0 引言

       肝细胞癌（hepatocellular carcinoma, HCC）是世界上常见的肿瘤之一，其治疗后复发率高，预后差^[1]。微血管侵犯（microvascular invasion, MVI）是显微镜下可见的血管内皮细胞衬覆的脉管腔内癌细胞团^[2]，作为HCC侵袭性生物学行为的核心标志，是影响HCC患者术后复发和生存的重要因素。其术前精准评估对临床治疗方案制定、个体化干预及预后判断具有重要指导价值。目前，MVI主要依靠术后病理诊断，具有滞后性，传统影像学检查（如CT、常规超声）对MVI的显示敏感度较低，难以满足术前无创精准预测的临床需求。钆塞酸二钠（gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid, GD-EOB-DTPA）作为一种肝细胞特异性MRI对比剂，可通过动态增强扫描获取动脉期（arterial phase, AP）、门静脉期（portal venous phase, PVP）、平衡期及肝胆特异期（hepatobiliary phase, HBP）多期相影像信息，清晰呈现肿瘤形态、血供特点，可有效评估MVI风险，对于术前无创预测HCC MVI具有重要作用^{[3, 4]}。在此基础上发展的人工智能（artificial intelligence, AI）技术为HCC术前MVI预测提供了新路径^{[5, 6, 7]}。本文突破既往综述“泛化覆盖多类影像学技术”的局限，以GD-EOB-DTPA增强MRI为核心主线，从GD-EOB-DTPA增强MRI影像征象及相关影像组学、生境成像和深度学习（deep learning, DL）预测HCC MVI的研究现状展开综述，以期为临床实现无创预测手段提供参考，帮助临床医生选择合适的治疗方案，改善患者预后，提高患者生存率。

1 文献检索

       为系统阐述GD-EOB-DTPA增强MRI在HCC术前MVI预测中的研究现状，本文检索国内外数据库，包括中国知网、万方数据库、维普和PubMed，检索时间为2019年至2026年3月，该阶段相关影像诊断、模型分析技术趋于成熟，研究成果贴合本课题研究方向，同时统一时间边界，确保文献分析具备可比性，使用主题词及自由词检索，中文检索式为（“钆塞酸二钠”OR“普美显”OR“GD-EOB-DTPA”）AND（“肝细胞癌”OR“肝癌”OR“HCC”）AND（“微血管侵犯”OR“MVI”）；英文检索式为（“gadoxetate disodium”OR“GD-EOB-DTPA”）AND（“Hepatocellular Carcinoma”OR“HCC”）AND（“Microvascular Invasion”OR“MVI”），共检索到文献455篇，经过去重、文章题目和摘要判断、全文阅读后，排除419篇文献。排除标准：（1）研究对象接受其他治疗，如抗肿瘤化疗、靶向免疫治疗等；（2）不可获取完整数据的文献；（3）样本量<20例的研究；（4）重复发表的文献，个案报告、评述、综述或会议摘要类文献等。最终纳入文献36篇。

2 GD-EOB-DTPA增强MRI影像征象预测HCC的MVI

       相较于传统MRI及其他影像学检查^[8]，GD-EOB-DTPA增强MRI凭借其肝细胞特异性对比剂的独特优势，可更清晰地显示HCC的病灶特征。超声造影（contrast-enhanced ultrasound, CEUS）虽具有成本低、易获得、可实时监测等优势，但HUANG等^[8]对比研究表明，GD-EOB-DTPA增强MRI预测HCC的MVI中特异性更高，达到90.5%。

2.1 MRI影像征象对MVI的预测价值

       HONG等^[9]通过荟萃分析36项相关研究，筛选出7项与MVI显著相关的MRI影像特征：肿瘤体积较大（>5 cm）、AP边缘强化、AP瘤周强化、HBP瘤周低信号、肿瘤边缘不规则、多灶性病变以及T1加权成像（T1WI）低信号。HBP瘤周低信号和多发病灶对MVI诊断的特异性分别达91.1%和93.3%。LU等^[10]研究亦证实，HBP瘤周低信号是MVI的独立预测因子（OR=4.343，P=0.003）。这一结果可能与MVI发生时，HBP肿瘤周围肝细胞的有机阴离子转运多肽（OATPs）表达下降，导致对比剂摄取减少密切相关^[11]。此外，BEI等^[12]构建的模型的受试者工作特征曲线下面积（area under the curve, AUC）为0.871，提示，AP边缘强化、肿瘤包膜不完整和肿瘤内血管增强是MVI的独立风险因子。上述模型效能良好，但一致性有待验证，且多基于回顾性研究，临床转化需结合临床数据调整。

2.2 LI-RADS评分体系辅助优化MVI预测效能

       针对人工阅片征象判读标准不统一的问题，临床将标准化LI-RADS评分体系与GD-EOB-DTPA增强MRI影像征象结合，有效提升MVI预测效能。YANG等^[13]表明，结合肝脏影像报告和数据系统2018版（Liver Imaging Reporting And Data System, LI-RADS v2018）标准，晕环状强化、马赛克征、肿瘤边缘不光滑及HBP瘤周低信号这四项影像学特征，可作为预测MVI的影像学标志物，任意一项阳性时，MVI敏感度可达90%以上。改良版LI-RADS（mLI-RADS）在维持高特异性的同时显著提升小HCC诊断敏感性^[14]，更高效地通过影像征象（包括扩散加权成像扩散受限、HBP低信号、马赛克结构）捕捉MVI相关影像学线索，进一步优化MVI预测效能。

2.3 HBP成像时间对MVI预测模型效能的影响

       GD-EOB-DTPA增强MRI的HBP成像时间是影响病灶特征显示的关键扫描参数，同时影响预测模型的整体诊断效能。ZHANG等^[15]基于HBP的5 min、10 min和15 min采集的图像构建的预测模型AUC分别为0.685、0.718和0.795，HBP 15 min可作为模型构建的最优延迟时间。然而，最优延迟时间的选择并非绝对，需大样本、多中心研究进一步细化选择标准，为临床诊疗决策提供可靠支撑。

       值得注意的是，传统MRI阅片主要依赖视觉提取肿瘤影像特征，主观性较强，在MVI预测中存在局限性；有研究发现，人工阅片对MVI诊断的AUC均<0.75^[16]，表明人工阅片的评估方式主观性较强，存在一定争议，为弥补单一影像特征预测的不足、规避人工阅片的主观偏差，ZHANG等^[17]将影像特征与临床信息联合建立模型，预测MVI的特异性达到93.2%。结果证实融合影像特征及临床客观数据构建的预测模型，亦能提高术前MVI预测效能。

3 影像组学预测HCC的MVI

       尽管上述影像征象预测模型取得了良好效能，但人工阅片主观性强、一致性差（AUC<0.75）^[16]，且难以量化肿瘤内部细微异质性。影像组学^{[18, 19]}通过高通量特征提取和机器学习建模，为MVI预测提供了更客观、定量的解决方案。

       目前，基于GD-EOB-DTPA增强MRI术前预测HCC的MVI的影像组学研究已有较多报道。FENG等^[20]仅基于HBP图像提取定量特征构建MVI术前预测模型（AUC=0.83）。在此基础上，WANG等^[21]系统研究7个MRI序列，结果表明脂肪抑制的T1加权图像（AUC=0.877）和HBP（AUC=0.862）的预测效果显著优于其他序列。PENG等^[22]进一步证实，多期相联合模型（AUC=0.889）显著高于单相（AUC=0.789）、两相（AUC=0.815）及三相（AUC=0.848）模型的预测性能。此外，ZENG等^[23]基于AP、PVP和HBP的iTED特征开发MiTED-AP、MiTED-PVP和MiTED-HBP三种影像组学模型，并通过提取AP与PVP特征差值获取时间特征构建增量模型（MDelta），研究证实Delta影像组学时间特征预测MVI表现出超越传统AP、PVP的特征。以上研究分别从单期相、多序列、多期相联合及时间维度特征等层面展开探索，为该领域预测模型的构建奠定了重要基础。

       目前，预测HCC的MVI的模型种类繁多，但单一影像模型存在局限性，仅依赖图像数据，难以全面反映HCC的生物学特征。WANG等^[24]构建基于多模态MRI和临床数据的模型（AUC=0.968），展现出良好的预测效能。与之类似，WANG等^[25]构建整合炎症信息、图像特征及多机器学习的融合模型（AUC范围：0.809~0.908），预测能力显著优于单一影像组学模型。多项研究^{[26, 27, 28]}亦证实，影像组学联合临床影像学特征的综合模型，在MVI预测中具有可靠性。综上，基于GD-EOB-DTPA增强MRI影像组学模型对术前预测MVI具有一定的价值，且融合临床特征的模型性能更优。但需重视模型可解释性不足与标准化缺失的问题，在可解释性方面，多数AI预测模型存在“黑箱”困境，仅能输出预测结果，无法明确模型决策核心依据的影像特征及生物学意义。梯度加权类激活映射（gradient-weighted class activation mapping, Grad-CAM）通过可视化模型关注影像区域^[29]，明确与MVI相关的关键病灶部位（如肿瘤边缘、强化不均匀区域），直观呈现模型决策的空间依据；SHAP（SHapley Additive exPlanations）量化各影像特征对预测结果的贡献度^{[30, 31]}，筛选对MVI预测有价值的核心特征（高阶纹理特征、基于小波的特征）。在模型中，Grad-CAM负责“视觉定位”，SHAP负责“特征量化”，二者从空间视觉定位与特征贡献量化两个维度，全面提升MVI预测模型的临床可解释性与结果可信度。在标准化方面，影像组学特征提取缺乏统一的行业标准，软件平台、图像重建参数（如层厚、视野、矩阵大小）及感兴趣区（region of interest, ROI）勾画方法的差异，导致特征提取不一致、研究结果可比性差及模型泛化能力不足。因此，建立统一的影像组学标准化流程是其走向临床应用的重要条件。

       此外，由于影像特征筛选以及模型的构建方法差异，模型的预测性能可能也不尽相同。CHEN等^[32]证实HBP为MVI预测的最优时相，其构建的支持向量机（support vector machine, SVM）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）及逻辑回归（logistic regression, LR）模型均表现出极高的预测效能（AUC分别为0.942、0.938、0.936），三者均被推荐为潜在的有效模型。此外，郭剑波等^[33]采用主成分分析法对特征进行降维并构建SVM预测MVI模型（AUC=0.92）。目前，学术界尚未明确MVI预测的最佳模型，现有模型存在样本偏倚、泛化能力不足、外部验证匮乏等短板，需大样本量、多中心研究进一步探索。总之，基于GD-EOB-DTPA增强MRI影像组学特征、结合多种算法构建的模型具有重要应用价值；融合临床及多模态、多序列MRI信息的模型，可进一步提升预测性能。

4 生境成像预测HCC的MVI

       传统影像组学通常将肿瘤看作一个整体来提取高通量定量特征，难以体现肿瘤内部的异质性。生境分析（habitat analysis, HA）将肿瘤划分为多个具有不同功能或结构特征的亚区^[34]，在技术上通过生境亚区聚类对各区域独立建模，弥补影像组学难以捕捉局部微环境差异的不足。且近年来多项研究^{[35, 36]}指出，瘤周区域可为反映肿瘤的异质性提供潜在重要信息。

       肿瘤本身具有异质性，由多个具备不同生物学特征的亚区组成，被称为肿瘤微环境，而肿瘤内异质性（intratumoral heterogeneity, ITH）的量化分析可有效提升术前预测MVI的准确性。ZHANG等^[37]基于多种MRI序列，根据信号强度、纹理特征和空间结构的相似性，采用生境聚类+变异系数量化构建模型，多中心数据验证其预测效能优异（AUC=0.82~0.99）。同样，蒋韬^[38]提取灰度共生矩阵、灰度游程矩阵、灰度区域矩阵等纹理特征及局部熵聚类量化肿瘤异质性，结果表明基于肿瘤边缘亚区模型（AUC=0.884）预测性能优于肿瘤内部区域（AUC=0.769）。综上，ITH量化分析在MVI预测中具有重要价值。

       鉴于约85%的MVI发生于肿瘤边缘1 cm以内，相关研究重点分析了肿瘤周围组织衍生的影像学特征^[39]对MVI预测的价值。FENG等^[20]提取瘤内和瘤周区域影像定量特征，发现瘤内联合瘤周的模型（AUC=0.85）预测效能显著优于单一瘤内或瘤周模型，这也是首次基于GD-EOB-DTPA增强MRI建立瘤内联合瘤周MRI影像组学模型预测HCC的MVI的研究。同样，ZHANG等^[40]构建用于MVI预测的列线图模型，5折交叉验证的AUC范围从0.880到1.000，显示出高诊断准确性。YU等^[41]的研究也显示联合模型（AUC=0.925）显示高可靠性。现阶段部分联合预测模型虽表明瘤内异质性联合瘤周1 cm区域特征的预测优势^{[20, 42]}，但不同模型效能仍存在显著差异，主要归因于样本量大小、病例纳入排除标准、模型构建算法等研究设计差异。从研究类型而言，目前，该领域研究以回顾性研究为主^[43]，前瞻性研究相对匮乏。CHEN等^[44]采用黄金角径向稀疏并行技术开展前瞻性研究，定量评价与MVI相关的HCC瘤内和瘤周血管动力学改变，构建的综合模型（AUC=0.817）虽性能略低于部分回顾性研究，但也为模型的临床转化提供了有力支撑。

       总体上，基于GD-EOB-DTPA增强MRI瘤内联合瘤周模型术前预测HCC的MVI展现出良好的性能。部分研究^[45]进一步纳入三级淋巴结构，其通常与预后和更强的免疫治疗反应相关，作用机制可能是促进淋巴细胞浸润、肿瘤抗原激活及分化，以增强抗肿瘤免疫反应^[46]。李依蔓等^[47]通过构建“影像结构异质性+免疫微环境异质性”的联合预测模型，模型预测性能较好（AUC=0.825），有望为HCC术后辅助治疗奠定基础，为患者提供个性化诊疗。目前，多数研究存在样本量偏小、外部验证不足等短板，模型泛化能力与临床落地实用性有待考量。后续研究需大样本量，去进一步验证联合模型的有效性和稳健性，为MRI数据深度挖掘以及MVI的预测提供更多可能。

5 DL预测HCC的MVI

       相较于传统影像组学依赖人工手动提取特征的局限性，DL技术通过构建卷积神经网络（convolutional neural networks, CNN）模型，实现影像特征的自动提取，在影像分割^[48]、信息分类^[19]和预测研究^[49]等方面的应用中展现出卓越的性能。已有研究^{[50, 51]}证实其在HCC术前MVI预测中的效能优于传统影像组学。

       作为MVI预测基础的DL架构，传统CNN依托卷积核完成影像局部特征提取，但不同空间维度的CNN模型在临床应用中利弊分化明显，需结合临床数据特点合理决策。3D模型在捕捉复杂3D解剖结构方面优势显著，而2D模型则具备更高的计算效率^[52]，二者各有优劣。WANG等^[53]研究表明2D-expansion-DL模型（AUC=0.70）与3D-DL模型（AUC=0.72）预测效能相近，且2D-expansion-DL模型更易实现，提示模型的选择应贴合实际临床数据需求。另有研究^[54]指出，2.5D模型既保留2D模型轻量化、运算高效、适配低算力设备的优势，又有效弥补单一层面特征缺失问题，完整捕获病灶层间连续性特征，降低过拟合风险。LUO等^[55]基于HBP图像特征构建的模型显示，2.5D DL模型预测效能最佳，验证集和测试集的AUC值为0.802和0.759，其性能与3D DL模型相当甚至更优，进一步佐证了2.5D DL模型的临床适用性，与WANG等^[53]的研究结论形成互补。

       尽管上述模型在MVI预测中取得可观效果，但受限于卷积操作的局部感受野，对全局信息的捕捉能力存在局限，难以充分挖掘图像中与MVI相关的全域特征。相比之下，基于Transformer的架构^[56]通过自注意力机制突破该局限，更优量化肿瘤全域异质性。HE等^[57]构建Transformer的多模态融合模型（AUC=0.886），验证了模型的有效性。黄倩等^[58]研究表明，Swin Transformer模型凭借分层自注意力与全局建模能力，在MVI预测中均显著优于传统CNN模型及Vision Transformer（ViT）模型。特别是在延迟期（delayed phase, DP）AUC高达0.993，且结合Grad-CAM技术可直观验证其关注区域与病理MVI高度吻合，表明模型预测结果的可靠性。CNN与Transformer混合架构模型兼具局部特征提取与全局依赖建模的双重优势，克服单一架构的缺陷，提升预测性能。

       现阶段大多研究围绕MVI单一病理指标开展独立预测，而临床中MVI和肿瘤簇包埋血管（vessels that encapsulate tumor clusters pattern, VETC）均为HCC的高危病理特征，二者均与HCC早期复发、转移密切相关^[59]，且存在一定的关联性，因此联合预测二者对HCC诊疗具有重要意义。CHU等^[60]构建的3D CNN模型显示，多任务学习（同时预测MVI和VETC）模型（AUC=0.917）预测效能显著优于单任务学习（仅预测MVI）模型（AUC=0.896）。QU等^[61]亦证实多任务学习模型（AUC=0.855）显著优于单任务学习模型（AUC=0.839）。上述研究均证实多任务学习的优势，其模型对临床治疗方案制定及预后评估具有重要的价值。此外，传统DL模型面临“数据孤岛”的问题，限制了多中心大样本预测模型的训练，而联邦学习^[62]作为分布式机器学习，在不收集、不传输原始数据的前提下，实现多参与方的联合模型训练，有望进一步为MVI预测模型优化及临床转化提供更充分的数据支持。

6 不足与展望

       现有研究多为单中心回顾性分析，存在一定局限。一方面数据来源单一、样本量不足，另一方面易产生选择偏倚与信息偏倚，纳排标准难以严格把控，数据质量下降，影响模型的预测性能。其次，数据处理与ROI分割缺乏统一标准，不同研究者、设备及扫描方案对应的勾画尺度、预处理参数、特征提取阈值缺乏统一的行业共识，阻碍了不同研究结果的横向对比。此外，现有DL与影像组学模型多为黑箱模型，可解释性不足，成为制约其临床落地的难题。针对以上问题，未来研究应整合多中心大样本数据，开展多模态前瞻性研究，建立标准化的 ROI分割流程与数据处理体系。在此基础上，引入模型可解释算法，利用注意力热力图、特征贡献分析等手段，解读关键特征对应的生物学意义，打通算法与临床诊断的壁垒，以实现更广泛的临床应用。

7 小结

       综上，不同MRI预测手段评估HCC MVI各有优缺点（表1），GD-EOB-DTPA增强MRI通过其特征性影像学表现，显著提高了对HCC病灶的显示及诊断效能，对HCC术前MVI预测具有极其重要的临床及影像学意义。在此基础上，影像组学、生境成像及DL等技术进一步挖掘瘤内、瘤周及多维度定量特征，有效弥补传统影像主观判读的不足，显著提升MVI预测的准确性与客观性。随着多模态数据融合、模型可解释性优化及外部验证的不断推进，相关研究有望在无创性预测HCC MVI中发挥更大作用，为HCC个体化治疗发挥重要作用。

点击查看表格

表1  多种MRI模型预测评估肝细胞癌微血管侵犯的优缺点及展望对比
Tab. 1  Comparison of multiple MRI models for predicting microvascular invasion of hepatocellular carcinoma: merits, drawbacks and prospects