分享:
分享到微信朋友圈
X
• 综述 •
CT和MRI影像组学预测肝细胞癌术后复发的研究进展
黄梦洁 黄德尤

本文引用格式 黄梦洁, 黄德尤. CT和MRI影像组学预测肝细胞癌术后复发的研究进展[J]. 磁共振成像, 2026, 17(11): 174-179, 216. DOI:10.12015/issn.1674-8034.2026.11.022.


[摘要] 肝细胞癌(hepatocellular carcinoma, HCC)术后复发率居高不下,严重制约患者长期生存,传统基于临床病理指标的预测方法存在有创性、滞后性及主观性等局限。影像组学作为一种非侵入性的定量图像分析技术,能够深度挖掘肿瘤异质性信息,为术前无创预测术后复发提供了新途径,但现有综述多聚焦于单一模态或技术,缺乏对CT与MRI双模态下从传统组学到深度学习、生境分析等演进路径的系统梳理。本文系统性综述基于CT和MRI影像组学在HCC术后复发预测中的研究进展,涵盖瘤内、瘤周、多期相及深度学习模型的应用现状。本文认为,该领域正从“性能驱动”向“临床问题导向”转变,未来应着力推进多中心前瞻性验证、影像-生物学机制关联解析、全流程自动化平台开发及决策影响评估,以推动影像组学从实验室研究向临床个体化诊疗实践的实质转化。
[Abstract] Hepatocellular carcinoma (HCC) continues to face persistently high postoperative recurrence rates, which critically compromise long-term patient survival. Traditional prediction methods based on clinicopathological indicators are constrained by invasiveness, temporal lag, and inherent subjectivity. As a non-invasive quantitative image analysis technique, radiomics enables in-depth mining of tumor heterogeneity information and offers a novel avenue for preoperative, non-invasive prediction of post-surgical recurrence. However, existing reviews predominantly focus on unimodal or single-technology approaches, lacking a systematic synthesis of the evolutionary trajectory from conventional radiomics to deep learning and habitat analysis across both CT and MRI modalities. This review systematically summarizes the research progress of CT- and MRI-based radiomics in predicting HCC recurrence after resection, covering the current applications of intratumoral, peritumoral, multiphasic, and deep learning models. We contend that this field is transitioning from a "performance-driven" paradigm toward a "clinically problem-oriented" one. Future efforts should prioritize multicenter prospective validation, elucidation of imaging–biology mechanistic associations, development of fully automated end-to-end platforms, and assessment of decision impact, so as to facilitate the substantive translation of radiomics from laboratory research into individualized clinical practice.
[关键词] 肝细胞癌;术后复发;影像组学;计算机体层成像;磁共振成像;机器学习;深度学习
[Keywords] hepatocellular carcinoma;postoperative recurrence;radiomics;computed tomography;magnetic resonance imaging;machine learning;deep learning

黄梦洁 1, 2   黄德尤 2*  

1 右江民族医学院研究生学院,百色 533000

2 右江民族医学院附属医院放射科,百色 533000

通信作者:黄德尤,E-mail: FZXYH2012@126.com

作者贡献声明:黄德尤拟定本综述的思路并设计框架,指导撰写文章,并对重点内容进行修改,获得了2025年度“夯基”行动计划(广西基础研究计划)-广西自然科学基金项目的资助;黄梦洁起草和撰写文章,查阅分析相关参考文献并进行归纳总结;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: “夯基”行动计划(广西基础研究计划)-广西自然科学基金项目 2025JJH140158
收稿日期:2026-07-23
接受日期:2026-10-21
中图分类号:R814.42  R445.2  R735.7 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.022
本文引用格式 黄梦洁, 黄德尤. CT和MRI影像组学预测肝细胞癌术后复发的研究进展[J]. 磁共振成像, 2026, 17(11): 174-179, 216. DOI:10.12015/issn.1674-8034.2026.11.022.

0 引言

       肝细胞癌(hepatocellular carcinoma, HCC)作为全球常见恶性肿瘤,其发病率居恶性肿瘤第六位,死亡率位列第三,且近年来呈持续上升态势,严重威胁人类健康[1]。更值得关注的是,在我国,由于乙型肝炎病毒的高感染率所导致的高危人群基数,HCC的疾病负担尤为沉重,年新发病例和死亡病例约占全球一半,这一严峻现状凸显了加强我国肝癌防治研究的紧迫性[2, 3]。尽管手术切除、肝移植、射频消融等根治性治疗手段在技术层面不断进步,但一个不容忽视的核心问题是,HCC术后复发率仍居高不下,尤其是早期复发(术后≤2年)患者预后更差,其5年生存率显著低于无复发患者[4, 5]。因此,若能准确预测HCC术后复发,尤其是早期复发,对于指导个体化治疗策略制订、优化随访监测方案、及时干预高危患者并最终改善总体预后具有重要的临床转化价值。

       然而,传统的HCC术后复发预测主要依赖肿瘤大小、数目、血管侵犯、甲胎蛋白(alpha-fetoprotein, AFP)水平等临床病理指标,但这些指标存在显著的侵入性、滞后性及主观性局限。具体而言,这些指标大多需要通过手术标本获取,难以在术前或治疗全程中动态评估复发风险,且易受病理科医生经验差异影响[6, 7]。与之相对,影像组学作为一种新兴的定量图像分析方法,能够非侵入性地、高通量地捕捉肿瘤的生物学行为,如增殖活性、浸润范围、血管生成状态等,为预测复发、评估治疗反应提供客观、定量的决策依据[8- 9]。

       近年来,国内外已有多篇综述关注影像组学在肝癌中的应用,但大多聚焦于单一模态或单一技术路线,且多采用描述性归纳,缺乏对CT与MRI双模态下方法学演进脉络的系统对比,亦未充分纳入生境分析、多器官联合建模、可解释性人工智能等最新方向。基于此,本文拟从研究范式演进角度(从瘤内到瘤周、从静态到动态、从传统组学到深度学习)梳理基于CT和MRI影像组学的技术脉络,以及从临床转化障碍角度分析标准化、可解释性及生物学机制等瓶颈问题,以期为该领域后续研究提供更具操作性的参考框架。

1 文献检索策略

       本研究系统检索了PubMed、Web of Science、中国知网及万方数据库,检索时间为2012年1月至2026年5月,起始年份设定为2012年是鉴于影像组学概念由Lambin等正式提出并系统应用于肿瘤研究始于2012年,此前相关研究极为有限,以此界定可在保障查全率的同时有效减少早期无关文献干扰;检索采用主题词结合自由词策略,中文检索式:(“肝细胞癌” OR “肝癌”)AND(“复发”)AND(“影像组学” OR “放射组学” OR “机器学习” OR “深度学习”)AND(“CT” OR “MRI”);英文检索式:(“hepatocellular carcinoma” OR “liver cancer”)AND(“recurrence” OR “relapse ”)AND(“radiomics” OR “machine learning” OR “deep learning”)AND(“CT” OR “computed tomography” OR “MRI” OR “magnetic resonance imaging”)。初检共获文献1268篇,经EndNote去重后保留897篇,随后依据纳入与排除标准进行筛选。纳入标准:(1)研究对象为经病理或临床确诊的HCC且明确涉及术后复发(含早期复发、晚期复发或无复发生存)预测;(2)基于CT和/或MRI影像组学(含传统影像组学、深度学习、生境分析等)技术;(3)研究类型包括原始研究、高质量综述及meta分析。排除标准:(1)重复发表文献,个案报告、评述及会议摘要;(2)无法获取全文或关键数据严重缺失的文献;(3)样本量<50例的研究;(4)仅基于单一临床病理指标(无影像组学特征)或仅涉及非HCC肿瘤的研究。经题目与摘要初筛及全文复筛,根据主题相关性及研究设计完整性进行评估,最终纳入51篇相关文献。

2 影像组学在预测HCC术后复发的研究现状

2.1 基于CT影像组学预测HCC术后复发

       基于CT的影像组学模型因其普及性、快速扫描和高空间分辨率,在HCC研究中展现出重要价值。近年来,该领域研究呈现出从瘤内到瘤周、从静态到动态、从传统组学到深度学习的清晰演进脉络,逐步推动了临床转化应用。

       在瘤内特征模型方面,研究对象从全人群HCC逐步聚焦至特定分期乃至病理亚型。2019年NING等[10]率先建立了包含325例HCC患者的CT影像组学标签,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14个特征,证实融合影像组学与临床指标(如肿瘤大小、γ-谷氨酰转移酶)的组合模型在训练集与测试集中曲线下面积(area under the curve, AUC)分别达0.846和0.737,由此构建了“影像+临床”联合建模的基本范式;在此基础上,李泽勇等[11]将研究聚焦于中国肝癌分期(china liver cancer staging, CNLC)Ⅰ~Ⅱ期患者,利用3D Slicer和pyradiomics提取特征构建的影像组学模型在单中心训练集与验证集中AUC分别提升至0.900和0.853,并引入校准曲线与决策曲线分析(decision curve analysis, DCA),验证了其在特定分期中的临床实用性。血管包绕肿瘤细胞团(vessels encapsulating tumor clusters, VETC)是近年来发现的一种独立于上皮间质转化的新型肝癌转移机制,VETC已被多次证实为HCC患者疾病复发率和总生存率的独立预测因子[12]。以此为基础,LEI等[13]构建了基于CT的影像组学-临床组合模型,在内部与外部测试集中对VETC阳性HCC亚型的1年复发预测的AUC分别为0.898和0.804,并通过Kaplan-Meier曲线实现风险分层,进一步验证了影像组学在精准分型与个体化预后评估中的潜力。这三项研究共同表明,CT影像组学能够有效捕捉肿瘤异质性,其与临床特征结合可显著提升复发预测准确性,同时也反映出研究对象从泛化HCC人群到特定分期患者再到特定病理亚型的细化路径。从预后生物标志物角度,NONG等[14]发现Ki-67高表达(≥25%)为术后复发的独立危险因素,其构建的CT动脉期瘤内及瘤周双区域模型在测试集中预测Ki-67表达的AUC达0.869,沙普利加性解释(SHapley Additive exPlanations, SHAP)分析表明瘤周纹理异质性贡献最大,为瘤内模型的生物学解释提供了支撑。针对早期HCC(CNLC Ⅰ~Ⅱ期),CUI等[15]筛选出乳酸脱氢酶、AFP及影像组学评分(radiomics score, Rad-score)作为无复发生存期(recurrence-free survival, RFS)的独立预测因子,组合模型预测3年无复发生存的单中心内部验证集AUC可达0.920,并将患者分为低、中、高、极高危四组,为个体化辅助治疗决策提供了量化工具。同样聚焦于术后无复发生存预测,DAI等[16]基于多期增强CT构建的临床-组学模型,训练集与验证集预测3年无复发生存的AUC分别为0.831和0.793,Rad-score与微血管侵犯(microvascular invasion, MVI)及Edmondson-Steiner分级显著正相关,从病理层面印证了影像特征的预后意义。目前CT影像组学研究多为单中心回顾性设计,缺乏外部验证与临床净获益评估,且过度依赖替代终点。未来应需开展多中心前瞻性研究,直接预测无复发生存,统一扫描协议与特征标准,并建立影像特征与肿瘤生物学机制的因果关联,以推动临床转化。

       随着对肿瘤微环境预后价值的重新认识,瘤周特征模型应运而生。事实上,越来越多证据表明肿瘤与宿主组织的交互界面蕴含丰富生物学信息,SHAN等[17]首次构建了基于CT的瘤周影像组学模型,与瘤内模型及传统瘤周强化特征比较,瘤周影像组学模型在独立验证队列中AUC达0.79,显著优于后两者,初步证实了瘤周区域的独特预测价值。LI等[18]进一步将瘤周细化为0~1 cm(微转移区)和1~2 cm(肝硬化背景区),融合瘤内及不同距离瘤周特征的模型在预测早期复发(≤2年)及晚期复发(>2年)时C-index提升至0.690,提示不同范围瘤周异质性信息互补。最新一项多中心研究则整合了影像组学与深度学习技术,构建涵盖肿瘤、瘤周5 mm和10 mm区域的联合预测模型,在内部与外部验证集中AUC分别达到0.899和0.839,进一步证实了多区域、多模态特征融合的优势[19]。从机制层面看,上述研究共同表明瘤周影像组学特征能够有效捕捉HCC周围组织的炎症反应、纤维增生及MVI等微环境信息,相较于传统瘤内模型具有更稳定的预测能力,方法学也从单一瘤周区域分析逐步发展到结合不同距离瘤周分区、融合瘤内特征乃至引入深度学习进行高层次特征提取。

       多期相与动态模型的发展体现了对肿瘤时空异质性认知的深化。增强CT的多期相扫描能够反映肿瘤血流动力学特征与强化模式,这与其血管生成活性密切相关,熊亮霞等[20]基于130例患者的双期增强CT,采用支持向量机构建模型,发现动脉期模型及联合临床指标的组合模型在验证集中AUC分别达到0.858和0.938。LI等[21]开展的多中心研究纳入402例患者,利用LASSO Cox回归从1915个特征中筛选出31个关键特征构建Rad-score,并结合血清AFP建立的联合模型在训练集和验证集中AUC分别为0.77和0.74。针对AFP阴性肝癌这一特殊人群,YAN等[22]的研究发现肿瘤数量、MVI、碱性磷酸酶+γ-谷氨酰转肽酶之和与血小板计数的比值,以及影像组学特征是早期复发的独立预测因素,其联合模型在训练集和验证集中AUC分别为0.793和0.791,为缺乏血清标志物的患者提供了有效评估工具。LI等[23]对比不同模型性能,组合模型在测试集中AUC达0.836,显著优于单一模型。杨春燕等[24]纳入瘤周5 mm区域特征于多期增强CT分析,联合模型验证集AUC为0.743,净重分类改善指数及综合判别改善指数证实其风险分层能力更优。综合来看,增强CT的影像组学模型能够有效捕捉肝癌异质性信息,结合临床危险因素可显著提高早期复发预测的准确性与稳定性。

       近年来,深度学习技术的引入进一步突破了传统影像组学的性能边界。HUANG等[25]率先提出的全肝脏深度学习的全自动生存预测系统将全肝区域纳入分析,通过自动分割与生存预测模型整合多期增强CT影像,优于仅基于肿瘤的传统模型,凸显了背景肝实质信息的重要性;与之类似,KINOSHITA等[26]建立的卷积神经网络-多层感知机混合模型也印证了增强CT影像作为关键预测因子的地位;在此基础上,LV等[27]融合深度学习影像组学特征与临床变量(如巴塞罗那临床肝癌分期、MVI、AFP),体现了多源特征融合的优势。ZHANG等[28]提出的2.5 D深度学习模型通过多平面重建捕捉肿瘤空间异质性,说明局部上下文信息的有效性;此外,MAO等[29]系统比较不同期相影像,发现动脉期影像结合临床因素时预测性能最优,强调了期相选择的重要性。李鑫等[30]创新性地引入脾脏影像特征,基于肝-脾轴机制,脾脏特征可补充肿瘤影像缺失的宿主免疫及肝硬化背景信息;经最优权重加权融合,两类特征互补、降低模型误差,其融合模型单中心内部验证集AUC可达0.976,提示多器官影像关联可能提示额外预后信息。最新研究如赵艳芬等[31]及ZHANG等[32]则聚焦于肿瘤内异质性,采用生境分析对肿瘤进行亚区域划分并提取特征,所构建的联合模型性能显著超越整体肿瘤或纯临床模型,表明空间异质性量化能更精细地揭示肿瘤生物学行为。值得关注的是,WU等[33]将深度学习影像组学方法拓展至肝移植这一特殊临床情境,基于术前四期增强CT并融合瘤内与瘤周5 mm区域的组学及深度学习特征,构建的深度学习影像组学列线图与Metro-Ticket 2.0标准整合后的验证集AUC达0.863,为移植术前供肝分配与术后监测策略优化提供了有力工具。这些技术突破共同指向一个核心趋势:深度学习不仅能够自动化提取更抽象的影像特征,还能整合多器官、多时相信息,而生境分析则为解析肿瘤内部异质性提供了全新视角。

       综上所述,基于CT的影像组学模型在HCC术后复发预测领域已形成清晰的发展脉络:研究对象从泛化人群逐步细化至特定分期与病理亚型,分析范围从瘤内扩展到多距离分区的瘤周乃至全肝与多器官联合,技术手段从传统影像组学演进至深度学习与生境分析,模型构建从单一影像特征发展为影像与临床多维度信息整合。尽管当前多数研究仍为单中心回顾性设计,但结果一致支持“影像组学+临床”联合模型的优越性,为其在临床精准决策中的转化应用提供了逐步深化、多层次验证的证据基础;未来需要特别关注的是,如何将这些技术突破转化为可重复、标准化的临床解决方案,而不仅限于实验室性能的持续提升。

2.2 基于MRI影像组学预测HCC术后复发

       基于MRI的影像组学模型凭借其优越的软组织分辨力,在评估HCC的MVI和瘤周浸润方面展现出一定优势,尤其在预测术后早期复发领域取得了阶段性研究成果,并呈现出从传统多参数影像组学、到深度学习驱动特征提取、再到多模态融合与可解释性建模的清晰技术演进路径。

       早期研究主要聚焦于多参数MRI影像组学模型的探索,这类研究普遍采用回顾性设计,从T2WI、扩散加权成像(diffusion-weighted imaging, DWI)及动态增强多期相图像中提取高通量特征,通过LASSO回归筛选关键变量,并构建融合临床与影像学特征的预测模型。程志鹏等[34]基于普美显增强MRI-T2WI构建影像组学模型,进一步联合肿瘤数量和肝胆期瘤周低信号建立综合模型,其单中心内部验证集AUC可达0.92,体现了肝胆期成像反映肿瘤生物学侵袭性的独特价值。LI等[35]整合了瘤周血管侵犯、边缘强化等临床特征与6个影像组学特征,并建立了三级风险分层系统,而WANG等[36]针对单发小肝癌(≤5 cm)的模型则提示此类患者中MVI与术后早期复发的关联性减弱。张继云等[37]的研究表明,钆塞酸二钠(gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid, Gd-EOB-DTPA)增强MRI联合VETC状态可提升对HCC术后早期复发的预测效能,该研究不仅拓展了传统影像-病理关联分析的边界,也为后续多模态模型的构建提供了关键生物学变量。为进一步探索时间特异性预测,LIN等[38]将预测窗口精确至术后一年,通过机器学习筛选出肿瘤大小、瘤周低信号、ΔT1(肝实质T1值下降率)及AFP四项核心指标,首次量化了T1弛豫时间变化的预后价值。这些研究共同揭示了两个核心发现:其一,影像组学能够有效量化传统影像无法评估的肿瘤异质性;其二,瘤周微环境是预后信息的富集区,其预测价值甚至超过瘤内特征,正如WANG等[39]通过扩展肿瘤边界5 mm提取瘤周特征构建的模型AUC达0.85所证实,而董致成等[40]探索的平扫MRI模型在无对比剂条件下仍保持单中心内部训练集与验证集AUC>0.95的高精度,更为资源受限地区提供了可行方案。现有研究已证明影像组学在HCC预后评估中的潜力,但从“高分模型”到“临床工具”的跨越,仍需克服过拟合、标准化与外部验证的瓶颈,并向机制解析与决策支持深化。

       当前,该领域已步入多维度融合与临床转化深化的新阶段,其演进过程呈现出从单一瘤内指标扩展至瘤周微环境、全肝背景至动态增强时序信息的核心趋势。正如陈建平等[41]早期通过Gd-EOB-DTPA增强MRI的语义特征(肿瘤边界不规则、肝细胞期瘤周低信号等)联合AFP、CNLC分期等指标所建立的融合基础,以及WEI等[42]随后引入深度学习自动分割技术构建的混合模型(影像组学标签+边缘动脉期高强化+包膜不完整),其效能显著超越传统分期系统,标志着自动化分析取代人工勾画的趋势。廖玉波等[43]则基于动态增强MRI门静脉期图像,系统比较了瘤内、不同瘤周外扩范围(3 mm、5 mm、10 mm)及生境成像亚区域三类影像组学特征对HCC术后早期复发的预测价值,证实含瘤周5 mm模型显著优于纯瘤内模型,且通过K-means聚类将肿瘤划分为三个功能亚区后所构建的生境模型预测效能更佳,最终融合临床独立预测因子(MVI)、瘤周Rad-score与生境评分的联合模型将单中心内部AUC进一步提升至0.924(训练集)与0.915(验证集),体现了从“肿瘤整体”到“核心-微环境-功能亚区”多维特征融合的增益效应。栖息地影像组学通过K-means聚类划分肿瘤异质性子区域构建的综合模型则进一步揭示了空间异质性在预后评估中的独立价值[44]。QIN等[45]提出的生境成像融合模型在外部验证中AUC达0.820,并借助SHAP框架明确肝硬化状态与生境特征的关键贡献,增强了模型临床可信度。当前研究论证了“核心-微环境-功能亚区”多维融合的技术可行性,但从算法性能到临床价值的跨越,需克服聚类稳定性、生物学验证与前瞻性质控的瓶颈,并向机制解析与决策支持深化。

       随着计算能力的提升,深度学习模型逐步成为突破传统影像组学瓶颈的关键力量,其技术革新路径呈现三大特征:早期融合尝试、纯数据驱动策略与架构创新。GAO等[46]尝试将深度特征与影像组学特征融合,在亚组分析中展现出优于单一模型的泛化能力;KUCUKKAYA等[47]则采用纯数据驱动策略,以视觉几何组16层卷积神经网络(visual geometry group 16, VGG16)自动提取全肝脏区域的高维特征并辅以极限梯度提升(extreme gradient boosting, XGBoost)分类器,在多个时间框架内实现AUC从0.71~0.85的预测性能,证明了深度学习绕过人工勾画、直接捕获复发相关影像模式的潜力。这一技术路径在后续研究中持续深化,WANG等[48]提出的联合预测模型首次在多中心场景中融合影像组学、深度学习与临床指标,凸显了多模态整合对提升模型鲁棒性的关键作用;系统性的比较研究进一步证实了深度学习的优越性,ZHAO等[49]系统比较各类ResNet架构与机器学习分类器后构建的深度学习-影像组学-临床影像学联合模型,显著优于传统如巴塞罗那临床肝癌分期或CNLC分期,确立了“深度学习+影像组学+临床”的整合策略优势。更具突破性的是,动态对比磁共振增强(dynamic contrast-enhanced MRI, DCE-MRI)与Transformer的结合使增殖性HCC亚型识别AUC提升至内部测试集0.89、外部测试集0.83,并证实该特征对早期复发具有预测价值[50]。这些技术革新表明,深度学习不仅能够处理更复杂的影像数据,还能通过注意力机制等架构优势自动识别关键影像区域,解决了传统方法依赖人工定义感兴趣区的局限性。当前,模型评价正从单纯追求预测性能转向可解释性、风险分层与决策支持并重的临床适用性评估,未来需通过前瞻性多中心研究验证其泛化能力,并探索其在临床决策系统中的实际整合路径。

       相较于CT,MRI影像组学在软组织对比度、功能成像参数(如DWI、DCE-MRI)及无辐射安全性方面具有明确优势,特别值得注意的是,Gd-EOB-DTPA增强MRI能够同时评估肿瘤血供与肝细胞功能,其肝胆期显像对早期HCC的检出及MVI预测具有重要价值。然而,MRI影像组学同样面临严峻的标准化挑战:不同厂商的扫描参数、场强差异、对比剂注射方案等因素均可能影响特征稳定性,ZENG等[51]的研究中即因多中心DWI序列差异而主动将其排除,这一决策反向印证了当前MRI组学标准化进程的紧迫性,因此建立MRI影像组学的采集与处理标准比CT领域更为迫切。

3 局限性与展望

       随着影像组学与机器学习技术的快速发展,基于CT与MRI的影像组学在预测HCC术后复发,尤其是早期复发方面已展现出显著潜力与临床应用价值(表1)。尽管当前的研究成果显著,但该领域仍存在一定的局限性:第一,现有研究对“早期复发”的界定从术后6个月、1年到2年不等,预测时间窗的差异导致模型间无法直接比较。未来应推动建立HCC术后复发预测研究的报告规范,明确区分极早期(<6月)、早期(6月~2年)和晚期(>2年)复发的预测模型构建标准。而鉴于极早期、早期与晚期复发的生物学机制可能存在差异(极早期多与残余微小病灶相关,晚期多与新生多中心癌相关),应分别构建针对不同复发时间窗的专用预测模型,而非追求一个通用模型覆盖所有复发类型。第二,瘤周区域界定缺乏病理金标准参照。虽然多数研究采用5 mm或10 mm作为瘤周固定扩张距离,但该距离缺乏病理学依据(如微转移灶的实际分布范围)。未来建议利用手术切除标本的病理大切片,与术前影像进行精确的空间配准,确定具有最高肿瘤细胞密度和MVI概率的最佳瘤周距离,为后续影像组学研究提供病理学依据,而非统一依赖经验性距离。第三,模型泛化能力受限于扫描协议异质性。尤其对于MRI,不同场强、不同序列参数、不同对比剂导致特征值的显著漂移。这需要多影像中心牵头建立HCC复发预测专用的影像采集“最小共识协议”,优先保障动脉期、门脉期及DWI序列的标准化,并构建开放共享的影像与临床数据库以验证模型的稳健性及泛化能力。第四,缺乏术前-术后动态监测模型。目前绝大多数研究仅仅聚焦于术前单时间点预测,未能充分利用术后随访影像进行动态风险再分层;未来,应对术后定期随访的CT/MRI影像加以充分利用,以此建立患者个体化的“复发风险轨迹”,实现对术后复发的动态再评估与早期预警,这将比单一术前预测更具临床决策价值。第五,影像组学模型是否能真正融入临床决策流程的问题有待继续探讨。当前现有模型的可解释性整体描述仍然不足,仅少数研究采用SHAP等解释框架,大部分“黑盒”深度学习模型缺乏生物学机制层面的阐释,这在一定程度上制约了其临床转化进程。因此,在模型性能验证的基础上,需进一步设计前瞻性的决策影响试验(如cluster-randomized trial),明确影像组学模型在患者生存获益、辅助临床治疗决策中的实际价值,同时评估其成本效益,这是临床转化不可或缺的一环。

表1  CT和MRI影像组学在HCC术后复发中的应用比较
Tab. 1  Comparison of CT and MRI radiomics in predicting postoperative recurrence of HCC

4 结论

       总而言之,CT与MRI影像组学为HCC术后复发预测提供了强大的无创量化工具。然而,从研究到临床的跨越需要克服方法论、标准化、可解释性等多重障碍。通过不断优化模型构建方法、推动多学科融合、加强临床验证与转化,影像组学有望在不久的将来成为肝癌个体化诊疗与精准随访中不可或缺的辅助决策手段。关键在于,研究者必须从“性能驱动”转向“问题导向”,真正关注临床医生的实际需求与患者的最终获益。

[1]
BRAY F, LAVERSANNE M, SUNG H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263. DOI: 10.3322/caac.21834.
[2]
CHIDAMBARANATHAN-REGHUPATY S, FISHER P B, SARKAR D. Hepatocellular carcinoma (HCC): Epidemiology, etiology and molecular classification[J]. Adv Cancer Res, 2021, 149: 1-61. DOI: 10.1016/bs.acr.2020.10.001.
[3]
中华人民共和国国家卫生健康委员会医政司. 原发性肝癌诊疗指南(2024 年版)[J]. 磁共振成像, 2024, 15(6): 1-18. DOI: 10.12015/issn.1674-8034.2024.06.001.
Department of Medical Administration of the National Health Commission of the People's Republic of China. Guideline for diagnosis and treatment of primary liver cancer (2024 edition)[J]. Chin J Magn Reson Imaging, 2024, 15(6): 1-18. DOI: 10.12015/issn.1674-8034.2024.06.001.
[4]
国家科技部传染病防治重大专项课题《病毒性肝炎相关肝癌外科综合治疗的个体化和新策略研究》专家组. 肝细胞癌肝切除术后复发预防和治疗中国专家共识(2020版)[J]. 中国实用外科杂志. 2021, 41(01): 20-30. DOI: 10.19538/j.cjps.issn1005-2208.2021.01.03.
Expert Group of the State Key Project on Infectious Diseases on "Novel Strategies of Comprehensive and Individualizd Surgical Treatment of Viral Hepatitisrelated Liver Cancer" from the Ministry of Science. Chinese expert consensus on the preventation and management of recurrent hepatocellular carcinoma after hepatic resection(2020 edition)[J]. Chin J Pract Surg, 2021, 41(01): 20-30. DOI: 10.19538/j.cjps.issn1005-2208.2021.01.03.
[5]
NEVOLA R, RUOCCO R, CRISCUOLO L, et al. Predictors of early and late hepatocellular carcinoma recurrence[J]. World J Gastroenterol, 2023, 29(8): 1243-1260. DOI: 10.3748/wjg.v29.i8.1243.
[6]
CANALE M, ULIVI P, FOSCHI F G, et al. Clinical and circulating biomarkers of survival and recurrence after radiofrequency ablation in patients with hepatocellular carcinoma[J]. Crit Rev Oncol Hematol, 2018, 129: 44-53. DOI: 10.1016/j.critrevonc.2018.06.017.
[7]
STRAŚ W A, WASIAK D, ŁĄGIEWSKA B, et al. Recurrence of hepatocellular carcinoma after liver transplantation: risk factors and predictive models[J/OL]. Ann Transplant, 2022, 27: e934924 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/35078965/. DOI: 10.12659/aot.934924.
[8]
LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[9]
YIP S S F, AERTS H J W L. Applications and limitations of radiomics[J]. Phys Med Biol, 2016, 61(13): R150-R166. DOI: 10.1088/0031-9155/61/13/R150.
[10]
NING P G, GAO F, HAI J J, et al. Application of CT radiomics in prediction of early recurrence in hepatocellular carcinoma[J]. Abdom Radiol (NY), 2020, 45(1): 64-72. DOI: 10.1007/s00261-019-02198-7.
[11]
李泽勇, 于佳琳, 李烨晗, 等. CT影像组学模型预测CNLC Ⅰ~Ⅱ期肝细胞癌切除术后早期复发的研究[J]. 临床放射学杂志, 2023, 42(10): 1590-1596. DOI: 10.13437/j.cnki.jcr.2023.10.027.
LI Z Y, YU J L, LI Y H, et al. Radiomics model based on CT predicts early recurrence after surgical resection of CNLC stage Ⅰ-Ⅱ hepatocellular carcinoma[J]. J Clin Radiol, 2023, 42(10): 1590-1596. DOI: 10.13437/j.cnki.jcr.2023.10.027.
[12]
蔡子东, 徐俊卿, 陈梓盼, 等. 肝癌血管包裹肿瘤细胞团的研究进展[J]. 广东医科大学学报, 2025, 43(3): 311-317. DOI: 10.20227/j.cnki.2096-3610.2025.03.013.
CAI Z D, XU J Q, CHEN Z P, et al. Research progress of endothelial cell encapsulation of tumor clusters in hepatocellular carcinoma[J]. J Guangdong Med Univ, 2025, 43(3): 311-317. DOI: 10.20227/j.cnki.2096-3610.2025.03.013.
[13]
LEI Y, BAI Y W, SU Y, et al. CT-based radiomics-clinical model for predicting recurrence in VETC-positive HCC patients after hepatectomy[J]. J Hepatocell Carcinoma, 2025, 12: 2585-2598. DOI: 10.2147/JHC.S549825.
[14]
NONG H Y, CEN Y Y, PAN Z L, et al. Ki-67 expression correlates with hepatocellular carcinoma recurrence and is predictable using radiomics features[J]. Abdom Radiol, 2026, 51(4): 1895-1906. DOI: 10.1007/s00261-025-05191-5.
[15]
CUI J F, LIN Z K, HUANG X J, et al. Predictive radiomics-based model for recurrence-free survival after curative resection in patients with hepatocellular carcinoma[J]. J Hepatocell Carcinoma, 2025, 12: 1755-1766. DOI: 10.2147/JHC.S535492.
[16]
DAI T, GU Q B, PENG Y J, et al. Preoperative noninvasive prediction of recurrence-free survival in hepatocellular carcinoma using CT-based radiomics model[J]. J Hepatocell Carcinoma, 2024, 11: 2211-2222. DOI: 10.2147/JHC.S493044.
[17]
SHAN Q Y, HU H T, FENG S T, et al. CT-based peritumoral radiomics signatures to predict early recurrence in hepatocellular carcinoma after curative tumor resection or ablation[J/OL]. Cancer Imaging, 2019, 19(1): 11 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/30813956/. DOI: 10.1186/s40644-019-0197-5.
[18]
LI N, WAN X T, ZHANG H, et al. Tumor and peritumor radiomics analysis based on contrast-enhanced CT for predicting early and late recurrence of hepatocellular carcinoma after liver resection[J/OL]. BMC Cancer, 2022, 22(1): 664 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/35715783/. DOI: 10.1186/s12885-022-09743-6.
[19]
LI Y H, QIAN G X, YAO L, et al. Preoperative model for predicting early recurrence in hepatocellular carcinoma patients using radiomics and deep learning: a multicenter study[J]. World J Gastrointest Oncol, 2025, 17(6): 106608 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/40547169/. DOI: 10.4251/wjgo.v17.i6.106608.
[20]
熊亮霞, 方淇民, 李淑豪, 等. 术前增强CT影像组学预测肝癌术后早期复发的价值[J]. 放射学实践, 2022, 37(4): 432-436. DOI: 10.13609/j.cnki.1000-0313.2022.04.004.
XIONG L X, FANG Q M, LI S H, et al. Value of radiomics of contrast-enhanced CT inprediction of early postoperative recurrence in hepatocellular carcinoma[J]. Radiol Pract, 2022, 37(4): 432-436. DOI: 10.13609/j.cnki.1000-0313.2022.04.004.
[21]
LI S Q, SU L L, XU T F, et al. Radiomics model based on contrast-enhanced computed tomography to predict early recurrence in patients with hepatocellular carcinoma after radical resection[J]. World J Gastroenterol, 2023, 29(26): 4186-4199. DOI: 10.3748/wjg.v29.i26.4186.
[22]
YAN X Z, LI Y C, QIN W Y, et al. Radiomics model based on contrast-enhanced computed tomography imaging for early recurrence monitoring after radical resection of AFP-negative hepatocellular carcinoma[J/OL]. BMC Cancer, 2024, 24(1): 700 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/38849749/. DOI: 10.1186/s12885-024-12436-x.
[23]
LI J Y, CHEN Z J, WANG Q Q, et al. Radiomics model based on preoperative contrast-enhanced CT and clinical features for predicting early recurrence of hepatocellular carcinoma[J/OL]. Ann Ital Chir, 2025, 96(6): 771-782. DOI: 10.62713/aic.3902.
[24]
杨春燕, 魏小琴, 杨琼, 等. 基于多期增强CT影像组学模型预测肝细胞癌切除术后复发的价值[J]. 中国医学影像学杂志, 2025, 33(3): 245-251.
YANG C Y, WEI X Q, YANG Q, et al. Multiphase enhanced CT-based radiomics for predicting recurrence in patient with hepatocellular carcinoma after tumor resection[J]. Chin J Med Imaging, 2025, 33(3): 245-251.
[25]
HUANG C, TIAN Y, ZHANG Q, et al. Prediction of recurrence after resection in hepatocellular carcinoma via whole liver deep learning on preoperative contrast-enhanced CT[J/OL]. Sci Rep, 2025, 15(1): 42975 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/41331271/. DOI: 10.1038/s41598-025-26933-x.
[26]
KINOSHITA M, UEDA D, MATSUMOTO T, et al. Deep learning model based on contrast-enhanced computed tomography imaging to predict postoperative early recurrence after the curative resection of a solitary hepatocellular carcinoma[J/OL]. Cancers, 2023, 15(7): 2140 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/37046801/. DOI: 10.3390/cancers15072140.
[27]
LV C, HE N, YANG J J, et al. Prediction of 3-year recurrence rate of hepatocellular carcinoma after resection based on contrast-enhanced CT: a single-centre study[J/OL]. Br J Radiol, 2023, 96(1145): 20220702 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/36745047/. DOI: 10.1259/bjr.20220702.
[28]
ZHANG Y B, CHEN Z Q, BU Y, et al. Construction of a 2.5D deep learning model for predicting early postoperative recurrence of hepatocellular carcinoma using multi-view and multi-phase CT images[J]. J Hepatocell Carcinoma, 2024, 11: 2223-2239. DOI: 10.2147/JHC.S493478.
[29]
MAO B, REN Y J, YU X, et al. Preoperative prediction for early recurrence of hepatocellular carcinoma using machine learning-based radiomics[J/OL]. Front Oncol, 2024, 14: 1346124 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/38559563/. DOI: 10.3389/fonc.2024.1346124.
[30]
李鑫, 陈金明, 李志兴, 等. 基于增强CT深度学习技术预测肝细胞癌术后早期复发[J]. 放射学实践, 2025, 40(8): 1002-1010. DOI: 10.13609/j.cnki.1000-0313.2025.08.009.
LI X, CHEN J M, LI Z X, et al. Contrast-CT-based deep learning for predicting early postoperative recurrence in patients with hepatocellular carcinoma[J]. Radiol Pract, 2025, 40(8): 1002-1010. DOI: 10.13609/j.cnki.1000-0313.2025.08.009.
[31]
赵艳芬, 刘祝, 魏小琴, 等. 基于增强CT联合生境分析预测肝细胞癌热消融术后早期复发[J]. 中国医学影像学杂志, 2025, 33(9): 929-935, 947.
ZHAO Y F, LIU Z, WEI X Q, et al. Prediction of early recurrence after thermal ablation for hepatocellular carcinoma using contrast-enhanced CT and habitat analysis[J]. Chin J Med Imaging, 2025, 33(9): 929-935, 947.
[32]
ZHANG Y B, MA H Y, LEI P, et al. Prediction of early postoperative recurrence of hepatocellular carcinoma by habitat analysis based on different sequence of contrast-enhanced CT[J/OL]. Front Oncol, 2024, 14: 1522501 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/39830646/. DOI: 10.3389/fonc.2024.1522501.
[33]
WU Z Q, LIU D Y, OUYANG S Y, et al. Augmenting conventional criteria: a CT-based deep learning radiomics nomogram for early recurrence risk stratification in hepatocellular carcinoma after liver transplantation[J/OL]. Insights Imaging, 2025, 16(1): 194 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/40962936/. DOI: 10.1186/s13244-025-02082-7.
[34]
程志鹏, 陈晓玲, 张慧, 等. 普美显增强MRI预测肝细胞癌消融术后早期复发的影像组学模型研究[J]. 现代消化及介入诊疗, 2024, 29(8): 923-931, 942.
CHENG Z P, CHEN X L, ZHANG H, et al. Study on the radiomics model to predict early recurrence after hepatocellular carcinoma ablation[J]. Mod Interv Diagn Treat Gastroenterol, 2024, 29(8): 923-931, 942.
[35]
LI W C, SHEN H R, HAN L Z, et al. A multiparametric fusion radiomics signature based on contrast-enhanced MRI for predicting early recurrence of hepatocellular carcinoma[J/OL]. J Oncol, 2022, 2022: 3704987 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/36213823/. DOI: 10.1155/2022/3704987.
[36]
WANG L Y, MA X H, FENG B, et al. Multi-sequence MR-based radiomics signature for predicting early recurrence in solitary hepatocellular carcinoma ≤5 cm[J/OL]. Front Oncol, 2022, 12: 899404 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/35756618/. DOI: 10.3389/fonc.2022.899404.
[37]
张继云, 张涛, 张学琴, 等. 钆塞酸二钠增强MRI联合血管包绕肿瘤细胞簇预测肝细胞癌术后早期复发的价值[J]. 放射学实践, 2024, 39(10): 1367-1373. DOI: 10.13609/j.cnki.1000-0313.2024.10.014.
ZHANG J Y, ZHANG T, ZHANG X Q, et al. Preoperative gadoxetic acid-enhanced MRI combine with vessels encapsulating tumor clusters in predicting early recurrence of hepatocellular carcinoma[J]. Radiol Pract, 2024, 39(10): 1367-1373. DOI: 10.13609/j.cnki.1000-0313.2024.10.014.
[38]
LIN Y Y, WANG J F, CHEN Y Y, et al. Predicting one-year recurrence of HCC based on gadoxetic acid-enhancedMRI by machine learning models[J/OL]. Curr Med Imaging Former Curr Med Imaging Rev, 2024, 20: e15734056293489 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/38462826/. DOI: 10.2174/0115734056293489240226064955.
[39]
WANG K D, GUAN M J, BAO Z Y, et al. Radiomics analysis based on dynamic contrast-enhanced MRI for predicting early recurrence after hepatectomy in hepatocellular carcinoma patients[J/OL]. Sci Rep, 2025, 15: 22240 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/40595796/. DOI: 10.1038/s41598-025-02291-6.
[40]
董致成, 张金标, 邢梦杨, 等. 基于MRI影像组学对肝细胞癌术后复发的预测价值[J]. 中国医学装备, 2025, 22(5): 57-61.
DONG Z C, ZHANG J B, XING M Y, et al. Predictive value of MRI radiomics for postoperative recurrence of liver cancer[J]. China Med Equip, 2025, 22(5): 57-61.
[41]
陈建平, 张添辉, 杨日辉, 等. 基于Gd-EOB-DTPA增强MRI结合临床特征对肝细胞癌术后早期复发预测价值的研究[J]. 中国CT和MRI杂志, 2023, 21(9): 121-124. DOI: 10.3969/j.issn.1672-5131.2023.09.040.
CHEN J P, ZHANG T H, YANG R H, et al. The value of Gd-EOB-DTPA-enhanced MRI combined with clinical features. in predicting early recurrence of hepatocellular carcinoma after resection[J]. Chin J CT MRI, 2023, 21(9): 121-124. DOI: 10.3969/j.issn.1672-5131.2023.09.040.
[42]
WEI H, ZHENG T Y, ZHANG X L, et al. MRI radiomics based on deep learning automated segmentation to predict early recurrence of hepatocellular carcinoma[J/OL]. Insights Imaging, 2024, 15(1): 120 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/38763975/. DOI: 10.1186/s13244-024-01679-8.
[43]
廖玉波, 韩帅, 李靖, 等. 基于动态增强MRI的生境成像和含瘤周影像组学模型预测肝细胞癌切除术后早期复发[J]. 临床放射学杂志, 2026, 45(4): 614-622. DOI: 10.13437/j.cnki.jcr.2026.04.015.
LIAO Y B, HAN S, LI J, et al. Habitat imaging and peritumoral-containing radiomics models based on dynamic contrast-enhanced MRI for predicting early recurrence after hepatectomy in hepatocellular carcinoma[J]. J Clin Radiol, 2026, 45(4): 614-622. DOI: 10.13437/j.cnki.jcr.2026.04.015.
[44]
SONG W L, LIU H, XU Y, et al. Contrast-enhanced MRI–based multi-parameter habitats radiomics models to predict early recurrence in early-stage hepatocellular carcinoma following curative resection[J/OL]. Eur J Radiol, 2026, 195: 112560 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/41289727/. DOI: 10.1016/j.ejrad.2025.112560.
[45]
QIN Y J, ZHANG L G, ZHOU X Q, et al. Explainable fusion model for predicting postoperative early recurrence in hepatocellular carcinoma using gadoxetic acid-enhanced MRI habitat imaging[J]. Acad Radiol, 2025, 32(9): 5162-5172. DOI: 10.1016/j.acra.2025.04.018.
[46]
GAO W Y, WANG W T, SONG D J, et al. A predictive model integrating deep and radiomics features based on gadobenate dimeglumine-enhanced MRI for postoperative early recurrence of hepatocellular carcinoma[J]. Radiol Med, 2022, 127(3): 259-271. DOI: 10.1007/s11547-021-01445-6.
[47]
KUCUKKAYA A S, ZEEVI T, CHAI N X, et al. Predicting tumor recurrence on baseline MR imaging in patients with early-stage hepatocellular carcinoma using deep machine learning[J/OL]. Sci Rep, 2023, 13(1): 7579 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/37165035/. DOI: 10.1038/s41598-023-34439-7.
[48]
WANG Y D, ZHANG Y, XIAO J C, et al. Multicenter integration of MR radiomics, deep learning, and clinical indicators for predicting hepatocellular carcinoma recurrence after thermal ablation[J]. J Hepatocell Carcinoma, 2024, 11: 1861-1874. DOI: 10.2147/JHC.S482760.
[49]
ZHAO Y, WANG S, WANG Y, et al. Deep learning radiomics based on contrast enhanced MRI for preoperatively predicting early recurrence in hepatocellular carcinoma after curative resection[J/OL]. Front Oncol, 2024, 14: 1446386 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/39582540/. DOI: 10.3389/fonc.2024.1446386.
[50]
QU H, ZHANG S R, GUO M R, et al. Deep learning model for predicting proliferative hepatocellular carcinoma using dynamic contrast-enhanced MRI: implications for early recurrence prediction following radical resection[J]. Acad Radiol, 2024, 31(11): 4445-4455. DOI: 10.1016/j.acra.2024.04.028.
[51]
ZENG H Q, MA Z C, TAO Y X, et al. Predicting early recurrence in hepatocellular carcinoma after hepatectomy using GD-EOB-DTPA enhanced MRI-based model[J/OL]. Eur J Radiol, 2025, 188: 112130 [2026-07-22]. https://pubmed.ncbi.nlm.nih.gov/40305886/. DOI: 10.1016/j.ejrad.2025.112130.

上一篇 基于乳腺MRI的Kaiser评分研究进展
下一篇 影像组学与深度学习在肝脏恶性肿瘤疗效评估与预后预测中的研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2