0 引言

       原发性肝癌（primary liver cancer, PLC）是全球范围内常见的恶性肿瘤之一，其发病率居所有恶性肿瘤第六位，肿瘤相关死亡率位列第三^[1]。在中国，肝癌的流行现状及防治形势愈发严峻，数据显示，2018年我国肝癌发病率18.3/10万，死亡率17.1/10万。预测到2040年肝癌新发病例和死亡病例将分别上升50.5%和54.9%，呈现明显增长趋势^{[2, 3]}。肝细胞癌（hepatocellular carcinoma, HCC）作为PLC的主要组织学亚型，其发病隐匿、早期症状缺乏特异性，患者常在疾病晚期才被确诊，导致错过最佳治疗时机。因此，精准预测肿瘤的侵袭型表型并制定个体化治疗策略至关重要，临床亟需能够无创预测HCC组织病理学特征、监测治疗疗效及评估复发风险的新技术。近年来，MRI影像组学在HCC研究中的关注点已聚焦于对瘤内异质性（intratumoral heterogeneity, ITH）、血管包绕肿瘤细胞簇（vessels that encapsulate tumor clusters, VETC）、微血管侵犯（microvascular invasion, MVI）等侵袭性生物学表型，复发风险以及治疗获益人群的定量预测。已有研究围绕ITH、VETC、MVI、病理分级、术后复发以及局部和系统治疗疗效构建了多种机器学习（machine learning, ML）模型和深度学习（deep learning, DL）模型，提示MRI影像组学可在术前风险分层和个体化治疗决策中提供传统影像征象之外的增量信息。

       现有综述多侧重于影像组学的一般方法学或单一结局指标，对HCC侵袭性表型之间的生物学关联、不同治疗场景下模型的临床适用性以及可解释性和多中心转化路径的讨论仍不充分。基于此，本文系统梳理了基于MRI影像组学预测HCC侵袭性表型及评估个体化治疗决策的最新研究进展。重点探讨了其在量化ITH、预测VETC与MVI等关键病理表型中的应用价值；并进一步归纳了其在评估手术切除与肝移植预后、局部及靶向免疫等治疗疗效中的临床指导意义。最后，本文分析了MRI影像组学向临床转化所面临的瓶颈，旨在为后续构建可解释、可泛化、可实用的HCC个体化诊疗模型提供参考。

1 文献检索方法

       本综述采用叙述性综述方法，全面检索了PubMed、Web of Science、中国知网（CNKI）以及万方数据知识服务平台等中英文数据库，检索时限为2011年1月至2026年5月。检索策略采用主题词与自由词相结合的方式，利用AND/OR逻辑运算检索，英文检索式：（“hepatocellular carcinoma” OR “HCC” OR “primary liver cancer”）AND（“magnetic resonance imaging” OR “MRI”）AND（“radiomic” OR “radiomics” OR “machine learning” OR “deep learning”）AND（“microvascular invasion” OR “MVI” OR “vessels encapsulating tumor clusters” OR “vessels that encapsulate tumor clusters” OR “VETC” OR “prognosis” OR “prognostic” OR “treatment response” OR “hepatectomy”）；中文检索式：（肝细胞癌OR HCC OR原发性肝癌）AND（MRI OR磁共振成像）AND（影像组学OR影像组学模型）AND（机器学习OR深度学习OR微血管侵犯OR血管包绕肿瘤细胞簇OR预后预测OR疗效评估OR肝细胞癌术后）。在检索过程中，根据各数据库特点适当调整检索式，并通过追溯纳入文献的参考文献进行补充检索，以确保文献收集的全面性。纳入标准：（1）研究对象明确为HCC患者或包含相关队列；（2）影像学检查方法以多参数MRI为主要影像来源；（3）研究内容采用影像组学、ML或DL方法预测侵袭性表型、复发风险、生存结局或治疗反应；（4）研究结果报告了曲线下面积（area under the curve, AUC）、C指数、准确率等模型性能指标；（5）全文可获取。排除标准：（1）重复发表或基于相同患者队列的重叠研究；（2）病例报告、会议摘要等非原创性论著；（3）关键方法学描述缺失、核心数据不全或无法获取全文以致无法评估模型构建质量的文献。最终纳入50篇与主题直接相关的文献。鉴于本文为叙述型综述，未行定量合并分析，但综合梳理了各研究的设计、样本量、建模策略、验证方式及泛化表现。

2 MRI影像组学在预测HCC侵袭性表型中的应用

2.1 ITH与组织病理学分级

       ITH是与HCC治疗失败和疾病复发相关的重要因素^[4]。然而，如何以非侵入性且全面了解ITH仍然是临床上面临的重大挑战。目前MRI影像组学主要通过量化肿瘤内部不同区域的体素体征，来识别HCC内部不同的病理异质性成分。通过一阶直方图特征及高阶纹理特征，影像组学能够敏感地捕捉到代表坏死和囊变的异常信号分布以及细胞增殖活跃、微血管密度高的特定区域。XIE等^[5]从多个中心回顾性纳入851例HCC患者，基于多序列MRI中提取的影像特征，并运用相似网络融合（similarity network fusion, SNF）进行无监督聚类，构建了一种HCC非侵入性的ITH预后模型，即影像组学瘤内异质性（radiomics ITH, RITH）表型。RITH表型与预后及病理结果关系密切，特别是高RITH表型，它是总生存期（overall survival, OS）和无复发生存期（recurrence-free survival, RFS）独立预后不良的因素。他们还结合转录组学、代谢组学等多组学信息，发现高RITH表型肿瘤在细胞核形态计量学上表现出更高的异质性，且低分化比例更高。进一步地，栖息地成像分析也证实，高RITH肿瘤内部增强模式复杂多样，直观映射了其高度的空间异质性。

       在组织病理学分级方面，准确鉴别肿瘤的分化等级对于指导HCC患者的治疗决策至关重要，目前普遍使用的分级方法主要为Edmondson-Steine分级法和世界卫生组织推荐的高、中、低分化分级标准，主要依据肿瘤大小、数目、分化程度、生长方式、有无MVI等特征进行评判。MRI影像组学特征可以有效反映肿瘤生物学特征，对肿瘤分级及指导治疗方案的选择起着关键作用。基于体素内不相干运动扩散加权成像（intravoxel incoherent motion diffusion-weighted imaging, IVIM-DWI）的功能性MRI影像组学研究在预测HCC病理分级中有很大的应用价值^{[6, 7]}。SHI等^[7]前瞻性纳入52例HCC患者进行MRI检查，并从IVIM参数图中提取了直方图指数，通过筛选在不同病理亚组间具有显著差异的直方图指标，构建了基于逻辑回归的综合诊断模型，该模型在HCC病理分级评估中表现出极高的辨别能力，AUC高达0.917。此外，钆塞酸二钠（gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid, Gd-EOB-DTPA）增强MRI影像组学模型在评估HCC病理分级也有不错的效果。YANG等^[8]从Gd-EOB-DTPA增强的MRI数据中提取放射组学特征，为了找到最佳特征，先后使用了三种特征选择法：交叉验证递归特征消除法、模型自选法以及百分位数筛选法依次筛选最优特征，他们开发的组合模型整合了影像组学特征和临床预测因素，在评估测试数据集中的HCC分级方面表现出了优异的性能（AUC＝0.801）并显示出令人满意的临床实用性。除传统影像组学方法外，亦有学者采用基于DL的人工神经网络（artificial neural network, ANN）模型，MAO等^[9]利用ANN模型分析Gd-EOB-DTPA增强MRI影像特征，在验证集上预测病理分级的AUC可达0.944。以上研究主要关注瘤内特征，陆煜杰等^[10]通过基于对比增强MRI瘤内结合瘤周影像组学的研究，证实了瘤周微环境的影像特征在预测HCC分化程度中同样具有重要价值，进一步丰富了评估病理分级的空间维度。

       总的来说，在评估组织病理学与异质性时，传统ML模型可解释性较强，而DL模型在预测效能上具有潜在优势，两者均证明了多序列融合的组学特征在揭示HCC深层病理成分中的可行性。但研究仍存在明显局限：在研究设计与证据等级方面，病理分级相关研究多为单中心或小样本队列，部分高AUC结果主要来自内部验证，存在样本选择偏倚风险；在特征稳定性与技术标准化方面，IVIM、DWI、肝胆期及动态增强序列对扫描参数、对比剂类型和肝功能状态较敏感，不同中心的特征稳定性尚未充分验证；在方法学一致性方面，ITH本身缺乏统一的影像组学定义，不同研究采用无监督聚类、直方图或栖息地成像等导致模型输出难以直接比较。因此，现阶段相关模型更适合作为术前风险提示工具，而不宜直接替代病理分级或作为单独治疗决策的依据。韩晓兵等^[11]的研究结论亦与此契合，通过横向对比不同ML模型的预测表现，进一步论证了多期相组学特征作为术前无创风险提示工具的临床应用潜力。

2.2 VETC

       VETC是一种由肿瘤细胞分泌的血管紧张素-2所诱导的新型血管模式^[12]。该结构是内皮细胞构成网状，将肿瘤细胞团完整包裹，与肿瘤周围血管的吻合直接释放到循环中，为HCC提供了一条不依赖于上皮-间质的高效转移途径，也是影响HCC预后的重要因素^[13]。因此，VETC术前预测具有重要意义。YU等^[14]从单中心回顾性纳入182例HCC患者，基于Gd-EOB-DTPA增强MRI肝胆期图像构建瘤内及瘤周影像组学模型，通过ML算法筛选特征后发现，瘤周影像组学模型预测VETC的效能（AUC＝0.972）显著优于单纯瘤内模型（AUC＝0.919）及传统临床模型，且该模型预测的VETC状态是患者早期复发与无进展生存期（progression free survival, PFS）的独立预测因素。在此基础上，DONG等^[15]在多中心回顾性研究中引入DL算法，基于多期动态增强MRI（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）图像构建DL影像组学模型，在对比多种模型构建策略后发现，门静脉期瘤周区域的DL模型预测效能最佳（AUC＝0.844），优于传统临床-影像学联合模型及ML模型，该模型预测的VETC状态与患者术后复发率密切相关。

       上述研究表明，在预测VETC方面，传统ML模型依赖于手工特征提取，具有较高的临床可解释性；而DL模型可自主学习高维抽象特征，但在可解释性上存在局限性。综合来看，无论是传统ML模型还是DL模型，结合瘤周特征及多期相图像均能显著提供增量信息，表明肿瘤周围微环境对VETC的评估至关重要。然而，现有研究仍存在一定局限：当前研究多为回顾性单中心，样本量有限，VETC阳性比例、分割边界及特征筛选策略的差异可能影响模型稳定性；DL模型虽能挖掘高维抽象特征，但在跨中心、多设备场景下泛化性能尚待验证。未来研究需要在多中心队列中统一VETC判定标准、瘤周扩展范围和期相选择。

2.3 MVI

       MVI是HCC重要的病理特征，主要是指仅能在显微镜下可见的内皮细胞微小血管腔内癌细胞巢团。MVI在常规成像中很难检测到，其诊断主要依赖于术后组织学检查^[16]，它是预测术后复发风险和患者治疗后OS和RFS的关键危险因素。因此，术前准确预测MVI对调整治疗策略，优化治疗方案，降低术后复发风险，改善预后具有重要意义。多位学者已构建多种预测模型，并有荟萃分析^{[17, 18]}证实，MRI影像组学在术前预测MVI方面具有潜力。PENG等^[19]开发并验证了一种基于多期相MRI的影像组学模型，他们回顾性纳入了110例术前行多期相MRI的HCC患者，并分为训练集（n=77）与验证集（n=33）。从非增强期、动脉期、门脉期及肝胆期图像中提取影像组学特征，并采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征筛选，同时评估了五种ML模型的性能。结果显示，四期相融合模型（AUC=0.889）的预测性能显著优于单期或少量期相组合。该模型在验证集中敏感度、特异度、准确率与精确率均达到0.857，证实了多期相影像组学在MVI无创评估中的潜在临床应用价值。此外，影像组学不应只关注静态特征，动态特征能更好地揭示肿瘤的异质性、代谢变化以及肿瘤血管生成信息。ZHANG等^[20]进一步探讨了动态特征的价值，基于LASSO的特征选择方法和逻辑回归的分类算法，分别构建了静态、动态和动静态融合的影像组学模型。结果表明，动静态融合的影像组学模型预测效能最优（训练集AUC=0.805，外部验证集AUC=0.777），且动态模型在外部验证中表现稳定，显著优于静态模型。这也证实了动静态融合的影像组学模型在预测MVI中具有重要的临床价值与发展前景。这一观点在徐笑双等^[21]的研究中也得到了有力印证，他们基于Gd-EOB-DTPA增强MRI的Delta影像组学模型，验证了影像特征的动态变化在精准预测MVI中的独特优势。在DL预测MVI方面，WANG等^[22]开发一种基于术前MRI的多任务DL模型用于预测MVI，该模型采用transformer架构对提取特征后的234例患者的训练集上进行训练，然后在58例患者的内部测试集上进行验证，并在三个独立的外部测试集中进行效能评估，结果表明模型在预测MVI上具有高准确性，其在外部验证集中AUC最高可达0.837。但是DL预测模型的“黑盒”性质，使其缺乏一定的临床解释性。YOU等^[23]构建了一种基于注意力机制的特征融合网络来提升DL预测模型的临床可解释性，他们根据术前接受Gd-EOB-DTPA增强MRI检查HCC患者的影像数据，开发了多期相融合模型，结果表明四期相融合模型取得了最高的预测效能（AUC＝0.92），其协同注意力层的注意力热图显示各期相的肿瘤边缘、动脉期及肝胆期的瘤周区域是预测MVI的显著特征区域。全连接层的权重热图表明，肝胆期对MVI预测的贡献最大。该研究首次通过引入自注意力与协同注意力机制，揭示了深度影像特征与MVI之间的关联，增强了模型的临床可解读性。

       目前，学者们在MVI预测中采用的序列类型、特征提取范围及算法各不相同，导致模型侧重点与预测精度存在差异。在算法层面，传统ML优势在于每一步都有明确的生物学解释性，适合样本量小、模型透明度高的研究；而DL的优势在于强大的非线性表征能力，在大规模多中心任务里往往能给出更高的预测精度。在序列类型上，PENG等^[19]与YOU等^[23]的研究结果共同指向肝胆期提取特征的主导地位，认为其能更敏锐地捕捉肿瘤包膜受损及肝细胞功能改变；而ZHANG等^[20]则认为动态增强扫描的动力学特征才是提升模型外部泛化能力的关键，这种分歧反映了影像组学模型对设备参数及对比剂动力学的高度敏感性。在特征提取范围上，不同学者对瘤周拓展边界（如3 mm、5 mm或10 mm）的选取标准不一，导致了模型性能的波动。尽管存在上述分歧，但其共性均证实：整合多期相融合特征与拓展瘤周微环境区域能大幅提升预测效能。在此领域，MRI影像组学的核心临床意义在于打破了病理诊断的滞后性，提供了一种可靠的术前无创评估工具，有效协助临床开展高危人群分层及个体化切除范围的制定。有关MRI影像组学预测HCC不同侵袭性表型的代表性研究详情见表1。

点击查看表格

表1  MRI影像组学在HCC侵袭性表型中的代表研究
Tab. 1  Representative studies of MRI radiomics in aggressive phenotypes of hepatocellular carcinoma

3 MRI影像组学在个体化治疗决策与疗效评估中的应用

3.1 外科切除与肝移植复发风险

       预测术后复发风险是HCC临床管理的核心问题，手术切除虽是早期HCC患者的主要治疗方法^[24]。但复发率高，常导致患者远期获益受限，因此，准确评估HCC术后复发情况并实施干预至关重要。MRI的影像组学可作为预测HCC患者切除术后早期复发^{[25, 26, 27]}、RFS^{[28, 29]}和OS^{[30, 31]}的客观依据。ZENG等^[25]从多个中心回顾性纳入239例HCC患者，基于术前Gd-EOB-DTPA增强MRI影像数据中提取的影像组学特征，通过一致性分析筛选稳定的特征，并整合临床因素构建了影像组学列线图。结果表明，多期相影像组学模型展现出最佳的预测效能，在训练集与验证集中的AUC分别为0.799、0.743，可为术后复发高危患者的个性化治疗方案制定提供量化依据。同样基于术前增强MRI影像组学特征与临床独立危险因素，廖玉波等^[27]构建的基于DCE-MRI生境成像和含瘤周影像组学模型也充分证实了该可视化工具在无创预测HCC切除术后复发风险中的临床实用性。针对此类高危人群，术后辅助肝动脉化疗栓塞（postoperative adjuvant transarterial chemoembolization, PA-TACE）是降低复发风险的重要干预手段。GUO等^[32]从多序列MRI中提取特征并结合临床因子（中性粒细胞-淋巴细胞比值与肿瘤大小），构建了一个用于预测HCC患者经PA-TACE治疗后复发风险的综合模型，该模型在训练集、内部及外部验证集中均表现出良好且稳定的预测效能，可作为评估PA-TACE术后个体化预后的可靠风险分层工具。

       对于因肝功能受损或多灶性肿瘤而不适合手术切除的HCC患者，肝移植（liver transplantation, LT）是一种根治性选择，但治疗后复发仍是影响预后的主要因素，需要生物标志物在器官分配前更好地评估复发的风险。ISEKE等^[33]通过整合HCC患者治疗前的临床资料与MRI影像组学特征，构建了用于预测符合LT适应证的早期HCC患者术后复发风险的模型，该研究创新性地采用预训练卷积神经网络（convolutional neural network, CNN），从治疗前常规MRI增强图像中自动提取定量影像组学特征，并与临床数据相结合，构建的联合预测模型对移植后2至6年内复发的预测效能（AUC=0.76）显著优于仅使用临床参数的模型（AUC=0.68）。生存分析进一步证实其风险分层与RFS差异显著，为在器官分配前利用现有影像进行客观、无创的风险评估提供了概念验证，有望优化移植候选者筛选与分配决策。

       值得注意的是，外科切除与肝移植MRI影像组学研究面临的共性局限在于：术后复发受肿瘤生物学特性、手术切缘、肝功能储备及围手术期综合干预的影响，单纯基于影像模型难以全面涵盖复杂的动态临床协变量。此外，部分模型在外部验证中出现AUC降低，凸显其泛化能力不足，这主要归因于各中心间扫描仪器、对比剂类型、病因背景及复发终点定义的差异，特别是在肝移植场景中，预后还受制于器官分配、等待期桥接治疗及免疫抑制方案。因此，MRI影像组学模型现阶段更适宜作为传统评价标准的补充工具以优化术前风险分层，尚不具备独立指导器官分配等重大临床决策的条件。

3.2 局部治疗疗效评估

       对于经过筛选的不可切除或无法进行手术的HCC患者，局部治疗可以作为首选的治疗方案，具体包括经皮热消融术（percutaneous thermal ablation, PTA）、动脉介入治疗以及外放射治疗。然而，局部治疗的疗效受肿瘤微环境及异质性影响较大，亟需精准的术前评估^[34]。相关研究表明，基于MRI动脉期筛选并提取的影像组学特征与临床变量构建的模型，对于预测HCC患者局部治疗的疗效以及辅助个体化治疗决策有着重要作用^[35]。

       PTA适用于巴塞罗那HCC分期为0期或A期的患者，主要包括射频消融、微波消融和冷冻消融技术，通过诱导肿瘤坏死来达到治疗效果。HUANG等^[36]运用多期相MRI的Delta-影像组学分析治疗前肿瘤内及瘤周区域的动态特征变化，并与肝功能分级、肿瘤位置等关键临床与影像因素结合，构建出的预测列线图具有良好鉴别效能（最高AUC＝0.893），能有效对患者的RFS进行风险分层。在此基础上，研究进一步向更深度的多模态整合发展。WANG等^[37]构建了一个基于多序列MRI影像组学、DL特征以及临床指标的综合模型，该模型不仅纳入了传统影像组学与临床指标，更通过CNN提取深层次影像特征，在多中心机构一共535例患者的队列中验证了其稳健的预测性能（测试集AUC＝0.787）。这两项研究证明了整合MRI影像组学、DL与临床参数的综合性预测工具，能够更精准地评估PTA的治疗疗效。

       动脉介入治疗适用于肝功能良好的巴塞罗那HCC分期为B期的患者，主要包括肝动脉化疗栓塞术（transarterial chemoembolization, TACE）、肝动脉灌注化疗（hepatic arterial infusion chemotherapy, HAIC）以及选择性内放射治疗（transarterial radioembolization, TARE），其中TACE常作为一线治疗，但是其疗效并不稳定，完全坏死率整体处于较低水平^[38]，因此准确预测疗效对于治疗选择至关重要。ZHAO等^[39]回顾性纳入138例接受TACE治疗的HCC患者，通过融合瘤内及不同范围（3 mm、5 mm、10 mm）瘤周区域的影像组学特征，并联合碱性磷酸酶、肿瘤大小及卫星结节等指标，构建了临床-影像学模型，并将最优影像组学评分与筛选出的临床-影像学预测因子相结合建立联合模型，该模型以列线图形式展现出优异的鉴别效能（训练集AUC=0.910，验证集AUC=0.918），显著优于传统模型，为实现TACE治疗前的个体化疗效评估提供了可视化的决策工具。为进一步整合多模态信息，WANG等^[40]开发的TRACE模型创新性地将治疗前MRI影像组学特征、反映肿瘤侵袭性的“晕环征”影像标志物以及早期（术后1个月）治疗反应进行整合，精准预测TACE治疗后6个月疗效（外部验证集AUC=0.84），且其划分的风险层级能有效预测患者OS，性能优于现有临床评分系统。此项研究提示：融合基线影像特征与早期疗效动态评估的TRACE模型，有望成为一种更精准的工具，用于识别可能从TACE治疗中获益或需要早期调整治疗策略的患者群体。

       除了TACE，其他动脉介入方式同样可以通过MRI影像组学预测获益人群。在HAIC治疗方面，基于MRI影像组学与白蛋白-胆红素评分的联合列线图模型可有效区分预后风险等级^[41]。关于TARE疗效的预测，目前主要围绕治疗前风险分层与治疗后早期评估两大方向展开。在治疗前预测层面，İNCE等^[42]利用预处理的对比增强MRI的影像组学特征联合临床基线指标，通过多种ML算法构建的综合预测模型，可有效实现TARE治疗前的个体化疗效预判，其AUC值最高达0.94。在治疗后早期评估层面，AUJAY等^[43]基于治疗前后多期相MRI的动脉期特征，筛选出包括长游程强调在内的4个关键参数，构建了能高效预测TARE早期疗效的影像组学模型，其对早期疗效的预测效能同样优于传统形态学标准。总体而言，MRI影像组学正推动TARE疗效预测向多模态融合方向发展。

       放射治疗主要包括外放射治疗和立体定向放疗。近年来，立体定向放疗技术发展迅速，已逐渐成为无法手术肝癌的主要治疗手段之一^[44]。MRI影像组学能够通过肿瘤影像特征和放疗计划来预测治疗效果，从而帮助临床选择更合适的治疗方案。HUANG等^[45]回顾性选取了从单个中心接受放疗的伴有门静脉癌栓的131例HCC患者为研究对象，提取了两个影像组学特征，并将其与临床指标、放疗剂量参数相整合，构建了能准确预测OS的联合模型。目前关于HCC放疗的影像组学研究多基于计算机断层扫描，MRI影像组学在预测HCC放疗效果方面的作用，仍有待进一步探索。

       总体而言，MRI影像组学在局部治疗中的优势在于可量化肿瘤大小与卫星结节、瘤周区域特征及动脉期强化特征，辅助消融、TACE、HAIC、TARE或放疗等策略选择。但其研究仍面临局限：各研究治疗反应终点不统一，模型间难以横向比较；部分模型纳入术后早期治疗反应变量，更接近“早期疗效再评估”而非治疗前决策工具；PTA、TARE及放疗相关研究有限，部分模型泛化能力不足，需在前瞻性多中心研究中，针对不同局部治疗路径验证其临床获益。

3.3 免疫、靶向治疗疗效评估

       免疫与靶向治疗目前已作为巴塞罗那HCC分期为C期患者的一线治疗方案，而如何精准筛选潜在获益人群仍是临床实践中的核心挑战。近年来，基于MRI的影像组学特征在预测晚期HCC患者靶向及免疫治疗疗效方面展现出显著潜力，有助于确定最佳药物和治疗策略^[46]。

       同时，不同学者在具体的治疗模式、预测终点及研究设计上各有侧重与差异。在短期疗效与单药治疗预测方面，HUANG等^[47]开展了一项回顾性队列研究，重点聚焦于靶向治疗。他们基于多序列MRI筛选出7个关键影像特征，并联合瘤内血管和表皮生长因子受体的表达水平，构建了预测仑伐替尼治疗疗效的影像组学模型（验证集AUC达0.87以上）。与之相对，KANG等^[48]则通过一项纳入226例患者的多中心研究，将视野转向了更复杂的联合治疗模式，他们从六期MRI序列中提取16个影像组学特征，联合甲胎蛋白及中性粒细胞/淋巴细胞比值，构建了预测TACE联合靶向及免疫治疗疗效的联合模型。该模型在多个外部验证集中的AUC达0.89以上，增量预测价值最高达49.2%，凸显了联合模型在复杂个体化方案评估中的优势。

       在预测深度拓展方面，部分学者的差异点体现在将目标从短期缓解延伸至长期生存及深度解读肿瘤免疫微环境。XU等^[49]将重点放在了长期预后上，采用随机生存森林算法构建列线图模型，用于预测接受免疫检查点抑制剂联合抗血管生成药物治疗患者的PFS。此研究的训练集和验证集C指数分别达0.846和0.845，实现了对远期生存的精确分层。更进一步，ZHANG等^[50]则深入探索了影像组学与肿瘤内部微观病理的映射关系。通过对单中心机构152例HCC患者的瘤内及瘤周特征进行回顾性分析，构建了识别免疫活化型（高CD8+及高PD-L1联合阳性评分）的预测模型（内部验证集AUC=0.887）。该研究不仅能区分免疫治疗的客观缓解率和PFS，更证实了MRI影像组学可作为一种间接反映肿瘤免疫微环境状态的工具。

       从临床指导意义来看，尽管各学者的切入点不同，但均指向了一个核心价值：MRI影像组学通过宏观影像量化了肿瘤微观的免疫特征和肿瘤异质性，有效打破了传统穿刺活检存在的空间局限性以及病理诊断的滞后性。它不仅为临床制定精准差异化与全时程评估的靶向及免疫联合治疗策略提供了量化支持，更在协助开展高危人群分层、优化最佳药物选择方面展现出巨大的临床实用性。未来，随着DL技术的深度融合与多中心标准化数据的共享，影像组学有望逐步向实质性的临床决策支持系统转化，最终实现HCC全过程的精准管理。

4 挑战与展望

       现阶段，MRI影像组学在预测HCC侵袭性表型及评估个体化治疗决策中展现出巨大潜力，但其转化难点需要结合HCC的具体临床场景加以认识。首先，MVI、VETC、ITH及早期复发虽均与肿瘤侵袭性相关，但并不代表同一生物学过程，不同研究若不加以区分地将其统称为侵袭性表型，可能削弱模型的临床解释性。其次，个体化治疗决策并非单纯判断预后好坏，而是涉及切除范围、肝移植候选者筛选、消融或TACE获益人群识别、术后辅助治疗以及靶向免疫治疗转换时机等具体问题。因此，影像组学模型的价值不应仅由高AUC来证明，更需明确回答其对具体临床问题及决策的适用范围。此外，模型泛化不足仍是当前研究的重要限制。HCC患者的病因背景、肝硬化程度、肝功能储备、对比剂摄取能力和既往治疗的差异，不同中心MRI设备、动态增强期相、肝胆期采集时间及图像重建参数都会影响特征稳定性。部分研究在内部验证中表现良好，但在外部验证或跨中心应用时性能下降，不能稳定反映MVI、VETC或治疗反应的生物学特征。未来研究应更重视多中心外部验证。

       针对DL模型的“黑盒”问题，后续研究可适当引入可解释性人工智能（artificial intelligence, AI）方法，以增强模型结果与临床影像征象、病理机制之间的对应关系。传统影像组学模型可采用沙普利加法解释（shapley additive explanations, SHAP）分析全局和个体层面的特征贡献，量化纹理、形状、强化动力学或瘤周特征对MVI、VETC或复发风险预测的驱动效应；可采用局部可解释模型无关解释（local interpretable model-agnostic explanations, LIME）进行单病例局部解释，帮助临床理解模型为何将某一患者判定为高危。对于CNN、Transformer等DL模型，可采用梯度加权类激活映射（gradient-weighted class activation mapping, Grad-CAM）显示模型关注区域是否位于肿瘤边缘、瘤周低信号区、动脉期异常强化区或肝胆期低摄取区，并将热图与已知影像征象和病理机制对应。上述可解释性结果还应与放射科医师判断、病理切片、免疫组化或分子标志物进行交叉验证，将更有助于提升模型的临床可解释性。

       展望未来，MRI影像组学在HCC中的发展应从单中心模型构建逐步转向协作式临床验证，可考虑建立HCC影像组学多中心或国际协作队列，统一基本扫描信息、分割范围、病理标签和治疗结局随访方式；在扫描层面，可制定相对标准化的MRI采集建议，例如记录并尽量统一场强、对比剂类型与剂量、动态增强关键期相、肝胆期采集时间及DWI参数。对于数据共享受限的现实问题，可探索联邦学习框架，使不同中心在不直接交换原始影像的前提下共同训练和验证模型。同时开展前瞻性研究，评估MRI影像组学模型是否真正改变治疗决策、减少无效治疗、提高复发风险识别能力或改善患者生存结局。只有这样，MRI影像组学才可能成为HCC个体化治疗决策中的实质性工具。