肝细胞癌诊断的影像组学模型推荐专家共识

二、术前预测HCC病理分级的影像组学模型推荐

推荐基于CT 图像建立的影像组学模型或影像组学-临床融合模型作为术前预测HCC 病理分级的辅助手段，推荐联合采用CT 增强扫描动脉期及门静脉期图像作为CT 影像组学预测HCC病理分级的首选图像（证据级别：中，推荐强度：强）。推荐基于MRI 图像建立的影像组学模型或影像组学-临床融合模型作为术前预测HCC 病理分级的辅助手段，影像组学-临床融合模型优于影像组学模型；推荐联合运用多模态图像作为MRI 影像组学预测HCC 病理分级的首选图像，比如联合运用增强扫描动脉期、门静脉期、延迟期图像，再联合运用 $\mathrm{T}_{1}\mathrm{WM}$ 及 $\mathrm{T}_{2}\mathrm{WT}$ 图像，或联合运用 $\mathrm{T}_{2}\mathrm{WT}$ 及弥散加权成像（diffusion weighted imaging，DWI）图像（证据级别：中，推荐强度：强）。推荐采用3D 手动分割方法对肿瘤病灶进行分割（证据级别：中，推荐强度：弱）。用于建模的临床特征主要包括年龄、性别、肿瘤大小、AFP、丙氨酸转氨酶（alanine aminotransferase， ALT）、AST、 $\upgamma$ -谷氨酰转移酶（glutamyl transpeptidase， GGT）、HBV或丙型肝炎病毒（hepatitis C virus， HCV）感染、肝硬化、门静脉癌栓、门静脉高压、假包膜和淋巴结增大。目前最常用的建模方法为logistic回归。

证据概述：基于CT 图像，以2D 或3D 手动分割法对肿瘤病灶分割，提取影像组学特征，纳入临床特征包括年龄、性别、肝硬化、淋巴结增大、假包膜、门静脉癌栓、HBV 或HCV 感染及血清AFP、AST、ALT、GGT，建模方法包括SVM、logistic 回归及极端梯度提升（eXtreme gradient boosting，X-G Boost），结果显示影像组学模型或/和影像组学-临床融合模型对高分化/低分化HCC 具有较高的预测价值（AUC：0.69～0.94）［15-19］。基于MRI 的 $\mathrm{T}_{1}\mathrm{WT}$ 及 $\mathrm{T}_{2}\mathrm{WT}$ 图像，运用3D 手动分割法对肿瘤病灶进行分割，提取影像组学特征，纳入临床特征包括年龄、性别、肝硬化、假包膜、肿瘤大小、AFP、乙型肝炎、门静脉癌栓、门静脉高压，采用logistic 回归方法建立影像组学模型及影像组学-临床融

合模型，两种模型对高分化及低分化HCC 预测价值中等（验证集AUC分别为0.74、0.80）［20］。

基于MRI 增强图像，采用3D 手动分割法分割肿瘤病灶，提取影像组学特征，运用Lasso回归建立影像组学模型，预测低分化与中高分化HCC。结果表明，基于增强扫描动脉期、门静脉期、延迟期的联合影像组学模型的预测效能优于单一期相，验证组AUC为 $0.72^{[21]}$ 。

基于MRI 的 $\mathrm{T}_{2}\mathrm{WT}$ 、DWI、表观扩散系数（apparent diffusion coefficient，ADC）图像，选择病灶的最大截面进行分析，提取影像组学特征，运用logistic 回归建立影像组学模型，对HCC 的高分化与中低分化预测价值良好，其AUC为 $0.86^{[22]}$ 。

基于超声图像，运用Lasso 回归提取纹理特征，建立影像组学模型，对Ⅱ级与Ⅲ级HCC 预测效能中等，AUC为 $0.76^{[23]}$ 。

三、术前预测HCC微血管侵犯的影像组学模型推荐

1. 推荐基于CT 图像建立的影像组学模型、影像组学-临床融合模型作为术前预测HCC 微血管侵犯的重要手段，增强扫描动脉期、门静脉期或联合多期增强图像均可用于CT影像组学模型研发（证据级别：中，推荐强度：强）。

证据概述：对基于CT 图像建立的影像组学模型预测HCC 微血管侵犯的相关文献［24-26］进行荟萃分析，得到的合并灵敏度为0.84（ $I^{2}{=}0\%$ =0%，95%CI：0.72～0.93）、特异度为0.87（ $\scriptstyle{\hat{I}}^{2}=12.2\%$ $95\%C I_{!}^{}.0.76\!\sim\!0.94)$ ）、AUC 为0.88。对基于CT 图像建立的影像组学-临床融合模型预测HCC 微血管侵犯的相关文献［27-31］进行荟萃分析，得到的合并灵敏度为0.84（ =53.4%，95%CI：0.79～0.89）、特异度为0.74（ $\scriptstyle{\hat{I}}^{2}=$ $26.0\%,95\%C I;0.69\!\sim\!0.79)$ ）、AUC为0.85。

2. 推荐基于MRI 图像建立的影像组学-临床融合模型作为术前预测HCC 微血管侵犯的重要手段，推荐肝特异性对比剂增强扫描肝胆期图像作为MRI 影像组学模型研究的首选图像（证据级别：中，推荐强度：强）。

证据概述：对基于MRI 图像建立影像组学模型预测HCC 微血管侵犯的相关文献［32-36］进行荟萃分析，得到的合并灵敏度为0.81（ $I^{2}{=}43\cdot1\%$ $95\%C I_{!}0.76\!\sim\!0.86)$ ）、特异度为 $0.74(l^{\scriptstyle l=27.9\%,95\%C l;0.67\sim0.80)}$ =27.9%，95%CI：0.67～0.80）、AUC 为0.85。对基于MRI图像建立影像组学-临床融合模型预测HCC微血管侵犯的相关文献［37-42］进行荟萃分析，得到的合并灵敏度为0.83（ $\scriptstyle{\hat{I}}^{2}=0\%$ =0%，95%CI：0.76～0.88）、特异度为0.82（ $\scriptstyle{\hat{I}}^{2}=$ $50\cdot6^{0}/\phantom{0},95^{0}/\phantom{0}C I;0\cdot77\!\sim\!0\cdot86\big)$ ）、AUC为0.90。针对上述文献进行亚组分析，结果显示，基于MRI 肝特异性对比剂增强扫描肝胆期图像建立模型预测效能良好［32-33，41］，合并AUC为0.95。

3.推荐采用3D分割方法对肿瘤病灶进行分割，推荐运用深度学习方法建立模型（证据级别：中，推荐强度：强）。

证据概述：3D 和2D 肿瘤病灶分割方法均包括手动分割、半自动分割、自动分割。2D 分割方法以肿瘤病灶最大层面进行分割，3D 分割为总体分析。分别对采用3D 肿瘤

分割方法的文献［24-25，29-33，35-41］和2D 肿瘤分割方法的文献［26-28，34，42］进行荟萃分析，结果显示3D 肿瘤分割方法优于2D（合并AUC 分别为0.91、0.85），但耗时更长。对运用深度学习方法建立模型的文献［27，31，34，37］和运用非深度学习方法建立模型的文献［24-26，28-30，32-33，35-36，38-42］进行荟萃分析，结果显示，运用深度学习方法所建模型对HCC 微血管侵犯的预测效能高于运用非深度学习方法所建模型，其合并AUC分别为0.94、0.90。

说明：用于建模的临床、影像特征包括HBsAg、AFP、Child-Pugh 评分、血清AST 含量、肿瘤大小、肿瘤边缘、假包膜、动脉期肿瘤周围强化、门静脉癌栓。

四、HCC鉴别诊断的影像组学模型推荐

推荐基于CT 及MRI 图像纹理特征建立的影像组学模型、基于纹理特征与临床特征建立的影像组学-临床融合模型作为鉴别HCC 与肝脏其他占位性病变的重要手段，联合运用CT 多期增强扫描图像或MRI 多模态图像，诊断效能更佳（证据级别：中，推荐强度：强）。用于建模的临床特征主要包括患者年龄、性别、有无HBV 感染、强化方式以及肝脏影像报告及数据系统评分（liver imaging reporting and data system，LI-RADS）。logistic 回归是目前最常用的建模方法。

1. 与肝局灶性结节增生相鉴别：基于MRI 增强扫描动脉期及门静脉期图像，提取出纹理特征，加入4 个临床特征（年龄、性别、HBsAg、强化方式），采用logistic 回归方法建立临床模型、影像组学模型及影像组学-临床融合模型，3种模型对HCC 与肝局灶性结节增生均具有较高的鉴别诊断价值（ $\mathrm{AU}{>}0.90$ ），其中影像组学-临床融合模型诊断价值更高，训练集和验证集AUC 分别为 $0.98\,(\,95\%C I;0.95\,\sim$ 0.99） $,0.97\big(95\%C I;0.90\!\sim\!0.99\big)^{[43]}$ 。基于CT 三期增强图像，采用2D 分割法手动分割肿瘤，获取包括纹理特征、其他组学特征，联合临床特征（年龄、HBV、强化方式），采用logistic回归建立影像组学模型及影像组学-临床融合模型，鉴别HCC 与肝局灶性结节增生，在训练集和验证集中，影像组学模型鉴别二者的AUC 分别为 $0.96\,(95\%\,C I;0.93\,{\sim}$ 0.99）、0.87（95%CI：0.75～1.00），影像组学-临床融合模型AUC 分别为 $0.98\left(95\%C I;0.96\!\sim\!1.00\right)$ ）、0.92（ $95\%C I$ ： $0.80\!\sim\!1.00\big)^{[44]}$ 。

2. 与肝血管瘤（hepatic hemangioma，HH）相鉴别：基于CT 平扫图像，提取纹理特征，运用logistic 回归方法建立影像组学模型，对HCC 及HH 进行鉴别，AUC 为 $0.87^{[45]}$ 。基于多模态MRI 平扫图像（包括Inphase、Outphase $\mathrm{T}_{2}\mathrm{WT}$ 及DWI 序列），提取纹理特征，运用logistic 回归方法建立影像组学模型鉴别HCC 与HH，在训练集和验证集中的AUC 分别为 $0.86,0.89^{[46]}$ 。基于MRI 的 $\mathrm{T}_{1}\mathrm{WT}$ 图像进行纹理分析及拓扑分析，运用X-G Boost 方法建立影像组学模型，基于纹理特征建立的模型在鉴别HCC 与HH 方面AUC达 $0.95^{[47]}$ 。

3. 与其他类型肝癌相鉴别：基于DWI 图像，提取ADC

直方图特征，联合LI-RADS 及性别，运用logistic 回归方法建立影像组学-临床融合模型，鉴别HCC 与其他类型的肝癌的AUC 为 $0.90^{[48]}$ 。基于常规MRI 图像，提取纹理特征及其他特征，采用SVM 方法建立影像组学模型，鉴别HCC与其他类型肝癌的AUC为 $0.81^{[49]}$ 。

4. 与肝腺瘤相鉴别：基于CT 三期增强图像，采用2D方法分割肿瘤，提取纹理特征、其他组学特征，联合临床特征（性别、年龄、强化方式），运用logistic 回归方法，建立影像组学模型及影像组学-临床融合模型，对HCC 与肝腺瘤进行鉴别，影像组学模型对HCC 与肝腺瘤的鉴别诊断价值中等，AUC 为0.83，而影像组学-临床融合模型鉴别价值较高，AUC为 $0.96^{[50]}$ 。

5. 与肝良性结节相鉴别：基于MRI 的TWI、TWI 及1 2ADC 图像，采用2D 方法分割肿瘤，提取纹理特征及其他组学特征，联合临床特征（LI-RADS），运用logistic 回归方法建立影像组学模型及影像组学-临床融合模型，鉴别HCC与肝良性结节，结果显示影像组学模型及影像组学-临床融合模型对HCC 与肝良性结节的鉴别诊断价值均较高，AUC分别为0.92、0.98，后者优于前者［51］。

6. 与肝转移瘤相鉴别：基于MRI 多序列图像（包括 $\mathrm{T}_{1}\mathrm{WT},\mathrm{T}_{2}\mathrm{WT},\mathrm{T}_{2}\mathrm{WT}$ 化学位移序列及DWI），运用X-G Boost方法提取纹理特征，建立影像组学模型，鉴别HCC 与肝转移瘤，结果显示该模型鉴别诊断价值中等，AUC为 $0.85^{[47]}$ 。

7. 与肝脓肿相鉴别：基于CT 增强扫描动脉期及门静脉期图像，运用logistic 回归方法提取直方图等特征，建立影像组学模型，对HCC 与肝脓肿鉴别诊断价值较高，训练集及验证集AUC分别为 $0.99,0.93^{[52]}$ 。

本共识发布后将组织相关编写人员对共识进行解读、巡讲，以促进共识的实施和推广。根据最新的研究进展和临床证据，本共识拟订在发布2～3年后进行更新。

共同执笔人：周海鹰（川北医学院附属医院放射科）、曹金明（川北医学院第二临床医学院/南充市中心医院放射科）、欧静（川北医学院附属医院放射科）、陈天武（重庆医科大学附属第二医院放射科/川北医学院附属医院放射科）

专家共识协作组成员（按照姓氏笔画顺序）：边杰（大连医科大学附属第二医院放射科）、纪建松（温州医科大学附属第五医院/丽水市中心医院放射科）、刘强（山东第一医科大学附属省立医院/山东省立医院医学影像科）、刘新疆（上海市浦东医院/复旦大学附属浦东医院放射科）、吕哲昊（哈尔滨医科大学附属第一医院核医学科）、曲金荣（郑州大学附属肿瘤医院/河南省肿瘤医院放射科）、许传军（南京市第二医院/南京中医药大学附属南京医院影像中心）、陈天武（重庆医科大学附属第二医院放射科）、陈昊（南京中医药大学针灸推拿学院）、李世杰（哈尔滨医科大学附属肿瘤医院介入科）、李莉（首都医科大学附属北京佑安医院放射科）、李宏军（首都医科大学附属北京佑安医院放射科）、杨伟斌（温州医科大学附属第五医院/丽水市中心医院放射科）、

张小明（川北医学院附属医院放射科）、张惠娟（福建省立医院南院放射科）、罗佳文（大连医科大学附属第二医院放射科）、周海鹰（川北医学院附属医院放射科）、殷小平（河北大学附属医院放射科）、郭大静（重庆医科大学附属第二医院放射科）、梁文杰（浙江大学医学院附属第一医院放射科）、曾宪涛（武汉大学中南医院循证与转化医学中心）、樊婷婷（哈尔滨医科大学附属第二医院CT诊断科）利益冲突 所有作者均声明不存在利益冲突

参 考 文 献

[1] Wang M, Wang Y, Feng X, et al. Contribution of hepatitis B virus and hepatitis C virus to liver cancer in China north areas: experience of the Chinese National Cancer Center[J]. Int J Infect Dis, 2017, 65: 15-21. DOI: 10.1016/j.ijid.2017.09.003. [2] Zhou M, Wang H, Zeng X, et al. Mortality, morbidity, and risk factors in China and its provinces, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet, 2019, 394(10204): 1145-1158. DOI: 10.1016/ S0140-6736(19)30427-1. [3] 中华人民共和国国家卫生健康委员会医政医管局 . 原发 性肝癌诊疗规范 (2019 年版 )[J]. 中华肝脏病杂志 , 2020, 28(2):112-128. DOI: 10.3760/cma.j.issn.1007-3418.2020. 02.004. [4] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2018, 68(6): 394-424. DOI: 10.3322/caac.21492. [5] International Consensus Group for Hepatocellular Neoplasia The International Consensus Group for Hepatocellular N. Pathologic diagnosis of early hepatocellular carcinoma: a report of the international consensus group for hepatocellular neoplasia[J]. Hepatology, 2009, 49(2): 658-664. DOI: 10.1002/ hep.22709. [6] Hytiroglou P. Well-differentiated hepatocellular nodule: making a diagnosis on biopsy and resection specimens of patients with advanced stage chronic liver disease[J]. Semin Diagn Pathol, 2017, 34(2): 138-145. DOI: 10.1053/j.semdp. 2016.12.009. [7] Terrault NA, Lok ASF, McMahon BJ, et al. Update on prevention, diagnosis, and treatment of chronic hepatitis B: AASLD 2018 hepatitis B guidance[J]. Hepatology, 2018, 67(4): 1560-1599. DOI: 10.1002/hep.29800. [8] Schillie S, Vellozzi C, Reingold A, et al. Prevention of hepatitis B virus infection in the United States: recommendations of the advisory committee on immunization practices[J]. MMWR Recomm Rep, 2018, 67(1): 1-31. DOI: 10.15585/mmwr.rr6701a1. [9] WHO. Guidelines for the prevention, care and treatment of persons with chronc hepatitis B infection [M]. Geneva: World Health Organization, 2015. [10] Jin JY, Yao Z, Zhang T, et al. Deep learning radiomics model accurately predicts hepatocellular carcinoma occurrence in chronic hepatitis B patients: a five-year follow-up[J]. Am J Cancer Res, 2021, 11(2): 576-589. [11] Yao Z, Dong Y, Wu GQ, et al. Preoperative diagnosis and prediction of hepatocellular carcinoma: Radiomics analysis based on multi-modal ultrasound images[J]. BMC Cancer, 2018, 18(1): 1089. DOI: 10.1186/s12885-018-5003-4. [12] Jiang HY, Liu XJ, Chen J, et al. Man or machine? Prospective comparison of the version 2018 EASL, LI-RADS criteria and a radiomics model to diagnose hepatocellular carcinoma[J]. Cancer Imaging, 2019, 19(1): 84. DOI: 10.1186/s40644-019- 0266-9. [13] Tietz E, Truhn D, Müller-Franzes G, et al. A radiomics approach to predict the emergence of new hepatocellular carcinoma in computed tomography for high-risk patients with liver cirrhosis[J]. Diagnostics(Basel), 2021, 11(9): 1650. DOI: 10.3390/diagnostics11091650. [14] Mokrane FZ, Lu L, Vavasseur A, et al. Radiomics machine-learning signature for diagnosis of hepatocellular carcinoma in cirrhotic patients with indeterminate liver nodules[J]. Eur Radiol, 2020, 30(1): 558-570. DOI: 10.1007/ s00330-019-06347-w. [15] 曾凤霞 , 刘仁懿 , 曾辉 , 等 . 临床、 CT 影像组学及融合模型预 测肝细胞癌分化程度 [J]. 中国医学影像技术 , 2021, 37(7): 1029-1033. DOI: 10.13929/j.issn.1003-3289.2021.07.015. [16] 杜国智 , 宋彬 , 杨卫东 , 等 . 基于 CT 的影像组学联合血清甲胎 蛋白水平预测肝癌病理分级的价值 [J]. 中国医学装备 , 2021, 18(6): 68-71. DOI: 10.3969/J.ISSN.1672-8270.2021.06.018. [17] 宁培钢 , 高飞 , 海金金 , 等 . 基于增强 CT 放射组学预测肝细 胞肝癌病理分级 [J]. 中国医学影像技术 , 2020, 36(7): 1051- 1056. DOI: 10.13929/j.issn.1003-3289.2020.07.026. [18] Chen W, Zhang T, Xu L, et al. Radiomics analysis of contrast-enhanced CT for hepatocellular carcinoma grading [J]. Front Oncol, 2021, 11: 660509. DOI: 10.3389/fonc.2021. 660509. [19] Mao B, Zhang L, Ning P, et al. Preoperative prediction for pathological grade of hepatocellular carcinoma via machine learning-based radiomics[J]. Eur Radiol, 2020, 30(12): 6924- 6932. DOI: 10.1007/s00330-020-07056-5. [20] Wu M, Tan H, Gao F, et al. Predicting the grade of hepatocellular carcinoma based on non-contrast-enhanced MRI radiomics signature[J]. Eur Radiol, 2019, 29(6): 2802-2811. DOI: 10.1007/s00330-018-5787-2. [21] 赵莹 , 刘爱连 , 武敬君 , 等 . 基于增强 MRI 影像组学术前预 测肝细胞癌病理分化程度 [J]. 中国医学影像学杂志 , 2021, 29(6): 570-576. DOI: 10.3969/j.issn.1005-5185.2021.06.010. [22] 许露露 , 舒健 , 杨春梅 . MRI 影像组学评估肝细胞肝癌的病 理分级 [J]. 临床放射学杂志 , 2020, 39(8): 1520-1523. [23] 周榴 , 董怡 , 夏威 , 等 . 基于超声影像组学的原发性肝细胞 癌分级预测 [J]. 中国医学物理学杂志 , 2020, 37(1): 59-64. DOI: 10.3969/j.issn.1005-202X.2020.01.012. [24] 郁义星 , 胡春洪 , 王希明 , 等 . 增强 CT 影像组学和机器学习 在术前预测肝细胞癌微血管侵犯中的应用价值 [J]. 中华 医学杂志 , 2021, 101(17): 1239-1245. DOI: 10.3760/cma.j. cn112137-20200820-02425. [25] Zhang W, Yang R, Liang F, et al. Prediction of microvascular invasion in hepatocellular carcinoma with a multi-disciplinary team-like radiomics fusion model on dynamic contrast-enhanced computed tomography[J]. Front Oncol, 2021, 11: 660629. DOI: 10.3389/fonc.2021.660629. [26] Ni M, Zhou X, Lv Q, et al. Radiomics models for diagnosing microvascular invasion in hepatocellular carcinoma: which model is the best model? [J]. Cancer Imaging, 2019, 19(1): 60. DOI: 10.1186/s40644-019-0249-x. [27] Liu SC, Lai J, Huang JY, et al. Predicting microvascular invasion in hepatocellular carcinoma: a deep learning model validated across hospitals[J]. Cancer Imaging, 2021, 21(1): 56. DOI: 10.1186/s40644-021-00425-3. [28] Peng J, Zhang J, Zhang Q, et al. A radiomics nomogram for preoperative prediction of microvascular invasion risk in hepatitis B virus-related hepatocellular carcinoma[J]. Diagn Interv Radiol, 2018, 24(3): 121-127. DOI: 10.5152/dir.2018. 17467. [29] Xu X, Zhang HL, Liu QP, et al. Radiomic analysis of contrast-enhanced CT predicts microvascular invasion and outcome in hepatocellular carcinoma[J]. J Hepatol, 2019, 70(6): 1133-1144. DOI: 10.1016/j.jhep.2019.02.023. [30] Ma X, Wei J, Gu D, et al. Preoperative radiomics nomogram for microvascular invasion prediction in hepatocellular carcinoma using contrast-enhanced CT[J]. Eur Radiol, 2019, 29(7): 3595-3605. DOI: 10.1007/s00330-018-5985-y. [31] Jiang YQ, Cao SE, Cao S, et al. Preoperative identification of microvascular invasion in hepatocellular carcinoma by XGBoost and deep learning[J]. J Cancer Res Cin, 2021, 147(3): 821-833. DOI: 10.1007/s00432-020-03366-9. [32] Feng ST, Jia Y, Liao B, et al. Preoperative prediction of microvascular invasion in hepatocellular cancer: a radiomics model using Gd-EOB-DTPA-enhanced MRI[J]. Eur Radiol, 2019, 29(9): 4648-4659. DOI: 10.1007/s00330-018-5935-8. [33] Dai H, Lu M, Huang B, et al. Considerable effects of imaging sequences, feature extraction, feature selection, and classifiers on radiomics-based prediction of microvascular invasion in hepatocellular carcinoma using magnetic resonance imaging[J]. Quant Imaging Med Surg, 2021, 11(5): 1836-1853. DOI: 10.21037/qims-20-218. [34] Gao F, Qiao K, Yan B, et al. Hybrid network with difference degree and attention mechanism combined with radiomics (H-DARnet) for MVI prediction in HCC[J]. Magn Reson Imaging, 2021, 83: 27-40. DOI: 10.1016/j.mri.2021.06.018. [35] 瞿成名 , 李昆 , 蔡萍 , 等 . 基于 MRI 影像组学的特征模型预 测肝细胞癌微血管侵犯的研究 [J]. 中国普外基础与临床杂 志 , 2021, 28(2): 175-180. DOI: 10.7507/1007-9424.202009112. [36] 段亚阳 , 周坤鹏 , 边杰 , 等 . 基于非增强 MRI 的影像组学术 前预测肝细胞癌微血管浸润的研究 [J]. 磁共振成像 , 2020, 11(3): 195-200. DOI: 10.12015/issn.1674-8034.2020.03.007. [37] Song D, Wang Y, Wang W, et al. Using deep learning to predict microvascular invasion in hepatocellular carcinoma based on dynamic contrast-enhanced MRI combined with clinical parameters[J]. J Cancer Res Clin, 2021, 147(12): 3757-3767. DOI: 10.1007/s00432-021-03617-3. [38] Zhang R, Xu L, Wen X, et al. A nomogram based on bi-regional radiomics features from multimodal magnetic resonance imaging for preoperative prediction of microvascular invasion in hepatocellular carcinoma[J]. Quant Imaging Med Surg, 2019, 9(9): 1503-1515. DOI: 10.21037/qims.2019.09.07. [39] Zhang Y, Shu Z, Ye Q, et al. Preoperative prediction of microvascular invasion in hepatocellular carcinoma via multiparametric MRI radiomics[J]. Front Oncol, 2021, 11: 633596. DOI: 10.3389/fonc.2021.633596. [40] Yang L, Gu D, Wei J, et al. A radiomics nomogram for preoperative prediction of microvascular invasion in hepatocellular carcinoma[J]. Liver Cancer, 2019, 8(5): 373-386. DOI: 10.1159/000494099. [41] 郁义星 , 王希明 , 胡春洪 , 等 . 钆塞酸二钠增强 MRI 影像组 学和机器学习术前预测肝细胞癌微血管侵犯的价值 [J]. 中 华放射学杂志 , 2021, 55(8): 853-858. DOI: 10.3760/cma.j. cn112149-20200823-01023. [42] 王宁博 . MRI 影像组学在术前评估肝细胞癌微血管侵犯中 的价值 [J]. 齐齐哈尔医学院学报 , 2019, 40(19): 2432-2434. DOI: 10.3969/j.issn.1002-1256.2019.19.022. [43] Ding Z, Lin K, Fu J, et al. An MR-based radiomics model for differentiation between hepatocellular carcinoma and focal nodular hyperplasia in non-cirrhotic liver[J]. World J Surg Oncol, 2021, 19(1): 181. DOI: 10.1186/s12957-021-02266-7. [44] Nie P, Yang G, Guo J, et al. A CT-based radiomics nomogram for differentiation of focal nodular hyperplasia from hepatocellular carcinoma in the non-cirrhotic liver[J]. Cancer Imaging, 2020, 20(1): 20. DOI: 10.1186/s40644-020- 00297-z. [45] Yin, J, Qiu, JJ, Qian, W, et al. A radiomics signature to identify malignant and benign liver tumors on plain CT images[J]. J Xray Sci Technol, 2020, 28(4): 683-694. DOI: 10.3233/XST-200675. [46] Wu, J, Liu, A, Cui, J, et al. Radiomics-based classification of hepatocellular carcinoma and hepatic haemangioma on precontrast magnetic resonance images[J]. BMC Med Imaging, 2019, 19(1): 23. DOI: 10.1186/s12880-019-0321-9. [47] Oyama A, Hiraoka Y, Obayashi I, et al. Hepatic tumor classifcation using texture and topology analysis of non-contrast-enhanced three dimensional T1-weighted MR images with a radiomics approach[J]. Sci Rep, 2019, 9(1): 8764. DOI: 10.1038/s41598-019-45283-z. [48] Lewis S, Peti S, Hectors SJ, et al. Volumetric quantitative histogram analysis using diffusion-weighted magnetic resonance imaging to differentiate HCC from other primary liver cancers[J]. Abdom Radiol(NY), 2019, 44(3): 912-922. DOI: 10.1007/s00261-019-01906-7. [49] Liu X, Khalvati F, Namdar K, et al. Can machine learning radiomics provide pre-operative differentiation of combined hepatocellular cholangiocarcinoma from hepatocellular carcinoma and cholangiocarcinoma to inform optimal treatment planning[J]. Eur Radiol, 2021, 31(1): 244-255. DOI: 10.1007/s00330-020-07119-7. [50] Nie P, Wang N, Pang J, et al. CT-based radiomics nomogram: a potential tool for differentiating hepatocellular adenoma from hepatocellular carcinoma in the noncirrhotic liver[J]. Acad Radiol, 2021, 28(6): 799-807. DOI: 10.1016/j.acra.2020. 04.027. [51] Zhong X, Guan T, Tang D, et al. Diferentiation of small ( ≤ 3 cm) hepatocellular carcinomas from benign nodules in cirrhotic liver: the added additive value of MRI-based radiomics analysis to LI-RADS version 2018 algorithm[J]. BMC Gastroenterol, 2021, 21(1): 155. DOI: 10.1186/s12876-021- 01710-y. [52] Hu MJ, Yu YX, Fan YF, et al. CT-based radiomics model to distinguish necrotic hepatocellular carcinoma from pyogenic liver abscess[J]. Clin Radiol, 2021, 76(2): 161. e11-161. e17. DOI: 10.1016/j.crad.2020.11.002.

相关指南

• 肝细胞癌伴微血管侵犯诊断和治疗中国专家共识（2024版） · 消化内科 2024
• 老年人胆囊结石诊断和治疗专家共识（2026版） · 消化内科 2026
• 围手术期肝脏储备功能评估专家共识（2025版） · 消化内科 2025
• 肝硬化合并糖尿病患者血糖管理专家共识 · 消化内科 2022
• 肝细胞癌伴肺转移多学科诊治专家共识（2026版） · 消化内科 2026
• 肝门部胆管癌诊断和治疗指南（2025版） · 消化内科 2025
• 初诊肺癌合并阻塞性肺炎临床诊疗专家共识 · 呼吸内科