基于深度学习的肝癌术后复发风险的CT影像组学与临床病理参数融合预测研究综述.docVIP

基于深度学习的肝癌术后复发风险的CT影像组学与临床病理参数融合预测研究综述

一、肝癌术后复发风险预测的临床需求与研究背景

原发性肝癌是全球范围内发病率和病死率最高的恶性肿瘤之一，其中肝细胞癌（HCC）占比超过75%。外科手术切除仍是目前早中期肝癌患者的首选根治性治疗手段，但术后5年复发率高达50%-70%，甚至有30%左右的患者会在术后1年内出现复发，是制约患者长期生存的核心瓶颈。早期、精准识别高复发风险患者，进而开展针对性的术后辅助治疗、强化随访监测，是降低肝癌术后复发率、改善患者预后的关键路径。

传统的复发风险评估体系主要依赖临床病理参数，包括肿瘤大小、分化程度、微血管侵犯（MVI）状态、术前甲胎蛋白（AFP）水平、切缘宽度等。但这类参数存在明显局限性：其一，病理参数需通过术后组织活检获取，无法实现术前预判；其二，病理评估存在观察者间差异，且部分指标（如MVI的分级）的判读标准仍存在争议；其三，单靠临床病理参数难以全面反映肿瘤异质性，对于生物学行为高度恶性的隐匿性高风险人群识别效能不足。

电子计算机断层扫描（CT）是肝癌术前诊断、分期及术后随访的核心影像学手段，其图像中蕴含着大量肉眼无法识别的肿瘤微观异质性信息。影像组学技术通过高通量提取影像中的定量特征，可实现肿瘤表型的数字化表征，为肝癌复发风险预测提供了新的维度。而深度学习技术的兴起，进一步突破了传统手工特征提取的瓶颈，能够