0 引言

       肝内胆管癌（intrahepatic cholangiocarcinoma, ICC）是仅次于肝细胞癌的第二大原发性肝脏恶性肿瘤，约占原发性肝癌的10%~15%^{[1, 2]}。ICC的临床预后不佳，确诊时多数患者已处于中晚期，术后五年复发率高达60%~70%，中位生存期仅约13个月^{[3, 4]}。ICC具有显著的生物学异质性，这种在驱动基因突变谱系及肿瘤微环境层面的多维差异，赋予了不同亚型肿瘤截然不同的侵袭潜能^{[5, 6]}。多维度的异质性导致了临床治疗效果的个体差异，因此迫切需要能够全面反映肿瘤生物学行为的精准诊疗模式。在现存医疗体系中，MRI凭借其优异的软组织分辨率和多参数成像能力，已成为ICC诊断、分期及术前评估的基石。特别是动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）所呈现的特征性强化模式，如动脉期外周环状强化及延迟期的向心性填充^{[7, 8]}，不仅是鉴别ICC与肝细胞癌的关键影像学依据，也在一定程度上宏观反映了肿瘤的血供丰富程度及中心纤维化特征^[9]。然而，传统影像评估多停留在宏观形态，难以量化肿瘤内部微观的生物学改变，且有创活检存在由空间异质性导致的取样偏倚。影像组学利用计算机软件，高通量提取医学影像图像中的定量特征，筛选出最具价值的组学特征，与临床、病理及分子特征相结合，构建模型以实现精准诊断、评估预后及指导临床决策^[10]。既往综述多侧重于影像组学在ICC鉴别诊断与预后预测等方面的技术方法梳理与临床应用场景归纳，系统呈现了从特征提取到模型构建的完整研究链条，但较少深入探讨影像表型背后的生物学实质，迄今尚缺乏专门聚焦于影像组学特征与ICC生物学行为关联机制的系统性论述。本综述将系统梳理ICC领域放射学、病理学与基因组学相关的最新进展，聚焦于影像组学方法如何解析ICC影像学表型特征与病理分型、分子亚型及肿瘤侵袭性之间的内在关联，进而探讨构建影像-分子关联模型在实现非侵入性风险分层及指导个体化治疗决策中的潜在应用价值，为实现非侵入性风险分层与个体化治疗提供新视角。

1 文献检索策略

       检索数据库包括：PubMed、Web of Science、EMBASE以及中国知网（CNKI）等。为兼顾流行病学、临床病理、传统影像学及靶向免疫治疗等领域的关键文献，总体检索时间范围设定为2013年1月至2026年1月；同时，为聚焦前沿成果，将影像组学相关研究性论文的检索时间范围进一步限定为2020年1月至2026年1月。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=‘纹理分析’ OR AB=‘影像组学’ OR AB=‘放射组学’）AND [（AB=‘分级’ OR AB=‘肿瘤分级’ OR AB=‘病理分级’ OR AB=‘Tumor grading’ OR AB=‘分化’ OR AB=‘G1’ OR AB=‘G2’ OR AB=‘G3’）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=‘FGFR2’ OR AB=‘IDH1’ OR AB=‘IDH2’ OR AB=‘KRAS’ OR AB=‘TP53’ OR AB=‘基因突变’ OR AB=‘分子分型’）OR（AB=‘淋巴结转移’ OR AB=‘淋巴转移’ OR AB=‘淋巴结’ OR AB=‘LNM’ OR AB=‘lymph node’）OR（AB=‘MVI’ OR AB=‘微血管侵犯’）]。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）采用影像组学方法（传统机器学习或深度学习）；（3）涉及病理分型、鉴别诊断、分子亚型、肿瘤侵袭性[微血管侵犯（microvascular invasion, MVI）与淋巴结转移（lymph node metastasis, LNM）]、预后预测或治疗反应之一；（4）原创性研究，数据完整。文献排除标准：（1）会议摘要、个案报道、评论等文献；（2）数据样本量过小或无法提取关键信息；（3）单纯细胞/动物实验等基础研究。依据上述检索与筛选策略，最终共纳入相关文献61篇。

1 影像组学在病理分型与分级的研究进展

1.1 病理分型的评估

       病理分型是评估ICC预后和指导治疗选择的关键依据，不同分型显著影响患者生存期与治疗方案。CARPINO等^[11]利用欧洲多中心ICC组织学登记库数据，开发了一种整合计算机体层成像（computed tomography, CT）形态学与影像组学特征的联合预测模型，旨在无创识别具有特定临床意义的ICC组织学亚型。该模型首次利用影像组学精准区分了ICC的两大组织学亚型：小胆管型（small bile duct, SBD）与大胆管型（large bile duct, LBD），其组学特征与亚型特异的纤维化间质及黏液分泌等病理改变密切相关。尤其在识别富含黏液的PAS染色高表达（PAS-high）LBD亚型时表现出极高的诊断效能，验证组受试者工作特征曲线下面积（area under the curve, AUC）达0.930；研究进一步证实，该影像组学表型所对应的PAS-high LBD亚型通常伴有高频率的神经侵犯（perineural invasion, PNI）以及碱性磷酸酶（ALP）、γ-谷氨酰转移酶（GGT）和糖类抗原19-9（CA19-9）等血清胆汁淤积指标的显著升高，且患者的5年总生存期（overall survival, OS）显著低于其他亚型。这表明该影像组学模型不仅能捕捉肿瘤内部的微观病理特征，还能作为预测“极差预后”高危人群的生物标志物。

1.2 分化程度的评估

       在组织学分级（分化程度）的无创评估方面，现有影像组学研究可按组学分析方法归类为三类：全肿瘤整合分析、肿瘤亚区域（栖息地）分析以及瘤周区域扩展分析。

       在全肿瘤整合分析方面，CHEN等^[12]采用T2WI脂肪抑制（fat saturation, FS）与扩散加权成像（diffusion-weighted imaging, DWI）序列，分别构建了预测ICC MVI与肿瘤分级的影像组学模型。针对肿瘤分级（高分级G3 vs. 低分级G1/G2），研究通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归筛选出9个关键影像组学特征并建立影像组学评分，进一步联合独立形态学预测因子（肿瘤数量、肿瘤坏死）构建列线图。该列线图的预测性能显著优于单独的临床模型。研究提示，T2WI-FS序列因信噪比与空间分辨率较高，在反映肿瘤恶性程度方面贡献更为突出。低分化ICC因肿瘤快速生长导致血供不足和缺氧而易出现坏死^[13]，影像组学特征能够有效捕捉肿瘤的空间异质性，该模型较好地反映了肿瘤的生物学侵袭性。

       在进一步探索肿瘤内部微环境的复杂性时，ZHUO等^[14]提出了一种创新的“肿瘤栖息地（tumor habitat）”分析方法。该研究认为，传统的全肿瘤分析可能掩盖了局部关键信息，因此利用K-means聚类算法对T2WI DWI序列进行像素级聚类，将肿瘤分割为具有不同生物学特性的亚区域。结果显示，低分化ICC由于缺氧、坏死及细胞增殖的不均一性，表现出极高的肿瘤内异质性（intratumor heterogeneity, ITH）。相较于单一临床模型（外部验证AUC=0.675），整合了栖息地特征的联合模型在多中心验证中展现了卓越的预测性能（AUC达0.815），证实了量化肿瘤亚区域的空间异质性是术前无创评估ICC病理分级的有力手段。

       此外，肿瘤微环境及周边区域在分级预测中的关键作用也备受关注。从病理学角度分析，ICC的瘤周区域并非单纯的正常肝实质，而是肿瘤与宿主相互作用的区域。该区域的微环境特征（如MVI、微卫星灶形成及肿瘤相关炎性反应等）可能与ICC的侵袭进展密切相关。

       WANG等^[15]利用深度学习影像组学技术，发现将特征提取范围扩展至肿瘤边缘外6 mm的区域能显著提升模型性能，这提示低分化肿瘤可能伴随周边微环境的改变，而这些潜在改变可被深层影像特征所反映；但该研究未直接验证这些改变的具体病理性质（如MVI与炎性浸润的区分）。FIZ等^[16]在一项多中心CT研究中也得出了类似结论，他们发现包含肿瘤周边5 mm组织的影像组学特征在区分G3（低分化）与G1~2（中高分化）肿瘤时具有决定性贡献。在此基础上，李晓萌等^[17]通过对比不同扩展距离（3~20 mm）进一步细化了MRI下的最佳瘤周范围，发现基于DWI序列的瘤内+瘤周3 mm联合模型预测效能最佳。该研究推测，随着肿瘤分化程度降低，瘤内及紧邻肿瘤的3 mm微环境中细胞密度均可能增加，导致水分子扩散受限；DWI序列对这一微观结构变化较T2WI更为敏感，而过大的瘤周范围则可能因引入过多正常肝实质的噪声而降低预测效能。然而，瘤周微环境的病理组织学基础仍有待影像-病理空间配准研究直接验证。

       这些发现共同表明，影像组学可量化高恶性度ICC对周围肝实质的影响。然而，不同研究所确定的最佳瘤周距离存在差异，可能源于以下因素：影像模态与序列的不同、研究人群肿瘤生物学特性的异质性、建模策略与特征筛选方法的差异，以及影像采集参数（如层厚、体素大小）的不一致等。目前并无瘤周距离选择的最佳标准，未来应结合病理大切片技术，将影像定义的瘤周区域与病理证实的组织学改变进行像素级配准，为瘤周距离选择提供直接生物学依据；同时，应针对不同采集参数及影像模态，建立相应的技术规范，避免“一刀切”。

       这些研究均通过量化肿瘤的空间异质性，尤其是缺氧、坏死及微浸润，来反映低分化ICC的生物学侵袭性，在空间分析维度上则呈现出从全瘤整体分布到亚区域局部聚类及瘤周精细扩展的清晰递进。随着研究的持续演进，从早期全瘤结合形态学整合的方法，逐步发展到栖息地亚区域的精细化和最佳瘤周距离的优化，模型的AUC值也随之稳步提升，从而显著增强了生物学解释力和临床泛化能力。

1.3 鉴别诊断

       在ICC与不典型肝细胞癌（hepatocellular carcinoma, HCC）的鉴别中，LIU等^[18]指出，ICC由于富含纤维间质，其在MRI上的纹理异质性显著高于HCC；基于此构建的影像组学模型在验证组中不仅准确率优于放射科医师，还发现小波变换后的高频纹理特征是区分两者的关键，这直接反映了ICC内部更为复杂的间质成分。针对更复杂的混合型肿瘤，ZHANG等^[19]进一步探究了双表型肝细胞癌（dual-phenotype HCC, DPHCC）与ICC的鉴别。研究结果显示，DPHCC在CT影像组学上表现出介于HCC与ICC之间的过渡特征，而ICC因富含纤维间质表现出更强的空间异质性，模型中的高频纹理特征能够有效捕捉这种微观组织异质性，有效弥补了术前穿刺活检对双表型肿瘤易漏诊的局限性。此外，对于罕见的肝脏淋巴瘤与ICC的鉴别，XU等^[20]发现肝淋巴瘤在纹理上表现出比ICC更高的均匀性，这一量化指标成功避免了对淋巴瘤患者进行不必要的肝切除手术。以上研究通过量化纹理异质性，有效捕捉了ICC纤维间质丰富的独特病理特征，这为ICC的分型、分级及鉴别诊断提供了重要依据，从而指导临床治疗决策。

1.4 技术策略评析

       纵观当前影像组学预测模型，其构建实质是“成像模态”“ROI勾画策略”与“特征提取算法”的组合优化。首先，在成像模态的选择上，CT标准化程度高，适用于大规模回顾性分析及宏观形态学评估；而MRI凭借其卓越的软组织对比度，特别是DWI序列对细胞密度的量化能力以及增强序列对血供特征的刻画，在分级任务中具有更高的效能上限^[21]。其次，在感兴趣区（region of interest, ROI）勾画策略上，模型正从“整体平均”向“空间精细化”演进，不同策略对肿瘤异质性的捕捉能力差异显著。最后，在特征提取算法方面，传统影像组学特征能与病理学上的纤维比例、坏死程度形成良好映射，具备较强的生物学透明度；而深度学习则通过端到端的深层特征提取，能够捕捉肉眼及传统算法无法定义的微观模式，在特定数据集上展现出性能提升的潜力，所提取的成像表征在理论上超越了传统手工制作的放射组学特征的描述能力^[22]。然而，其“黑箱”特性导致的临床可解释性差、对大样本数据的高度依赖以及跨中心泛化性挑战，是当前阻碍其向病理机制探讨和临床推广转化的主要瓶颈。

       ICC影像组学模型的性能差异源于各环节的组合选择。应根据临床场景、数据质量及所要评估的病理特征，匹配合适的模态、区域与算法，以实现影像特征与肿瘤生物学行为的深度结合，从而提升研究的临床泛化价值与科学意义。

       影像组学技术本身也存在一定的局限性。首先，特征在不同中心及设备间的可重复性不足，扫描参数差异易导致特征偏移，虽可通过ComBat等算法校正，但采纳率低且缺乏标准化流程^[23]；其次，ROI勾画的观察者间差异显著，尤其在肿瘤边界不清或伴有坏死、出血时，对纹理特征影响较大^[24]；此外，高维特征与有限样本量之间易引发过拟合，使模型在外部队列中性能下降^[25]。因此，提升特征的跨中心稳健性、建立标准化的勾画流程以降低观察者间差异、采用严谨的验证策略控制过拟合风险，对推动影像组学的临床转化具有重要意义。

       对于深层机制方面的探讨，当前影像组学模型仍存在不足。多数研究止步于“AUC较高，反映异质性”的间接推论，未能将高权重的组学特征直接锚定至具体的组织病理学改变，缺乏影像-病理空间配准的直接证据。不同ROI策略所捕捉的生物学过程尚未被清晰界定，栖息地模型识别出的亚区域究竟对应缺氧区还是增殖区，瘤周区域的改变究竟是MVI还是炎性浸润，仍需病理大切片技术予以验证。

       虽然影像组学在宏观病理层面的研究为ICC的精准分型奠定了重要基础，但上述研究仍难以完全解释同一病理类型患者间预后与治疗反应的差异，亟须向分子层面深入。

2 影像组学在分子亚型的研究进展

       针对ICC显著的分子异质性，影像组学可构建影像表型与驱动基因突变、免疫微环境的关联模型，从而实现分子亚型的无创识别，将影像学从“形态描述”推向“机制阐释”。

       在探索影像表型与分子特征关联的过程中，纹理分析技术作为影像组学的核心方法，发挥了不可替代的作用。纹理分析技术通过计算机算法定量提取医学图像中像素灰度的分布规律及空间排列特征，能够捕捉人眼难以识别的微观异质性信息^[26]。该技术提取的特征主要分为三类：一阶统计特征（如熵值、偏度、均匀性），反映肿瘤内部灰度分布的整体规律；二阶统计特征（如对比度、相关性、逆差矩），反映像素间的空间关系，量化组织结构的有序性与异质性；高阶特征（如小波变换），捕捉多尺度下的细微结构变化^[26]。多种研究表明纹理特征与肿瘤生物学行为具有一定相关性：熵值反映组织结构混乱程度，低熵值提示细胞排列规则、坏死少（如IDH突变型）；偏度反映灰度分布不对称性，如上文中提到的高偏度与大LBD ICC的黏液分泌及纤维化间质相关；相关性、逆差矩等二阶特征则反映组织均匀性，与FGFR2基因融合型肿瘤的低纤维间质比例相关。不同分子亚型具有独特的纹理特征，为术前无创分子分型提供了理论依据。

       FGFR2基因融合或重排是ICC中预后最佳且最具靶向治疗价值的分子亚型^{[27, 28]}。临床试验数据显示，FGFR2基因融合患者接受共价抑制剂futibatinib治疗后的客观缓解率高达42%，中位OS延长至21.7个月，显著优于常规化疗^[29]。同时，真实世界研究也证实该亚型患者整体生存期优于其他突变类型^[30]。针对这一亚型，IGANÒ等^[31]运用影像组学，通过分析增强CT门脉期的图像纹理来构建预测模型。研究发现，FGFR2基因融合阳性的肿瘤在影像上表现出独特的血管生成模式和较低的纤维间质比例。从肿瘤微环境的病理生理机制而言，FGFR2基因融合作为强效的细胞自主性致癌驱动因素，改变了肿瘤细胞的分泌组，使其下调了TGF-β等促纤维化旁分泌信号，未能有效招募和激活肿瘤相关成纤维细胞（CAFs）^[32]。此外，该亚型常呈现缺乏巨噬细胞及T细胞浸润的“免疫荒漠”表型，进一步削弱了局部的促结缔组织增生（Desmoplasia）反应^[33]。这种相对疏松、物理屏障较弱的肿瘤微环境，不仅为靶向药物的高效穿透提供了组织学基础，其生物学特性也被转化为特定的纹理特征和一阶统计特征，从而使该亚型能够被影像组学有效识别。因此，对于影像组学模型判定为“FGFR2基因融合高概率”的患者，临床医生可视其为预后良好的低危亚群，并优先推荐基因检测以尽早启动靶向治疗，从而在无创条件下实现分子分层的初筛。

       IDH1/2突变亚型因其独特的代谢机制（产生2-HG抑制细胞分化）^[34]，预后通常优于KRAS/TP53突变型^[35]。ZHU等^[36]在研究中运用对比增强CT的纹理分析技术，得出IDH突变型ICC呈现出低熵值、高均匀性等特征，提示该亚型肿瘤具有较低的异质性。从微环境机制而言，IDH突变驱动的2-HG介导表观遗传重编程，促进“小胆管型”形态，肿瘤细胞排列相对规则，不伴有显著的纤维间质反应，从而形成影像上较为同质化的肿瘤组织，降低纹理异质性^{[37, 38]}；同时伴随免疫抑制性微环境，且血管生成受抑^[39]。基于影像组学及临床特征的联合模型对IDH突变具有良好的预测效能。同样在临床实验中，ClarIDHy试验的长期随访结果表明，IDH1突变患者使用突变抑制剂ivosidenib后，中位OS较安慰剂组翻倍（10.3个月vs 5.1个月）^[40]。因此，影像组学模型不仅能够识别出适合靶向治疗的潜在获益人群，未来还有望通过监测影像特征的动态演变（如熵值或纹理参数的改变），先于肿瘤体积的变化，作为评估靶向药物疗效的早期敏感指标。

       随着免疫治疗成为一线标准，识别富含淋巴细胞浸润的“免疫热”肿瘤（对应炎症/免疫激活分子亚型）^[41]至关重要。此类亚型预后较好^[42]，对免疫检查点抑制剂敏感^[33]。影像组学在无创评估肿瘤免疫微环境方面展现出重要价值。多项研究证实，高维影像组学特征与肿瘤免疫状态密切相关。ZHANG等^[42]研究发现，包含小波特征及三维形状特征的影像组学模型可准确区分“炎症型”与“非炎症型”免疫表型，且特定小波特征与总生存期独立相关，可实现高低风险有效分层（1年生存率89.5% vs. 62.5%）。JI等^[43]基于空间转录组与CT影像组学，通过机器学习筛选出3个小波特征，构建了预测免疫风险评分（immune risk score, IRS）的放射转录组学模型。该模型在多级独立队列中可有效预测患者预后（C-index>0.64）及免疫联合化疗的客观缓解率。研究进一步识别出核心基因uPAR作为潜在治疗靶点，并经动物实验验证其联合程序性细胞死亡蛋白-1（programmed death-1, PD-1）抑制剂的抗肿瘤效应。该工作实现了从“影像特征→免疫分型→预后预测→靶点验证”的全链条研究，为筛选免疫联合化疗获益人群及开发新型联合治疗策略提供了重要依据。而另一项针对极早期复发（very early recurrence, VER）的研究同样发现，影像组学特征所反映的低免疫浸润状态是术后早期复发的独立危险因素^[44]。这些结果与临床基因组学研究相呼应：炎症亚型患者预后优于增殖亚型，且更易从免疫治疗中获益^[45]。

       而携带KRAS基因或TP53基因突变，以及属于“增殖”分子亚型的ICC患者预后最差^{[46, 47]}。这类肿瘤具有极强的侵袭性和耐药性^{[48, 49]}。此类患者对常规化疗及靶向治疗反应不佳，生存期显著缩短^[48]。然而，目前针对KRAS/TP53突变及增殖亚型的影像组学研究较为有限，有待进一步研究。对于BRAF基因突变等其他低频靶向亚型，临床层面虽已证实其靶向治疗价值^[50]，但该类亚型在ICC中自然发生率较低，加之临床分子检测普及度有限、相应靶向药物可及性尚不充分，导致可收集的样本量较小，相关影像组学研究尚处于起步阶段。因此，未来研究需在聚焦高危亚型侵袭机制解析的同时，积极探索迁移学习、小样本学习等新型建模策略，以推动影像组学对ICC全分子谱系的精准覆盖。

3 影像组学在肿瘤侵袭性的研究进展

       特定的病理分级与恶性分子亚型，其临床结局往往体现为极强的肿瘤侵袭性。MVI与LNM作为这种内在异质性的外在表征，直接关联着手术方案的抉择及术后复发风险的预判^{[51, 52]}。影像组学在此方面的研究，呈现出从“单一模态全肿瘤分析”到“多参数融合优化”再到“亚区划分与多维扩展”的演进过程。

       MVI的早期研究主要聚焦于单一模态的特征提取，探索其可行性。针对肿块型ICC，XIANG等^[53]基于对比增强CT提取纹理特征，发现肿瘤边缘的不规则度与强化异质性是MVI的高危因素，构建的影像组学模型在验证集中显示出较好的区分度。为了进一步捕捉肿瘤血供动力学的微观变化，ZHOU等^[54]利用动态对比增强MRI提取影像组学“签名”，研究深入分析发现，小波变换特征及灰度共生矩阵中的高熵值与灰度不均匀性与MVI呈正相关，提示肿瘤内部越混乱、异质性越高，发生MVI的概率越大。

       为了提升模型的稳健性，研究者进一步优化特征筛选并融合多参数信息。QIAN等^[51]整合了多参数MRI特征与临床危险因素，构建了可视化的列线图，该模型不仅纳入了影像组学评分，还结合了肿瘤大小等形态学特征，展现出良好的预测效能。在此基础上，MA等^[55]基于多序列MRI，在肿瘤内部及瘤周区域提取影像组学特征，并联合形态学独立预测因子构建列线图。结果表明，T1WI-D、T1WI及DWI三个序列的组合在瘤周10 mm区域表现最佳，其中DWI可有效反映肿瘤细胞的扩散与浸润情况，而T1WI-D在评估肿瘤血供及侵袭性方面具有优势。研究还发现，肿瘤分级越高，MVI发生的可能性越大。尽管在单变量分析中肿瘤分级与MVI存在显著相关性，但在多变量分析中该变量不再具有统计学意义，因此未作为独立预测因子纳入最终模型。MIAO等^[56]基于多序列MRI提取肿瘤特征，建立综合影像组学模型，用于术前预测ICC的MVI状态并评估预后结局，该研究揭示了高影像组学评分与患者的不良预后显著相关，从而将影像组学从单纯的诊断工具延伸为预后评估工具。综上所述，融合多序列特征的模型性能显著优于单一序列模型，表明多模态信息的互补性对于捕捉微小的血管侵袭至关重要。

       LNM是ICC最具侵袭性的生物学行为之一，也是导致术后复发和生存率下降的关键独立危险因素。CT是ICC术前评估的首选检查手段，基于增强CT的纹理分析已证实能有效捕捉肿瘤的异质性。ZHANG等^[57]回顾性分析了296例ICC患者的增强CT图像，提取了高通量的组学特征，通过LASSO回归筛选出与LNM高度相关的关键特征，构建了影像组学评分。研究结果显示，影像组学模型在训练集和验证集中预测LNM的曲线下面积均显著优于单纯的临床模型，且决策曲线分析证实了其在指导临床淋巴结清扫决策中的净获益。为了进一步提高预测精度，CHEN等^[58]并未局限于全肿瘤的整体分析，而是运用了“肿瘤栖息地”概念。研究发现，基于肿瘤栖息地亚区域特征构建的融合模型，能够更细腻地反映肿瘤内部的空间异质性，其预测LNM的性能显著优于传统全肿瘤分析方法，提示肿瘤内部特定的代谢活跃或坏死区域可能蕴含着更丰富的转移生物学信息。

       相较于CT，MRI在反映肿瘤微环境方面具有独特优势。QIAN等^[59]基于MRI序列提取组学特征，证实了MRI影像组学标签是ICC区域LNM的独立预测因子；其构建的列线图模型不仅能准确识别LNM，还被证实与患者的无复发生存期密切相关，表明组学特征在反映肿瘤侵袭性的同时，也是潜在的预后生物标志物。此外，肿瘤的侵袭性不仅取决于肿瘤实质，还与肿瘤周边的微环境密切相关。PAN等^[60]利用DCE-MRI，分别提取了肿瘤内和肿瘤周的影像组学特征。研究结果表明，联合肿瘤内和肿瘤周特征的多区域模型，其预测效能优于单一区域模型。这揭示了肿瘤边缘及邻近肝实质的细微改变（如MVI或炎性反应）可能在早期LNM过程中扮演了重要角色，影像组学成功捕捉到了这些肉眼不可见的微环境改变。此类基于高维特征的模型弥补了TNM分期的局限，有助于术前精准识别高危患者并指导个体化治疗决策，对改善ICC患者预后具有重要价值。

       基于K-means聚类的栖息地模型与瘤周模型的应用已成为目前的研究趋势，在预测LNM方面，二者均取得了良好的预测性能。但是两种方法侧重点各有不同：栖息地模型能够捕捉肿瘤内部的空间异质性，尤其适用于识别与转移相关的局部高代谢或坏死区域，在预测LNM时展现出优于传统全肿瘤分析的效能。然而，该方法对图像质量、序列选择及聚类参数设置高度敏感，且各亚区域的生物学意义需依赖后续病理或分子数据进行解释，限制了其在多中心研究中的可重复性^[61]。而瘤周模型通过预先设定距离阈值将瘤周区域纳入特征提取范围，操作更加简便。但其局限性在于，固定距离的选择缺乏生物学依据，不同研究间距离阈值不统一，导致结果难以直接比较。在未来的研究中，可以将两种方法融合，即同时提取肿瘤内部亚区域特征与瘤周固定距离特征，有望实现进一步提升预测效能，实现对肿瘤侵袭性的多维度评估。

       纵观ICC肿瘤侵袭性预测方法的不断演进，以上组学研究均通过量化肿瘤的空间异质性来反映MVI的生物学行为。而从“单模态”到“多模态”、从“瘤内”到“瘤周”、从“诊断”到“预后评估”的不断深入，不仅是技术路径的升级，更是对肿瘤生物学行为理解的不断深化。多模态融合可提升信息维度，瘤周扩展可贴近病理实质，而亚区划分则有助于揭示肿瘤内部的功能异质性。此外，当前研究并非仅依赖于影像特征的提取，本文所综述的大多数研究均将影像组学特征与临床指标整合建立联合模型，其性能普遍优于单纯的组学模型或临床模型。例如，肿瘤最大径、肿瘤数目等临床形态学特征，以及CA19-9、癌胚抗原（carcinoembryonic antigen, CEA）等血清标志物，常与影像组学特征一同作为独立预测因子纳入预测模型。这种“影像-临床”联合建模已成为当前研究的主流趋势。随着病理组学、基因组学、免疫组学等多维度数据的引入，影像组学逐步向更深层次的多组学融合模型演进。未来，随着多中心前瞻性研究的开展与标准化方法的建立，影像组学有望真正融入临床诊疗流程，为实现ICC患者个体化精准治疗提供有力支撑。

4 总结与展望

       针对ICC的影像组学研究已在肿瘤异质性分析、分子亚型预测及侵袭性评估等方面取得显著进展（表1）。但目前仍存在一定局限性：其一，多数研究仍停留在回顾性验证阶段，缺乏针对特定ICC亚型的多中心前瞻性队列；其二，ICC不同分子亚型在纤维间质比例、坏死程度等病理特征上差异显著，同一影像组学特征在不同亚型中的生物学内涵可能不同，现有研究多混杂建模，缺乏针对性解析，影响模型可解释性与临床可信度；其三，ICC内部成分复杂，这对ROI的精准勾画构成了特异性挑战。传统的“全肿瘤勾画”易稀释局部高恶性栖息地的组学信号，且规避坏死区的标准不一，加剧了跨设备特征的不稳定性；其四，ICC常伴随MVI、LNM等侵袭性行为，但现有影像组学模型多聚焦于单一任务（如仅预测MVI或仅预测LNM），缺乏对肿瘤整体侵袭潜能的多维度综合评估，难以全面反映ICC的生物学恶性程度；其五，ICC影像组学特征对成像参数表现出高度敏感性，不同中心的磁场强度（1.5 T、3.0 T）、设备厂商及扫描序列参数的细微差异，均可导致同一病灶的纹理特征产生显著波动（即“域偏移”现象），这种批次效应严重阻碍了多中心联合研究的开展，是当前制约模型泛化能力的关键技术瓶颈。

       针对ICC的疾病特点与现有研究不足，未来应聚焦于以下几点：（1）聚焦高危分子亚型开展针对性研究，KRAS/TP53突变型ICC预后极差，目前针对这一亚型的影像组学研究较为有限，未来可构建专门针对KRAS/TP53突变型的影像组学预测模型，为早期识别高危患者、优化治疗策略提供依据。（2）推动影像组学与单细胞测序、空间转录组学的深度整合，未来可通过影像组学特征与单细胞转录谱的关联分析，解析特定影像表型所对应的细胞亚群组成及功能状态，将宏观影像特征锚定至微观细胞生态位，提升模型的可解释性与生物学可信度。（3）深化可解释人工智能的临床转化，有助于破解影像组学的"黑箱"困境。应对传统机器学习模型可引入SHAP分析，量化各组学特征对ICC分子亚型预测的贡献权重。更关键的是，须建立"影像热图—病理切片"跨尺度空间共定位机制：将术前MRI的高权重区域与数字病理及空间转录组学数据进行三维精准对齐，从细胞层面确证AI关注区域的真实生物学内涵，提升模型的临床可解释性与可信度。（4）构建多任务学习模型实现肿瘤侵袭性的综合评估，同时预测MVI、LNM等多项指标，更全面地反映ICC的生物学恶性程度，为个体化手术方案与辅助治疗决策提供一站式评估工具。（5）未来应着力解决多中心影像数据异质性带来的模型泛化瓶颈。采集端需统一关键扫描参数；预处理端应探索针对ICC肿瘤内部坏死、出血等复杂成分的自适应归一化方法，避免传统灰度归一化对病理特征的过度平滑；分析端需开发适用于ICC高异质性特征的批效应校正算法，或引入联邦学习框架，在保护数据隐私的前提下实现多中心协同建模，从而提升模型跨中心泛化能力。（6）推动影像组学模型向临床工作流程的嵌入式转化。未来应着力推进两大方向的融合：一是影像归档和通信系统的深度集成，将组学模型以插件形式直接嵌入影像存档与通信系统，实现“一键式”智能化报告，辅助医生在阅片的同时获取定量决策支持；二是自动勾画技术的协同应用，将U-Net、nnU-Net等深度学习分割模型整合进预处理流程，实现病灶的快速、标准化勾画，显著减少观察者间差异，提升组学特征的跨中心可重复性。

点击查看表格

表1  影像组学模型研究设计与效能指标汇总
Tab. 1  Summary of methodologies and performance of radiomics models