肝细胞癌近年来呈高发趋势，在强调“精准医学理念”的今天，需要精确的信息为患者提供高效的个体化诊疗。影像组学因其可以无创获取肿瘤整体异质性信息，对于改善医疗策略的个体化和精准化具有重要意义。本文主要探讨影像组学在肝细胞癌诊疗中的研究进展，包括肝细胞癌的诊断及鉴别诊断、基因表型及分子标记物的预测、疗效监测及预后预测以及基于深度学习应用方面的研究，最后总结出现阶段影像组学技术存在的不足及未来发展方向。
本刊刊出的所有论文不代表本刊编委会的观点，除非特别声明
原发性肝癌(primary liver cancer，PLC)是我国第四大常见恶性肿瘤，也是恶性肿瘤死亡的第二大原因，对人民的生命健康具有重大威胁，PLC的主要病理亚型有肝细胞癌(hepatocellular carcinoma，HCC)、肝内胆管细胞癌(intrahepatic cholangiocarcinoma，ICC)、肝细胞癌-肝内胆管细胞癌混合型(hepatocellular carcinoma-intrahepatic cholangiocarcinoma，HCC-ICC)[1]，其中，HCC是PLC最常见的病理类型。准确评估、生物学行为预测、疗效及预后判断是精准诊疗HCC的必要条件[2]。在强调“精准医学”[3]的时代，仅基于形态学诊断的传统影像模式已经表现出一定的局限性。影像组学因其采用高通量特征提取算法，对影像图像进行定量分析，深入挖掘和分析图像中隐藏的信息，最高效地利用影像图像结果，在指导HCC诊疗方面具有广阔的临床应用前景。
“影像组学”(radiomics)最早由荷兰学者Lambin等[4]提出，指从超声(ultrasound，US)、计算机断层扫描(computed tomography，CT)、磁共振成像(magnetic resonance imaging，MRI)或正电子发射断层扫描(positron emission tomography- computed tomography，PET-CT)中提取定量特征，将数字图像信息转换为可挖掘的高维数据，用于描述肿瘤表型和异质性等深层信息，并与临床数据关联，最后为临床决策提供帮助。影像组学包含下列几个基本步骤[5]：图像采集和预处理、图像分割、图像特征提取和量化、建立模型及构建共享数据库。近年来影像组学利用机器学习的应用广泛，同时以基于卷积神经网络(convolutional neuralnetwork，CNN)的深度学习[6]为代表的机器学习算法最广泛被应用于图像的分析，包括放射学图像[7]，甚至病理学图像[8]，在HCC的诊疗中具有广阔的应用前景。
HCC的早期诊断及鉴别诊断对治疗和预后非常重要，但常用的US、CT及MRI在早期不典型HCC的诊断中仍存在困难，常导致漏诊及误诊[9]，而新兴的影像组学技术通过对医学影像进行客观和定量的分析，有助于提高HCC的诊断率。Wu等[10]从222例HCC和224例肝血管瘤(hepatic hemangioma，HH)的MRI同相、反相、T2WI和扩散加权成像(diffusion weighted imaging，DWI)的图像中提取了1029个影像组学特征，然后使用四种分类器(决策树、随机森林、K-最近邻和逻辑回归)来识别HCC和HH，结果发现，逻辑回归分类器与MRI四个序列的组合在训练组及测试组的AUC分别达0.86与0.89，同时发现其诊断效能显著高于经验较少的放射科医生(2年经验) (AUC=0.702，P＜0.05)。此外，Nie等[11]发现基于CT的影像组学诺莫图具有准确鉴别肝细胞腺瘤(hepatocellular adenoma，HCA)和非肝硬化肝脏中HCC的潜力，AUC值分别达0.96 (训练组)和0.94 (测试组)。在US方面，Peng[12]等从668名PLC患者的US图像中提取了5234个高通量特征，建立HCC vs.非HCC影像组学模型与ICC vs. HCC-ICC影像组学模型，结果发现在HCC vs.非HCC影像组学模型中，AUC值为0.854 (训练队列)和0.775 (测试队列)，在ICC vs. HCC-ICC影像组学模型中的AUC值为0.920 (训练队列)和0.728 (测试队列)，表明基于US的影像组学模型有助于区分PLC的组织病理亚型。另一项基于US的影像组学研究[13]从114例肝癌患者图像中提取了1409个组学特征，利用K-最近邻(K-nearest neighbor，KNN)、逻辑回归(Logistic regression，LR)、多层感知器(multilayer perceptron，MLP)、随机森林(random forest，RF)和支持向量机(support vector machin，SVM)，通过五重交叉验证策略对PLC和转移性肝癌进行鉴别，结果发现上述5种机器学习分类器均能够区分PLC和转移性肝癌，且LR优于其他分类器，准确度大于80%。上述研究表明影像组学诊断及鉴别诊断HCC方面具有重要价值，同时结合临床因素的联合模型[14]具有更准确的诊断效能。
了解HCC患者中潜在的基因突变[15]及肿瘤分子标记物为HCC治疗规划提供了巨大的价值。2007年，Segal等[16]首次研究了HCC的基因表达模式与其影像特征之间的关系，将28名HCC患者的三期对比增强计算机断层扫描(contrast- enhanced computed tomography，CE-CT)图像的成像特征与从微阵列分析确定的基因中的116个遗传标记相关联，结果发现28个影像学特征的组合可以重建78%的整体基因表达谱，这项研究初步预测了肿瘤影像特征与遗传学之间的潜在关系。同年，Kuo等[17]进行了影像基因组学分析，来挖掘HCC的影像特征与313个肝脏特异性基因表达之间的关系，发现属于细胞色素P450超家族的CYP27A1和CYP4V2基因参与肝脏的药物代谢和解毒作用，同时该基因与肿瘤边缘评分显著相关。微血管浸润(microvascular infiltration，MVI)预示着HCC的侵袭性行为。Yan等[18]综合影像组学诺莫图发现乙型肝炎病毒DNA载体、门脉高压、巴塞罗那临床肝癌(barcelona clinic liver cancer，BCLC)分期和三种CT影像特征(肿瘤数量、大小和包膜)为MVI的危险因素。同时Zhang等[19]发现基于MRI影像组学的术前MVI预测模型能较好地预测MVI。在更进一步相关研究中，Banerjee等[20]确定了一种名为影像基因组学静脉侵袭(image genomics venous invasion，RVI)的标志物，发现其预测HCC患者MVI的准确度、敏感度和特异度分别为89%、76%和94%，同时发现RVI评分阳性患者的总生存期(overall survival，OS)低于阴性患者(P＜0.001)，三年无复发生存(relapse free survival，RFS)率也较低(27% vs. 62%)。肿瘤基因表达可能导致HCC中各种生物学过程的改变，因此影像基因组学[21]在协助HCC的临床治疗决策方面具有巨大的潜力。但到目前为止关于HCC的影像基因组学的研究相对较少，同时现有的研究还有待在多中心及大样本数据中进一步验证。
细胞增殖状态是反映肿瘤生物学特性、影响治疗效果和预后的重要因素[22]。Ki-67已被广泛用作许多恶性肿瘤的预后指标，在HCC患者中，Ki-67标记指数高水平预示肿瘤的侵袭性[23]。Wu等[24]对74例HCC患者术前CT图像进行纹理分析，来预测HCC患者Ki-67低组(＜10%)和Ki-67高组(≥10%)的差异，发现Ki-67低、高组间的对比度、逆差距、反向差异矩(backward differential moment，IDM)有显著性差异(P＜0.001)，这些结果间接提示CT影像组学可以非侵袭性预测HCC患者Ki-67的水平。另外Li等[25]收集了83例肝癌患者的3.0 T MRI图像并进行纹理分析，发现肝胆期(hepatobiliary phase，HBP)、T2WI期、动脉期(arterial phase，AP)、门静脉期(portal venous phase，PVP)的非线性判别分析的误分率最低，结果表明HBP、AP和PVP的纹理分析有助于预测Ki-67的表达。除此之外，细胞角蛋白19 (cytokeratin 19，CK19)阳性也与HCC生物学行为及预后有关[26]，Wang[27]等通过基于增强磁共振成像AP和HBP的融合影像组学模型结合临床放射学模型[甲胎蛋白(alpha fetoprotein，AFP)水平、动脉期边缘强化模式、不规则的肿瘤边缘]的联合模型预测HCC患者术前肿瘤组织中CK19的状态，发现在训练队列中的预测敏感度和特异度分别为0.818和0.974，在验证队列中的预测敏感度和特异度分别为0.769和0.818，表明该联合模型可以作为预测HCC肿瘤组织中CK19的可靠生物标志物。
监测HCC的疗效，对治疗方式的选择起着重要的作用。Zhao等[28]回顾性研究了对比增强磁共振成像(contrast enhanced magnetic resonance imaging，CE-MRI)影像组学预测HCC患者对肝动脉化疗栓塞(transarterial chemoem bolization，TACE)治疗的反应，结果发现建立的HCC疗效监测的CE-MRI影像组学模型、结合CE-MRI影像组学因素和临床因素(总胆红素、肿瘤形态和肿瘤包膜)的联合模型(影像组学诺莫图)在训练队列中的AUC值分别为0.838和0.878，而临床-放射学模型的AUC仅达0.744，表明CE-MRI影像组学分析有望成为预测肝癌患者TACE疗效的一种无创性工具。此外，Yuan等[29]首次证明了结合CE-CT影像组学特征和临床特征的影像组学诺莫图对预测三种国产PD-1抗体(Toripalimab、Camrelizumab或Sintilimab)治疗HCC患者的疗效是有用的，其AUC值训练队列和验证队列中分别为0.894和0.883。但是由于该研究的样本量较小(仅收集了58名患者)且属于回顾性研究，因此有必要进一步进行前瞻性和更大样本量的研究进行验证。
对于预后预测，Wang等[30]收集201例接受根治性肝切除术的肝癌患者(术后至少随访五年)，从他们的术前MRI图像中提取了3144个影像组学特征，采用随机森林及五重交叉验证建立包含AFP和天冬氨酸转移酶(aspartic acid transferase，AST)作为独立的临床危险因素及结合影像组学特征的联合模型，结果显示该联合组学模型是预测肝癌患者术后五年生存率的有效方法。Song等[31]通过建立基于184名肝癌患者的MRI (包括T1WI，T2WI，和增强T1WI)影像组学特征的影像组学模型、临床-放射学模型及联合模型(融合影像组学特征与临床-放射学危险因素)来预测肝癌患者TACE术后RFS评估和危险分层，结果Kaplan-Meier分析显示，联合模型的截断值相当于中值(1.7426)很好地将这些患者分为高危和低风险亚组，同时影像组学模型可用于TACE术前单独评估HCC患者的RFS。
影像组学研究在很大程度上依赖于机器学习，深度学习与传统机器学习最显著的区别是整个学习过程无需人的参与，效率更高、结果更可靠，同时可以更加全面和深层次地挖掘相关的影像信息。近年来最广泛使用的深度学习是CNN。刘云鹏等[32]建立了一个采用U-Net深度网络框架级联的2D图像端到端分割模型对肝脏和肿瘤同时进行分割，生成两个基于影像组学的分类模型，一个用于假阳性肿瘤的去除，另一个用于分割边缘的细化，然后对数据进行五重交叉验证,结果显示敏感度在验证结果中达到80%以上。Zhen等[33]利用CNN开发了一个基于平扫MRI图像及临床数据的深度学习系统(deep learning system，DLS)，发现仅基于平扫MRI时，该系统在区分肝脏良恶性肿瘤方面表现良好，当平扫MRI与临床数据相结合，该系统大大提高了对肝癌、转移性肿瘤和其他原发恶性肿瘤的鉴别诊断，AUC值、敏感度及特异度均大于90%，且与病理符合率达91.9%。在二维卷积神经网络(2D-CNN)的基础上，Trivizakis等[34]提出了用于癌症分类的三维卷积神经网络(3D-CNN)，即直接在整个三维断层数据上操作，而不需要任何预处理步骤(如区域裁剪、注释或检测感兴趣的区域)，结果显示肝脏肿瘤分类准确度达83%，并且其所提出的3D-CNN架构可以从DWI-MRI图像中区分PLC和转移性肝癌。除了诊断方面，Ibragimov等[35]建立针对放疗剂量与放疗后毒性之间联系的CNN，发现其预测放疗后毒性的AUC值为0.73，同时肝胆道照射与肝节段(Ⅰ-Ⅷ)照射及门静脉照射相比，其肝胆(hepatobiliary，HB)毒性表现的风险评分显著升高(P＜0.05)。微波消融(microwave ablation，MWA)是肝癌常见的一种治疗方式，Zhang等[36]首次提出并评估了一种基于CNN的US成像用于检测和监测MWA在猪肝脏中引起的热损伤，建立了US模型、基于双路径CNN (SICNN)模型和基于改进型双路径CNN (SIm-CNN)模型，发现SICNN和SIm-CNN在MWA引起的热损伤的检测和监测方面优于US模型，AUC均高于US模型的0.6904，此外，SIm-CNN评估的热损伤面积值与热损伤组织病理切片图像基本一致。这项先导性研究表明了利用深度学习具有检测和监测MWA诱导热损伤的潜力。
Coudray等[37]利用组织病理学图像上的深度CNN自动分类肺肿瘤，发现其可以有效预测基因突变和肿瘤亚型。为了进一步研究在实体肿瘤的应用，Chen等[38]使用来自基因组数据共享数据库的组织病理学图像来训练神经网络用于肝肿瘤分级和基因预测，结果显示该模型预测效能水平接近具有5年经验的病理学家的能力，对区分良、恶性肿瘤的准确度为96.0%，对预测肿瘤分化程度的准确度为89.6%。此外，该模型还可以从组织病理学图像预测HCC中最常见的四个突变基因(CTNNB1，FMN2，TP53和ZFX4)，AUC值在0.715~0.898之间。影像组学利用深度学习与病理图像的结合是当前的研究热点，可以进一步研究和验证。
影像组学是一个集影像学和机器学习于一体的发展迅速的新兴领域。影像组学不仅有助于影像科医生对疾病的诊断，还能为临床医生制订治疗计划和评估疗效提供帮助，在HCC诊疗方面取得了一定成果，但仍然存在不足和挑战。(1)影像组学预测的准确度与影像图像处理技术息息相关，当前，在各种机器设备之间缺乏针对肝脏CT图像采集和图像后处理的公认标准，不同参数、扫描序列所获取的影像特征存在差异性，及病灶较小或边界模糊导致勾画ROI误差等均可能导致处理结果的偏差。(2)目前研究主要为单中心、小样本的回顾性研究，由于回顾性研究的局限、患者种族、地区等方面的差异，将影响研究结果的稳定性。(3)影像组学作为交叉学科，在处理数据过程中离不开大量的逻辑运算和建模分析，由于技术和算法的不一致，因此验证结果的统一性方面还需要完善。尽管该技术在临床应用过程中面临诸多挑战，但是随着人工智能与互联网医疗的发展，以及经过大样本、前瞻性研究及多中心研究的反复提炼，影像组学将在临床HCC诊疗方面取得进一步的发展。
Nanchong City-School Cooperative Scientific Research Special Fund (No. 19SXHZ0252); Scientific Research Development Project of Affiliated Hospital of North Sichuan Medical Colloge (No. 2021ZD015).
全体作者均声明无利益冲突。
