基于人工智能的影像组学，能够从影像数据中高通量提取与病理和预后相关的深层特征，弥补传统方法主观性强、信息利用不足的缺陷，在肿瘤诊治全疗程中展现出良好的潜力，是当前研究的热门领域。本文旨在对人工智能联合影像组学在肝癌诊断分类、治疗决策及预后评估中的最新研究进展进行系统综述，并对该领域面临的挑战和发展方向进行展望。
一、人工智能与影像组学技术概述
（一）人工智能与影像组学的基本概念
人工智能是一门模拟人类智能的计算机技术，其在医学领域应用的两大分支，机器学习与深度学习，是当前影像组学发展的核心内容。影像组学的经典分析流程包括图像采集、感兴趣区域勾画、特征提取、模型构建与验证等。其本质是利用人工智能的强大算法对医学影像数据进行深度挖掘和建立临床预测模型的过程。该过程中，特征获取部分从依赖先验知识的手工特征提取（机器学习）逐渐向数据驱动自动提取深度特征（深度学习）的方向转变。
（二）传统机器学习与深度学习
早期影像组学研究主要基于传统机器学习算法，如支持向量机、逻辑回归、随机森林等。研究者根据经验预设特征，如形状、纹理、小波特征等，再将这些特征输入模型中进行预测，模型的有效性高度依赖领域知识［6-7］。深度学习，作为机器学习的前沿技术改变了上述模式。通过构建深层次的神经网络，深度学习能够以“端到端”的方式，直接从原始图像中自动学习深层影像特征，不需要人工设计干预。这种“深度特征”可以捕捉更复杂、更抽象的数据信息，在处理病灶分割、检测、分类等复杂任务上展现出显著优势。其基础架构包括卷积神经网络（convolutional neural network，CNN）、循环神经网络（recurrent neural network，RNN）和Transformer等［8,9,10］。
（三）深度学习经典及其衍生模型
RNN是专门为处理序列数据而设计的模型，具有“记忆”能力，能够通过对输入的信息的思考来影响输出，适用于对时间或次序维度的分析。它的关键衍生模型之一，长短期记忆网络（long short-term memory network，LSTM）［15］，通过门控机制的方式在序列中捕捉时间和空间特征的动态关联，能够有效学习、长程依赖，同时还能缓解梯度消失的问题。另外的衍生模型，门控循环单元（gated recurrent unit，GRU），具有结构更简洁、训练效率更高的特点，二者均在肝癌增强MRI、超声造影时序特征提取和分析中有应用。
（四）架构演进与融合趋势
CNN是空间特征提取的基石，RNN是时序建模的经典方案，而Transformer凭借其强大的全局建模和并行能力，成为当前序列乃至多模态任务的主导架构。当前，CNN与Transformer的混合架构成为重要发展方向——CNN负责提取局部细节特征，Transformer进行全局上下文建模，两者结合在提升模型表征能力的同时，也推动了肝癌影像分析向更精准、更融合的方向发展。
（五）生成式人工智能在医学影像中的前沿应用
生成式人工智能作为人工智能的一个前沿分支，其核心是学习数据的底层分布规律，并据此生成符合真实世界特征的新内容。在医学影像领域，生成式人工智能为缓解标注数据稀缺、类别不平衡等问题提供了关键路径。其主流模型架构，如生成对抗网络（generative adversarial network，GAN）通过生成器与判别器对抗训练合成高质量图像，以及以去噪扩散过程为核心、生成效果更稳定的扩散模型，目前GAN已成功应用于肝癌影像的数据扩增、跨模态合成及小样本学习等任务［21］。
二、人工智能前沿技术与关键方法
（一）小样本学习技术
（二）模型性能提升技术
（三）模型可解释性技术
深度学习模型在影像人工智能诊断中表现优异，但其“黑箱”特性限制了对模型预测结果的可解读性，在获取临床医师信任方面仍存在提升空间。当前对于提升模型决策过程透明度的两类前沿技术分别是可视化技术（如gradient-weighted class activation mapping，Grad-CAM）和特征贡献量化（如shapley additive explanations，SHAP）。Grad-CAM的全称是梯度加权类激活映射，能以生成热力图的方式来直观显示模型做出预测时最关注的影像区域［26］。SHAP等框架常用于更复杂的集成或临床预测模型，它可以量化每个输入特征（如年龄、甲胎蛋白、肿块大小等）对最终诊断结果的具体贡献，提供了全局视角的特征重要性排序，也能针对单个患者给出个体层面的解释［27］。这些技术都为增强医师对人工智能辅助决策的信任做出了重要贡献。
（四）多模态信息融合技术
三、人工智能联合影像组学在肝癌诊断中的应用
（一）病灶筛查与检出
肝癌早期无明显症状，高危人群（肝炎、长期大量饮酒者等）定期体检筛查至关重要。超声作为肝癌筛查的首选影像学方法，其诊断易受操作者经验影响，小病灶或不典型表现病灶易漏诊或误诊，延误治疗。人工智能可以辅助或警示医师对可疑病灶的关注，提升筛查效能和敏感度。
1. 肝癌初筛与自动检测：深度学习基于YOLO架构的目标检测算法能够实现快速、标准化的图像分析。例如，Sahin等［31］开发的可以在CT影像中自动检测HCC的YOLOv8模型，其准确性95.35%，敏感度94.74%，特异度95.83%。如果能够将该模型应用于临床肝癌筛查，也许可以作为一个重要的初筛工具对可疑结节进行标记，辅助放射科医师完成阅片工作，减少其工作量。
（二）精准分割、鉴别与分类
如若发现肝脏占位，首先需界定其范围、判断良恶性质乃至恶性病变的具体亚型，方可进一步开展诊疗工作。传统影像学诊断依赖医师的工作经验，对复杂、不典型病变的判别存在差异。人工智能作为一种强大的无创预测工具，可辅助临床医师做出客观的诊断。
1.自动化分割病灶：准确地勾画感兴趣区域是人工智能进行任何定量分析的关键前提。Lee等［34］开发的可以在CT上实现HCC自动化三维分割的深度学习模型（Dice系数82.8%），可融合多层次影像特征，在处理肿瘤异质性和边缘模糊性等方面表现优异，显著提升了分割的准确性和一致性，为进一步的肿瘤体积测量和组学分析提供了可靠基础，同时也避免了人工勾画耗时和存在主观差异的缺点。
2.鉴别诊断与亚型区分：人工智能通过解析来自不同影像模态（CT或MRI等）以及不同时期的序列扫描，能够提取超越视觉层次的深层信息。这些特征与肝脏组织的病理变化高度相联，可以使人工智能在不进行穿刺活检的条件下对肝脏的良性或恶性病变进行有效鉴别。
良恶性区分：Ma等［35］从CT和MRI图像的多个阶段（平扫、动脉期、静脉期、延迟期）经归一化筛选提取影像组学特征，联合临床指标，用六种机器学习算法进行训练和验证得到最优模型，用于鉴别HCC与非HCC，准确性达0.824。
恶性亚型区分：而对于恶性肿瘤亚型的区分，Liu等［36］基于多序列MRI影像组学特征，通过筛选并构建逻辑回归模型成功区分HCC与肝内胆管细胞癌，其在验证集的AUC可达到0.877。
多类别智能诊断：Ding等［15］在一项大规模多中心回顾性与前瞻性研究中，通过融合光流法与双流深度学习网络（ResNet34、ResNet18），并整合超声造影、预测性生物标志物及临床数据，建立的用于肝局灶性病变六分类的人工智能模型，外部测试集中诊断准确性达0.85~0.86，其性能显著优于初级超声造影医师（准确性0.59~0.73），并与高级超声造影医师及MRI医师水平相当，为复杂肝脏局灶性病变的诊断提供了客观、可复现的智能框架。
3.人工智能辅助肝脏影像报告和数据系统（liver imaging reporting and data system，LI-RADS）分类诊断：人工智能能够自动识别与LI-RADS分类相关的关键影像特征，不同影像的人工智能模型在LI-RADS分类诊断中均有优异表现。Xiao等［37］应用治疗前超声造影数据构建的机器学习模型在LI-RADS M类识别中，其AUC值介于0.768~0.825之间；同样，Zhang等［38］以多序列MRI（T2WI、动脉期、静脉期）为基础构建的影像组学模型用于LI-RADS M类肿瘤的识别，其在验证集中的AUC为0.873，均显示出比初级医师更好的诊断效能。更深层次的，来自Li等［24］的一项多中心研究，在Gd-EOB-DTPA增强MRI基础上，为辅助基于LI-RADS标准的HCC诊断构建了可解读的深度学习模型。模型采用双部件架构：病灶分类器将五个MRI序列的三维特征进行融合，特征分类器依据模型激活模式推断对应LI-RADS的关键影像特征，并利用Grad-CAM提供可解释性。该模型在外部测试集的AUC达0.97，敏感度91.6%，特异度90.7%，显著优于传统LI-RADS分类标准，且在人工智能辅助下，放射科医师诊断的敏感度也提升至85.7%~89.1%，同时可以保持稳定的特异度。
基于人工智能的影像组学已深度融入肝癌的诊断链条，其发展正从提高单一任务效率，转向通过多模态融合、可解释性决策和深度人机协同，重塑肝癌的精准诊断模式。
四、人工智能联合影像组学在肝癌预后预测中的应用
诊断明确后，治疗决策需基于肿瘤的侵袭性与患者远期风险。人工智能利用基线影像预测肿瘤生物学行为和未来治疗反应，为个体化治疗提供数据支持。
（一）预测肿瘤生物学行为
1.预测微血管侵犯（microvascular invasion，MVI）：Gao等［39］通过分析术前多序列MRI瘤内及瘤周的组学特征，并联合临床关键指标构建的MVI预测模型，其在验证集中的AUC达0.868；同时，Qin等［40］通过ResNet-101提取Sonazoid超声造影Kupffer期的图像特征，并采用Transformer自注意力机制强化捕捉关键信息，建立了一个混合深度学习模型，其在验证集上预测MVI的AUC值为0.859。另外一项以增强CT静脉期图像为主导研究的深度学习模型（MVI-TR），同样是采用多注意力Transformer构建的，并利用Grad-CAM提供了可解释性，其在术前预测MVI方面，验证集AUC达到0.935、准确性达97.2%［18］。
2.预测Ki-67表达：Ki-67是评价HCC增殖活性的关键标志物，术前无创预测对肿瘤是否为侵袭性的判断至关重要。Cai等［41］通过增强CT与临床指标构建机器学习模型预测Ki-67表达，其验证集AUC 0.839，研究同时发现Ki-67高表达的患者3年总生存率明显低于低表达组，对患者预后进行了有效的区分。Hu等［42］由MRI与磁共振弹性成像参数构建的深度学习-影像组学模型，预测Ki-67表达的AUC达0.90。Zuo等［43］应用支持向量机提取临床和放射组学特征，并使用预训练的ResNet101模型迁移到MRI中提取其深度特征，将三者进行整合构建了一个列线图模型，用于预测Ki-67的表达和肝癌患者的无复发生存期，其训练集AUC达0.92。Yu等［44］利用普美显MRI肝胆特异期图像、临床因素和2.5D深度学习三种模态的特征构建的融合模型，可以同步预测MVI与高Ki-67表达的双阳性状态，训练集和外部测试集AUC分别为0.939和0.896，实现了对肿瘤侵袭与增殖活性的同步评估。
（二）预测肿瘤复发与生存期
人工智能通过整合多模态影像特征与临床指标，构建个体化预后预测体系，用于预测无复发生存期和总生存期。
Ren等［45］与Wu等［46］分别以MRI与CT影像组学特征融合关键的临床指标（甲胎蛋白、肿瘤分级等），构建了逻辑回归和诺莫图模型，用来预测肝癌术后复发情况，各自验证集的AUC值分别为0.864与0.948。Hui等［47］应用多中心数据构建的多模态深度学习模型（Recurr‑NET），采用双支残差网络提取多期CT的深度特征，再结合临床参数进行生存分析，预测2年及5年复发的AUC值分别为0.857和0.770，效能优于传统的病理指标。Peng等［48］的研究进一步开发了端到端的多模态可解释系统MM-RDLM，利用Grad-CAM提供可视化解释，将三期增强CT的放射组学特征与通过ShuffleNet获取的深度特征进行深入融合，在预测肝癌早期复发（＜2年）方面取得了优异性能，验证集AUC为0.930。
肝癌预后预测正在从基于宏观病理因素的静态分层，向基于影像深度特征揭示肿瘤内在生物学行为的动态、个性化风险评估转变。这使得在术前无创评估肿瘤的“攻击性”成为可能，为手术规划、术后监测频率提供了更精细的决策支持。
五、人工智能联合影像组学在肝癌治疗决策与疗效评估中的应用
（一）指导治疗策略选择
肝癌治疗须重视多学科诊疗团队的协作。人工智能能够分析基线影像中与治疗敏感性相关的特征，从而比较不同方案的潜在疗效，辅助临床决策。
1.构建临床决策支持系统：Choi等［49］开发的一个分层分类的临床决策支持系统，是利用20个临床与影像关键变量使用随机森林模型构建的。该系统一方面可以推荐初始治疗方案（如手术切除、射频消融、经动脉化疗栓塞等），准确性达到88.4%；另一方面可以预测选择的每种治疗方法对应的个性化生存曲线，C指数最高为0.959。该方案有效模拟了复杂的临床决策过程，可以协助医师在治疗前比较不同方案的潜在生存获益。
2.优化局部治疗方案选择：对于早期或超早期肝癌，Liu的团队［50］应用大规模多中心超声造影数据分别构建了基于手术和射频消融治疗的两个深度学习模型（R‑SR和R‑RFA），二者能够分别预测两种治疗方式肝癌患者的无复发生存期（C指数分别为0.741和0.726）。通过对两种治疗方式复发风险的对比，若按照模型的推荐更换治疗方案，将分别有27.3%和17.3%的患者可以得到15%和12%的2年无进展生存率改善。而针对复发肝癌的研究，Zhang等［20］应用1605例肝癌患者（772例初发和833例复发）的超声造影和MRI多模态数据构建了一个Vision Transformer模型（HEROVision），该模型可以预测经手术切除后复发的肝癌患者2年的无进展生存期（C指数为0.71~0.72，AUC为0.78~0.81），效能显著优于肝癌的六大指南分期系统。模型同时可以识别出6.6%的高危手术者和35.9%的高危消融者，若经更改模型治疗策略，预后风险将显著降低。
3.筛选系统治疗优势人群：人工智能模型能够深入分析影像中的肿瘤异质性、新生血管形成和免疫微环境特征，从而可以实现对靶向药物和免疫治疗药物的效果预测。Wang等［51］通过对治疗前超声造影的影像组学进行特征分析，构建的机器学习模型，能够对HCC患者的T细胞炎症基因表达谱进行预测（内部验证集AUC可达0.905）。进一步，Zhu等［19］应用MRI多期相序列融合了“瘤内异质性区域分析”（Habitat分析）和Crossformer的深度学习模型，对经动脉化疗栓塞联合系统治疗患者的疗效进行了预测（验证集AUC为0.721~0.762）。研究结论为：预测反应良好的患者继续施行该方案；而预测反应欠佳的患者，则建议尽早调整治疗策略，或者加入临床试验。对于“经动脉化疗栓塞联合免疫及靶向治疗”三联疗法的疗效和生存结局预测，滕皋军院士团队构建了在增强CT基础上的影像组学复合指数（GTR-ITH），预测效能AUC为0.83［52］。而对接受免疫转化治疗的患者，Lin等［53］应用治疗前CT构建的深度学习-放射组学模型，能够准确地预测HCC患者对该方案的持久临床获益（训练集、测试集AUC分别为0.96、0.88）。将模型与肿瘤免疫微环境、基因突变特征等生物机制相关联，能够尽早识别出适合继续转化以争取手术机会的患者和需尽早更换治疗方案的无免疫应答者。
（二）治疗后疗效评估与监测
治疗开始之后，人工智能模型也可以通过对比分析前后的影像学变化，提供早期、客观的疗效评估信息。
1.局部治疗的早期疗效评估：人工智能可以识别肿瘤坏死区域与残存活性组织的影像纹理差异，进而对肿瘤的局部复发风险进行预测。Chen等［54］通过分析消融前肿瘤本身和消融后消融区的多参数MRI特征，构建了一个用于预测消融后局部肿瘤进展的深度学习模型（外部验证集AUC为0.84~0.87），并可实现风险分层管理。高危者可进行更密切的医学影像随访或及时补充治疗；低危患者则可避免过度检查与治疗，减轻身心及经济上的负担。Hashimoto等［55］构建的机器学习模型，是对经动脉化疗栓塞术后即刻扫描的CT图像（肿瘤和瘤周5 mm区域）进行组学特征分析，用于预测2年内局部复发的情况（测试集AUC为0.752），其为术中即时决策提供了依据。
2.系统治疗的疗效动态监测：在免疫联合或不联合靶向等系统治疗过程中，人工智能可以通过动态分析肿瘤及其微环境影像特征的演变规律，实现对治疗效果的早期评估。Xu等［56］在一项纳入均接受了ICIs+TKIs/抗VEGF免疫抑制剂联合治疗的395例晚期肝癌患者的多中心研究中，通过分析治疗前8周和治疗后6~10周（首次评估）全肝CT影像组学特征，并结合临床信息构建的支持向量机模型（LWCTR），用于预测免疫联合疗法的疗效（AUC为0.875~0.883），其效能优于传统改良实体瘤疗效评价标准（modified response evaluation criteria in solid tumors，mRECIST）。该模型可在治疗早期识别无免疫应答与假性进展患者，据情况调整治疗方案。
人工智能在肝癌治疗决策与评估中的应用，正推动肿瘤治疗模式从静态、群体化、反应性的传统方式，向动态、个体化、预测性的智能方式转变。其前沿趋势是构建一个能够模拟比较不同治疗路径、实施监测疗效并动态优化方案的“数字治疗导航系统”，最终实现以患者长期生存获益为目标的精准医疗体系。
六、小结与展望
基于人工智能的影像组学通过深度挖掘医学影像中的定量特征，为肝癌的早期筛查、精准诊断、治疗决策、治疗反应及预后评估等提供了强大的无创预测工具，正在推动肝癌诊疗迈向个体化与智能化。从基于CNN的病灶检测和RNN的时序关系捕捉，再到利用Transformer进行多模态融合，技术演进持续加持模型性能的提升。大量研究表明，人工智能模型在辅助LI‑RADS分类、术前预测MVI/Ki-67水平与复发风险以及指导个体化治疗方案等方面展现出卓著价值，初步构建了覆盖诊疗全流程的智能辅助框架。
为实现临床转化，应建立从前瞻性验证到真实世界研究的完整评估体系，推动成熟的人工智能工具与医院的工作流程进行深度融合。通过组建跨学科团队，确保研发始终以临床需求为导向，最终使人工智能从辅助工具转化为提升肝癌诊疗水平、改善患者预后的可信赖临床搭档［63］。