摘要：肝细胞癌（HCC）占原发性肝癌的75%~85%，是全球癌症相关死亡的主要原因之一，具有高度侵袭性和术后高复发的特点，极大程度影响患者长期生存质量[1]。微血管侵犯（MVI）是显微镜下可见的血管内皮细胞衬覆的脉管腔内癌细胞团，目前主要依赖术后组织病理检查进行诊断

肝细胞癌（HCC）占原发性肝癌的75%~85%，是全球癌症相关死亡的主要原因之一，具有高度侵袭性和术后高复发的特点，极大程度影响患者长期生存质量[1]。微血管侵犯（MVI）是显微镜下可见的血管内皮细胞衬覆的脉管腔内癌细胞团，目前主要依赖术后组织病理检查进行诊断[2]，是评估肝癌复发和转移风险及制订治疗方案的重要参考指标之一[3-4]。然而，组织病理检查存在敏感性差异、时间滞后等问题，而术前影像组学预测模型和生物标志物的研究为解决此问题提供了新方向。本文对影像组学预测模型及生物标志物预测MVI的效能展开深入探讨与评估，以期为推动HCC的精准诊疗提供参考。

1.1 常规影像学检查

研究表明，肿瘤直径＞5 cm、边缘不规则（如分叶状或毛刺征）、包膜不完整或缺失是MVI的独立预测因素[5]。有学者基于对比增强超声（CEUS）影像特征联合临床参数如肿瘤最大径构建预测模型，结果显示，联合预测模型对MVI的鉴别效能显著优于单一CEUS模型和单纯临床生物指标模型［受试者工作特征曲线下面积(AUC)分别为0.859、0.807、0.756］。通过多模态数据的有机整合，联合预测模型可实现诊断性能协同提升，为术前无创评估MVI风险提供更优的解决方案[6]。

Hong等[7]对MVI的磁共振成像（MRI）表现进行系统回顾和Meta分析，结果表明，肿瘤较大（＞5 cm）、边缘动脉增强、动脉期瘤周强化、肝胆期瘤周低信号、肿瘤边缘不光滑、多灶性和T1加权成像低信号7个MRI特征与MVI显著相关。

Hwang等[8]分析并评估不同HCC患者MVI影像学和病理学特征，结果发现，MVI数量（≥5个）和侵袭肿瘤细胞数量（≥50个）与生存率显著相关，同时MRI图像中显示的肿瘤边缘不光滑和卫星结节均有助于预测严重MVI。

功能MRI，尤其是加权扩散成像和磁共振弹性成像（MRE）等影像学的应用，不仅可为MVI的诊断提供更精确的信息，还可在一定程度上提高对MVI的预测效能[9]。

Zhang等[10]纳入185例经组织学病理检查诊断为HCC的患者，采用定量MRE检测肝脏硬度，结果发现，肿瘤最大径≥5 cm、肝脏硬度＞1.47，肿瘤硬度（TS）≥4.33 kPa和肿瘤边缘不光滑是MVI阳性的独立预测因子（P均＜0.05）；进一步亚组分析结果表明，肿瘤最大径≥5 cm、TS≥5.35 kPa和甲胎蛋白（AFP）水平＞400 μg/L与重度MVI独立相关（P均＜0.05）。

1.2 MVI的影像组学预测模型

传统影像学诊断主要依赖于医师基于疾病形态学的定性判读。这种基于肉眼的视觉分析虽具有重要临床价值，但在肿瘤一致性评估和定量分析方面存在明显局限性。随着大数据时代的来临和人工智能技术的突破，医学影像分析逐渐从传统的视觉分析诊断向基于深度数据挖掘的智能解析转变。

在此背景下，2012年荷兰学者Lambin基于前人研究提出影像组学概念[11]，即高通量地从医学影像中提取大量特征，通过自动或半自动分析方法将影像学数据转化为具有高分辨率的可挖掘数据空间，这种方法可全面、无创、定量地观察肿瘤空间和时间异质性。这一概念的提出将影像学诊断提升至新的维度，即通过对海量影像特征的系统挖掘，建立影像表型与分子特征的连接桥梁。

MVI、肿瘤低分化和卫星结节是HCC的高危病理特征，与早期复发和转移有关。有学者以手术病理结果为参考标准，通过多因素Logistic回归分析评价患者术前增强MRI影像学特征，结果表明，肿瘤直径＞4 cm、形态不规则、瘤内动脉强化、动脉期瘤周动脉增强和瘤周低信号与MVI、肿瘤低分化及卫星结节高危病理特征独立相关（P均＜0.05）[12]。Zhang等[13]团队通过增强CT动脉期、门脉期等4个期相感兴趣区（ROI）特征的交叉验证，构建多模态融合模型。该模型较单个模型对MVI的预测效能更佳，证实了多时相信息互补对微小血管异常检测的重要作用。

此外，该团队开发的拓扑卷积神经网络模型在589例HCC患者多中心数据中展现出卓越的泛化能力。该模型通过肝脏解剖结构拓扑约束优化特征提取算法实现对肝脏和肿瘤的精准分割，对MVI的预测效能较传统MRI特征模型和纯卷积神经网络模型显著提升[14-15]。Zhang等[16]研究构建的模态感知蒸馏网络，可从不同模态MRI图像中提取有效且具有区分度的特征，该网络能有效利用多模态MRI图像中的特征来提升预测准确性。

值得关注的是，Zheng等[17]将CEUS的影像组学评分与瘤周动脉增强特征、增强MRI肝胆期特征相结合，使MVI的预测性能有所提升，从而证实在多参数模型中纳入超声特征可提升HCC患者MVI的预测能力。Dong等[18]通过机器学习算法解析322例HCC患者的超声特征，揭示了瘤周区域的灰度特征对MVI的定性诊断更具优势。该研究还显示，与瘤周区域相比，瘤内区域的影像特征对MVI进行分级预测的效能更优，准确度达80.6%，为MVI的风险评估提供了高性价比的解决方案。

多项研究表明，肿瘤直径≤5 cm的早期肝癌患者预后差异较大，且MVI阳性患者预后更差。Chong等[19]回顾性纳入356例经组织病理结果证实肿瘤直径≤5 cm的孤立性HCC患者，提取增强MRI的多参数影像组学特征，并结合临床因素，通过随机森林和Logistic回归分析整合影像组学特征与临床指标，实现了MVI分层和预后评估的同步优化。

Kang等[20]根据增强CT图像勾勒出160例HCC患者的瘤内原始ROI，以此为基础依次向外延伸1~5 mm以构建瘤周ROI，最终将瘤周3 mm确定为最佳ROI，构建列线图模型以比较不同模型的ROC曲线，结果发现，瘤周3 mm内的ROI影像组学评分能够增强MVI预测模型效能。以上结果表明，将瘤周区域特征纳入预测模型，可进一步提升影像组学在预测MVI中的效能。

Feng等[21]研发的全监督机器学习框架，从Gd-EOB-DTPA增强MRI的瘤内和瘤周区域提取影像组学特征构建的联合模型在预测MVI方面优于肿瘤内影像组学模型。有学者对HCC患者瘤内及瘤周5 mm、10 mm区域的增强CT影像组学特征进行了提取和分析，结果显示，对于最大径≤5 cm的HCC，动脉期瘤内与瘤周5 mm区域影像组学特征的联合模型对MVI的预测效能最高，AUC为0.820~0.941[22]，提示动脉血供异常与瘤周的基质重构可能会影响MVI的发生。

在三维空间解析技术的推动下，Wang等[23]创新性引入“肿瘤生境分析”全新研究维度，基于318例MRI数据构建肿瘤直径、生境异质性和瘤周特征组合的预测模型。该模型不仅可显著提升MVI识别率，还能同步生成预后风险热图，实现了从单纯诊断向诊疗决策支持系统转变的跨越。术前预测MVI的影像组学模型见表1。

表1 术前预测MVI的影像组学模型

MVI（microvascular invasion）：微血管侵犯；AUC(area under the curve):曲线下面积；MRI（magnetic resonance imaging）：磁共振成像；CEUS（contrast-enhanced ultrasound）：对比增强超声；T1WI（T1-weighted imaging）：T1加权成像；T2WI（T2-weighted imaging）：T2加权成像；HBP（hepatobiliary phase）：肝胆期；FSE（fast spin echo）：快速回旋自波；DWI（diffusion weighted imaging）：弥散加权成像；VIBE（volumetric interpolated body examination）：容积内插值屏气扫描；TTPVI（two-trait predictor of venous invasion）：静脉侵犯双性状预测因子；-：无

影像组学检查借助先进的图像分析技术，对患者医学影像数据进行高通量提取，以获取大量定量特征，本质上是肿瘤异质性在影像空间中的数学化呈现。然而，这些特征若仅停留在统计学关联层面，其临床价值将受限。因此，研究需进一步通过多组学整合，建立影像特征与特定生物标志物及其特定分子通路或细胞功能的生物学关联。

在肝癌生物标志物体系中，传统血清学指标与新型液体活检技术正形成互补诊断格局。AFP是当前诊断肝癌和疗效监测常用且重要血清学指标。虽然AFP≥400 μg/L对HCC具有高度诊断价值（需排除干扰因素），但其敏感性较低[2]。为突破这一局限，异常凝血酶原，AFP-L3）等补充标志物逐渐受到关注，二者在血清AFP阴性人群中具有更高的诊断价值。GALAD模型整合性别、年龄、AFP、DCP和AFP-L3等数据，在早期肝癌诊断中的灵敏度和特异度分别为85.6%、93.3%，可为AFP阴性肝癌患者的早期诊断提供重要工具[24]。

循环肿瘤细胞（CTC）和循环肿瘤DNA（ctDNA）在预测MVI方面也展现出巨大潜力，其不仅可提高预测准确性，还为MVI分子机制解析提供了新视角。CTC是由原发肿瘤或转移病灶脱落后进入血液循环的癌细胞。研究发现，术前CTC阳性与肿瘤复发风险增加相关，且CTC数量与MVI数量呈显著正相关（P＜0.001）。对于CTC阳性患者，手术切除边缘＞1 cm对术后肝功能无显著影响，且术后早期复发率较低[25]。

ctDNA主要由凋亡或坏死的癌细胞释放，亦是新兴无创诊断方法之一。Wang等[26]研究发现，ctDNA的等位基因频率与MVI具有显著相关性（P＜0.001）；MVI阳性组TP53频率高于MVI阴性组（P=0.002）；基因组测序分析结果表明，ctDNA检测早期HCC的灵敏度超过80%。Zhou等[27]对HCC患者组织和血液标本进行全外显子测序，结果显示，较高的ctDNA水平通常与更高的转移风险相关。然而，需注意的是，目前关于CTC与MVI的作用机制研究仍不足，同时ctDNA检测技术亦面临低频突变难以有效捕获的技术瓶颈。

分子标志物体系的构建可为MVI的机制研究提供精准切入点。基于NanoString技术的基因筛选结果发现，ROS1、UGT2B7、FAS、ANGPTL7、GMNN、MKI67等基因组成的特征谱可实现对MVI的精准预测，在训练集和验证集的准确度分别为82%和74%[28]。癌症基因图谱数据库的深度挖掘为阐明MVI的分子机制提供了重要线索。Wang等[29]构建的基因组学术前MVI风险预测模型显示，HOXD家族成员，尤其是HOXD9和HOXD10，在MVI阳性患者中过表达，且其表达水平与患者预后呈显著负相关。

多组学联合分析结果表明，MYC癌基因在血管侵犯中发挥关键调控作用，能上调纤连蛋白1（FN1）的表达，显著增强HCC的侵袭性[30]。与HCC相关的突变基因通过多种信号通路影响HCC细胞的增殖、凋亡、侵袭和转移等关键生物学过程[31]。例如，IQGAP3基因通过激活Rac1通路促进肿瘤细胞跨内皮迁移，并与肝脏星状细胞相互作用驱动血管侵袭，其过表达与MVI高风险及患者生存率降低显著相关[32]。Qi等[33]通过cDNA微阵列分析发现，S100钙结合蛋白P（S100P）在HCC组织中的表达水平与MVI相关，S100P能通过CD44受体依赖性的信号通路介导细胞粘附作用，使癌细胞获得更强的侵袭和迁移能力，从而增加MVI的发生风险。

非编码RNA调控网络的解析可为MVI提供表观遗传学视角。环状RNA（circRNA）是一种特殊类型的内源性非编码RNA，在致癌过程中具有重要作用。目前，circRNA在HCC中的生物学功能及作用机制尚未被完全揭示。然而，有研究发现，高表达的circ-AKT3能通过下调微RNA（miR）-335表达而促进HCC细胞增殖和迁移[34]。

另外，研究表明，过表达的胞质叉头框转录因子P1的环状RNA（circ-FOXP1）可同时海绵化miR-875-3p和miR-421，导致其各自致癌靶点表达增加，从而促进HCC的生长和转移[35]。还有研究通过高通量RNA测序观察HCC合并MVI患者的肿瘤组织和邻近非肿瘤组织的差异表达谱，发现长链非编码RNA（lncRNA）-TSPAN12是HCC中上调最显著的lncRNA，且实时聚合酶链式反应结果表明，lnc-TSPAN12高表达与患者不良预后相关[36]。

目前，蛋白质组学研究正在推动无创检测技术的创新。研究发现，迁移体标志物四跨膜蛋白4与CD151在肝癌中的表达具有较强的相关性。体外实验表明，CD151能够促进迁移体形成，尤其是富含血管内皮生长因子（VEGF）的迁移体含量的增加，并促进肿瘤血管生成，从而增加MVI的风险[37]。

有研究基于尿液蛋白质组学构建了4种生物标志物［血浆胆固醇酯转移蛋白（CETP）、肝细胞生长因子样蛋白（HGFL）、L1细胞黏附分子（L1CAM）和白细胞相关免疫球蛋白样受体1（LAIR）］联合模型，该模型术前预测MVI的AUC为0.809，生物标志物的联合应用为无创检测MVI提供了新思路[38]。

值得关注的是，微管解聚蛋白1（STMN1）在门静脉癌栓（PVTT）或MVI的癌栓中高表达，能通过STMN1-微管蛋白-上皮-间质转化（EMT）轴促进HCC癌细胞的EMT过程[39]，有望成为HCC患者合并MVI的治疗靶点。MVI相关标志物及信号通路详见表2。

表2 MVI相关标志物及信号通路

FN1（fibronectin 1）：纤连蛋白1；S100P（S100 calcium binding protein P）：S100钙结合蛋白P； mRNA（messenger RNA）：信使RNA；miR（microRNA）：微RNA；lncRNA（long non-coding RNA）：长链非编码RNA；VEGF（vascular endothelial growth factor）：血管内皮生长因子；CETP（cholesterol ester transfer protein）：血浆胆固醇酯转移蛋白；HGFL（hepatocyte growth factor）：肝细胞生长因子样蛋白；L1CAM（L1 cell adhesion molecule）：L1细胞黏附分子；LAIR（leukocyte-associated immunoglobulin-like receptor 1）：白细胞相关免疫球蛋白样受体1；STMN1（stathmin 1）：微管解聚蛋白1； EMT（epithelial-mesenchymal transition）：上皮-间质转化；MVI、-：同表1

影像组学检查可提供直观的形态学信息，生物标志物则能从分子水平反映肿瘤生物学特征。二者联合应用可弥补单一诊断方法的不足，提高MVI的诊断准确率（图1）。

图1 影像组学与生物标志物的联合诊断

此外，不同肝癌患者的病情可能存在差异，联合诊断可根据患者具体情况制订个体化诊断方案，为精准医疗提供支持（表3）。

表3 预测MVI的影像组学与生物标志物联合模型

AFP（alpha fetoprotein）：甲胎蛋白；RVI（radiogenomic venous invasion）：影像基因组学静脉侵犯；AST（aspartate aminotransferase）：谷草转氨酶；DCP（des-gamma carboxyprothrombin）：异常凝血酶原；GO(gene ontdogy):基因本体论； PPAR（peroxisome prdiferator-activated receptor):过氧化物酶体增殖物激活受体；ApoE(apolipoprotein E)：载脂蛋白E；iCAFs（inflammatory cancer-associated fibroblasts）：炎性癌症相关成纤维细胞；CEUS、CT、MRI、AUC、MVI、-：同表1

3.1 影像组学与血清学生物标志物的联合预测

近年来，多模态影像组学技术联合血清学生物标志物在MVI预测中的应用价值日益凸显。

Hu等[40]的回顾性研究表明，基于超声图像的影像组学评分单一模型对MVI的预测效能有限，而AFP联合肿瘤最大径构建的多参数模型的预测效能较高。

Zhang等[41]进一步从HCC患者术前超声灰阶、动脉期、门脉期和延迟期图像中提取影像组学特征，构建的影像组学列线图较传统临床模型（基于肿瘤最大径和AFP水平）对MVI的鉴别能力显著提升。

Xu等[42]通过495例HCC患者的增强CT图像，筛选出包括谷草转氨酶（AST）水平＞40 U/L和AFP＞400 μg/L、肿瘤边缘不光滑、肝外生长模式、边界不清的假包膜、动脉期瘤周强化、影像基因组学静脉侵犯（RVI）以及影像组学评分较高等MVI的独立预测因子，构建的加权模型预测效能值可达0.899~0.909。

Zhang等[43]通过分析增强CT检查的影像组学特征，研发了一种能预测MVI状态和风险的模型，在训练集、测试集和独立验证集中均具有较高的预测准确性（AUC分别为0.780、0.776和0.743），进一步证实了CT检查的影像组学模型的泛化能力。

陈新蕾等[44]将肝胆期MRI提取的纹理特征（如灰度共生矩阵能量和对比度熵）与血清学指标DCP结合，术前预测MVI的效能较单一模型提升超过15%。

Zhang等[45]通过扩散峰度成像技术，基于真实扩散系数、灌注分数和平均峰度系数对肿瘤进行分区量化，构建的混合列线图模型的预测效能优于纯生境模型和传统临床模型，说明肿瘤微环境在MVI发生中发挥关键作用。

3.2 影像组学与组织生物学标志物的联合预测

影像组学与基因组学的交叉融合为MVI的机制研究开辟了新视角。Segal等[46]开创性地通过三相对比增强CT特征与基因表达图谱的关联分析发现，28个成像性状的组合足以重建约78%全局基因模块变异。更重要的是，其提出的静脉侵犯双性状预测因子（TTPVI）——瘤内动脉显影和瘤周低密度，被证实与MVI具有显著相关性[47]。基于此，Banerjee等[48]创新性地提出RVI概念，通过整合瘤内动脉、低密度晕环和肝组织-肿瘤密度差异3个特征构建预测模型，灵敏度达76%，特异度达94%，可视为MVI无创性影像基因组学生物标志物之一。

随着多模态数据整合技术的成熟，Xia等[49]实现了预测模型与机制探索的双重突破：一方面，构建的CT多期相混合模型（整合假包膜、TTPVI、瘤周动脉增强和影像组学评分）将MVI预测模型的AUC提升至0.84~0.86，较单一影像组学模型提升15%以上；另一方面，对癌症影像数据集中的RNA测序数据进行深度挖掘，结果发现，MVI阳性患者的差异基因主要富集于葡萄糖代谢通路，MVI的关键影像学特征（如瘤周强化程度）与肿瘤浸润免疫细胞（M0巨噬细胞、幼稚B细胞等）丰度存在显著关联。以上发现不仅可从生物学层面验证影像特征的理论依据，更为深入理解MVI发生与发展过程中微环境调控机制提供了多组学层面的有力证据。

单细胞测序技术的突破为解析MVI的细胞生态提供了全新视角。最新研究通过10例MVI阳性和阴性的HCC样本的单细胞转录组分析发现，MVI阳性微环境中，免疫细胞亚群比例以及恶性细胞的增殖比例显著升高[50]。

一项回顾性研究整合了HCC患者动脉期及门静脉期CT检查的影像学特征，结果显示，瘤周动脉增强、瘤内动脉、假包膜和瘤周不光滑及影像组学评分较高是HCC患者MVI的独立危险因素。随后建立了MVI风险预测列线图模型，训练集和测试集的AUC分别为0.973和0.962。功能富集分析结果显示，预测MVI的关键影像组学特征可能与细胞周期调控、中性粒细胞胞外陷阱形成及过氧化物酶体增殖物激活受体（PPAR）信号通路相关，从分子层面可解释影像表型与MVI的内在联系[51]。Wang等[52]在MVI阳性的HCC中观察到载脂蛋白E（ApoE）与巨噬细胞和炎性癌症相关成纤维细胞（iCAFs）的共浸润现象。

更重要的是，其开发的影像组学评分系统可量化两种细胞的浸润程度，在预测肝内转移灶的侵袭性方面具有较高灵敏度。Xiao等[53]通过Logistic回归分析构建了MRI影像组学模型，通过差异基因表达分析和基因本体论（GO）分析发现，其预测结果与参与调节免疫反应的生物过程有较强的相关性，为个体化免疫治疗策略的制订提供了影像学依据。

影像组学与生物标志物研究的深度融合，正在推动医学影像领域实现从“单纯观察病灶”到“深入解码生物学本质”的范式跃迁。通过构建影像学特征与分子机制的关联网络，将大量影像学数据与动态生物学标志物相关联，不仅能拓展精准医学无创评估维度，还为肿瘤异质性时空演化规律的研究提供了全新范式。

然而，目前联合诊断还面临影像学特征标准化提取困难、标志物动态验证不足、跨模态数据融合算法复杂等挑战。因此，建立统一技术标准和规范是实现联合诊断广泛应用的关键。与此同时，为进一步推动联合诊断的发展，应加强不同研究机构数据共享和合作，同时开展大规模临床研究，积累更多数据，并验证联合诊断的有效性和可靠性。此外，还应探索影像-分子标志物的动态关联图谱，并开发解释性强的人工智能融合模型，以推动MVI无创预测技术在临床实践中的应用转化。

来源：协和医学杂志一点号