分享:
分享到微信朋友圈
X
• 综述 •
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
高可欣 何婷婷 邢立红

本文引用格式 高可欣, 何婷婷, 邢立红. 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[J]. 磁共振成像, 2026, 17(11): 190-199. DOI:10.12015/issn.1674-8034.2026.11.024.


[摘要] 肝细胞癌(hepatocellular carcinoma, HCC)是肝脏最常见的恶性肿瘤之一。经导管动脉化疗栓塞(transcatheter arterial chemoembolization, TACE)是中晚期HCC的一线治疗方式,但治疗反应及长期预后存在显著个体差异。影像组学可无创解析肿瘤内部及瘤周微环境特征,并结合深度学习、生境分析、多组学数据构建预测模型。但现有研究在影像采集标准化、特征可重复性、前瞻性验证及生物学可解释性方面仍存在不足;未来应推进多模态影像与人工智能深度融合,阐明影像特征对应的生物学机制,并依靠多中心前瞻性队列验证提升模型泛化性能。本文重点归纳传统影像及临床评估方法、影像组学预测HCC患者TACE治疗疗效的相关研究成果,分析当前挑战并提出未来发展方向,旨在为临床精准筛选TACE获益人群、早期识别无效治疗及个体化治疗决策提供影像学参考依据,推动影像组学的临床转化。
[Abstract] Hepatocellular carcinoma (HCC) is one of the most common malignant tumors of the liver. Transcatheter arterial chemoembolization (TACE) serves as the first-line treatment for intermediate to advanced HCC; however, significant interindividual variability exists in treatment response and long-term prognosis. Radiomics enables non-invasive characterization of intratumoral and peritumoral microenvironmental features, and its integration with deep learning, habitat analysis, and multi-omics data facilitates the construction of predictive models. Nevertheless, current studies still face notable limitations in terms of standardization of image acquisition, feature reproducibility, prospective validation, and biological interpretability. Future efforts should focus on promoting deep integration of multimodal imaging and artificial intelligence, elucidating the biological mechanisms underlying radiomic features, and enhancing model generalizability through multicenter prospective cohort validation. This review systematically summarizes conventional imaging and clinical assessment approaches, as well as radiomics-based research advances in predicting TACE treatment outcomes in HCC patients, analyzes current challenges, and proposes future directions. It aims to provide imaging-based references for precise identification of TACE beneficiaries, early recognition of ineffective treatment, and individualized therapeutic decision-making, thereby facilitating the clinical translation of radiomics.
[关键词] 肝细胞癌;经导管动脉化疗栓塞;疗效预测;影像组学;磁共振成像
[Keywords] hepatocellular carcinoma;transcatheter arterial chemoembolization;efficacy prediction;radiomics;magnetic resonance imaging

高可欣 1, 2   何婷婷 1, 2   邢立红 1, 2*  

1 河北大学附属医院放射科,保定 071000

2 河北省炎症相关肿瘤精准影像诊断学重点实验室,保定 071000

通信作者:邢立红,E-mail: xlh86@hbu.edu.cn

作者贡献声明:邢立红确定本研究的方向,对稿件的重要内容进行修改,获得了2026年度河北省医学适用技术跟踪项目资助;高可欣起草和撰写稿件,获取、分析并阅读本研究相关文献;何婷婷获取、分析并阅读本研究的相关文献,对稿件的重要内容进行了修改。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: 2026年度河北省医学适用技术跟踪项目 GZ20260035
收稿日期:2026-03-27
接受日期:2026-09-10
中图分类号:R814.42  R445.2  R735.7 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.024
本文引用格式 高可欣, 何婷婷, 邢立红. 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[J]. 磁共振成像, 2026, 17(11): 190-199. DOI:10.12015/issn.1674-8034.2026.11.024.

0 引言

       肝细胞癌(hepatocellular carcinoma, HCC)发病率位居全球恶性肿瘤第六位,死亡率高居第三位,约占原发性肝癌病例的90%[1]。由于发病初期缺乏典型临床表现,多数患者确诊时已进展至中晚期丧失了接受根治性切除或肝移植治疗的最佳机会[2, 3]。根据欧美国家HCC临床管理指南,经导管动脉化疗栓塞术(transcatheter arterial chemoembolization, TACE)是中晚期HCC患者常用的介入治疗手段[4],其通过选择性插管至肿瘤供血动脉注入栓塞剂与化疗药物,阻断肿瘤血供并抑制新生血管形成,从而诱导肿瘤细胞坏死,有效延缓疾病进展[5, 6]。目前TACE主要包括传统TACE(conventional-TACE, cTACE)与药物洗脱微球TACE(drug-eluting beads-TACE, DEB-TACE),两种术式栓塞机制、药物释放模式差异明显,是造成患者治疗反应分化的关键客观因素之一[7],在临床实际应用中TACE能有效控制肿瘤进展,但患者的治疗应答与远期预后存在较大个体差异[8],因此在治疗前或早期阶段准确预测TACE疗效反应及长期预后,对优化临床决策推进个体化治疗具有重要意义[9]。

       目前临床疗效评估主要依赖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区域变化反映治疗效果,但难以全面揭示肿瘤微观异质性及其分子生物学行为[10]。影像组学可以高通量提取影像图像中的定量特征,深度解析肿瘤表型,已成为个体化治疗中具有前景的生物标志物[11]。深度学习及生境成像是预测HCC术后疗效及生存的前沿方法,二者为精准预测提供了新的方向[12]。现有综述多偏重模型效能与算法对比,维度碎片化[13],缺乏对HCC患者TACE治疗的全周期视角、临床落地路径及与靶免联合治疗的适配性总结。本文以影像组学在HCC患者TACE治疗反应预测及预后预测两个维度展开,重点对比传统方法与影像组学模型的预测效能,系统归纳治疗反应预测相关的肿瘤内特征、瘤周微环境、Delta动态影像、免疫微环境关联、TACE难治性预判五个方向,梳理影像组学预后预测维度研究进展、单纯TACE治疗后及靶免联合治疗后多组学融合研究进展,并总结DEB-TACE的相关研究。旨在为临床准确筛选TACE获益人群、早期识别无效治疗及个体化治疗决策提供影像学参考依据,同时为后续开展多组学融合及前瞻性验证研究指明方向,推动影像组学模型向临床决策支持工具转化。

1 文献检索方法

       本综述对PubMed、Web of Science、Embase、中国知网、万方医学网及维普中文科技期刊数据库等中外权威数据库进行全面检索,中文检索式:(肝细胞癌)AND(TACE OR经导管动脉化疗栓塞)AND(影像组学OR纹理分析OR深度学习OR机器学习OR生境分析)AND(疗效OR预后OR治疗反应)。英文检索式:(Hepatocellular Carcinoma OR HCC)AND TACE AND(Radiomics OR Texture Analysis OR Deep Learning OR Machine Learning OR Habitat Analysis)AND(Treatment Outcome OR Prognosis OR Treament Response)。检索时限为2020年1月1日至2026年5月31日,并辅以少量经典综述与基础机制研究文献,检索流程规范可追溯。排除重复后,再通读全文按照以下标准复筛。文献纳入标准:(1)通过临床或病理确诊为HCC患者;(2)既往无TACE治疗史;(3)模型包括传统影像组学、直方图分析、机器学习、深度学习、生境分析;(4)结局:TACE的治疗反应、总体生存期(overall survival, OS)、无进展生存期(progression free survival, PFS)、复发等。排除标准:(1)会议摘要;(2)病例报告;(3)非中文也非英文语种。最终共纳入符合主题的论著及综述文献62篇。

2 TACE治疗反应预测的研究进展

       TACE治疗后反应通常指肿瘤对治疗的客观影像学反应,包括完全缓解(complete response, CR)、部分缓解(partial response, PR)、疾病稳定(stable disease, SD)及疾病进展(progressive disease, PD)。治疗反应不仅与短期疗效密切相关,也是影响患者长期生存和后续治疗决策的重要因素[14]。近年来,围绕TACE治疗后反应预测的研究逐渐从传统影像学和临床指标向基于影像组学的定量影像学分析转变。下述各研究方向代表性研究的影像模态、特征类型及预测效能汇总见表1。

2.1 临床指标与传统影像学的预测价值

       血清甲胎蛋白(alpha-fetal protein, AFP)、中性粒细胞、血小板和淋巴细胞计数以及肝功能分级等在临床中常被用于辅助评估TACE疗效,但其敏感性及特异性均有限,且易受炎症、肝功能状态等因素的影响[15]。传统影像学中增强CT因其高空间分辨率和临床普及性是常用的评估手段,可以通过评估肿瘤大小、数目、血供模式及肝功能分级等因素预测TACE治疗的疗效[16],但碘油沉积伪影会降低CT敏感度,MRI平扫联合增强检查在疗效评估方面的准确度及敏感性更高[17]。肿瘤负荷较小、动脉期明显强化及门脉期洗脱明显的病灶更可能对TACE治疗产生较好的反应[18]。但传统影像学主要反映肿瘤形态和强化范围变化,难以捕捉肿瘤内部异质性、微血管分布及早期生物学反应,并且对操作者的经验依赖大,在治疗早期强化改变可能滞后于生物学变化,从而影响预测准确性[19]。临床指标与传统影像学为TACE疗效评估的基础手段,预测效能偏低。因此在临床实践中不宜单独使用传统方法进行疗效预测,需联合影像组学等定量技术提升准确性。

2.2 术前影像组学在TACE治疗反应的预测研究

       影像组学通过自动化高通量地从医学图像中提取特征,可定量反映肿瘤内部异质性,这种异质性与肿瘤的供血状态、细胞增殖活性等核心生物学特征密切相关[20],是预测TACE疗效的关键基础,基于影像组学构建模型具有预测HCC患者TACE治疗后肿瘤反应的潜力。

2.2.1 肿瘤内部影像组学特征的预测价值

       LI等[21]基于术前MRI提取瘤内影像组学特征结合临床指标构建模型,其区分治疗应答与无应答的效能显著优于单一临床指标或单纯影像模型,证实MRI组学特征可无创量化肿瘤内在异质性,能够有效筛选TACE潜在获益患者。传统影像学成像分析通常将肿瘤作为一个独立的整体,无法进行内部分类甄别,而纹理分析将肿瘤分解成多个独立的像素,可通过量化图像中像素的灰阶变化评估肿瘤的异质性。王东东等[22]在肿瘤最大层面提取病灶直方图一阶纹理参数,发现单一直方图特征即可有效区分TACE应答人群。深度学习特征能挖掘肉眼不可见的高阶影像模式,TIAN等[23]整合影像组学与深度学习特征,构建预测模型,经五折交叉验证,展现出优于单一特征模型的预测效能,模型AUC值达0.947,证实了多维度影像特征融合的价值,为术前精准筛选TACE获益人群提供了更可靠的技术支撑[23, 24]。

       有研究指出基于肿瘤内部影像构建的CT影像组学模型灵敏度和特异性略高于MRI[25],这可能与CT扫描层厚更薄,可捕捉更精细的解剖与病理细节相关。在特征选择方面,多数研究整合了形状特征、一阶特征和纹理特征,也有部分研究采用小波变换特征,其中灰阶共现矩阵、灰阶行长矩阵、灰阶大小区矩阵是纹理特征提取的常用方法,这些纹理分析能够客观量化肿瘤异质性,而这种异质性恰是区分TACE潜在应答者与非应答者的核心。综上,基于肿瘤内部影像组学特征能够精准预测TACE的疗效,可定量反映HCC的异质性,是术前筛选TACE获益人群的可靠工具,能帮助临床医生无创性识别TACE受益人群,指导患者的个体化治疗。但影像组学在提取特征数量及特征选择上尚未标准化,ZWANENBURG等[26]发起的影像生物标志物标准化倡议标准化了169个可被完美重现的影像组学特征,有望逐步解决特征数量不统一、研究间可比性差等制约影像组学临床转化的关键瓶颈。未来研究应注重图像预处理、特征提取全流程的标准化及信息公开化,提升研究的可重复性。

2.2.2 瘤周区域影像组学特征的预测价值

       近年研究证实,肿瘤周围微环境是肿瘤生长、侵袭及治疗反应的“关键调控区”,其血管生成状态、炎症反应程度及纤维化水平,可能影响TACE治疗的疗效并与肿瘤复发风险相关,瘤周丰富的血管网络可能成为肿瘤血供的“代偿通路”,降低TACE栓塞效率,而炎症与纤维化微环境则可能通过调控肿瘤细胞侵袭性,影响治疗后残留病灶的进展速度[27]。

       ZHAO等[28]分别勾画瘤内、瘤周3 mm、5 mm、10 mm感兴趣区(region of interest, ROI),结果证实3 mm瘤周联合瘤内的影像组学模型预测性能最优,较单纯瘤内模型AUC提升0.091,证实整合瘤内及合适范围瘤周影像特征可显著提升TACE术前疗效预判能力。LI等[29]经多中心研究显示,临床-瘤周和瘤内-瘤周联合模型加入瘤周特征后性能有显著提升(AUC:0.67 vs. 0.86和0.78 vs. 0.87),且临床-瘤内-瘤周联合模型性能更优(AUC:0.88)。这些结果共同提示,肿瘤的生物学行为与治疗敏感性并非仅由肿瘤本身决定,瘤周微环境的功能状态是不可或缺的评估维度,整合肿瘤及其周围区域的影像学特征,能够更全面地还原肿瘤“整体侵袭表型”,为TACE治疗的精准预判与方案优化提供更可靠的技术支撑[28, 29]。但当前研究瘤周特征提取流程烦琐,可重复性较低,且最佳瘤周区域范围无统一标准。近年研究已初步探索了范围选择对预测效能的影响规律,HUANG等[27]指出,当前瘤周区域的定义从1~30 mm不等,不同范围对术后复发及TACE治疗反应的预测效能存在差异,最佳瘤周范围可能因预测目标及影像模态而异。未来研究应采用多范围扩张策略,比较筛选出针对特定研究终点的最优范围,在方法学部分明确所选瘤周范围及依据。此外,开发自适应范围选择算法,根据肿瘤形态和微环境特征动态确定个体化的瘤周分析区域,是提升模型泛化能力的重要方向。

2.3 TACE治疗后早期影像与Delta影像组学的预测价值

       除治疗前静态预测外,部分研究开始聚焦TACE治疗后早期影像特征及Delta影像组学的预测价值,肿瘤对治疗的应答并非通过单一时间点的影像特征即可全面反映,而是治疗前后影像学特征的动态改变,能更真实地反映肿瘤细胞坏死、血管栓塞后的生物学应答过程。

       TACE治疗反应多在治疗后1~3个月进行评估难以早期识别TACE无应答者,部分研究将评估时间提前至TACE术后即时以期避免长期无效治疗。HASHIMOTO等[30]基于TACE完成时的影像分割全段、肿瘤段、瘤周段三个区域提取影像组学特征,研究发现,碘油沉积不均匀、肿瘤形态不规则可能会增加局部复发的可能性。全段临床-影像组学模型在验证集中AUC值达到0.752。杨瀚等[31]基于首次TACE术后24小时内的CT图像构建预测模型,结果显示,Child-Pugh分级、巴塞罗那肝癌临床分期(Barcelona Clinic Liver Cancer, BCLC)与重复TACE治疗反应呈显著相关,碘油沉积相关影像组学特征可有效反映肿瘤对治疗的应答潜力,特征越优则患者从重复TACE中获益的概率越大,证实了术后早期CT影像组学在无创识别重复TACE获益人群、指导个体化治疗中的实用价值。但关于早期影像采集评估时间点仍未统一,且缺乏与mRECIST联合的标准化流程,后续研究可采集多个术后时间点影像并比较基于不同时间点建模的预测效能,建立可供临床判别的统一标准。

       Delta影像组学结合影像组学与纵向时间维度数据,利用Δ(Delta,代表变化量)反映病灶的生物学行为演变,弥补了传统静态影像分析的局限性。自FAVE等[32]提出Delta影像组学概念后,多项研究已应用于HCC的TACE疗效评估。HO等[33]利用治疗前MRI动脉期与门脉期比值构建Delta特征模型,发现TACE-SBRT序贯联合免疫方案3个月疗效仅依靠4项Delta熵、均匀度类特征即可预判,随访6个月时除Delta特征外,动脉期纹理参数及肿瘤形态指标也具备独立预测效能,联合动脉期影像特征可进一步提升远期疗效预判能力。Delta影像组学能够捕捉到先于病灶大小改变的早期细微影像变化(如肿瘤内部灰度分布的均匀化趋势,对应肿瘤细胞坏死),可更早提示治疗应答情况[19, 34]。其优势在于通过追踪影像特征的时序变化实时反映治疗效果,是突破传统评估滞后性的重要方向,辅助临床及时调整后续治疗策略(如继续原方案、更换联合药物或调整TACE疗程),进一步推动TACE治疗的精准化与个体化。但纵向数据采集存在成本高、扫描参数难以统一的局限,Delta特征稳定性也受扫描设备、对比剂用量影响较大,这导致当下研究结果临床认可度不高。

2.4 多组学研究免疫微环境与TACE治疗反应预测的潜在联系

       HCC具有高度免疫异质性,TACE诱导肿瘤坏死后可释放肿瘤抗原,理论上可增强抗肿瘤免疫反应[35],但缺氧环境也可能诱导免疫抑制因子表达,可激活低氧诱导因子通路,促进血管内皮生长因子表达上调,导致残存肿瘤血管再生,是TACE后肿瘤复发或进展的重要机制[36]。影像组学可提取纹理复杂度、瘤内异质性等定量特征对肿瘤表型进行无创量化[37],转录组依靠基因特征解析TACE治疗的分子敏感性,二者融合可弥补单一组学难以阐释生物学机制、单分子检测无法反映整体病灶的短板[38]。

       研究发现,纹理复杂度与免疫相关表达模块存在相关性,提示影像特征可间接反映免疫浸润状态[39]。CHEN等[38]选用深度学习构建深度学习肿瘤反应(deep-learning tumor response, DLTR)基础模型,再依托多层感知机(multilayer perceptron, MLP)融合临床指标得到DLTR_MLP联合模型,联合转录组测序分析发现模型得分与149个肿瘤相关基因表达显著关联,高分人群在微环境中表现出抗肿瘤免疫细胞的浸润。除术前预测外,WANG等[40]发现45.1%的影像组学特征在基线与术后1个月间发生显著变化,反映了肿瘤坏死程度、血管再生状态及免疫微环境的重塑过程,可帮助临床医生早期判断治疗是否有效,及时调整后续策略。此外,JIN等[41]团队运用可视化技术,使用热力图标识瘤内对治疗反应预测最敏感的区域(如边缘浸润带),使用彩色编码图将瘤内异质性分区和免疫微环境标记进行空间映射,证实影像特征与免疫微环境的解剖对应性,提升影像组学预测结果的临床可解释性,为临床转化奠定基础。现有研究初步揭示了免疫微环境与TACE治疗反应间的关联,并证实影像组学可无创评估免疫浸润、治疗应答及预后风险,但多数研究未能阐明缺氧、炎症、免疫抑制与治疗抵抗间的因果机制,缺氧诱导因子(hypoxia-inducible factor, HIF)通路、免疫抑制因子上调、促血管生成因子激活等关键环节的影像表征尚不明确。研究多聚焦于治疗应答与预后分层,缺少对治疗获益人群、耐药风险人群的精准筛选工具,未建立可指导治疗方案选择的决策体系,距离真正落地为临床决策工具仍有较大差距。

2.5 TACE难治性及治疗失败预测

       根据专家共识,TACE抵抗定义为经过连续3次及以上规范化TACE治疗后,在末次术后1~3个月内通过动态增强CT/动态增强MRI检查并基于mRECIST标准评估,肝内靶病灶与首次TACE治疗前相比仍处于疾病进展状态[42]。HCC主要由肝动脉供血,而正常肝组织以门静脉供血为主,这是选择性动脉栓塞的解剖学基础。然而在肿瘤进展过程中可形成异常动静脉分流或侧支循环,影响栓塞剂的沉积与药物浓度分布[43],导致部分患者表现为TACE难治性或治疗失败,早期识别此类患者对于及时调整治疗方案、避免肝功能损害具有重要意义[44]。DONG等[44]使用机器学习算法构建TACE难治性的预测模型,证实该模型可在治疗前准确预测HCC中的TACE难治性患者。影像组学提取的纹理复杂度、灰度不均匀性及形状特征,可能在一定程度上反映肿瘤内部血管分布及坏死比例。肿瘤异质性较高、纹理复杂度较大的病灶更可能发展为TACE难治性[41],从生物学角度理解影像特征,这有助于提高模型的可解释性。

       传统的定量异质性分析方法主要包括一阶特征直方图和纹理分析,但这些方法忽略图像数据中的空间位置信息或完整的空间信息测量,无法完全反映肿瘤内异质性。生境成像技术通过在多参数和多序列图像中聚集相似像素,实现了肿瘤内像素级的分割。XIAO等[45]基于术前增强MRI构建动脉强化比值(arterial enhancement ratio, AER)图谱,采用双方案栖息地聚类分割肿瘤亚区用于TACE难治性术前预判,研究结果显示仅融合AER的栖息地参数具备预测效能,单纯T1WI聚类特征无统计学意义,该研究证实纳入AER的栖息地分析可通过刻画瘤内灌注异质性术前无创预判TACE难治发生风险,为个体化治疗方案制订提供新的影像学依据。

       尽管TACE难治性预测具有重要临床价值,但国际上对TACE难治性与治疗失败不同研究纳入标准差异较大,模型之间难以横向比较与验证。未来研究应注重纳入人群选择的标准化,提高研究的可重复性和可比性,为TACE难治性的早期识别和临床决策提供可靠依据。

表1  TACE治疗反应预测代表性研究汇总
Tab. 1  Summary of representative studies on prediction of treatment response to TACE

3 TACE治疗后预后的预测研究

       TACE治疗预后的研究通常以OS、PFS作为研究主要终点。预测预后的研究与短期疗效及治疗反应相比,预后预测可以更精确地反映肿瘤的长期生物学行为及患者的真实获益情况。

3.1 临床指标及传统影像学的预后预测研究

       既往研究表明,肿瘤负荷及AFP水平与TACE后生存密切相关,研究多将其转化为二分类变量分析,但其临界值无法统一,导致其临床应用仍存在很大争议[46]。此外,BCLC分期、Child-Pugh分级及白蛋白-胆红素评分(albumin-bilirubin score, ALBI)等综合指标亦被广泛应用于预后评估[13]。但这些指标为宏观指标,间接反应肿瘤特征,难以准确刻画肿瘤内部异质性及微环境变化,其预后预测能力具有一定局限性,仍不令人满意。

       研究表明,三期CT动态增强扫描对HCC患者TACE术后病灶残留及复发具有较高的诊断价值,尤其是排除诊断方面[16]。但也有研究指出增强CT对TACE术后疗效评估价值较低,其主要原因为CT图像受碘油沉积带来的线束硬化伪影影响较大,而且对微小隐匿的新发病灶或未栓塞病变容易漏诊,从而影响预后评估的准确性。

3.2 影像组学在TACE治疗后预后的预测研究

       影像组学用于HCC患者经TACE治疗后生存及复发预测是当前研究热点之一。在预后预测维度上,影像组学已实现从单一终点预测向多维度、全病程覆盖的拓展,包括OS、PFS、无复发生存期(recurrence-free survival, RFS)、早期瘤周复发(early peritumoral recurrence, EPR)、微血管侵犯(microvascular invasion, MVI)及肝外转移(extrahepatic metastasis, EHM)等关键预后指标。预后预测相关代表性研究的汇总对比见表2。

3.2.1 TACE治疗后复发风险的预测研究

       针对TACE术后复发这一核心临床难题,ZHOU等[47]证实基于多参数MRI影像组学模型可有效预测术后辅助TACE患者的复发风险,且高风险组与低风险组患者的RFS存在显著差异。ZHANG等[48]摒弃传统全域ROI勾画方式,将TACE术后无活性HCC的1 cm瘤周环形区域划分为8个扇形亚区构建模型,结果证实,分区影像组学可有效识别肿瘤局部空间异质性,融合模型预测瘤周复发位置的效能显著优于单一模型,也印证了瘤周区域特征在TACE术后复发预测中的重要价值。此外在病理相关预后指标预测中,YANG等[49]构建MVI预测列线图模型可精准划分TACE患者MVI高低风险并有效分层术后2年PFS。PENG等[50]利用XGBoost整合肿瘤内及瘤周特征预测肝外转移,为高转移风险患者的治疗方案调整提供了依据。总体而言,影像组学已构建起覆盖TACE治疗全周期的预后评估体系,实现了从“事后评估”向“事前预判、事中监测”的转变。由于复发类型、随访时间、评价标准在不同研究中未能统一,各模型之间难以开展有效横向比较与独立外部验证。同时多数模型对病理指标、分子标志物等关键维度的整合不足,仅依靠影像信息难以全面覆盖与复发相关的影响因素。

       深度学习通过卷积神经网络(convolutional neural network, CNN)可自动提取高维特征,有效减少传统影像组学人工设计带来的偏倚。LIU等[51]为评估术后远处转移风险并预测其疗效,开发了可整合临床数据、传统影像组学与深度学习特征的综合预测模型,结果证实该综合模型能够准确预测TACE治疗后HCC患者的远处转移情况,模型通过将患者分层到不同风险队列,可为高风险转移亚组制订个性化监测方案和辅助治疗分配,实现患者获益最大化。现有研究已证实深度学习模型可用于TACE治疗后复发风险的预测,但深度学习模型的可解释性差,存在“黑箱”问题,这是制约其临床落地的重要原因。现已有研究将深度特征与肿瘤血管生成、缺氧、免疫微环境、增殖侵袭等通路进行锚定,赋予模型可解释的生物学内涵[52],这是未来相关研究应当借鉴的部分。

3.2.2 TACE治疗后生存期的预测研究

       LIU等[53]团队基于术前MRI及临床因素构建模型预测TACE治疗后预后,研究结果表明该模型在预测PFS和OS方面表现良好,可能有助于个性化临床管理。影像组学在预测TACE治疗后生存期的同时,在患者预后风险分层区分方面也展现出良好的性能。SONG等[54]回顾性分析了TACE治疗患者术前增强MRI图像,提取了瘤内及瘤周影像组学特征,结果显示融合影像组学特征与性别、AFP、BCLC分期等临床-影像学因素的联合模型预测RFS的效能最优,且能有效分层为高、低风险亚组,为临床制订个性化随访及治疗策略提供了可靠依据。GUAN等[55]基于术前多期增强MRI,采用K-means聚类拆分得到5类肿瘤栖息地亚区,基于LightGBM算法构建模型预测TACE术后2年PFS。相较于单一模型,融合模型展现出更优性能,可精准刻画肿瘤空间异质性,提升TACE术后远期预后的术前预判能力。

       在此基础上,算法的精准选择也成为关键,XGBoost、随机森林、CoxBoost等算法在不同预后终点预测中表现出各自优势,多算法组合验证可筛选出针对特定预后指标的最优模型,提升模型预测稳定性[47, 50]。技术层面的迭代与融合本质上是通过精准特征挖掘和高效算法建模破解肿瘤异质性带来的预后预测难题,是影像组学在TACE领域持续发挥价值的核心支撑。现有研究已充分证实,融合多维度影像特征、临床指标与先进算法的影像组学模型可对OS、PFS、RFS实现精准分层,指导个体化随访与治疗策略,有效弥补传统预后评估方法的不足。但部分模型未充分整合免疫状态及分子标志物等关键信息,导致模型可解释性不足,这是未来研究应当补足的方向。

表2  TACE治疗后预后预测代表性研究汇总
Tab. 2  Summary of representative studies on prognosis prediction after TACE

3.3 多组学在TACE治疗后预后的预测研究

       影像组学与转录组学的跨组学整合,已成为破解TACE术后预后异质性难题的关键策略。影像组学独立预后价值已得到临床证实[37],转录组学通过筛选差异表达基因构建预后签名(如TACE失败特征评分),从分子层面揭示了肿瘤对TACE的敏感性[56]。影像组学与转录组学通过建立“影像表型-分子特征”的显著相关性,构建出兼具精准度与可解释性的联合预测模型,达到二者的深度融合,在预测OS、PFS及风险分层方面效能显著优于传统临床模型或单一组学模型,为TACE术后的精准风险分层提供了标准化的量化工具。

3.3.1 单纯TACE治疗后多组学预后预测及机制探究

       CHEN等[38]构建深度学习模型预测TACE治疗应答,并同步探究该模型对患者远期预后的价值,研究基因富集发现,在良好预后肿瘤中促进肿瘤增生和迁移的通路,如血管生成、上皮-间质转化(epithelial-mesenchymal transition, EMT)、缺氧和转化生长因子-β(transforming growth factor-β, TGF-β)信号显著被抑制,这表明深度学习提供了反映肿瘤异质性和肿瘤微环境的信息。GUO等[52]使用多组学与单细胞测序技术,将影像衍生的风险评分与肿瘤微观生物学特征挂钩,相比单一模型显著提升了预后预测性能。深入研究发现,高风险组的原癌基因MYC激活、EMT增强、糖酵解上调、缺氧通路活化;M2型巨噬细胞浸润增加,CD8+T细胞毒性降低,全细胞类型缺氧与凝血通路激活,这提示影像特征可无创反映肿瘤内在生物学异质性,异质性越高的患者TACE治疗后生存风险越高。该研究通过多维度融合深度学习与影像组学、配套多组学及单细胞测序解析机制,提升人工智能模型的可解释性,实现预测与机制双落地。

3.3.2 TACE联合靶免治疗模式下的多组学预测应用

       近年来,TACE联合靶免治疗患者受益日益显著,LI团队[57]构建的临床-影像组学列线图在预测TACE联合阿帕替尼治疗患者的OS和疾病进展时间(time to progression,TTP)时,展现出比单纯影像组学模型更高的临床净获益。KANG等[58]整合多参数MRI影像组学、深度学习特征与临床评分构建联合预测模型,证实多维度融合模型在PFS预测中有良好的性能,同时借助可视化方法明确模型决策的关键影像区域。目前有研究将深度学习与生境影像分析技术结合,ZHU等[12]基于增强MRI采用K-means聚类构建肿瘤栖息地亚区,并融合Transformer深度学习网络建立预测模型,可更精准捕捉肿瘤内部异质性,在多中心队列中表现出良好的预测效能与泛化能力。上述各类预测模型均展现出较好的预后评估价值,但生物学层面的可解释性仍有待进一步深化。JIN等[41]将影像评分与肿瘤免疫微环境特征深度关联,发现不同风险分层患者的差异枢纽基因主要参与细胞毒性T细胞介导的免疫反应、T细胞激活与分化以及关键的免疫调节通路。该研究通过多中心验证联合转录组测序关联机制的模式,既实现了预后模型的高效能落地,又明确了影像标志物对应的微观生物学内涵,为后续提升模型生物学可解释性、开展机制驱动的预测研究提供了借鉴方向。

       影像组学特征可作为肿瘤分子通路活性及免疫微环境的无创影像生物标志物,不仅阐明了影像异质性的分子基础,更从理论上支撑了通过预处理影像预判患者免疫治疗获益、指导联合用药决策的可行性。该研究方向以构建“影像-基因-临床”结局的完整证据链,为HCC精准治疗开辟了全新视野。但该领域仍处于起步阶段,多组学研究普遍依赖高通量测序与复杂算法,成本高昂、流程烦琐,存在冗余度高、可解释性不足的问题,难以在常规临床场景中规模化应用。同时研究多仅揭示影像特征与分子表型的关联关系,尚未明确核心驱动基因与关键影像特征的因果机制,未来研究应尝试借助体外模型、仿真模拟搭建“分子-病理-影像”因果通路,实现组学从预后预测向机制探究转变。此外,研究中纳入人群选择多为公共数据库来源,虽一定程度上提升了模型的泛化能力,但缺乏针对中国人群的研究,研究结果的外部适用性与临床落地能力仍有待进一步提升。

4 影像组学在DEB-TACE治疗反应及预后预测的研究进展

       DEB-TACE是采用加载化疗药物的药物洗脱微球为主的栓塞治疗,又称载药微球TACE。微球负载蒽环类化疗药物,在阻断肿瘤供血、造成病灶缺血坏死的同时可缓慢释放药物,实现肿瘤局部持续高药物浓度[17]。但关于DEB-TACE后应用影像组学评估HCC的研究较少[59],近年来也有部分研究尝试应用影像组学对DEB-TACE的疗效进行评估。

       XI等[60]研究整合MRI三个序列构建模型,发现结合临床-影像学模型能有效预测HCC患者DEB-TACE短期疗效。DEB-TACE药物缓释特性具有不同的肿瘤影像演变规律,WEI等[61]整合了纵向对比增强MRI的影像组学特征与深度学习特征,通过Delta特征捕捉治疗前后的肿瘤动态变化,研究结果显示该模型能有效预判经DEB-TACE后的HCC应答情况,且Delta较单时间点模型更准确。除治疗反应预测外,WANG等[59]团队针对DEB-TACE构建列线图,结果显示影像组学对于DEB-TACE预后预测亦展现出良好的性能,为术后复发监测提供了精准参考。

       上述研究表明影像组学在DEB-TACE疗效预测中有巨大的应用前景,cTACE与DEB-TACE治疗的总体疗效无显著差异,但肿瘤的客观有效率方面DEB-TACE具有一定的优势[17]。但当前影像组学对于两种技术类型疗效差异预测研究较少,KONG等[62]纳入接受cTACE或DEB-TACE的患者,结果显示在疗效上差异无统计学意义。此外,目前影像组学针对两种技术类型的难治性预测模型未进行分层建模与独立验证,DEB-TACE因药物缓慢释放及栓塞更彻底[7],可能其抵抗发生的时相和影像特征异于cTACE,后续研究应分别针对cTACE与DEB-TACE构建难治性预测模型,明确两种技术背景下影像组学特征阈值差异,以满足个体化精准诊疗需求。

5 总结与展望

       TACE是中晚期HCC患者一线治疗方案,但疗效与预后个体异质性显著,传统影像及临床指标因难以捕捉肿瘤微观异质性,预测效能有限。影像组学通过无创刻画肿瘤表型,广泛应用于TACE术后疗效及预后预测,并展现出良好的效能,整合影像组学与多组学可提升模型效能。近年来,TACE联合靶向治疗(如抗血管内皮生长因子药物)及免疫检查点抑制剂已成为研究热点,这可能改变传统TACE疗效评价模式,构建多模态、动态化、可解释的预测模型将成为未来研究重点。但影像组学相关研究仍存在一些不足之处,如影像获取与特征提取标准化不足、ROI勾画及特征选择偏倚、模型验证与临床可解释性不足及临床决策整合与前瞻性研究缺乏等。未来的研究应注重建立标准化流程,减少研究偏倚,开展大规模、前瞻性、多中心的临床验证研究,为模型的临床转化奠定高质量证据基础。其次,现有MRI影像组学研究多数基于常规或增强序列,关于扩散加权成像和灌注加权成像参数图的研究相对较少,纳入功能成像序列可能会提升模型的预测能力。此外,现有研究以cTACE为主,DEB-TACE相关建模数据匮乏,需扩充专项队列,构建专属预测体系。还需开发轻量化可视化工具,促进预测模型嵌入临床诊疗系统,助力个体化方案制订,推动影像组学模型向临床决策支持工具转化,为中晚期HCC患者个体化治疗策略选择提供高质量、可落地的支撑依据。

[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]
BARTNIK K, KRZYZIŃSKI M, BARTCZAK T, et al. A novel radiomics approach for predicting TACE outcomes in hepatocellular carcinoma patients using deep learning for multi-organ segmentation[J/OL]. Sci Rep, 2024, 14: 14779 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/38926517/. DOI: 10.1038/s41598-024-65630-z.
[3]
MASTHOFF M, IRLE M, KALDEWEY D, et al. Integrating CT radiomics and clinical features to optimize TACE technique decision-making in hepatocellular carcinoma[J/OL]. Cancers, 2025, 17(5): 893 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/40075740/. DOI: 10.3390/cancers17050893.
[4]
CHAKRABORTY E, SARKAR D. Emerging therapies for hepatocellular carcinoma (HCC)[J/OL]. Cancers, 2022, 14(11): 2798 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/35681776/. DOI: 10.3390/cancers14112798.
[5]
VOGEL A, MARTINELLI E, ESMO GUIDELINES COMMITTEE ELECTRONIC ADDRESS: CLINICALGUIDELINES@ESMO ORG, et al. Updated treatment recommendations for hepatocellular carcinoma (HCC) from the ESMO Clinical Practice Guidelines[J]. Ann Oncol, 2021, 32(6): 801-805. DOI: 10.1016/j.annonc.2021.02.014.
[6]
REIG M, FORNER A, RIMOLA J, et al. BCLC strategy for prognosis prediction and treatment recommendation: The 2022 update[J]. J Hepatol, 2022, 76(3): 681-693. DOI: 10.1016/j.jhep.2021.11.018.
[7]
雒夏, 刘帅伟, 海龙, 等. 传统TACE与DEB-TACE治疗不可切除肝细胞癌患者的短期疗效和安全性比较[J]. 中华肝胆外科杂志, 2023, 29(3): 165-169. DOI: 10.3760/cma.j.cn113884-20221001-00376.
LUO X, LIU S W, HAI L, et al. Comparison of efficacy and safety of TACE and DEB-TACE in treatment of patients with unresectable hepatocellular carcinoma[J]. Chin J Hepatobiliary Surg, 2023, 29(3): 165-169. DOI: 10.3760/cma.j.cn113884-20221001-00376.
[8]
WEI Z Q, ZHANG Y W. Transcatheter arterial chemoembolization followed by surgical resection for hepatocellular carcinoma: a focus on its controversies and screening of patients most likely to benefit[J]. Chin Med J, 2021, 134(19): 2275-2286. DOI: 10.1097/CM9.0000000000001767.
[9]
LI X M, LIANG X J, CHEN S T, et al. Development and validation of a CT-based online calculator for prognosis and postoperative adjuvant transcatheter arterial chemoembolization benefit prediction in resected hepatocellular carcinoma: a multicenter retrospective cohort study[J/OL]. Int J Surg, 2025 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/41376483/. DOI: 10.1097/JS9.0000000000004456.
[10]
YU H L, BAI Y P, XIE X Y, et al. RECIST 1.1 versus mRECIST for assessment of tumour response to molecular targeted therapies and disease outcomes in patients with hepatocellular carcinoma: a systematic review and meta-analysis[J/OL]. BMJ Open, 2022, 12(6): e052294 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/35649603/. DOI: 10.1136/bmjopen-2021-052294.
[11]
LAMBIN P, LEIJENAAR R T H, DEIST T M, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.
[12]
ZHU Y M, LIU T, CHEN J W, et al. Prediction of therapeutic response to transarterial chemoembolization plus systemic therapy regimen in hepatocellular carcinoma using pretreatment contrast-enhanced MRI based habitat analysis and Crossformer model[J]. Abdom Radiol, 2025, 50(6): 2464-2475. DOI: 10.1007/s00261-024-04709-7.
[13]
DENG K G, CHEN T, LENG Z J, et al. Radiomics as a tool for prognostic prediction in transarterial chemoembolization for hepatocellular carcinoma: a systematic review and meta-analysis[J]. La Radiol Med, 2024, 129(8): 1099-1117. DOI: 10.1007/s11547-024-01840-9.
[14]
WANG Y X, LI M, ZHANG Z, et al. Application of radiomics in the efficacy evaluation of transarterial chemoembolization for hepatocellular carcinoma: a systematic review and meta-analysis[J]. Acad Radiol, 2024, 31(1): 273-285. DOI: 10.1016/j.acra.2023.08.001.
[15]
HUANG Z P, LI Z K, LV X L, et al. Screening of candidate inflammatory markers of epithelial cells in hepatocellular carcinoma based on integration analysis of TCGA/ICGC databases and single-cell sequencing[J]. Recent Pat Anticancer Drug Discov, 2025, 20(3): 364-384. DOI: 10.2174/0115748928256530240124093759.
[16]
杨竟成, 沈旭峰. 三期CT动态增强扫描对肝癌患者介入化疗栓塞术后病灶残留及复发的评估价值[J]. 中国CT和MRI杂志, 2025, 23(5): 102-104. DOI: 10.3969/j.issn.1672-5131.2025.05.030.
YANG J C, SHEN X F. Evaluation value of three-phase dynamic enhanced CT scan for lesion residue and recurrence in patients with liver cancer after interventional chemoembolization[J]. Chin J CT MRI, 2025, 23(5): 102-104. DOI: 10.3969/j.issn.1672-5131.2025.05.030.
[17]
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, 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.
[18]
WANG D D, ZHANG J F, ZHANG L H, et al. Clinical-radiomics predictors to identify the suitability of transarterial chemoembolization treatment in intermediate-stage hepatocellular carcinoma: A multicenter study[J]. Hepatobiliary Pancreat Dis Int, 2023, 22(6): 594-604. DOI: 10.1016/j.hbpd.2022.11.005.
[19]
FEZOULIDIS N, SLAVICEK J, NONNINGER J N, et al. Quantitative CT perfusion and radiomics reveal complementary markers of treatment response in HCC patients undergoing TACE[J/OL]. Diagnostics (Basel), 2025, 15(23): 2952 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/41374333/. DOI: 10.3390/diagnostics15232952.
[20]
TOMASZEWSKI M R, GILLIES R J. The biological meaning of radiomic features[J]. Radiology, 2021, 298(3): 505-516. DOI: 10.1148/radiol.2021202553.
[21]
LI Z W, REN A H, YANG D W, et al. Preoperatively predicting early response of HCC to TACE using clinical indicators and MRI features[J/OL]. BMC Med Imaging, 2022, 22(1): 176 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/36207686/. DOI: 10.1186/s12880-022-00900-8.
[22]
王东东, 李晓茗, 杨柳, 等. 基于磁共振动态增强图像直方图分析对肝癌TACE术后早期疗效评估及预测研究[J]. 磁共振成像, 2024, 15(1): 113-118, 131. DOI: 10.12015/issn.1674-8034.2024.01.018.
WANG D D, LI X M, YANG L, et al. Evaluation and prediction of therapeutic effect of hepatocellular carcinoma after TACE based on contrast enhanced MRI histogram analysis[J]. Chin J Magn Reson Imaging, 2024, 15(1): 113-118, 131. DOI: 10.12015/issn.1674-8034.2024.01.018.
[23]
TIAN Y C, KOMOLAFE T E, CHEN T, et al. Prediction of TACE treatment response in a preoperative MRI via analysis of integrating deep learning and radiomics features[J]. J Med Biol Eng, 2022, 42(2): 169-178. DOI: 10.1007/s40846-022-00692-w.
[24]
KANG W D, TANG P Y, LUO Y G, et al. Multiparametric MRI-based machine learning radiomics for predicting treatment response to transarterial chemoembolization combined with targeted and immunotherapy in unresectable hepatocellular carcinoma: a multicenter study[J]. Acad Radiol, 2025, 32(4): 2013-2026. DOI: 10.1016/j.acra.2024.10.038.
[25]
FENG L J, CHEN Q J, HUANG L J, et al. Radiomics features of computed tomography and magnetic resonance imaging for predicting response to transarterial chemoembolization in hepatocellular carcinoma: a meta-analysis[J/OL]. Front Oncol, 2023, 13: 1194200 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/37519801/. DOI: 10.3389/fonc.2023.1194200.
[26]
ZWANENBURG A, VALLIÈRES M, ABDALAH M A, et al. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping[J]. Radiology, 2020, 295(2): 328-338. DOI: 10.1148/radiol.2020191145.
[27]
HUANG Y H, QIAN H W. Advancing hepatocellular carcinoma management through peritumoral radiomics: enhancing diagnosis, treatment, and prognosis[J]. J Hepatocell Carcinoma, 2024, 11: 2159-2168. DOI: 10.2147/JHC.S493227.
[28]
ZHAO Y, ZHANG J, WANG N, et al. Intratumoral and peritumoral radiomics based on contrast-enhanced MRI for preoperatively predicting treatment response of transarterial chemoembolization in hepatocellular carcinoma[J/OL]. BMC Cancer, 2023, 23(1): 1026 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/37875815/. DOI: 10.1186/s12885-023-11491-0.
[29]
LI J Y, ZHOU M H, TONG Y H, et al. Tumor growth pattern and intra- and peritumoral radiomics combined for prediction of initial TACE outcome in patients with primary hepatocellular carcinoma[J]. J Hepatocell Carcinoma, 2024, 11: 1927-1944. DOI: 10.2147/JHC.S480554.
[30]
HASHIMOTO K, HARAGUCHI T, NAWATA S, et al. Creation of a prediction model of local tumor recurrence after a successful conventional transcatheter arterial chemoembolization using cone-beam computed tomography based–radiomics[J]. CardioVascular Interv Radiol, 2024, 47(11): 1495-1505. DOI: 10.1007/s00270-024-03854-2.
[31]
杨瀚, 李毫, 曹耿飞, 等. 基于术后CT影像组学预测肝细胞癌经动脉化疗栓塞后的肿瘤反应[J]. 中国医学影像学杂志, 2025, 33(3): 252-259. DOI: 10.3969/j.issn.1005-5185.2025.03.006.
YANG H, LI H, CAO G F, et al. CT-based radiomics for predicting the therapeutic effect of hepatocellular carcinoma after transcatheter arterial chemoembolization[J]. Chin J Med Imaging, 2025, 33(3): 252-259. DOI: 10.3969/j.issn.1005-5185.2025.03.006.
[32]
FAVE X, ZHANG L F, YANG J Z, et al. Delta-radiomics features for the prediction of patient outcomes in non–small cell lung cancer[J/OL]. Sci Rep, 2017, 7: 588 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/28373718/. DOI: 10.1038/s41598-017-00665-z.
[33]
HO L M, LAM S K, ZHANG J, et al. Association of multi-phasic MR-based radiomic and dosimetric features with treatment response in unresectable hepatocellular carcinoma patients following novel sequential TACE-SBRT-immunotherapy[J/OL]. Cancers, 2023, 15(4): 1105 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/36831445/. DOI: 10.3390/cancers15041105.
[34]
ZHOU W, LV Y Z, HU X M, et al. Study on the changes of CT texture parameters before and after HCC treatment in the efficacy evaluation and survival predication of patients with HCC[J/OL]. Front Oncol, 2022, 12: 957737 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/36387217/. DOI: 10.3389/fonc.2022.957737.
[35]
REN Z Z, WANG Y Q, JIANG D D, et al. PD1+ Treg cell remodeling promotes immune homeostasis within peripheral blood and tumor microenvironment after microparticles-transarterial chemoembolization in hepatocellular carcinoma[J/OL]. Cancer Immunol Immunother, 2025, 74(3): 109 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/39937280/. DOI: 10.1007/s00262-025-03962-z.
[36]
PINTO E, PELIZZARO F, CARDIN R, et al. HIF-1α and VEGF as prognostic biomarkers in hepatocellular carcinoma patients treated with transarterial chemoembolization[J]. Dig Liver Dis, 2024, 56(5): 872-879. DOI: 10.1016/j.dld.2023.09.019.
[37]
BOLDANOVA T, FUCILE G, VOSSHENRICH J, et al. Supervised learning based on tumor imaging and biopsy transcriptomics predicts response of hepatocellular carcinoma to transarterial chemoembolization[J/OL]. Cell Rep Med, 2021, 2(11): 100444 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/34841291/. DOI: 10.1016/j.xcrm.2021.100444.
[38]
CHEN M Z, ZHAO Z W, ZHOU L L, et al. MRI-based deep learning model for early TACE response prediction in HCC: multicenter validation with biological insights[J/OL]. BMC Cancer, 2025, 25(1): 1810 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/41286665/. DOI: 10.1186/s12885-025-15273-8.
[39]
FENG Z C, LI H L, LIU Q Y, et al. CT radiomics to predict macrotrabecular-massive subtype and immune status in hepatocellular carcinoma[J/OL]. Radiology, 2023, 307(1): e221291 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/36511807/. DOI: 10.1148/radiol.221291.
[40]
WANG W L, ZHANG S H, ZHONG B Y, et al. Dynamic changes of radiological and radiomics patterns based on MRI in viable hepatocellular carcinoma after transarterial chemoembolization[J]. Abdom Radiol (NY), 2025, 50(5): 2110-2120. DOI: 10.1007/s00261-024-04676-z.
[41]
JIN Z C, WEI J W, XIAO Y D, et al. Decoding tumor heterogeneity with imaging biomarkers predicts response to TACE plus immunotherapy and targeted therapy in HCC (CHANCE2204)[J/OL]. Hepatology, 2025 [2026-02-17]. https://pubmed.ncbi.nlm.nih.gov/41213031/. DOI: 10.1097/HEP.0000000000001593.
[42]
中国医师协会介入医师分会临床诊疗指南专委会. 中国肝细胞癌经动脉化疗栓塞(TACE)治疗临床实践指南(2023年版)[J]. 中华医学杂志, 2023, 103(34): 2674-2694. DOI: 10.3760/cma.j.cn112137-20230630-01114.
Clinical Guidelines Committee of Chinese College of Interventionalists. Chinese clinical practice guidelines for transarterial chemoembolization of hepatocellular carcinoma (2023 edition)[J]. Natl Med J China, 2023, 103(34): 2674-2694. DOI: 10.3760/cma.j.cn112137-20230630-01114.
[43]
ZHANG S, ZHONG B Y, ZHANG L, et al. Transarterial chemoembolization failure/refractoriness: a scientific concept or pseudo-proposition[J]. World J Gastrointest Surg, 2022, 14(6): 528-537. DOI: 10.4240/wjgs.v14.i6.528.
[44]
DONG Y H, HU J H, MENG X R, et al. Development and validation of a radiomics nomogram based on magnetic resonance imaging and clinicoradiological factors to predict HCC TACE refractoriness[J]. Cancer Manag Res, 2025, 17: 1441-1455. DOI: 10.2147/CMAR.S486561.
[45]
XIAO Y, SONG W L, LIU H, et al. Can incorporating preoperative arterial enhancement ratio map into habitat analysis predict TACE refractoriness in unresectable hepatocellular carcinoma[J/OL]. BMC Med Imaging, 2026, 26(1): 322 [2026-06-06]. https://pubmed.ncbi.nlm.nih.gov/42106669/. DOI: 10.1186/s12880-026-02371-7.
[46]
李梅霞, 覃莉, 邱占成, 等. 甲胎蛋白-肿瘤负荷评分对肝细胞癌切除术后预后影响的多中心回顾性队列研究[J]. 中国普外基础与临床杂志, 2025, 32(2): 192-198.
LI M X, QIN L, QIU Z C, et al. Alpha fetoprotein-tumor burden score predicts prognosis of patients with hepatocellular carcinoma after hepatectomy: a multicenter retrospective cohort study[J]. Chin J Bases Clin Gen Surg, 2025, 32(2): 192-198.
[47]
ZHOU L L, ZHENG L Y, ZHANG K, et al. Radiomic biomarkers for the recurrence prediction of hepatocellular carcinoma treated with postoperative TACE: A multicenter retrospective study[J/OL]. Eur J Radiol, 2025, 193: 112442 [2026-06-06]. https://pubmed.ncbi.nlm.nih.gov/41033016/. DOI: 10.1016/j.ejrad.2025.112442.
[48]
ZHANG S H, WANG W L, CAI W, et al. MR radiomics combined with radiologic features to predict recurrence location in nonviable hepatocellular carcinoma after transarterial chemoembolization[J]. J Gastroenterol Hepatol, 2026, 41(5): 1573-1582. DOI: 10.1111/jgh.70325.
[49]
YANG G H, CHEN Y X, WANG M L, et al. Impact of microvascular invasion risk on tumor progression of hepatocellular carcinoma after conventional transarterial chemoembolization[J/OL]. Oncologist, 2025, 30(2): oyae286 [2026-06-06]. https://pubmed.ncbi.nlm.nih.gov/39475355/. DOI: 10.1093/oncolo/oyae286.
[50]
PENG G, CAO X J, HUANG X Y, et al. Radiomics and machine learning based on preoperative MRI for predicting extrahepatic metastasis in hepatocellular carcinoma patients treated with transarterial chemoembolization[J/OL]. Eur J Radiol Open, 2024, 12: 100551 [2026-06-06]. https://pubmed.ncbi.nlm.nih.gov/38347937/. DOI: 10.1016/j.ejro.2024.100551.
[51]
LIU C L, HAN L, DING X, et al. Development of a predictive model for distant metastasis in HCC patients post-TACE using clinical data, radiomics, and deep learning[J/OL]. J Cancer Res Clin Oncol, 2025, 151(10): 258 [2026-06-06]. https://pubmed.ncbi.nlm.nih.gov/40954349/. DOI: 10.1007/s00432-025-06308-5.
[52]
GUO Y S, ZHANG G L, FU X N, et al. Hypoxia-related and immune phenotype-related fusion model for non-invasive prognostication of hepatocellular carcinoma treated by TACE: a multicentre study[J/OL]. Gut, 2026: gutjnl-gu2025-337938 [2026-03-23]. https://pubmed.ncbi.nlm.nih.gov/41856522/. DOI: 10.1136/gutjnl-2025-337938.
[53]
LIU Q P, YANG K L, XU X, et al. Radiomics analysis of pretreatment MRI in predicting tumor response and outcome in hepatocellular carcinoma with transarterial chemoembolization: a two-center collaborative study[J]. Abdom Radiol, 2022, 47(2): 651-663. DOI: 10.1007/s00261-021-03375-3.
[54]
SONG W L, YU X L, GUO D J, et al. MRI-based radiomics: associations with the recurrence-free survival of patients with hepatocellular carcinoma treated with conventional transcatheter arterial chemoembolization[J]. J Magn Reson Imaging, 2020, 52(2): 461-473. DOI: 10.1002/jmri.26977.
[55]
GUAN Q L, ZHANG H X, REN W X, et al. Habitat image based on enhanced MRI before transcatheter arterial chemoembolization of hepatocellular carcinoma clinical value of prognosis prediction[J/OL]. J Radiat Res Appl Sci, 2025, 18(3): 101666 [2026-03-23]. https://www.sciencedirect.com/science/article/pii/S1687850725003784via%3Dihub. DOI: 10.1016/j.jrras.2025.101666.
[56]
IVANICS T, SALINAS-MIRANDA E, ABREU P, et al. A pre-TACE radiomics model to predict HCC progression and recurrence in liver transplantation: a pilot study on a novel biomarker[J]. Transplantation, 2021, 105(11): 2435-2444. DOI: 10.1097/TP.0000000000003605.
[57]
LI L L, KAN X F, ZHAO Y J, et al. Radiomics Signature: a potential biomarker for the prediction of survival in Advanced Hepatocellular Carcinoma[J]. Int J Med Sci, 2021, 18(11): 2276-2284. DOI: 10.7150/ijms.55510.
[58]
KANG W D, LUO Y G, ZHOU X, et al. Multiparametric MRI-based deep learning and radiomics for predicting progression-free survival benefit in patients with hepatocellular carcinoma treated with immunotherapy and targeted therapy plus transarterial chemoembolization: A bicentric study[J]. Acad Radiol, 2026, 33(6): 2428-2441. DOI: 10.1016/j.acra.2026.01.059.
[59]
WANG J, LIU H, LI Y M, et al. Deep-learning radiomics and hand-crafted radiomics utilizing contrast-enhanced MRI to predict early peritumoral recurrence after DEB-TACE with hepatocellular carcinoma: a two-center study[J/OL]. Front Oncol, 2025, 15: 1642828 [2026-03-23]. https://pubmed.ncbi.nlm.nih.gov/41341387/. DOI: 10.3389/fonc.2025.1642828.
[60]
XI Z H, YE Y X, YANG Y B, et al. Radiomics analysis based on contrast-enhanced MRI for predicting short-term efficacy of drug-eluting beads transarterial chemoembolization in hepatocellular carcinoma[J]. Abdom Radiol, 2024, 49(7): 2387-2400. DOI: 10.1007/s00261-024-04319-3.
[61]
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 [2026-03-23]. https://pubmed.ncbi.nlm.nih.gov/40830494/. DOI: 10.1186/s40644-025-00926-5.
[62]
KONG C L, ZHAO Z W, CHEN W Y, et al. Prediction of tumor response via a pretreatment MRI radiomics-based nomogram in HCC treated with TACE[J]. Eur Radiol, 2021, 31(10): 7500-7511. DOI: 10.1007/s00330-021-07910-0.

上一篇 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
下一篇 直肠癌壁外血管侵犯的MRI评估研究进展
  
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