现存关键问题，可进一步推动其成为HCC个体化治疗与预后管理的有力工具。