基于深度学习的肝癌免疫治疗疗效的CT影像-病理多模态生物标志物挖掘与预测模型研究综述.docVIP

基于深度学习的肝癌免疫治疗疗效的CT影像-病理多模态生物标志物挖掘与预测模型研究综述

肝细胞癌（HCC）是全球范围内发病率位居第六、病死率高居第三的恶性肿瘤，我国每年新发肝癌病例占全球总数的45%以上，且多数患者确诊时已处于中晚期，失去手术根治机会。免疫检查点抑制剂（ICIs）的出现为晚期肝癌治疗带来革命性突破，然而临床数据显示，仅约20%-30%的肝癌患者能从免疫治疗中持续获益，原发耐药与获得性耐药的广泛存在，成为制约免疫治疗临床应用的核心瓶颈。传统疗效评估体系如RECIST标准依赖治疗后肿瘤大小变化，无法在治疗前或治疗早期精准识别获益人群，也难以区分假性进展与真性进展，迫切需要高灵敏度、高特异性的生物标志物指导肝癌免疫治疗的个体化决策。

CT影像作为肝癌诊断与疗效随访的首选影像学手段，能够无创性反映肿瘤整体的形态学、密度学及血流动力学特征，其灰度分布、纹理异质性、边缘特征等量化指标（即影像组学特征）与肿瘤微环境（TME）的免疫细胞浸润、血管生成、基质纤维化程度存在潜在关联。病理切片则是肿瘤诊断的金标准，通过苏木精-伊红（HE）染色、免疫组化（IHC）、多重免疫荧光（mIF）等技术可直观展示肿瘤细胞形态、免疫细胞亚群分布、免疫检查点表达水平等微观信息，是揭示肿瘤免疫表型的直接依据。单一模态的生物标志物往往存在信息局限性：CT影像难以反映细胞层面的分子特征，病理活检则受采样偏倚影响