分享:
分享到微信朋友圈
X
• 综述 •
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
张冰妍 华丽 龙蝶 陈绍俊

本文引用格式 张冰妍, 华丽, 龙蝶, 等. 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[J]. 磁共振成像, 2026, 17(11): 180-189. DOI:10.12015/issn.1674-8034.2026.11.023.


[摘要] 近年来,影像组学和深度学习(deep learning, DL)飞速发展,影像组学通过高通量提取和分析医学影像中的定量特征,以无创方式评估和预测肿瘤疗效及预后,DL则基于卷积神经网络,进一步提高影像分析的准确性与自动化水平,两者均为肝脏恶性肿瘤的系统治疗和局部治疗提供了临床支持和新的研究方向。尽管现有研究展现了影像组学和DL有广阔的应用前景,但其目前仍面临诸多挑战。本综述系统梳理了影像组学与DL在肝脏恶性肿瘤不同治疗方式中的应用进展,明确其在疗效预测、预后评估中的实际应用价值与适用场景,总结领域目前局限性,并指明多模态融合、动态预测模型构建、多中心大样本前瞻性研究等未来发展方向,期望助力人工智能在推动肝脏恶性肿瘤精准医疗中的进一步探索与完善。
[Abstract] In recent years, radiomics and deep learning (DL) have experienced rapid development. Radiomics employs high-throughput extraction and analysis of quantitative features within medical images to non-invasively evaluate tumor therapeutic response and predict patient prognosis. DL based on convolutional neural networks further enhances the accuracy and automation of image analysis. Both approaches provide clinical support and new research directions for the systemic and local treatments of malignant liver tumors. Despite demonstrating extensive application prospects, both fields currently face significant challenges. This review systematically summarizes the progress of radiomics and DL across different treatment modalities for liver malignant tumors, clarifies their practical value and applicable scenarios in efficacy prediction and prognosis evaluation, summarizes current limitations in the field, and highlights future directions including multimodal fusion, dynamic prediction models construction, and multicenter large-sample prospective studies. The aim is to advance artificial intelligence-driven precision medicine for liver malignancies.
[关键词] 肝脏恶性肿瘤;系统治疗;局部治疗;影像组学;深度学习;磁共振成像
[Keywords] liver malignancies;systemic therapy;local therapy;radiomics;deep learning;magnetic resonance imaging

张冰妍    华丽    龙蝶    陈绍俊 *  

广西医科大学第四附属医院肿瘤诊疗中心,柳州 545005

通信作者:陈绍俊,E-mail: chenshaojunguangxi@126.com

作者贡献声明:陈绍俊设计本综述的整体框架,对稿件重要内容进行了修改,获得了重庆市科学技术局(超声医学工程国家重点实验室)开放课题研究项目资助;张冰妍起草和撰写稿件,参与本综述的构思,获取、分析和解释本综述所纳入的文献;华丽、龙蝶参与分析本综述所纳入的文献,参与对稿件重要内容的修改;全体作者都同意最后的修改稿发表,都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: 重庆市科学技术局(超声医学工程国家重点实验室)开放课题研究项目 2024KFKT003
收稿日期:2026-01-10
接受日期:2026-08-24
中图分类号:R814.42  R445.2  R735.7 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.023
本文引用格式 张冰妍, 华丽, 龙蝶, 等. 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[J]. 磁共振成像, 2026, 17(11): 180-189. DOI:10.12015/issn.1674-8034.2026.11.023.

0 引言

       肝脏恶性肿瘤主要包括原发性肝癌和肝转移瘤。原发性肝癌发病率居我国恶性肿瘤第4位,死亡率居第2位[1],其中肝细胞癌(hepatocellular carcinoma, HCC)为最常见的类型。在肝转移瘤中,以结直肠癌肝转移(colorectal cancer liver metastasis, CRLM)的发生率最高[2]。在制定肝脏恶性肿瘤的治疗策略时,需综合评估肿瘤的分期、患者的肝功能储备及全身状况。治疗方式分为系统治疗和局部治疗,系统治疗即全身治疗,包括化疗、免疫治疗、靶向治疗;局部治疗包括手术切除、放疗、消融、介入治疗。影像学作为一种有效的辅助检查手段,能够识别大量肉眼无法直接观察到的肿瘤信息,包括肿瘤的部位、大小、边缘、质地、数量,以及有无淋巴结转移和远处转移等关键特征,在肝脏恶性肿瘤的诊断和疗效评估方面表现优异。然而,随着医学的不断进步发展,传统影像的局限性逐渐暴露。常规影像学虽能通过增强扫描评估血供异质性、弥散加权成像反映水分子运动差异以提示细胞密度异质性,从而提供多维度信息,但这些评估仍主要局限于宏观形态学及半定量功能参数层面,难以全面精准地量化肿瘤内部复杂的微观生物学异质性与空间异质性[3, 4]。改良实体瘤疗效评价标准(modified response evaluation criteria in solid tumors, mRECIST)通过评估动脉期强化情况来反映肿瘤活性,能更准确地评估局部治疗后的真实疗效,但mRECIST二维测量可重复性差,缓解率与生存获益脱节,且无法应对免疫治疗异质反应及微小病灶,临床实用性不足[5],同时,传统影像对疗效的评估高度依赖医师经验,存在主观性强的缺点,对疗效的预测能力也有限。

       近年来,影像组学和深度学习(deep learning, DL)飞速发展,为肝脏恶性肿瘤的精准诊疗提供了新的技术支撑。影像组学能从医学影像中提取肿瘤纹理、形状、灰度分布等高通量定量特征,在肝脏恶性肿瘤的疗效评估和预后预测中发挥着重要作用[6]。DL作为机器学习的重要分支,凭借其强大的自动特征提取与建模能力,进一步突破了传统影像分析的局限。在诸多DL架构中,卷积神经网络(convolutional neural network, CNN)通过多层非线性网络结构自动、高效地提取影像特征,已成为医学图像分析的基础性技术[7, 8];U形网络(U-Net)及其变体因其独特的跳跃连接设计,能充分融合浅层空间细节与深层语义信息,在肝脏病灶的精准分割和感兴趣区(region of interest, ROI)自动勾画中表现卓越,显著提升了工作效率与可靠性[9, 10];而以变换器(Transformer)为代表的自注意力机制架构,则擅长捕捉影像中远距离的空间关联与全局解剖位置关系,有效弥补了CNN在建模全局上下文方面的不足,更有利于挖掘肿瘤异质性、多病灶转移规律及微小转移灶信息,在多序列融合分析、远期预后分层及免疫治疗疗效预测等任务中展现出突出潜力[11, 12]。相较于传统影像组学依赖人工预设特征,DL模型能够自主从数据中学习更深层次的生物学关联,提高了分析的准确性和自动化水平,已成为指导治疗决策和预后分析的研究热点[5]。

       目前综述多为单独阐述影像组学或DL在肝脏肿瘤单一治疗中的应用,但同时涵盖系统治疗、局部治疗,且对比两类技术、总结疗效预测共性因素与获益人群特征的综述仍较少。因此,本文围绕以下五个方面展开综述:(1)影像组学的基本流程及DL的概念;(2)影像组学和DL在肝脏恶性肿瘤系统治疗的应用;(3)影像组学和DL在肝脏恶性肿瘤局部治疗的应用;(4)影像组学与DL模型多维度对比;(5)现存挑战与未来展望。系统归纳疗效预测共有影响因素,分治疗方案梳理获益人群特征,深入剖析DL相较于传统影像组学的核心优势,以期为临床实践提供更可靠的理论支持,最终推动精准医疗在肝脏恶性肿瘤治疗中的应用。

1 文献检索方法

       本综述采用系统性文献检索策略,以提升叙述型综述的循证强度。我们通过(“影像组学”OR“深度学习”)AND(“肝脏恶性肿瘤”)对CNKI、万方等中文数据库进行预检索时发现,本研究主题相关原创性实证文献数量较少,且多为国外研究的综述或译文,因国内顶尖团队的原创性成果亦优先发表于高水平英文期刊,且已被本综述引用,为避免引入重复性或低相关性文献,我们最终将系统检索范围限定于英文数据库,集中梳理国际主流研究成果,检索数据库包括PubMed、Web of Science、Scopus,检索时限为2020年1月1日至2025年12月31日。采用主题词与自由词相结合的检索方式,以PubMed为例,具体检索策略为:(“radiomics and deep learning”)AND(“liver cancer” OR “hepatocellular carcinoma” OR “liver metastasis” OR “colorectal cancer liver metastasis” OR “CRLM” OR “hepatic malignancy”)AND(“chemotherapy” OR “immunotherapy” OR “targeted therapy” OR “surgical resection” OR “radiotherapy” OR “ablation” OR “interventional therapy”)。其他数据库据此进行相应调整。同时,手工追溯已纳入文献的参考文献作为补充。

       所有检索记录导入EndNote X9文献管理软件,经软件自动去重与人工核实后,去除重复及无效文献。由1名医师独立进行去重后的文献标题摘要初筛与全文复筛,关键步骤由2名医师交叉核对,意见不一致处通过小组讨论达成统一,确保筛选结果客观性和契合性。纳入标准:(1)研究内容涉及影像组学或DL方法在肝脏恶性肿瘤(原发性肝癌或继发性肝癌)系统治疗或局部治疗中的评估、预测或预后分析;(2)研究类型为原创性论著、临床试验或关键技术进展;(3)语言为英文,且全文可完整获取。排除标准:会议摘要、病例报告、评述、非原始研究、研究主题宽泛、无明确疗效评估终点以及无法获取全文的文献。经上述检索方式共获得251篇文献,其中PubMed 58篇,Web of Science 82篇,Scopus 111篇。经核实排除了64篇重复的参考文献,审阅标题和摘要后依纳排标准排除119篇文献。手工追溯已纳入文献的参考文献作为补充,最终本综述引用文献共68篇。

2 影像组学的基本流程及DL的概念

       影像组学是一种基于医学影像的高通量特征提取和分析技术,通过标准化、定量化的方法从医学影像中挖掘深层次的肉眼无法识别的信息,并结合人工智能算法构建预测模型,在疾病诊断、疗效预测及预后评估等精准医疗领域发挥重要价值[13]。影像组学的基本流程如下[14, 15]:(1)图像采集与预处理。收集CT、MRI等初始图像数据,由于原始图像易受设备型号、扫描参数及患者体位差异的影响,在分割前必须进行严格的图像预处理,包括重采样、灰度归一化、偏置场校正及图像滤波。此外,需进行数据标准化,将提取前的图像强度或后续特征值调整至统一尺度,以减少多中心、多设备间的异质性干扰,提高模型的鲁棒性和泛化能力。(2)图像分割。勾画ROI,通常包括肿瘤原发灶、瘤周3 mm、5 mm等区域,分割方法包括人工、半自动、全自动分割法三种。(3)影像组学特征提取及筛选。ROI分割后,从中提取高通量的特征,如影像学征象、形状特征、一阶、二阶和高阶特征。影像学征象如牛眼征,分叶征等;形状特征如肿瘤的体积、表面积、粗糙度等;一阶特征反映强度分布;二阶特征即纹理特征,反映病灶内部的细微结构;高阶特征是指通过非线性变换或复杂模型提取的特征;将提取到的特征进行筛选,保留相关性高的特征。(4)模型建立与评估。构建模型时,常结合临床特征,构建方法有支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、逻辑回归(logistic regression, LR)、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)、k最近邻(k-nearest neighbor, KNN)等。当构建好模型后,采用受试者工作特征曲线下面积(area under the curve, AUC)和DeLong检验、决策曲线分析(decision curve analysis, DCA)等方法对模型进行评估。

       DL是机器学习的重要分支,隶属人工智能范畴,通过模拟人脑神经网络的层次化结构,构建具有多级抽象能力的计算模型,能够自主地从数据中学习高层次的特征,并完成特定分析任务。即使在面对大量医学影像数据集时,DL模型仍可凭借其强大的数据挖掘能力,直接对原始影像数据进行彻底处理,并充分发掘数据中蕴藏的深层信息,最终得到可靠结果[16]。在图像分割方面,DL能够对病变组织进行自动识别和分割,因此可有效避免人工勾画带来的主观性及时间成本,显著提高工作效率,在ROI分割中具有重要意义。在DL领域中,U-Net及其变体能充分融合浅层空间细节与深层语义信息,在肝脏病灶的精准分割和ROI自动勾画中表现卓越[9, 10];CNN在提取医学影像特征和分析图像方面具有显著优势,已成为医学图像分析的基础性技术[17];而以Transformer为代表的自注意力机制架构,擅长捕捉影像中远距离的空间关联与全局解剖位置关系,更有利于挖掘肿瘤异质性、多病灶转移规律及微小转移灶信息,在多序列融合分析、远期预后分层及疗效预测等方面展现出巨大潜力[11, 12]。

3 影像组学和DL在肝脏恶性肿瘤系统治疗中的应用

3.1 影像组学和DL在原发性肝癌系统治疗的应用

3.1.1 影像组学在原发性肝癌系统治疗的应用

       HCC的系统治疗包括化疗、免疫治疗、靶向治疗。近年来,免疫检查点抑制剂(immune checkpoint inhibitor, ICI),如程序性死亡蛋白-1(programmed death-1, PD-1)抑制剂及程序性死亡受体配体1(programmed death-ligand 1, PD-L1)抑制剂受到广泛应用。然而,尽管系统治疗已在HCC的疗效中取得突破性进展,但肿瘤内在异质性、患者个体基线特征差异会造成药物应答水平显著分化,难以依靠传统临床指标实现精准分层。依托无创影像手段提前预测患者疗效应答,可指导个体化给药方案筛选,优化临床决策的制定。在此背景下,影像组学通过定量挖掘影像深层微观特征,为HCC系统治疗疗效或预后的无创预测提供了重要支持。

       基于MRI、CT等提取的影像组学特征构建的预测模型(表1),可有效预测HCC患者系统治疗疗效,为医生制定个性化治疗方案提供有力支撑,且多使用LR、RF、SVM等多种机器学习算法构建模型,并进行模型性能对比,有利于模型优化。

表1  影像组学在原发性肝癌系统治疗中的应用
Tab. 1  Application of radiomics in the systemic treatment of primary liver cancer

3.1.2 DL在原发性肝癌系统治疗的应用

       DL具备实现多模态影像、临床特征融合提取的能力[24],可以捕捉影像序列里的动态变化特征,并且能够挖掘隐藏在影像数据背后的生物学关联信息,切实突破了常规影像分析只能提取静态特征的局限[25]。

       DL为HCC的影像组学研究提供了强大的方法学创新(表2),能够有效提升模型的分析与预测能力。同时,基于DL开发的预测模型在评估HCC患者系统治疗疗效及预后方面展现出巨大潜力,为临床制定个体化治疗方案提供了可靠的决策支持。

表2  DL在原发性肝癌系统治疗中的应用
Tab. 2  Application of deep learning in the systemic treatment of primary liver cancer

3.1.3 影像组学和DL在原发性肝癌系统治疗应用研究中的横向对比与矛盾分析

       (1)高价值核心参数:靶向治疗高预测价值特征为肿瘤形态规则、纹理均匀、无大血管侵犯[18];免疫治疗高价值特征为肿瘤纹理异质性高、边界模糊[21, 22];靶免联合治疗核心特征为动脉期血管扩张显著、肿瘤血供丰富、AFP早期应答[20]。主流建模算法中,自动机器学习框架(AutoGluon)、SVM、RF模型预测精度与稳定性最优[18, 23]。

       (2)现有研究模型AUC波动区间较大,性能差异显著,可能的原因包括:①影像模态差异,MRI对肿瘤微环境敏感度更高,CT对血管侵犯特征识别更精准,导致不同模态模型性能存在偏差[26, 27];②样本量与研究设计差异,单中心小样本数据集易出现模型过拟合,因此模型效能普遍高于多中心大样本验证研究,但模型真实泛化性能与临床可靠性较差;③ROI勾画范围差异,部分研究仅勾画肿瘤原发灶,部分纳入瘤周10 mm等区域,瘤周微环境特征的纳入可有效提升模型效能[22]。

3.2 影像组学和DL在肝转移瘤系统治疗中的应用

3.2.1 影像组学在肝转移瘤系统治疗的应用

       在肝转移瘤中,CRLM最为常见,CRLM系统治疗以抗血管生成靶向治疗、免疫治疗、化疗为主,临床主要面临化疗耐药、免疫治疗获益人群不明确、预后分层困难等问题。影像组学技术可通过量化肿瘤影像表型,无创进行疗效或预后预测,为CRLM个体化系统治疗提供支持[29, 30, 31]。

       汇总影像组学在肝转移瘤系统治疗应用中的研究(表3)可见,影像组学在肝转移瘤系统治疗中有重要意义,有助于预测CRLM患者的疗效及预后,为患者提供个性化治疗建议,辅助临床决策,为治疗方案的选择和精准医疗的实施提供有力支持。

表3  影像组学在肝转移瘤系统治疗中的应用
Tab. 3  Application of radiomics in the systemic treatment of secondary liver cancer

3.2.2 DL在肝转移瘤系统治疗的应用

       为预测CRLM患者对一线化疗的敏感性,QI等[36]回顾性纳入116例CRLM患者,利用人工神经网络(artificial neural network, ANN)基于化疗前的CT图像和临床特征构建预测模型,结果表明,使用ANN构建的影像组学特征与临床特征结合的融合模型预测性能最佳,其AUC在训练集及验证集分别为0.754、0.752。与影像组学模型相比,DL模型无须依赖人工,可自动完成特征提取与模型的构建,提高了预测效率。另有研究[37]回顾性纳入192名CRLM患者,基于ResNet10网络从化疗前的CT图像提取DL特征构建DL模型,并与临床特征(血清癌胚抗原)相结合,构建融合模型,同时分别构建了临床模型和基于LASSO的传统影像组学模型。结果表明,基于ResNet10网络的DL模型预测效能优于传统影像组学模型(训练集AUC:0.903 vs. 0.745),且融合DL特征及临床特征的融合模型有最佳预测效果,优于其他单一模型,其训练集的AUC为0.935。该研究中,与传统影像组学相比,DL模型可通过卷积层等提取数量更多、层次更深的影像特征,例如,DL模型自动识别的“肿瘤边缘区域灰度梯度分布”特征,其对化疗敏感性的相关程度显著高于影像组学中的“肿瘤体积”特征,因此,其预测效能更优。为验证使用残差CNN确定的形态学反应(ResNet-MR)在预测接受贝伐珠单抗治疗的不可切除的CRLM患者生存期方面的价值,CHIU等[38]回顾性纳入了84例该类患者。首先由影像科医生依据形态学标准对其门静脉期CT图像进行评估并分为3组,将其结果定义为影像科医生确定的形态学反应(radiologists-determined morphological response, RD-MR),然后,将第1组和第3组图像作为训练集输入ResNet10,并利用训练好的模型对第2组图像重新进行分组,进而构建ResNet-MR模型。结果表明,ResNet-MR模型在2年生存率预测中的AUC为0.83,优于影像组学模型的约0.70,说明ResNet-MR模型可对患者长期预后进行精准预测,这归功于DL模型具有学习肿瘤长期演变规律的能力。为预测贝伐珠单抗在不可切除CRLM患者中的疗效,ZHOU等[39]开展了一项多中心队列研究,纳入307例CRLM患者,使用ResNet-34和效率网络(EfficientNet-b3)从其治疗前的正电子发射计算机体层成像(positron emission tomography/computed tomography, PET/CT)图像中提取包括PD-L1+血管内皮生长因子(vascular endothelial growth factor, VEGF)相关的DL影像组学特征,并结合临床特征和组织病理学特征,构建多模态DL影像组学模型。结果得出,该融合模型预测效果最佳(验证集AUC为0.83)。同时,该融合模型还具有明确的预后评估价值:经融合模型判断为对贝伐珠单抗治疗有反应者,其无进展生存期(progression-free survival, PFS)(P=0.002)和总生存期(overall survival, OS)(P=0.010)值均高于无反应者。同时与传统影像组学相比,在多中心验证中,DL模型的AUC波动仅为0.04,小于影像组学模型的0.12,表明DL模型可更好地适应设备不同等差异,泛化潜力优于影像组学。

       上述研究证实,借助DL技术构建预测模型,可显著提升对CRLM患者疗效及预后的预测能力,筛选出适合治疗方案的患者,为后续制定个体化治疗方案提供核心参考依据,优化临床治疗决策,从而全面提升治疗方案的针对性与安全性。同时,DL技术能够自动挖掘并提取与临床目标高度相关的影像特征,无须依赖人工预设特征,进而实现医学影像信息与临床结局之间更高效、更精准的关联,有效克服了传统技术在特征提取效率与准确性上的局限。

3.2.3 影像组学和DL在肝转移瘤系统治疗应用研究中的横向对比与矛盾分析

       (1)高价值核心参数:CRLM化疗获益的核心特征为肿瘤纹理均匀、灌注均匀;高微卫星不稳定(high microsatellite instability, MSI-H)免疫获益的特征为肿瘤灰度异质性高、边缘不规则;贝伐珠单抗靶向治疗获益的特征为肿瘤体积小、无大血管侵犯、灌注均匀。DL模型中ResNet、EfficientNet网络较为常用[38, 39]。

       (2)部分研究存在模型效能差异,可能的原因包括:①影像选择差异,静态影像提取的特征仅为某一时间的特征,动态影像可捕捉动态变化特征[32];PET/CT可整合形态与代谢特征,较单纯CT模型预测性能更优[39]。②研究人群的差异:不可切除CRLM患者与可切除CRLM患者的肿瘤生物学行为存在差异,导致模型预测效能存在偏差。

4 影像组学和DL在肝脏恶性肿瘤局部治疗中的应用

4.1 影像组学和DL在原发性肝癌局部治疗的应用

4.1.1 影像组学在原发性肝癌局部治疗的应用

       肝癌的局部治疗包括手术切除、介入治疗、放疗、消融。近年来,针对肝癌的介入治疗技术,如肝动脉灌注化疗(hepatic arterial infusion chemotherapy, HAIC),经动脉化疗栓塞术(transarterial chemoembolization, TACE)等在临床实践中得到广泛应用,并逐渐成为肝癌非手术治疗的核心方法。肿瘤的放射治疗是一种应用高能电离辐射杀灭恶性肿瘤的治疗手段,现代常用的照射技术包括三维适形放疗、立体定向放射治疗(stereotactic body radiotherapy, SBRT)、图像引导放射治疗(image guided radiation therapy, IGRT)及经动脉放射性栓塞治疗(transarterial radioembolization, TARE)等。肿瘤消融主要技术包括射频消融(radiofrequency ablation, RFA)、微波消融、化学消融、冷冻消融等。该类治疗方法具有微创性、适形性好、可重复治疗的特征优势[40, 41, 42]。近年来,随着人工智能的发展,影像组学对肿瘤局部治疗疗效的精准预测已成为临床诊疗中的关键环节,有助于为患者筛选合适的治疗方案,提高治愈率。

       当前影像组学在HCC局部治疗应用中的研究(表4)表明,影像组学模型不仅能够有效预测HCC患者局部治疗的疗效及预后,还能为早期HCC患者的治疗方案遴选提供优化依据,同时为临床筛选适合治疗的患者提供了强有力的决策支撑工具。机器学习技术特性充分凸显了其在处理海量医学数据时的灵活性与高效性。

表4  影像组学在原发性肝癌局部治疗中的应用
Tab. 4  Application of radiomics in local treatment of primary liver cancer

4.1.2 DL在HCC局部治疗的应用

       DL在HCC患者局部治疗应用中的优势在于可自动分割ROI、识别微转移灶、同步预测多结局、提高跨中心稳定性等。综合DL在原发性肝癌局部治疗应用中的研究(表5)可见,DL作为人工智能领域的新兴技术,可从医学影像中深度挖掘潜在信息,目前已广泛应用于HCC患者局部治疗远期预后评估及疗效监测等多个临床场景。DL模型可创新性地融合临床指标与影像信息,有效提升预测的准确性,为临床医师制定个体化治疗方案、精准筛选适宜人群提供了有力支持,为临床决策提供全新的可靠路径。

表5  DL在原发性肝癌局部治疗中的应用
Tab. 5  Application of deep learning in local treatment of primary liver cancer

4.1.3 影像组学和DL在原发性肝癌局部治疗应用研究中的横向对比与矛盾分析

       (1)高价值核心参数:手术获益的特征为肿瘤单发、边界清晰、无包膜侵犯、肝功能良好;介入获益的特征为血供丰富、动脉期强化显著、无远处转移;消融获益的特征为肿瘤直径<3 cm、无大血管或胆管侵犯;放疗获益的特征为肿瘤体积小、正常肝组织体积充足、无严重肝硬化[43, 44, 45, 46, 47, 48, 49, 50]。

       (2)不同研究模型效能存在差异,主要原因可能有:①图像采集标准不统一,不同设备扫描参数、重建算法差异导致影像特征偏移;②ROI勾画范围不一致,部分研究仅勾画肿瘤主体,忽略瘤周微环境,降低预测准确性[43];③治疗人群分期差异,早期与中期HCC患者肿瘤异质性不同,模型预测存在差异。

4.2 影像组学和DL在肝转移瘤局部治疗中的应用

4.2.1 影像组学在肝转移瘤局部治疗的应用

       在预测HAIC对CRLM患者的疗效方面,LIU等[59]回顾性纳入63名CRLM患者,从治疗前的门静脉期CT图像中提取包括肿瘤血供相关的影像组学特征并构建预测模型,训练集的C指数为0.758,测试集的2年生存率的AUC为0.909。在预测CRLM患者肝切除术后的预后方面,SHUR及团队[60]纳入102例接受肝切除术治疗的CRLM患者,从其CT门静脉期图像、EOB-MRI肝胆期图像及T1加权像脂肪抑制序列中提取多维度影像组学特征,并结合临床特征,构建预后评估模型,将所有患者划分为高风险组与低风险组,两组间的预后差异具有统计学意义(风险比为0.31,P=0.000 68)。在预测外照射放疗对CRLM患者的疗效中,HU等[61]纳入了97例接受放疗的CRLM患者,并从其治疗前的CT图像中提取影像组学特征,并结合临床数据进行研究。结果表明,治疗前图像中的灰度差异矩阵强度与放疗最大剂量是预测PFS的有效指标,其中影像组学模型(C指数0.68)的预测性能优于临床模型(C指数0.62),且结合影像组学特征与治疗临床数据的联合模型平均预测准确率最高(C指数0.73)。在预测CRLM患者消融的疗效方面,SHAHVERANOVA等[62]纳入了42例经微波消融治疗的CRLM患者,从其术前动脉期TIWI与平扫T2WI中提取影像组学特征,并结合肿瘤数量、邻近大血管侵犯情况等临床特征,构建联合模型。结果表明,融合临床特征与T2WI影像组学特征的联合模型有最显著的预测效能(AUC=0.981)。另有研究[63]纳入90例CRLM患者,基于热消融术前CT 图像提取影像组学特征并构建预测模型。结果表明,该模型预测效能良好(C指数为0.780)。

       以上研究表明,影像组学在CRLM患者局部治疗的疗效及预后评估中展现出显著价值。在介入治疗中,影像特征已被证实是潜在的CRLM介入治疗疗效预测标志物,有望为临床制定介入治疗决策提供有力支撑。在消融治疗中,基于CRLM患者消融治疗前后影像特征构建的影像组学模型,已显示出良好的疗效预测效能,在放疗中,影像组学可辅助肝转移瘤放疗疗效评估,为放疗敏感人群的分层管理提供参考,在肝转移瘤放疗中有极大的应用价值。

4.2.2 DL在肝转移瘤局部治疗的应用

       在预测CRLM患者肝切除术后的预后方面,TANG等[64]纳入138例接受肝切除术后的CRLM患者,通过多模态引导局部特征融合及并行分支等专属模块从其多序列MRI图像中提取影像组学特征,并构建多模态引导互补网络模型。结果得出,该模型在预测术后1年是否复发方面AUC为0.83,在预测无复发生存期方面C指数为0.73。与影像组学多模态模型相比,DL模型通过并行分支模块对各模态特征进行针对性编码,避免了特征提取过程中的冗余与信息丢失,提高了模型预测效能。STARMANS等[65]纳入76例接受手术治疗的CRLM患者,根据术后病理结果将其划分为促结缔组织增生型与替代型两个亚型,使用人工分割与Hybrid-Dense-UNet模型自动分割两种方式对增强CT图像进行分割,并运用影像组学的方法进行特征提取与筛选,构建预测模型,结果显示,该模型的AUC为0.69。GRANATA等[66]从肝切除后CRLM患者的MRI影像图像中提取影像组学特征,融合传统机器学习与DL,构建预后预测模型,发现模型在多维度预后预测中均展现出重要价值,如术后复发风险、肿瘤突变状态、病理特征及手术切除边缘状态等,其预测准确率为82%~95%。在预测CRLM患者热消融术后的早期复发方面,ZHAO等[67]纳入了207例接受过该治疗的CRLM患者,基于2D-CNN架构从超声造影图像提取DL特征,构建DL模型,同时结合临床特征,构建临床模型及联合模型,在外部测试集中,联合模型预测性能最优(AUC为0.78),显著优于所有单一模型;在早期复发风险分层应用中,DL模型可有效区分高复发风险、低复发风险患者,组间差异有统计学意义(P<0.001)。为预测TARE对肝转移瘤的疗效,KOBE等[68]收集患者治疗前的CT图像,提取肿瘤体积、密度等特征,通过传统机器学习与基于ANN的多层感知器构建DL预测模型。结果表明,DL模型预测性能优异,在测试集中AUC为0.850,敏感度为94.2%,特异度为67.7%,且具有肿瘤体积<5 cm、密度均匀影像学特征的患者显著获益。与影像组学模型相比,DL模型自动提取的“肿瘤灌注异质性特征”与TARE疗效的相关性更高,提高了模型特异性。

       以上研究表明,DL在CRLM局部治疗中发挥重要作用,为医生制定与调整治疗方案提供客观参考依据,并有助于筛选适合治疗的患者,为实现精准医疗奠定了技术基础。

4.2.3 影像组学和DL在肝转移瘤局部治疗应用研究中的横向对比与矛盾分析

       (1)高价值核心参数:CRLM手术获益的特征为转移灶≤3个、边界清晰、无包膜侵犯;放疗获益的特征为肿瘤体积<5 cm、密度均匀、正常肝组织充足;与此相应,消融获益的特征为肿瘤单发、直径<3 cm、边界清晰、无邻近大血管或胆管侵犯、肝功能储备良好[60, 61, 62]。

       (2)不同研究模型效能存在差异,原因可能包括:①传统静态影像组学没有引入影像时序维度,故不能很好地捕捉动态变化;②病理亚型本身高度异质,故易造成模型预测偏差;③随访时间不统一,短期复发与远期预后的预测特征不同[59, 63, 64]。

5 小结与展望

       以上影像组学和DL模型在肝脏恶性肿瘤治疗中的对比分析、模型优劣的评估显示:(1)特征提取方面,影像组学依赖人工特征提取,虽可解释性强,但存在主观偏倚,而CNN模型可通过人工神经网络实现特征的高效提取,同时降低了人工分割的偏倚。(2)模型泛化能力方面,影像组学对扫描参数敏感度较高,在跨中心验证中AUC值通常下降;而ResNet模型有优异的迁移学习能力,跨中心预测AUC仍较稳定,泛化潜力优于影像组学。(3)在临床转化方面,影像组学技术门槛低,研究起步早,已有部分模型纳入小范围临床指南;DL模型自动化程度高,但其依赖高性能设备,且缺乏大规模前瞻性验证,临床可信度低。综上,影像组学有特征可解释性强、成本低的优势,适合基层医院基础评估;DL有特征提取高效、自动化程度高的优势,更适配三甲医院精准化诊疗需求。因此,融合“影像组学可解释特征+DL深层特征+临床分子指标”构建预测模型,可提高肝脏恶性肿瘤治疗评估的精准性与可信度。

       影像组学及DL在肝脏恶性肿瘤系统治疗和局部治疗中均有重要价值,在预测疗效、预后等方面发挥重要作用,有助于临床医师精准筛选适宜不同治疗的患者,制定个体化治疗方案,为临床决策提供全新的可靠路径,进而推动精准个体化治疗。但其仍面临诸多现实局限性及发展挑战:(1)影像组学在图像采集、预处理、分割、处理等方面尚未标准化,导致模型难以泛化;(2)目前研究多为单一影像数据的收集,且较少将影像组学与病理、基因组学等有效结合,无法为治疗决策提供全面的多维度支撑;(3)目前研究多为回顾性研究,且样本量较少,缺乏前瞻性、多中心的大规模验证;(4)现有影像组学和DL多基于静态影像构建模型,难以捕捉动态变化;(5)现有模型多针对单一治疗场景的预测;(6)针对合并其他严重肝脏慢性疾病的特殊患者的预测模型较少;(7)影像组学特征的变化存在滞后性,降低了早期疗效评估的准确性;(8)多数模型仅能单一预测疗效或复发,缺乏疗效、预后的多维度同步评估。

       未来可从以下方面制定解决措施:(1)将图像采集与处理标准统一化,引入自动化标注工具,开发精准分割算法,提高模型的泛化能力;(2)研发多模态数据融合技术,整合CT、MRI、PET/CT等影像数据,突破影像与基因组学等数据的融合障碍,对疗效进行多维度评估;(3)开展多中心、大规模的前瞻性研究验证,进一步提高模型预测性能,促进实际应用;(4)构建动态预测模型,提高模型对组织动态变化的识别能力;(5)突破单一治疗场景的局限,针对不同方案构建多分支对比预测模型,促进更优治疗方案的选择;(6)纳入合并其他严重肝脏慢性疾病的特殊患者,促进该类患者的个体化治疗;(7)研发早期疗效评估指标,挖掘与肿瘤生物学反应同步的影像组学特征,提高模型预测准确性;(8)研发多结局一体化预测系统,实现从单一结局预测向多任务综合评估的跨越。

       未来,影像组学与DL有望深度融入肝脏恶性肿瘤治疗全流程,实现从技术探索到临床应用的飞跃,期待其为患者带来更多获益,开创肝脏恶性肿瘤精准治疗的新局面。

[1]
HAN B F, ZHENG R S, ZENG H M, et al. Cancer incidence and mortality in China, 2022[J]. J Natl Cancer Cent, 2024, 4(1): 47-53. DOI: 10.1016/j.jncc.2024.01.006.
[2]
TSILIMIGRAS D I, BRODT P, CLAVIEN P A, et al. Liver metastases[J/OL]. Nat Rev Dis Primers, 2021, 7(1): 27 [2026-01-09]. https://www.nature.com/articles/s41572-021-00261-6. DOI: 10.1038/s41572-021-00261-6.
[3]
IPPOLITO D, INCHINGOLO R, GRAZIOLI L, et al. Recent advances in non-invasive magnetic resonance imaging assessment of hepatocellular carcinoma[J]. World J Gastroenterol, 2018, 24(23): 2413-2426. DOI: 10.3748/wjg.v24.i23.2413.
[4]
WEI J W, JIANG H Y, GU D S, et al. Radiomics in liver diseases: Current progress and future opportunities[J]. Liver Int, 2020, 40(9): 2050-2063. DOI: 10.1111/liv.14555.
[5]
CHU L C, PARK S, KAWAMOTO S, et al. Current status of radiomics and deep learning in liver imaging[J]. J Comput Assist Tomogr, 2021, 45(3): 343-351. DOI: 10.1097/rct.0000000000001169.
[6]
LI M, XU G, CUI Y, et al. CT-based radiomics nomogram for the preoperative prediction of microsatellite instability and clinical outcomes in colorectal cancer: a multicentre study[J/OL]. Clin Radiol, 2023, 78(10): e741-e751 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37487841/. DOI: 10.1016/j.crad.2023.06.012.
[7]
YANG C J, WANG C K, FANG Y D, et al. Clinical application of mask region-based convolutional neural network for the automatic detection and segmentation of abnormal liver density based on hepatocellular carcinoma computed tomography datasets[J/OL]. PLoS One, 2021, 16(8): e0255605 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/34375365/. DOI: 10.1371/journal.pone.0255605.
[8]
KIM D W, LEE G, KIM S Y, et al. Deep learning-based algorithm to detect primary hepatic malignancy in multiphase CT of patients at high risk for HCC[J]. Eur Radiol, 2021, 31(9): 7047-7057. DOI: 10.1007/s00330-021-07803-2.
[9]
KUSHNURE D T, TALBAR S N. HFRU-Net: high-level feature fusion and recalibration UNet for automatic liver and tumor segmentation in CT images[J/OL]. Comput Methods Programs Biomed, 2022, 213: 106501 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/34752959/. DOI: 10.1016/j.cmpb.2021.106501.
[10]
LI X M, CHEN H, QI X J, et al. H-DenseUNet: hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J]. IEEE Trans Med Imaging, 2018, 37(12): 2663-2674. DOI: 10.1109/TMI.2018.2845918.
[11]
CAO L P, WANG Q, HONG J W, et al. MVI-TR: a transformer-based deep learning model with contrast-enhanced CT for preoperative prediction of microvascular invasion in hepatocellular carcinoma[J/OL]. Cancers, 2023, 15(5): 1538 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36900327/. DOI: 10.3390/cancers15051538.
[12]
WANG L Y, WU M L, LI R, et al. MVI-mind: a novel deep-learning strategy using computed tomography (CT)-based radiomics for end-to-end high efficiency prediction of microvascular invasion in hepatocellular carcinoma[J/OL]. Cancers, 2022, 14(12): 2956 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/35740620/. DOI: 10.3390/cancers14122956.
[13]
HAGHSHOMAR M, RODRIGUES D, KALYAN A, et al. Leveraging radiomics and AI for precision diagnosis and prognostication of liver malignancies[J/OL]. Front Oncol, 2024, 14: 1362737 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/38779098/. DOI: 10.3389/fonc.2024.1362737.
[14]
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.
[15]
INCHINGOLO R, MAINO C, CANNELLA R, et al. Radiomics in colorectal cancer patients[J]. World J Gastroenterol, 2023, 29(19): 2888-2904. DOI: 10.3748/wjg.v29.i19.2888.
[16]
LEE J G, JUN S, CHO Y W, et al. Deep learning in medical imaging: general overview[J]. Korean J Radiol, 2017, 18(4): 570-584. DOI: 10.3348/kjr.2017.18.4.570.
[17]
PARK H J, PARK B, LEE S S. Radiomics and deep learning: hepatic applications[J/OL]. Korean J Radiol, 2020, 21(4): 387 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/32193887/. DOI: 10.3348/kjr.2019.0752.
[18]
BO Z Y, CHEN B, ZHAO Z X, et al. Prediction of response to lenvatinib monotherapy for unresectable hepatocellular carcinoma by machine learning radiomics: a multicenter cohort study[J]. Clin Cancer Res, 2023, 29(9): 1730-1740. DOI: 10.1158/1078-0432.CCR-22-2784.
[19]
SUN C, WANG Q, HOU L, et al. A contrast-enhanced ultrasound-based nomogram for the prediction of therapeutic efficiency of anti-PD-1 plus anti-VEGF agents in advanced hepatocellular carcinoma patients[J/OL]. Front Immunol, 2023, 14: 1229560 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37575236/. DOI: 10.3389/fimmu.2023.1229560.
[20]
DONG W, JI Y, PI S, et al. Noninvasive imaging-based machine learning algorithm to identify progressive disease in advanced hepatocellular carcinoma receiving second-line systemic therapy[J/OL]. Sci Rep, 2023, 13(1): 10690 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37393336/. DOI: 10.1038/s41598-023-37862-y.
[21]
CUI H, ZENG L, LI R, et al. Radiomics signature based on CECT for non-invasive prediction of response to anti-PD-1 therapy in patients with hepatocellular carcinoma[J/OL]. Clin Radiol, 2023, 78(2): e37-e44 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36257868/. DOI: 10.1016/j.crad.2022.09.113.
[22]
YUAN G S, SONG Y D, LI Q, et al. Development and validation of a contrast-enhanced CT-based radiomics nomogram for prediction of therapeutic efficacy of anti-PD-1 antibodies in advanced HCC patients[J/OL]. Front Immunol, 2020, 11: 613946 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/33488622/. DOI: 10.3389/fimmu.2020.613946.
[23]
YU G B, ZHANG Z G, ERESEN A, et al. MRI radiomics to monitor therapeutic outcome of sorafenib plus IHA transcatheter NK cell combination therapy in hepatocellular carcinoma[J/OL]. J Transl Med, 2024, 22(1): 76 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/38243292/. DOI: 10.1186/s12967-024-04873-w.
[24]
XU J, WANG T F, LI J J, et al. A multimodal fusion system predicting survival benefits of immune checkpoint inhibitors in unresectable hepatocellular carcinoma[J/OL]. NPJ Precis Oncol, 2025, 9(1): 185 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/40517171/. DOI: 10.1038/s41698-025-00979-6.
[25]
WEI N, MATHY R M, CHANG D H, et al. Longitudinal CE-MRI-based Siamese network with machine learning to predict tumor response in HCC after DEB-TACE[J/OL]. Cancer Imaging, 2025, 25(1): 104 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/40830494/. DOI: 10.1186/s40644-025-00926-5.
[26]
LIN Z J, WANG W D, YAN Y C, et al. A deep learning-based clinical-radiomics model predicting the treatment response of immune checkpoint inhibitors (ICIs)-based conversion therapy in potentially convertible hepatocelluar carcinoma patients: a tumor marker prognostic study[J]. Int J Surg, 2025, 111(5): 3342-3355. DOI: 10.1097/JS9.0000000000002322.
[27]
TIAN Y C, KOMOLAFE T E, ZHENG J, et al. Assessing PD-L1 expression level via preoperative MRI in HCC based on integrating deep learning and radiomics features[J/OL]. Diagnostics (Basel), 2021, 11(10): 1875 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/34679573/. DOI: 10.3390/diagnostics11101875.
[28]
HAN X, PENG C, RUAN S M, et al. A contrast-enhanced ultrasound cine-based deep learning model for predicting the response of advanced hepatocellular carcinoma to hepatic arterial infusion chemotherapy combined with systemic therapies[J]. Cancer Sci, 2025, 116(7): 1930-1940. DOI: 10.1111/cas.70089.
[29]
NARDONE V, PATANÈ V, MARINELLI L, et al. Delta-radiomics biomarker in colorectal cancer liver metastases treated with cetuximab plus avelumab (CAVE trial)[J/OL]. Diagnostics (Basel), 2025, 15(22): 2914 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/41300938/. DOI: 10.3390/diagnostics15222914.
[30]
MIYAMOTO Y, NAKAURA T, OHUCHI M, et al. Radiomics-based machine learning approach to predict chemotherapy responses in colorectal liver metastases[J]. J Anus Rectum Colon, 2025, 9(1): 117-126. DOI: 10.23922/jarc.2024-077.
[31]
GIANNINI V, ROSATI S, DEFEUDIS A, et al. Radiomics predicts response of individual HER2-amplified colorectal cancer liver metastases in patients treated with HER2-targeted therapy[J]. Int J Cancer, 2020, 147(11): 3215-3223. DOI: 10.1002/ijc.33271.
[32]
GIANNINI V, PUSCEDDU L, DEFEUDIS A, et al. Delta-radiomics predicts response to first-line oxaliplatin-based chemotherapy in colorectal cancer patients with liver metastases[J/OL]. Cancers, 2022, 14(1): 241 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/35008405/. DOI: 10.3390/cancers14010241.
[33]
AMMIRABILE A, LEVI R, BOLDRINI L, et al. MRI-based radiomics predicts the pathologic response of colorectal liver metastases to systemic therapy: A multicenter study[J/OL]. Eur J Radiol, 2025, 191: 112325 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/40752452/. DOI: 10.1016/j.ejrad.2025.112325.
[34]
WANG X H, LIU Z Q, YIN X P, et al. A radiomics model fusing clinical features to predict microsatellite status preoperatively in colorectal cancer liver metastasis[J/OL]. BMC Gastroenterol, 2023, 23(1): 308 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37700238/. DOI: 10.1186/s12876-023-02922-0.
[35]
QU H, ZHAI H, ZHANG S R, et al. Dynamic radiomics for predicting the efficacy of antiangiogenic therapy in colorectal liver metastases[J/OL]. Front Oncol, 2023, 13: 992096 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36814812/. DOI: 10.3389/fonc.2023.992096.
[36]
QI W, YANG J, ZHENG L B, et al. CT-based radiomics for the identification of colorectal cancer liver metastases sensitive to first-line irinotecan-based chemotherapy[J]. Med Phys, 2023, 50(5): 2705-2714. DOI: 10.1002/mp.16325.
[37]
WEI J W, CHENG J, GU D S, et al. Deep learning-based radiomics predicts response to chemotherapy in colorectal liver metastases[J]. Med Phys, 2021, 48(1): 513-522. DOI: 10.1002/mp.14563.
[38]
CHIU S H, LI H C, CHANG W C, et al. Improving the prediction of patient survival with the aid of residual convolutional neural network (ResNet) in colorectal cancer with unresectable liver metastases treated with bevacizumab-based chemotherapy[J/OL]. Cancer Imaging, 2024, 24(1): 165 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/39696483/. DOI: 10.1186/s40644-024-00809-1.
[39]
ZHOU S Z, SUN D Z, MAO W J, et al. Deep radiomics-based fusion model for prediction of bevacizumab treatment response and outcome in patients with colorectal cancer liver metastases: a multicentre cohort study[J/OL]. EClinicalMedicine, 2023, 65: 102271 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37869523/. DOI: 10.1016/j.eclinm.2023.102271.
[40]
ZHOU J, SUN H C, WANG Z, et al. China liver cancer guidelines for the diagnosis and treatment of hepatocellular carcinoma (2024 edition)[J]. Liver Cancer, 2025, 14(6): 779-835. DOI: 10.1159/000546574.
[41]
SALEM R, JOHNSON G E, KIM E, et al. Yttrium-90 radioembolization for the treatment of solitary, unresectable HCC: the LEGACY study[J]. Hepatology, 2021, 74(5): 2342-2352. DOI: 10.1002/hep.31819.
[42]
LIU J G, ZHANG J J, WANG Y J, et al. HAIC versus TACE for patients with unresectable hepatocellular carcinoma: A systematic review and meta-analysis[J/OL]. Medicine, 2022, 101(51): e32390 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36595819/. DOI: 10.1097/MD.0000000000032390.
[43]
JI G W, ZHU F P, XU Q, et al. Radiomic features at contrast-enhanced CT predict recurrence in early stage hepatocellular carcinoma: a multi-institutional study[J]. Radiology, 2020, 294(3): 568-579. DOI: 10.1148/radiol.2020191470.
[44]
SCHINDLER P, VON BEAUVAIS P, HOFFMANN E, et al. Combining radiomics and imaging biomarkers with clinical variables for the prediction of HCC recurrence after liver transplantation[J]. Liver Transpl, 2025, 31(10): 1226-1237. DOI: 10.1097/LVT.0000000000000603.
[45]
TABARI A, D'AMORE B, COX M, et al. Machine learning-based radiomic features on pre-ablation MRI as predictors of pathologic response in patients with hepatocellular carcinoma who underwent hepatic transplant[J/OL]. Cancers, 2023, 15(7): 2058 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/37046718/. DOI: 10.3390/cancers15072058.
[46]
ZHANG X J, WANG C D, ZHENG D, et al. Radiomics nomogram based on multi-parametric magnetic resonance imaging for predicting early recurrence in small hepatocellular carcinoma after radiofrequency ablation[J/OL]. Front Oncol, 2022, 12: 1013770 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36439458/. DOI: 10.3389/fonc.2022.1013770.
[47]
PENG J, LU F Y, HUANG J H, et al. Development and validation of a pyradiomics signature to predict initial treatment response and prognosis during transarterial chemoembolization in hepatocellular carcinoma[J/OL]. Front Oncol, 2022, 12: 853254 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/36324581/. DOI: 10.3389/fonc.2022.853254.
[48]
CHEN M Y, CAO J S, HU J H, et al. Clinical-radiomic analysis for pretreatment prediction of objective response to first transarterial chemoembolization in hepatocellular carcinoma[J]. Liver Cancer, 2021, 10(1): 38-51. DOI: 10.1159/000512028.
[49]
ZHAO Y, HUANG F, LIU S Y, et al. Prediction of therapeutic response of unresectable hepatocellular carcinoma to hepatic arterial infusion chemotherapy based on pretherapeutic MRI radiomics and Albumin-Bilirubin score[J]. J Cancer Res Clin Oncol, 2023, 149(8): 5181-5192. DOI: 10.1007/s00432-022-04467-3.
[50]
WEI L S, ARYAL M P, CUNEO K, et al. Deep learning prediction of post-SBRT liver function changes and NTCP modeling in hepatocellular carcinoma based on DGAE-MRI[J]. Med Phys, 2023, 50(9): 5597-5608. DOI: 10.1002/mp.16386.
[51]
XU Z M, AN C, SHI F, et al. Automatic prediction of hepatic arterial infusion chemotherapy response in advanced hepatocellular carcinoma with deep learning radiomic nomogram[J]. Eur Radiol, 2023, 33(12): 9038-9051. DOI: 10.1007/s00330-023-09953-x.
[52]
ZHANG L, JIANG Y C, JIN Z, et al. Real-time automatic prediction of treatment response to transcatheter arterial chemoembolization in patients with hepatocellular carcinoma using deep learning based on digital subtraction angiography videos[J/OL]. Cancer Imaging, 2022, 22(1): 23 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/35549776/. DOI: 10.1186/s40644-022-00457-3.
[53]
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.
[54]
YAN M, ZHANG X, ZHANG B, et al. Deep learning nomogram based on Gd-EOB-DTPA MRI for predicting early recurrence in hepatocellular carcinoma after hepatectomy[J]. Eur Radiol, 2023, 33(7): 4949-4961. DOI: 10.1007/s00330-023-09419-0.
[55]
CHEN Y, PASQUIER D, VERSTAPPEN D, et al. An interpretable ensemble model combining handcrafted radiomics and deep learning for predicting the overall survival of hepatocellular carcinoma patients after stereotactic body radiation therapy[J/OL]. J Cancer Res Clin Oncol, 2025, 151(2): 84 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/39948208/. DOI: 10.1007/s00432-025-06119-8.
[56]
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.
[57]
WU J P, DING W Z, WANG Y L, et al. Radiomics analysis of ultrasound to predict recurrence of hepatocellular carcinoma after microwave ablation[J]. Int J Hyperthermia, 2022, 39(1): 595-604. DOI: 10.1080/02656736.2022.2062463.
[58]
LIU F, LIU D, WANG K, et al. Deep learning radiomics based on contrast-enhanced ultrasound might optimize curative treatments for very-early or early-stage hepatocellular carcinoma patients[J]. Liver Cancer, 2020, 9(4): 397-413. DOI: 10.1159/000505694.
[59]
LIU P, ZHU H T, ZHU H B, et al. Predicting survival for hepatic arterial infusion chemotherapy of unresectable colorectal liver metastases: radiomics analysis of pretreatment computed tomography[J]. J Transl Int Med, 2022, 10(1): 56-64. DOI: 10.2478/jtim-2022-0004.
[60]
SHUR J, ORTON M, CONNOR A, et al. A clinical-radiomic model for improved prognostication of surgical candidates with colorectal liver metastases[J]. J Surg Oncol, 2020, 121(2): 357-364. DOI: 10.1002/jso.25783.
[61]
HU R, CHEN I, PEOPLES J, et al. Radiomics artificial intelligence modelling for prediction of local control for colorectal liver metastases treated with radiotherapy[J]. Phys Imaging Radiat Oncol, 2022, 24: 36-42. DOI: 10.1016/j.phro.2022.09.004.
[62]
SHAHVERANOVA A, BALLI H T, AIKIMBAEV K, et al. Prediction of local tumor progression after microwave ablation in colorectal carcinoma liver metastases patients by MRI radiomics and clinical characteristics-based combined model: preliminary results[J]. CardioVascular Interv Radiol, 2023, 46(6): 713-725. DOI: 10.1007/s00270-023-03454-6.
[63]
TAGHAVI M, STAAL F, GOMEZ MUNOZ F, et al. CT-based radiomics analysis before thermal ablation to predict local tumor progression for colorectal liver metastases[J]. Cardiovasc Intervent Radiol, 2021, 44(6): 913-920. DOI: 10.1007/s00270-020-02735-8.
[64]
TANG L Z, ZHANG Z T, YANG J Z, et al. A new automated prognostic prediction method based on multi-sequence magnetic resonance imaging for hepatic resection of colorectal cancer liver metastases[J]. IEEE J Biomed Health Inform, 2024, 28(3): 1528-1539. DOI: 10.1109/JBHI.2024.3350247.
[65]
STARMANS M P A, BUISMAN F E, RENCKENS M, et al. Distinguishing pure histopathological growth patterns of colorectal liver metastases on CT using deep learning and radiomics: a pilot study[J]. Clin Exp Metastasis, 2021, 38(5): 483-494. DOI: 10.1007/s10585-021-10119-6.
[66]
GRANATA V, FUSCO R, DE MUZIO F, et al. Contrast MR-based radiomics and machine learning analysis to assess clinical outcomes following liver resection in colorectal liver metastases: a preliminary study[J/OL]. Cancers, 2022, 14(5): 1110 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/35267418/. DOI: 10.3390/cancers14051110.
[67]
ZHAO Q X, HE X L, WANG K, et al. Deep learning model based on contrast-enhanced ultrasound for predicting early recurrence after thermal ablation of colorectal cancer liver metastasis[J]. Eur Radiol, 2023, 33(3): 1895-1905. DOI: 10.1007/s00330-022-09203-6.
[68]
KOBE A, ZGRAGGEN J, MESSMER F, et al. Prediction of treatment response to transarterial radioembolization of liver metastases: Radiomics analysis of pre-treatment cone-beam CT: A proof of concept study[J/OL]. Eur J Radiol Open, 2021, 8: 100375 [2026-01-09]. https://pubmed.ncbi.nlm.nih.gov/34485629/. DOI: 10.1016/j.ejro.2021.100375.

上一篇 CT和MRI影像组学预测肝细胞癌术后复发的研究进展
下一篇 影像组学在肝细胞癌TACE治疗反应及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