0 引言

       肝内胆管癌（intrahepatic cholangiocarcinoma, ICC）是第二大常见的原发性肝脏恶性肿瘤，约占原发性肝癌的20%，近40年发病率上升了约140%，5年总生存率（overall survival, OS）约为9％^[1]。手术切除有利于ICC患者的长期生存，但是要求疾病处于早期且患者全身状况良好^[2]。ICC早期无特异性，临床诊断困难。肝结石、肝硬化、原发性硬化性胆管炎等都与ICC风险增加存在关联^[1]。淋巴结转移（lymph node metastasis, LNM）、神经周围浸润（perineural invasion, PNI）及微血管浸润（microvascular invasion, MVI）是影响预后的关键因素，集中体现了ICC的高度侵袭性^[3]。因此术前对ICC的早期诊断与侵袭性的准确评估意义重大。ICC具有异质性和复杂性，传统的计算机断层扫描（computed tomography, CT）或MRI评估存在一定局限性，更多依赖影像医生的主观判断，在分期和浸润范围评估方面准确性欠佳^[4]。近些年，影像组学技术不断应用于ICC领域，在诊疗多个环节展现出一定的应用价值。

       区别于既往多数综述，本综述系统性地整合影像组学在ICC的前沿研究进展。在归纳影像组学在鉴别诊断、侵袭性评估与预后预测的基础上，重点探讨了影像组学特征与ICC生物学特征之间的关联，并分析深度学习如何突破传统手工特征的局限。本文立足于当前研究的瓶颈与挑战，旨在为未来的基础与临床转化研究提供新思路，帮助读者深入理解影像组学在ICC诊疗中的适用范围与潜在价值，并为未来开展多中心、标准化的研究设计以及推动影像组学模型的临床落地提供理论依据和方向参考。

1 文献检索策略

       本文为系统梳理影像组学在ICC的应用进展，确保全面性与时效性，进行了文献检索。检索数据库包括：PubMed、Web of Science及中国知网（CNKI）等。检索时间范围设定为2017年1月至2026年1月。中文检索式：（SU=‘肝内胆管癌’OR SU=‘肝内胆管细胞癌’OR SU=‘ICC’）AND（SU=‘影像组学’OR SU=‘放射组学’ OR AB=‘Radiomics’ OR AB=‘影像组学’ OR AB=‘放射组学’ OR SU=‘Radiomics’）AND（AB=‘区分’ OR AB=‘鉴别诊断’OR AB=‘Differential diagnosis’ OR AB=‘分级’ OR AB=‘病理分级’OR AB=‘Tumor grading’ OR AB=‘淋巴结转移’ OR AB=‘淋巴转移’ OR AB=‘淋巴结’ OR AB=‘LNM’ OR AB=‘MVI’ OR AB=‘微血管侵犯’OR AB=‘神经周围浸润’OR AB=‘PNI’ OR AB=‘预后’OR AB=‘生存’OR AB=‘生存分析’OR AB=‘预测’OR AB=‘Nomogram’ OR AB=‘列线图’OR AB=‘危险因素’OR AB=‘深度学习’OR AB=‘Deep learning’）。英文检索式：将中文检索式中的关键词替换为英文即可。文献纳入标准：（1）研究对象为ICC患者；（2）研究以影像组学为主要分析方法，包括联合深度学习的影像组学研究；（3）研究类型包括临床回顾性研究、前瞻性研究、综述、系统评价及Meta分析；（4）研究数据完整、方法清晰。排除标准：（1）个案报道、会议摘要、评论及专家共识类文献；（2）重复发表、数据不全或质量较低的研究；（3）动物实验、细胞实验等基础研究。通过上述策略，共获得符合纳入标准的核心文献46篇（中文5篇，英文41篇）。此外，为支撑背景论述，另补充引用9篇相关文献（涉及ICC流行病学、治疗进展及影像组学方法论），总计参考文献55篇。本文将对上述证据进行综合分析与评述。

2 影像组学定义、工作流程及进展

       影像组学是近年来发展起来的一种高通量定量影像分析技术，能从CT、MRI、正电子发射断层扫描（positron emission tomography-computed tomography, PET-CT）及超声（ultrasound, US）等影像中提取大量特征，并与患者其他特征相结合，从而提高诊断、预后和预测的准确性^[5]。影像组学的流程包括：（1）生物医学图像采集，需采集高质量标准化的影像图像；（2）图像预处理，为后续步骤做准备；（3）分割感兴趣区，感兴趣区大多由放射科医生手动勾画，近年来也开发了分割软件进行半自动或自动感兴趣区勾画；（4）提取影像特征，先根据统计、滤波和形态分析产生大量特征，之后分析各特征之间的相关性，来提取最终所需要的特征；（5）模型构建，机器学习被用于预测模型构建^[6]。

       在ICC的影像组学研究中，特征筛选是模型构建前的关键环节，目前研究中常用的特征筛选方法主要包括：（1）最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO），其通过在损失函数中加入L1正则化项，将不重要的特征系数压缩至零，从而实现高效的稀疏化特征筛选；（2）最小冗余最大相关（minimum redundancy maximum relevance, mRMR），该方法同时考虑特征与目标变量的相关性及特征之间的冗余度；（3）递归特征消除，其通过递归构建模型并剔除最不重要特征；（4）随机森林（random forest, RF），其利用决策树模型输出特征重要性评分；（5）PCA主成分分析、极端随机树等方法也用于将高维特征压缩至关键预测变量。上述方法在ICC影像组学研究中常单独或联合使用，共同推动了ICC精准诊疗的发展^[7]。

       影像组学是基于机器学习的医学影像分析领域，侧重于从影像中提取定量特征以弥补常规影像检查的局限。机器学习作为更广泛的方法体系，涵盖了影像组学和深度学习。深度学习通过自动特征学习，避免了传统手工特征提取的烦琐步骤，提升了建模效率；作为其分支的迁移学习则有助于克服样本量限制，增强模型泛化能力。上述技术共同推进了肿瘤个体化治疗的发展^[8]。

3 影像组学在ICC中的应用

3.1 鉴别诊断

       影像学在ICC的早期诊断中起着关键作用，然而，常规影像学检查所能提供的信息较为有限，难以区分ICC与其他肝脏病变^[9]。影像组学能通过影像获取定量数据，量化肿瘤异型性，已成为一种有前景的非侵入新型方法，对于ICC的鉴别诊断具有极大价值^[10]。

3.1.1 ICC与肝细胞癌的鉴别

       影像组学技术在肝脏肿瘤鉴别诊断中的应用最为广泛，其中区分ICC与肝细胞癌（hepatocellular carcinoma, HCC）是研究的热点。XU等^[11]基于术前CT图像提取了影像组学特征，利用组内相关系数（intra-class correlation coefficient, ICC）评估可信度，后采用LASSO回归进行特征筛选，采用支持向量机（support vector machine, SVM）算法构建了一种能够区分HCC与ICC的预测模型。在训练集与验证集中，该模型的受试者工作曲线下面积（area under the curve, AUC）值均为0.847，表明影像组学模型有望作为鉴别HCC与ICC的有力预测工具。SU等^[12]基于US与对比增强US（contrast-enhanced US, CEUS）图像提取特征，采用RF算法建立了四个US组学模型，其中整合模型的AUC值最高，在验证集为0.973，测试集为0.971。此外，JIANG等^[13]从PET和CT影像中提取特征并采用RF分类器构建的模型，独立测试集AUC达0.86。LIU等^[14]在动态对比增强MRI的基础上，增加了治疗前轴向脂肪抑制T2WI（fat-suppressed T2WI, T2WI-FS）组学特征，经特征筛选后构建了联合模型，其性能最佳，在训练集和验证集中区分HCC与ICC的AUC分别达0.977和0.877。以上研究均证明，不同成像模态的影像组学模型在鉴别HCC与ICC方面优于传统方法。然而，现有研究受限于单中心回顾性设计、方法学异质性及对生物学机制解释的匮乏，导致模型泛化能力与可重复性较差，制约了其临床转化。未来只有克服上述瓶颈，影像组学技术才能真正进入实质性应用阶段。

3.1.2 与混合型HCC鉴别

       金玉梅等^[15]从175例患者的动脉期（arterial phase, AP）及门静脉期（portal venous phase, PVP）CT图像中提取组学特征，通过logistic回归构建联合模型，其在训练集中的AUC为0.925，在验证集中的AUC为0.901。夏金菊等^[16]利用MRI图像中T2WI、扩散加权成像（diffusion-weighted imaging, DWI）及表观扩散系数（apparent diffusion coefficient, ADC）序列特征建立模型鉴别混合型HCC与ICC，与前述研究相同，联合模型的表现最优，训练集和验证集AUC分别达0.923和0.908。PENG等^[17]从US图像中获取了影像学特征，经多变量逻辑回归（logistic regression, LR）方法建模，鉴别ICC与混合型HCC的模型训练集AUC值为0.920，表明基于US的影像组学模型有效。综上，影像组学可以有效鉴别出ICC与混合型HCC。目前仍缺少基于PET-CT影像组学的相关研究，这可能成为未来研究的新切入点。

3.1.3 与肝内胆管结石、结直肠肝转移鉴别

       XUE等^[18]基于AP CT图像提取影像组学特征，利用LASSO回归筛选特征并结合临床独立因素构建联合模型，此模型的鉴别效果最好，训练集和外部验证集的AUC为0.908和0.879。研究提示，该模型有望成为临床筛查高危结石患者、指导手术决策的无创工具。XU等^[19]基于多参数MRI提取影像组学特征，与临床因素结合建立了联合模型，该模型可有效鉴别肝内肿块型胆管癌（intrahepatic mass-forming cholangiocarcinoma, IMCC）与结直肠肝转移，训练集和验证集AUC分别为0.94和0.92。ZHUO等^[20]基于肿瘤与瘤周区域的3种MRI序列提取组学特征并建立模型，发现基于DWI的5 mm瘤周组学特征构建的模型预测效率最高，训练集的AUC为0.945，外部验证集AUC为0.885，结合临床因素后模型效能进一步提高，结果提示瘤周5 mm区域内的影像组学特征有助于提高鉴别诊断能力。综上所述，影像组学在IMCC与结直肠肝转移的鉴别中展现出巨大潜力，尤其瘤周区域的探索为理解肿瘤生物学行为提供了新视角。但目前的研究仍然处于验证阶段，需要更多研究不断验证模型的泛化能力，明确其能带来的实际临床净收益，才能实现影像组学临床应用进一步发展。

3.1.4 与早期肝脓肿、炎性假瘤鉴别

       YANG等^[21]从112例患者的对比增强CT（contrast enhancement CT, CECT）图像中提取影像组学特征，将AP特征与独立临床影像特征相结合构建联合模型，并绘制了列线图，其在训练集中的AUC高达0.972；在验证集中的AUC为0.868，表明CECT影像组学特征可量化病灶的异质性，能够有效鉴别早期肝脓肿与ICC。WANG等^[22]提取了ICC与炎性假瘤患者的平扫及多期CECT图像的影像组学特征，构建了14种机器学习模型，其中线性判别分析模型的效能最佳，结果表明，影像组学的使用有助于术前有效鉴别ICC与炎性假瘤。由于相关研究较少，需要更多研究来证实影像组学对ICC与早期肝脓肿及炎性假瘤鉴别的应用价值。

3.2 预测ICC的病理生物学指标

       ICC具有高度的肿瘤异质性，与其预后相关的生物学行为是决定患者术后复发风险和长期生存时间的关键因素。然而，相关指标主要依赖于术后切除标本的检测与评估，临床实践中仍缺乏能够在术前准确获取的无创性手段^[3]。影像组学通过从高通量医学影像中自动提取大量定量特征，能够无创地反映肿瘤整体的空间异质性及其微观层面的侵袭潜能，并有望建立影像学表型与ICC特异性生物学行为之间的内在关联^[23]。

3.2.1 预测ICC的病理分级

       肿瘤病理分级是反映细胞分化程度、评估其恶性生物学行为的核心指标之一。然而，病理分级需依赖术后标本或穿刺活检，前者无法实现术前评估，后者存在抽样误差。因此，探索无创、精准的术前分级预测方法具有重要临床意义。李晓萌等^[24]基于MRI瘤内及瘤周的影像组学特征来术前无创预测IMCC的病理分级，其从瘤内及瘤周的T2WI与DWI序列上提取影像组学特征，采用LR构建多种模型。结果表明，基于DWI序列的瘤内+瘤周3 mm组学模型预测性能最佳，训练集AUC为0.892，验证集AUC为0.814，该研究提示瘤周区域可反映肿瘤的侵袭性，分化越差的IMCC对周围组织侵犯越严重，因此瘤周影像组学特征能够提供肿瘤微环境信息。XING等^[25]通过比较SVM、RF、LR及梯度提升决策树这四种机器学习算法确定基于DWI影像组学特征预测IMCC病理分级的最优模型来预测ICC患者的病理分级，结果显示SVM模型预测性能最佳，其在训练集中的AUC为0.957，在外部验证集为0.829。同时，该研究指出分化越低的IMCC恶性程度越高，肿瘤细胞增殖旺盛，需要更多营养和血供，使得图像灰度分布更不对称、信号峰度更高，表现为偏度和峰度值增大。综上所述，从机制层面看，DWI序列衍生的偏度与峰度值上升，本质上是肿瘤细胞密度增加、核质比升高导致水分子扩散受限的宏观影像表征，与低分化肿瘤的高增殖活性相吻合，因此，影像组学为术前无创评估ICC的恶性程度提供了可靠的选择。然而，ICC存在瘤内异质性，使得病理分级本身存在不确定性。用影像组学去预测一个存在变异性与主观性的生物学特征，将会使模型的性能受到制约。同时，相关研究多停留在模型预测分级，并未提出指导临床应用的方案。未来研究应着重解决上述问题。

3.2.2 预测ICC的LNM

       LNM是影响ICC癌患者预后的独立危险因素，也是决定淋巴结清扫术及辅助治疗策略的关键依据。常规影像学检查对微小LNM的敏感性有限，而影像组学的应用为此提供了新的解决思路。CHEN等^[26]收集了164名ICC患者的CT图像，采用K-means聚类法划分出5个栖息地的特征，经Spearman相关性分析及LASSO回归筛选后，构建了全肿瘤及各栖息地亚区域模型，最终发现并融合了表现最优的Habitat1与Habitat5亚区域特征构建出最终预测模型，其在训练集与验证集中的AUC分别达到0.923和0.913。从机制层面看，Habitat1和Habitat5主要集中于坏死区域，其影像组学特征能够有效捕获肿瘤异质性、坏死及细胞增殖活性等生物学行为，这表明源自肿瘤坏死相关亚区域的影像组学特征与ICC侵袭转移能力密切相关。PENG等^[27]利用肿瘤US图像提取组学特征，经Wilcoxon检验及12种机器学习算法开发107个模型预测LNM。结果表明联合模型效能最佳，其AUC分别为0.969和0.882，联合模型和影像组学模型效能均高于临床模型，该研究还证明了反映全身炎症免疫状态的血清标志物与影像组学结合，能进一步提升模型的预测能力。QIAN等^[28]从DWI、T2WI和增强T1加权MRI图像中提取特征以建立模型，通过比较临床模型、影像组学模型与联合模型的效能，得出联合模型对ICC的LNM的预测能力最好，AUC在训练集、验证集和测试集中分别为0.888、0.884及0.811。综上，基于多模态影像的影像组学方法可以有效地预测ICC的LNM，为术前无创评估提供重要价值。值得注意的是，临床实践中仅对可疑淋巴结进行采样而非系统性清扫，这意味着用影像组学去预测会使模型性能受限。同时，栖息地划分、多算法筛选等创新方法虽具有启发性，却普遍面临生物学解释性不足的困境。期待未来更多关于预测ICC LNM的研究来让影像组学技术成为实用临床工具。

3.2.3 预测ICC的MVI

       MVI同样是影响ICC患者预后的独立危险因素，也是决定手术切缘范围及辅助治疗策略的关键病理指标。影像组学的应用解决了术前常规影像学检查难以捕捉镜下MVI的难题。XIANG等^[29]基于157名ICC患者的PVP CECT图像，经四步降维后，构建了预测模型，并将其与临床指标进行结合，构建了列线图模型，其AUC在训练集和测试集中分别为0.886和0.80，该研究提取的特征主要来源于小波变换，能够定量描述肿瘤灰度分布的不对称性、局部均匀性及纹理基元差异，本质上对应着MVI引起的小血管内肿瘤细胞簇、内皮细胞增殖及周围肝板的破坏，将影像组学特征与血管生成相关分子标志物进行相关性分析，有望构建影像-病理对照的MVI预警模型。LIU等^[30]基于CT影像组学特征以及临床特征来预测MVI，结果同样发现联合模型效能最佳。CHEN等^[31]从术前MRI影像中提取特征，经过四种方法降维后建立模型，发现联合模型的效能最佳，其在训练集与验证集的AUC分别为0.874与0.869，该研究还证明了在MRI形态学特征中，多发肿瘤、浸润性边缘及肿瘤坏死分别与MVI和高级别分级显著相关。MA等^[32]采用包括T2WI-FS、DWI、TI扩散增强成像、AP T1WI-A、PVP T1WI-V、延迟期（delayed phase, DP）T1WI-D在内的MRI序列，从四个感兴趣体积（volume of interest, VOI）中提取了影像组学特征，利用LR分类器构建模型。通过比较，确定了最佳VOI为包含肿瘤及10 mm瘤周区域的VOI10mm，以及最佳序列组合为T1WI、T1WI与DWI，最终将多因素分析确定的独立影像预测因子与基于VOI10mm的最佳三序列影像组学模型相结合，构建了列线图，结果表明该线列图的模型性能最佳，在训练集中，其AUC为0.995；在验证集中，AUC为0.867。该研究在以往研究的基础上，加入了对瘤周组学的研究，证明了肿瘤周围微环境可能影响ICC的生物学行为。综上，影像组学能够较好预测ICC的MVI，为术前无创评估ICC侵袭性及制定个体化手术方案提供了重要支持。同样，上述研究仍存在共性缺陷，即多数研究为回顾性设计、样本量有限且缺乏多中心外部验证，导致模型泛化能力不足；部分研究存在特征筛选逻辑支撑不足、方法学描述不清晰、重复性差的问题；多数研究仅关注模型效能，未验证其临床净获益，难以明确其在临床实践中的实际价值；且MVI的病理诊断存在误差，会影响模型性能等。未来研究应明确其逻辑依据，结合病理机制深入探讨影像组学特征的生物学意义，并加强模型的临床转化。

3.2.4 预测ICC的PNI

       近年来，研究发现PNI同样是影响ICC患者复发与长期存活的独立风险因素，且术前确定患者的PNI状态也与治疗方案的选择相关。传统影像学难以直接评估PNI状态，而影像组学能获得术前肿瘤的特征，对肿瘤的生物学特性进行分析，有助于预测PNI。

       LIU等^[33]提取243名ICC患者的CECT影像特征，并筛选出含有6个瘤周区域和1个肿瘤区域的关键特征，构建了预测模型，其效能优于临床模型，随即采用LR、极端梯度增强（extreme gradient boosting, XGBoost）、RF和SVM这4种机器学习算法构建了联合模型，确定了XGBoost为最优的联合模型，预测PNI的效果最佳，其在训练集、外部验证集与前瞻性验证集的AUC分别为0.884、0.831与0.831。该研究指出弥漫性AP低增强、肿瘤位置等影像特征及外周血炎症指标均与PNI显著相关，提示PNI阳性肿瘤具有更强的侵袭性、更差的预后，同时，本研究进一步通过沙普利加和解释实现了模型预测过程的可视化。CHEN等^[34]基于术前MRI图像提取影像组学特征，并结合临床指标建立联合模型，结果显示该模型效能最佳，在训练集中的AUC为0.839。上述研究均表明影像组学有助于预测ICC的PNI，为指导个性化治疗决策与预后评估提供帮助。然而，影像组学特征提取自原发灶及其周围区域，而PNI的发生部位可能远离肿瘤主体，且神经组织本身在常规影像上难以清晰辨别，这导致二者的生物学关联性受限。尽管如此，原发灶及其周边的熵值、能量等纹理参数升高可间接反映肿瘤沿神经束膜间隙扩散时引起的周围基质反应。因此，未来研究应侧重影像组学与病理的深度融合，建立组学特征与神经周围间隙内肿瘤细胞密度的定量关系。

3.2.5 预测ICC的肝内三级淋巴结构与Ki-67

       XU等^[35]基于CECT影像提取组学特征构建模型，并进一步将影像组学模型和临床模型（AP弥漫性高强化与AJCC第8版分期）相结合后形成影像组学列线图，其效能最佳，在训练集和外部验证集中预测肝内三级淋巴结构的AUC分别为0.85和0.88。此外，XU等^[36]进一步基于多序列MRI影像构建预测模型来预测ICC的肝内三级淋巴结构，结果也表明术前影像学特征与ICC患者肿瘤内的肝内三级淋巴结构状态相关，并且与无复发生存期（no recurrence survival period, RFS）显著相关。

       Ki-67高表达是提示肿瘤高增殖活性、侵袭性强和预后不良的重要病理标志物，与ICC密切相关。QIAN等^[37]回顾性收集了178名ICC患者的临床特征和MRI影像组学特征来预测ICC的Ki-67状态，在相关性分析中，发现多个纹理特征与Ki-67状态呈显著相关，表明影像组学特征能够量化反映肿瘤细胞的增殖活性。该研究将乙肝、影像学征象（AP环状强化及MRI强化方式）以及基于T1、TIV、T1D序列的影像组学特征相结合构建联合模型，结果表明，该模型能有效区分Ki-67的表达，其在训练集、验证集及时间独立测试集中的AUC分别为0.904、0.870和0.815。因其相关研究目前较少，影像组学预测ICC的肝内三级淋巴结构与Ki-67的应用价值，仍需更多研究加以证实。

3.3 预测ICC的预后与复发

3.3.1 预测ICC的预后

       目前，对ICC进行分期常采用AJCC TNM分期系统，该方法的准确性可能会受到多方面的影响，并不能准确地预测预后。近年来，多项研究研发了基于影像组学的模型来预测ICC患者的预后，这些模型相较于AJCC分期系统来说效果更好，能够有助于临床医生对ICC患者进行个体化治疗^[38]。

       CHU等^[39]基于CECT影像构建临床模型、影像组学模型及联合模型预测ICC患者的无效切除，结果表明，影像组学模型与联合模型效能相当，在训练集中AUC分别为0.848、0.864，在验证集中AUC分别为0.804、0.800，均优于临床模型。FIZ等^[40]基于CT图像与瘤周组织特征的研究发现，将影像组学特征加入临床预测模型中，可提升术后生存率的预测效果。除了上述基于CT组学的研究，张加辉等^[41]采用多参数MRI序列来提取组学特征，结合临床和形态学特征建立联合列线图预测模型，用于预测肿瘤的MVI、肿瘤分级、PNI，OS及RFS。研究结果表明，临床特征和影像组学特征是ICC患者OS的独立危险因素。KWON等^[42]基于¹⁸F-FDG PET/CT影像提取了960个影像组学特征，来预测ICC患者的RFS与OS。本研究将60名患者分为4个风险组，结果显示各组RFS与OS存在显著差异，通过多因素Cox回归分析证实PET影像组学分组是独立预后因素。综上，影像组学能够无创、有效地评估ICC的侵袭性及预后。值得注意的是，预测预后的研究均体现出不足，即用术前一瞬间的影像特征去预测术后数年的生存结局。这中间包括手术质量、术后治疗甚至患者依从性等诸多混杂因素，预测效能必然会受到影响，现有研究很少会对这些混杂因素进行有效控制与分析，其次关于ICC预后预测的MRI影像组学的研究较少，这将是未来研究的主要切入点。

3.3.2 预测ICC的复发

       ICC患者即使接受了根治性切除，术后5年复发率仍然很高，这是导致患者长期生存率低下的主要原因。影像组学通过提取肿瘤的形态及纹理特征，能够有效预测影响ICC复发的相关生物学行为。影像组学的利用能够在术前了解这些生物学本质，可有效实现复发风险的准确预测与干预。

       SONG等^[43]基于CT影像提取特征，利用轻量级梯度提升机构建模型来预测ICC患者的早期复发，发现包含15项影像组学特征和3项临床特征的联合模型效果最佳，其训练集、内部验证集和外部验证集的AUC分别为0.974，0.871和0.882。BO等^[44]提取了127名ICC患者的AP和PVP CECT图像的纹理特征，构建了7个影像组学模型，其平均AUC为0.87±0.02，预测效果与联合模型相近（AUC为0.87±0.03），均高于临床模型。除了上述基于肝脏的CT图像特征研究外，GAN等^[45]创新性地引入身体成分影像组学，基于皮下脂肪组织、内脏脂肪组织、肌间脂肪组织及骨骼肌四个身体成分区域提取组学特征，构建了影像组学模型，又分别构建了临床模型和联合模型进行比较，结果表明，联合模型性能最优，在训练集和外部验证集上的AUC分别为0.86和0.84，其能够有效预测术后ICC患者的早期复发。同时该研究也证明了将身体成分影像组学引入ICC术后早期复发预测，能捕捉全身代谢与免疫状态。XU等^[46]基于瘤内和瘤周MRI影像提取特征构建模型，发现无论早期复发或晚期复发，基于肿瘤内和瘤周特征的模型都对其效果最优。综上，影像组学特征与临床特征的应用，能够理想地预测术后ICC患者的复发。然而，现有研究对早期复发的时间界定缺乏统一标准，这种定义上的差异性导致不同研究结果难以进行比较。且复发包括局部复发、肝内外转移、多部位复发等，用同一影像组学特征去预测机制各异的复发，会导致预测效能与生物学解释性受限。未来研究应从上述方向进行突破。

4 深度学习在ICC中的应用

       传统影像组学依赖人工勾画病灶，不仅耗时且存在观察者间差异，导致特征可重复性差；同时，基于预定义公式提取的手工特征存在局限性，难以全面捕捉肿瘤异质性等高维隐含信息。深度学习突破了这些瓶颈，其在ICC影像组学中的应用可归纳为三种范式：深度影像组学（以深度网络替代手工特征提取器，所获深度特征仍沿用传统机器学习分类器）、端到端深度学习（省略分割、特征提取与选择等独立步骤，由卷积神经网络（residual convolutional neural network, ResNet）直接完成从图像到预测/分类的映射），以及深度学习辅助影像组学流程（如病灶自动分割、配准等关键环节的智能化）^{[47, 48]}。

       在深度影像组学方面，研究者通常采用预训练的ResNet提取深度特征，再结合影像组学特征或独立进行分类建模。WU等^[49]基于增强MRI图像提取组学特征，并利用深度迁移学习技术从预训练的Vision Transformer、VGG19、GoogLeNet及Inception_v3模型的倒数第二层提取高层特征，最终通过融合影像组学与深度迁移学习特征构建多种分类模型，来预测ICC、HCC与双表型HCC。结果表明，基于VGG19架构的融合模型性能最优，其在训练集的AUC高达1。除此之外，CHENG等^[50]联合CT和MRI影像构建深度学习影像组学模型，采用ResNet-50与主成分分析提取深度特征，构建了CT与MRI的单一模型及二者融合的跨模态模型。结果表明，CT-MRI跨模态融合模型性能最佳，其在训练集中AUC达0.994。WANG等^[51]回顾性分析了200名ICC患者的多序列MRI图像，并提取了组学特征，采用预训练的ResNet-18网络提取深度特征，基于LR构建了仅含瘤内特征、仅含瘤周（10 mm）特征、两者联合以及融合了临床-影像特征的组合模型，来预测ICC的MVI。结果表明，联合了瘤内与瘤周深度特征模型性能最佳，其在训练集与验证集中AUC分别为0.932和0.872。

       在端到端深度学习方面，研究者直接训练ResNet完成预测任务，无需额外提取手工特征或使用传统分类器。QI等^[52]基于MRI的T2WI序列提取组学特征，经过特征降维后，建立五种机器学习模型，其中极度随机树表现最佳。同时，基于预训练的ResNet-101网络构建深度学习模型，并融合其与组学特征及临床特征，通过LR建立融合模型来预测ICC的PNI。结果表明，融合模型在训练集和外部测试集中均表现最佳，但端到端模型也展示了直接学习的潜力。WAKIYA等^[53]开发了一个基于术前平扫CT图像的ResNet50卷积神经网络模型，其对于ICC患者早期复发的预测准确率为96.5%，AUC为0.940。

       在深度学习辅助影像组学流程方面，现有研究主要聚焦于病灶的自动分割。通过深度学习模型，可大幅减少人工勾画ROI的时间与观察者间变异，提升后续组学特征的稳定性和可重复性。虽然目前直接在ICC影像组学中应用自动分割的研究尚不充分，但该方向已展现出提升全流程效率与稳健性的广阔前景。

       综上，深度学习为ICC影像组学带来了特征自动提取、端到端学习和流程智能化的创新突破。然而当前研究普遍存在过拟合、自然图像预训练模型的领域偏移、深度特征生物学解释缺失以及算法复杂性与临床可重复性之间的矛盾。未来深度学习研究应克服当前瓶颈，构建精确模型，实现从辅助诊断工具向能够融入临床决策全流程、改善ICC患者预后的智能系统的转变。

5 小结与展望

       近年来，国内国外越来越多研究证实，影像组学作为一种新兴的定量分析方法，对于ICC的辅助诊断与鉴别诊断、生物学特征、分子分型、预后以及复发的预测方面具有重要意义（表1）。然而，影像组学仍然存在挑战与局限性：（1）目前研究多基于肿块型ICC进行，对于管周浸润型和管内生长型的研究不足，未来应对其他亚型ICC展开研究。（2）生物学解释性不足，大多数研究仍处于“黑箱”预测阶段，提取的深层纹理特征与肿瘤内部的生物学机制之间的明确关联仍需通过多组学（病理组学、基因组学）联合分析来深入阐明。事实上，已有研究表明，一阶统计量（偏度、峰度）可反映肿瘤细胞密度与增殖活性；灰度共生矩阵的熵值与坏死及炎症浸润相关；小波高频特征可捕捉MVI所致的微结构紊乱。基因层面，特定纹理特征已与IDH1/2突变、FGFR2融合等ICC驱动基因改变相关联^{[54, 55]}。未来研究应转向“影像-病理-基因组学”多组学配准与关联分析，阐明影像组学影响预后的因果关系，实现从“是什么”到“为什么”的跨越。（3）目前绝大多数研究仍停留在回顾性验证阶段，缺乏前瞻性、多中心的临床试验证据来证明其能为患者带来明确的临床获益，迫切需要建立大型、标准化的ICC多模态影像数据库。（4）指导ICC治疗的研究不足，影像组学的应用最终应有助于临床治疗的选择，期待更多指导ICC治疗的影像组学研究。

       此外，在技术方法学层面，不同学习工具的算法假设与复杂度不同，小样本下易出现过拟合或欠拟合，导致模型性能偏倚；参数设置缺乏标准化调优，会影响特征筛选与模型稳定性；图像勾画方法中，手动、半自动与全自动分割的重复性存在差异，感兴趣区是否包含坏死区域、瘤周范围界定、单层与多层勾画方式的不同，均会导致特征分布偏移，引入观察者间或观察者内变异；不同成像设备及采集参数引起的灰度非标准化效应，使同一病灶的组学特征跨设备不可比，造成跨中心、跨设备的系统偏倚。上述偏倚的根本原因在于缺乏端到端标准化成像协议、公开可重复的勾画指南及跨平台算法调优框架，未来应建立标准化的多中心前瞻性研究设计，统一成像协议、勾画流程与算法调优框架，以增强影像组学模型的泛化能力和临床可重复性。

       影像组学正在逐步超越传统影像的形态学描述，向无创、定量、反映肿瘤内在异质性的功能评估工具演变。尽管面临数据、技术和临床转化等多重挑战，但随着人工智能技术的进步、多组学融合的深入以及规范化临床研究的开展，影像组学有望成为ICC个体化诊疗方案制定中不可或缺的一环，最终提升患者的生存率和生活质量。

点击查看表格

表1  影像组学在ICC的应用进展中的代表研究
Tab. 1  Representative studies on the application progress of radiomics in intrahepatic cholangiocarcinoma