影像學預測肝細胞癌術后復發的研究進展

摘要：肝細胞癌的發病率逐年增高，如何預測其術后復發已成為亟須解決的問題。隨著影像技術的不斷發展及多種模式影像學的出現，大大提高了影像學在預測肝細胞癌術后復發方面的價值。本文通過綜述了傳統影像技術（CT、MRI）、多模態影像學以及影像組學在預測肝細胞癌術后復發的應用價值，以期提高臨床醫師對新技術新方法的認識。

關鍵詞：肝細胞癌；磁共振成像；術后復發

Research progress on imaging prediction of recurrence after hepatocellular carcinoma

WANG Chi1， SHI Yibing1， 2， ZHANG Minwei1， HONG Xia1， XIA Yayuan1

1The Affiliated Xuzhou Clinical College of Xuzhou Medical University， Xuzhou 221009， China; 2Department of Photography， Xuzhou Central Hospital， Xuzhou 221009， China

Abstract：" The incidence of hepatocellular carcinoma is increasing year by year， and how to predict its recurrence after surgery has become an urgent problem to be solved. With the continuous development of imaging technology and the emergence of multiple modes of imaging， the value of imaging in predicting the recurrence of hepatocellular carcinoma after surgery has been greatly improved. This article reviewed the application value of traditional imaging techniques （CT， MRI）， multimodal imaging and radiomics in predicting the recurrence of hepatocellular carcinoma after surgery， in order to improve clinicians' understanding of new technologies and methods.

Keywords： hepatocellular carcinoma; magnetic resonance imaging; postoperative recurrence

肝癌的發病率在世界范圍內呈上升趨勢［1］。在世界范圍內的惡性腫瘤中，肝細胞癌（HCC）發病率第6，死亡率第3，約占原發性肝癌的90%［2］。HCC的臨床表現比較隱匿，有臨床表現時已經成為晚期或者發生轉移。手術是肝細胞癌治療的主要手段，其在所有治療中效果最好（5年生存率為60%～80%）［3］。但約70%的患者術后5年內復發［4］。雖然以前的分期系統如巴塞羅那臨床肝癌、腫瘤-淋巴結轉移系統和香港肝癌分期已被用于預測復發的臨床研究，但腫瘤大小和數量相似的患者預后不同，這可能歸因于組織病理學，如腫瘤分級和異質性，在活檢或手術切除前識別腫瘤的組織病理學非常困難［5］。在術前進行一種無創性的方法來預測肝癌術后復發，幫助臨床醫生制定個性化的治療方案，具有重要臨床意義。本文就近年來多種影像學技術預測HCC術后復發的研究進展進行綜述。

1 影響HCC預后的因素

組織學分級是HCC治療后預后的預測因子之一。Edmondson-Steiner分級可分為4級：1級腫瘤細胞有同質、接近正常的細胞核；2級腫瘤細胞有類似于正常肝細胞的、大的細胞核、豐富的嗜酸細胞質及細胞邊界較清晰；3級腫瘤表現為細胞核較大，呈深染顆粒狀，但嗜酸性細胞質較少，腫瘤巨細胞常見；4級腫瘤表現為細胞核高度深染，細胞質稀少，可以發現巨大的、紡錘形的細胞［6］。WHO分級可分為：1級高分化、2級中分化、3級低分化。兩者的對應關系為：Edmondson-Steiner分級的1、2級對應WHO分級的1級高分化；Edmondson-Steiner的3級對應WHO分級的2級中分化；Edmondson-Steiner的4級對應WHO分級的3級低分化［7］。通常中高分化的HCC的預后要優于低分化HCC［8］。低分化HCC手術切除后復發率較高，預后較差。通常低分化的HCC更易發生微血管侵犯（MVI）。研究表明，MVI也與早期復發和不良預后相關［9］。存在MVI的患者，HCC根治性切除術后早期和總體復發率更高［4］。腫瘤包繞型血管（VETC）是一種血管形成模式，這種模式的特點是CD34+血管完全包裹腫瘤簇，預測了腫瘤的快速傳播和高復發率，與非VETC HCC相比，VETC HCC復發更早，總生存期更差（Plt;0.05）［10］。在HCC的不同亞型中，巨小梁-塊狀HCC（MTM-HCC）在手術切除或射頻消融后與早期復發密切相關［11］。腫瘤大小被認為是MVI的一個強有力的預測因素，而MVI的風險隨著腫瘤大小的增加而持續上升［12］。HCC的結節的數量、邊緣的光滑度等形態學特點也可以對肝癌術后復發的預測提供一定的幫助。因此，術前綜合預測HCC患者復發對診療至關重要。下文將分別通過CT、MRI、多模態影像學和影像組學對肝細胞癌的術后復發作一介紹。

2" 影像學預測肝細胞癌術后復發的應用

2.1" CT評估肝細胞癌復發的應用

CT具有高分辨率、快速、多方位等優點，可以快速、高效、多個角度來觀察病灶，但其對于某些軟組織的顯像不如MRI，且輻射劑量高。隨著影像設備的發展，CT被廣泛用于HCC患者的術前評估。有研究證實了高血清甲胎蛋白水平、腫瘤內壞死和CT上的腫瘤內出血是MTM的獨立預測因子，而CT上的腫瘤大尺寸和腫瘤內壞死是VETC的獨立預測因子［13］。術前高ANH和高SN表型與術后早期復發獨立相關，其中A為甲胎蛋白水平，N為壞死，H為出血，S為大小。有研究通過觀察102例HCC患者的術前CT影像，發現在54例邊緣不光滑的HCC中，49例有MVI，表明不規則的腫瘤邊緣與MVI有關，并且MVI最常發生在結節外延伸的部位，非光滑腫瘤邊緣的存在預測MVI的敏感性為81.7%，特異性為88.1%，準確率為84.3%，陽性預測值為90.7%，陰性預測值為77.1%［14］。有研究回顧性分析了102例HCC的患者的多層螺旋CT影像，發現當腫瘤較大、Edmondson-Steiner分級較高、不光滑邊緣、無包膜、門靜脈期繼續強化、CT值升高的強化方式及周圍強化有暈征時多提示MVI（Plt;0.05）；但該研究樣本量較少，還需要進一步擴大樣本量，提高研究的準確性［15］。有研究基于421例HCC患者的術前CT增強影像構建了新型列線圖，發現該新型列線圖包含了MVI的關鍵信息，能夠有效地預測HCC患者生存和預后［16］。有學者通過研究211例HCC患者的術前CT影像，結合內臟脂肪組織密度、肌內脂肪組織指數、骨骼肌面積、年齡、腫瘤大小和肝硬化，構建列線圖，該模型提供了HCC患者MVI風險的最佳術前估計，并可能有助于對高位個體進行分層和優化臨床決策［17］。綜上所述，術前CT可以通過各種方式來預測HCC的術后復發，為臨床個性化研究提供一定的價值。

2.2" MRI評估肝癌復發的應用

MRI檢查以其多參數、多序列、多方位成像的特點，軟組織分辨率高且無X線輻射損傷的特性，目前廣泛用于人體各系統和各部位疾病的檢查和診斷；但體內有鐵磁性植入物、早期妊娠、幽閉恐懼癥的患者不能進行MRI檢查。目前主要是通過以下MRI相關技術術前評估肝癌復發。

2.2.1" MRI平掃及增強" "MRI平掃可以應用于肝癌的形態學定位等方面，在MRI平掃的基礎上應用造影劑來更好地顯示病灶的狀態。釓塞酸二鈉（Gd-EOB-DTPA）是一種新開發的肝臟特異性磁共振成像造影劑，據報道可用于預測MVI，預測HCC患者術后復發［12］。一項回顧性研究分析了HCC患者的術前增強MRI影像，發現術前增強MRI表現為瘤周動脈期增強和非光滑腫瘤邊緣為預測HCC根治術后早期復發的獨立預測因子（Plt;0.05），衛星結節和MVI與HCC術后早期復發密切相關（Plt;0.05）［4］。有研究構建了一個包括了血清甲胎蛋白水平gt;95 ng/mL、血清去γ-羥基凝血酶原水平gt;55 mAU/mL、腫瘤大小gt;2.8 cm和肝膽期腫瘤邊緣不光滑預測MVI的評分系統，在Gd-EOB-DTPA增強MRI上預測MVI，該評分系統的AUC為0.865，可以更準確地預測HCC患者是否存在MVI［12］。有研究分析了HCC患者的增強MRI影像，發現與非MTM-HCC相比，MTM-HCC表現為更頻繁的動脈期低血管成分、瘤內動脈、動脈期瘤周強化、腫瘤邊緣不光滑和點狀壞死（Plt;0.05）［18］。一項回顧性研究分析了476例HCC患者的Gd-EOB-DTPA增強MRI影像，發現50%低血管成分（相關性最強）、腫瘤內動脈、動脈期腫瘤周圍增強、非光滑腫瘤邊緣與MTM-HCC顯著相關（Plt;0.05），其敏感性與特異性分別為67%和86%、58%和78%、51%和78%、67%和65%［11］。有研究回顧性評估93例HCC患者的Gd-EOB-DTPA增強MRI影像，提出了一種包括包膜不強化、瘤內無出血灶、腹水存在的個性化預測MTM-HCC模型，其敏感性為35.90%，特異性為94.44%，AUC為0.731［19］。

2.2.2" 彌散加權成像（DWI）" "DWI是磁共振成像的一種成像方式，水在生物組織中的隨機運動或擴散位移，提供組織結構的獨特信息。其中水的擴散也可用ADC描述［20-21］。以往研究表明DWI得出的ADC值是術前預測HCC MVI的有效成像指標［22-23］。DWI有不同的參數，如平均ADC（ADCmean）、最小ADC（ADCmin）和真擴散。有學者從數據庫中篩選29項研究近2715個腫瘤進行分析，4項研究（461個病變）運用ADCmin，結果發現ADCmin為0.8×10-3 mm2/s時可作為判斷腫瘤分級的臨界值。G1/2腫瘤的ADCmin在0.8×10-3mm2/s以上，G3腫瘤則在0.8×10-3 mm2/s以下，這一發現可能與ADCmin對腫瘤細胞計數更敏感有關。4項研究（672個病變）顯示ADCmin在1.00×10-3 mm2/s以下表明是MVI+腫瘤，因此ADCmin可以預測HCC的腫瘤分級和MVI，另外3項研究（227個病變）顯示使用真擴散來區分不同的HCC病變，真擴散在1.00×10-3 mm2/s以下時表明是MVI+腫瘤，真擴散可以預測HCC的MVI［9］。綜上，對于每一個HCC的病變，都可以運用這些DWI參數進行腫瘤分層的預處理，但ADCmean卻不能預測HCC的腫瘤分級和MVI。有學者將3807例數據納入Meta分析，發現在預測低級別HCC方面，與ADCmean和ADCmin相比，真擴散具有更高的敏感度（87%）、特異度（80%）和AUC（0.89）；在預測MVI+HCC方面，與ADCmean相比，真擴散具有更高的敏感性（80%）、特異性（80%）和AUC（0.87）。對于ADCmean不能預測HCC的腫瘤分級和MVI的結論與之前的研究結果不一致［24］。有研究發現高級別HCC的ADCmean值（2.04±0.41×10-3mm2/s）明顯高于中級別HCC（1.62±0.3×10-3mm2/s）和低級別HCC（1.26±0.21×10-3 mm2/s），3個組織學分級之間的ADCmean差異有統計學意義［25］。有研究發現ADCmin預測MVI的敏感度為62.56%，特異度為65.42%，陽性似然比為1.81，陰性似然比為0.57，而ADCmean的敏感度為79.15%，特異度為50.47%，陽性似然比為1.60，陰性似然比為0.41，在預測MVI的診斷性能方面差異無統計學意義（P=0.48）［26］。有研究發現與f和D相比，ADC在區分高低級別HCC的效果最好，曲線下面積分別為1.0（Plt;0.001）、0.90（P=0.05）和0.95（P=0.036）［27］。這些研究結果充分地表明DWI可用來預測組織分級和MVI，以判斷預測HCC的術后復發，而對于ADCmean與腫瘤分級、MVI的關系尚需要進一步的大數據研究探索。

2.2.3" 擴散峰度成像（DKI）" DKI較傳統的DWI能更好地反映生物體內微觀結構［28］，目前DKI已經逐步運用于預測疾病的術前病理分化程度。其中各向異性分數（FA）、平均擴散系數（MD）、平均擴散峰度（MK）是最常用于惡性腫瘤病理分級研究的參數，但用于預測HCC分級的相關研究較少［29］。有研究基于DKI的全腫瘤直方圖分析術前預測HCC病理分化程度，發現分別以FA和MD信號強度的75百分位數、MK信號強度的50百分位數的1974.5、1527.1、1337.8為閾值預測低分化與非低分化HCC具有最高的診斷效能［30］。這能客觀、全面、無創地為臨床預測HCC術前病理分化程度提供一定的幫助，具有較好的臨床應用前景。有學者前瞻性研究74例HCC患者的術前磁共振影像，發現只有MK在MVI陽性組和MVI陰性組之間的差異有統計學意義（Plt;0.001，AUC=0.77），并且在區分高級別HCC和低級別HCC時，MK的診斷性能優于MD和ADC，其AUC和特異性分別為0.81和82.2%、0.76和60.0%、0.74和60.0%（P=0.02）［31］，表明了MK在預測MVI和HCC分化不良方面比傳統的ADC具有更好的診斷性能，較高的MK與更具侵襲性的腫瘤生物學行為和更高的腫瘤復發風險相關。有研究發現MK預測低分化HCC的曲線下面積為0.89，高于ADCmean和ADCmin的預測值，特異性高達94%［24］。也有研究發現高分化HCC組MK低于中、低分化HCC組（Plt;0.01），提示MK可能反映了組織的復雜程度，而高分化HCC組的MD高于中、低分化HCC組（Plt;0.05）［32］。目前功能MRI發展迅速，但其掃描時間延長，且較為復雜，未來要改進此缺陷，更精確地預測肝癌術后復發。

2.2.4" 體素不相干運動（IVIM）" 雙指數模式的IVIM用于定量評估MRI上每個圖像體素中發生的微觀平移運動［33］。IVIM采用多b值掃描和雙指數模型擬合，能更準確地反映水分子在組織中的擴散和微血管血流灌注情況，從而更好地反映腫瘤的異質性［34］。IVIM參數包括真擴散系數（D）、偽擴散系數（D*）、灌注分數（f）等。有研究發現IVIM導出的D值完全依賴于分子擴散系數，而不受微循環的影響，D值的曲線下面積顯著高于ADC，IVIM衍生的D值在區分HCC的組織學分級的診斷價值優于ADC［32］；同時研究表明D*和f值在區分分化良好、中度和低分化HCC方面無統計學意義，這與另一項研究［35］的結果相一致。這主要是因為D*和f值是反映組織血管性的灌注參數，而HCC是由于血液供應異常而出現關注區異常，這可能會影響D*和f值。但卻與之前的研究結果相矛盾。有研究表明IVIM衍生的f值與HCC的組織學分級有關，在區分HCC的組織學分級方面具有更好的診斷性能［36］。這可能與選取不同的b值、MR模型設備以及算法有關。其中不同的b值可能會導致IVIM參數的偏差和變異性估計，特別是在IVIM衍生的f值中［27］。

2.3" 多模態影像學在術前評估肝癌復發的應用

多模態影像學是利用多種影像學技術獲得不同類型圖像，并將它們結合起來進行綜合分析的方法。單一的影像學往往存在局限，多種模式影像學或與臨床實驗室指標相結合可以提高診斷的準確性，可以更好的預測HCC術后復發，但多種影像學結合起來較為復雜，難度更大。有研究發現在用于區分高分化HCC和非高分化HCC的各參數ROC曲線中，MK和D值的聯合曲線下面積顯著高于單獨使用MK和D值，MK和D值的聯合診斷表現出更高的準確性、敏感性和特異性［32］。有學者將血清甲胎蛋白、異常凝血酶原等臨床指標和術前普美顯磁共振結合起來，建立術前預測MVI的診斷模型，其ROC曲線下面積顯示為0.807，敏感度為94.1%，特異度為63.4%，兩者結合可有效預測肝癌MVI［37］。有研究通過CT掃描提供的腫瘤大小和PET提供的血清去γ-羥基凝血酶原以及最大標準攝取值來構建新的評分系統進行預測MVI，獲得了較高的敏感性（100%）和特異度（90.9%）［38］。有學者利用CT和MRI圖像及腫瘤標志物水平評估患者TACE的反應，并將其分為反應差和非差，研究表明在區分反應差和非差的曲線下面積為0.877，腫瘤數的最佳截斷值為7.5，腫瘤計數≥8是預測TACE不良反應的因素，術前腫瘤數量而非腫瘤大小是預測TACE預后的有用因素［39］。

2.4" 影像組學在術前評估肝癌復發的應用

影像組學是于2012年被首次提出［40］，它可以提供個性化的診療方案，預測患者的疾病進展；但影像組學分析對圖像的質量要求較高，受掃描條件、偽影等因素影響明顯。有學者利用二維超聲的影像組學方法回顧性分析87例HCC患者的影像建立MVI和腫瘤分級的預測模型，兩者ROC曲線下面積分別為0.75和0.89，準確性、敏感性、特異性分別為78.16%、54.55%、86.15%和87.36%、75.00%、90.14%，證實了影像組學預測MVI及腫瘤分級的臨床價值，一些預測指標如腫瘤邊緣光滑度、生長方向、形狀、分葉數以及患者的年齡和MVI密切相關，但大小和MVI無關［41］。有學者通過影像組學方法從495例肝癌患者的增強CT圖像數據中提取放射學特征，利用高谷草轉氨酶（gt;40 U/L）、高甲胎蛋白（gt;400 ng/mL）、腫瘤邊緣不光滑、肝外生長模式、不明確的假包膜、瘤周動脈增強、右心室心肌梗死的存在和更高的r評分這8個預測因素構建RR模型，在預測術前MVI狀態方面顯示出良好的準確性，驗證組和測試組的ROC曲線下面積分別為0.909和0.889［42］。有研究通過影像組學方法對208例肝癌患者的增強MRI圖像提取影像組學特征，構建了MRI單序列和多序列分析預測模型，發現臨床因素結合多序列構建的預測模型要優于單序列，并且其在訓練組和驗證組具有更好、更高的敏感性、特異性、準確性和曲線下面積［43］，說明臨床因素結合MRI多序列的影像組學可以很好的預測肝癌患者的MVI。但這些研究都屬于單中心回顧性研究，會存在選擇的偏倚，導致結果的可重復性和可比性的喪失，未來還需要建立一個標準化、統一化、多中心、大樣本的模型進行預測，進一步改進研究和獨立驗證。

3" 總結與展望

綜上所述，隨著醫學影像的不斷發展，越來越多的新型影像技術應用于預測肝細胞癌術后復發，一定程度上提高了診斷的準確性，未來應將多種影像技術、實驗室檢查指標、肝癌病理分級結合起來，并隨著大樣本、多中心、前瞻性研究的深入研究，能為肝癌術后復發患者提供個性化診療方案，精準診斷，提高預后，多模態影像學的應用價值會進一步展現，存在的問題也將會得到進一步的改善。

參考文獻：

［1］" "Llovet JM， Kelley RK， Villanueva A， et al. Hepatocellular carcinoma［J］. Nat Rev Dis Primers， 2021， 7： 6.

［2］" "Zhang LQ， Zhou HS， Zhang XQ， et al. A radiomics nomogram for predicting cytokeratin 19-positive hepatocellular carcinoma： a two-center study［J］. Front Oncol， 2023， 13： 1174069.

［3］" "European Association for the Study of the Liver Electronic address： easloffice@easloffice eu， European Association for the Study of the Liver. EASL clinical practice guidelines： management of hepatocellular carcinoma［J］. J Hepatol， 2018， 69（1）： 182-236.

［4］" " 左立平， 范金蕾， 石" 碩， 等. 術前增強MRI在預測肝細胞肝癌根治術后早期復發中的價值［J］. 實用放射學雜志， 2023， 39（7）： 1114-8.

［5］" "Wu JP， Ding WZ， Wang YL， et al. Radiomics analysis of ultrasound to predict recurrence of hepatocellular carcinoma after microwave ablation［J］. Int J Hyperthermia， 2022， 39（1）： 595-604.

［6］" "Martins-Filho SN， Paiva C， Azevedo RS， et al. Histological grading of hepatocellular carcinoma-a systematic review of literature［J］." Front Med， 2017， 4： 193.

［7］" Wittekind C. Pitfalls in the classification of liver tumors［J］. Pathologe， 2006， 27（4）： 289-93.

［8］" " Ameli S， Venkatesh BA， Shaghaghi M， et al. Role of MRI-derived radiomics features in determining degree of tumor differentiation of hepatocellular carcinoma［J］. Diagnostics， 2022， 12（10）： 2386.

［9］" "Surov A， Pech M， Omari J， et al. Diffusion-weighted imaging reflects tumor grading and microvascular invasion in hepatocellular carcinoma［J］. Liver Cancer， 2021， 10（1）： 10-24.

［10］" Renne SL， Woo HY， Allegra S， et al. Vessels encapsulating tumor clusters （VETC） is a powerful predictor of aggressive hepatocellular carcinoma［J］. Hepatology， 2020， 71（1）： 183-95.

［11］" Rhee H， Cho ES， Nahm JH， et al. Gadoxetic acid-enhanced MRI of macrotrabecular-massive hepatocellular carcinoma and its prognostic implications［J］. J Hepatol， 2021， 74（1）： 109-21.

［12］" Ryu T， Takami Y， Wada Y， et al. A clinical scoring system for predicting microvascular invasion in patients with hepatocellular carcinoma within the Milan criteria［J］. J Gastrointest Surg， 2019， 23（4）： 779-87.

［13］Feng ZC， Li HL， Zhao HF， et al. Preoperative CT for characterization of aggressive macrotrabecular?massive subtype and vessels that encapsulate tumor clusters pattern in hepatocellular carcinoma［J］." Radiology， 2021， 300（1）： 219-29.

［14］" Chou CT， Chen RC， Lin WC， et al. Prediction of microvascular invasion of hepatocellular carcinoma： preoperative CT and histopathologic correlation［J］. AJR Am J Roentgenol， 2014， 203（3）： W253-9.

［15］" 王東旭， 丁國旭， 張天宇， 等. 肝細胞肝癌多層螺旋CT表現與微血管侵犯關系的研究［J］. 臨床放射學雜志， 2017， 36（12）： 1892-5.

［16］" Xu TF， Ren LY， Liao MJ， et al. Preoperative radiomics analysis of contrast?enhanced CT for microvascular invasion and prognosis stratification in hepatocellular carcinoma［J］. J Hepatocell Carcinoma， 2022， 9： 189-201.

［17］ Mao XC， Shi S， Yan LJ， et al. A model based on adipose and muscle-related indicators evaluated by CT images for predicting microvascular invasion in HCC patients［J］. Biomark Res， 2023， 11（1）： 87.

［18］" Cha H， Choi JY， Park YN， et al. Comparison of imaging findings of macrotrabecular-massive hepatocellular carcinoma using CT and gadoxetic acid-enhanced MRI［J］. Eur Radiol， 2023， 33（2）： 1364-77.

［19］" Liang YY， Xu F， Wang ZH， et al. A gadoxetic acid-enhanced MRI-based multivariable model using LI?RADS v2018 and other imaging features for preoperative prediction of macrotrabecular-massive hepatocellular carcinoma［J］. Eur J Radiol， 2022， 153： 110356.

［20］" Le Bihan D， Iima M. Diffusion magnetic resonance imaging： what water tells us about biological tissues［J］. PLoS Biol， 2015， 13（7）： e1002203.

［21］" Le Bihan D. Apparent diffusion coefficient and beyond： what diffusion MR imaging can tell us about tissue structure［J］. Radiology， 2013， 268（2）： 318-22.

［22］" Xu PJ， Zeng MS， Liu K， et al. Microvascular invasion in small hepatocellular carcinoma： is it predictable with preoperative diffusion-weighted imaging？［J］. J Gastroenterol Hepatol， 2014， 29（2）： 330-6.

［23］" Suh YJ， Kim MJ， Choi JY， et al. Preoperative prediction of the microvascular invasion of hepatocellular carcinoma with diffusion-weighted imaging［J］. Liver Transpl， 2012， 18（10）： 1171-8.

［24］" Wang F， Yan CY， Wang CH， et al. The roles of diffusion kurtosis imaging and intravoxel incoherent motion diffusion-weighted imaging parameters in preoperative evaluation of pathological grades and microvascular invasion in hepatocellular carcinoma［J］. Front Oncol， 2022， 12： 884854.

［25］" Chang WC， Chen RC， Chou CT， et al. Histological grade of hepatocellular carcinoma correlates with arterial enhancement on gadoxetic acid-enhanced and diffusion?weighted MR images［J］. Abdom Imaging， 2014， 39（6）： 1202-12.

［26］ Zhao JK， Li XB， Zhang K， et al. Prediction of microvascular invasion of hepatocellular carcinoma with preoperative diffusion-weighted imaging： a comparison of mean and minimum apparent diffusion coefficient values［J］. Medicine， 2017， 96（33）： e7754.

［27］" Zhang JL， Sigmund EE， Rusinek H， et al. Optimization of b-value sampling for diffusion-weighted imaging of the kidney［J］. Magn Reson Med， 2012， 67（1）： 89-97.

［28］" Jensen JH， Helpern JA. MRI quantification of non-Gaussian water diffusion by kurtosis analysis［J］. NMR Biomed， 2010， 23（7）： 698-710.

［29］" 姜" 亮， 孫" 軍， 劉" 文， 等. 3.0T擴散張量成像定量參數在腦膠質瘤分級中的應用［J］. 中國醫學影像學雜志， 2015， 23（4）： 250-4， 259.

［30］" 林" 濤， 趙" 瑩， 田士峰， 等. 基于擴散峰度成像的直方圖分析術前預測肝細胞癌病理分化程度的價值［J］. 中國醫學影像學雜志， 2021， 29（7）： 691-6.

［31］" Cao LK， Chen J， Duan T， et al. Diffusion kurtosis imaging （DKI） of hepatocellular carcinoma： correlation with microvascular invasion and histologic grade［J］. Quant Imaging Med Surg， 2019， 9（4）： 590-602.

［32］" Li HW， Yan GW， Yang J， et al. Quantitative analysis for detection and grading of hepatocellular carcinoma： comparison of diffusion kurtosis imaging， intravoxel incoherent motion and conventional diffusion-weighted imaging［J］. Oncol Lett， 2022， 24（5）： 403.

［33］" Le Bihan D， Breton E， Lallemand D， et al. MR imaging of intravoxel incoherent motions： application to diffusion and perfusion in neurologic disorders［J］. Radiology， 1986， 161（2）： 401-7.

［34］" Nougaret S， Vargas HA， Lakhman Y， et al. Intravoxel incoherent motion-derived histogram metrics for assessment of response after combined chemotherapy and radiation therapy in rectal cancer： initial experience and comparison between single-section and volumetric analyses［J］. Radiology， 2016， 280（2）： 446-54.

［35］Zhu SC， Liu YH， Wei Y， et al. Intravoxel incoherent motion diffusion?weighted magnetic resonance imaging for predicting histological grade of hepatocellular carcinoma： comparison with conventional diffusion?weighted imaging［J］. World J Gastroenterol， 2018， 24（8）： 929-40.

［36］ Granata V， Fusco R， Catalano O， et al. Intravoxel incoherent motion （IVIM） in diffusion-weighted imaging （DWI） for Hepatocellular carcinoma： correlation with histologic grade［J］. Oncotarget， 2016， 7（48）： 79357-64.

［37］" 程周平， 田" 森， 朱" 福， 等. 血清甲胎蛋白、異常凝血酶原聯合普美顯核磁共振術前預測肝細胞癌微血管侵犯的臨床研究［J］. 中華實驗外科雜志， 2023， 9（1）： 142-4.

［38］" Shirabe K， Toshima T， Kimura K， et al. New scoring system for prediction of microvascular invasion in patients with hepatocellular carcinoma［J］. Liver Int， 2014， 34（6）： 937-41.

［39］" Katayama K， Imai T， Abe Y， et al. Number of nodules but not size of hepatocellular carcinoma can predict refractoriness to transarterial chemoembolization and poor prognosis[J]. J Clin Med Res， 2018， 10（10）： 765-71.

［40］ Lambin P， Rios?Velazquez E， Leijenaar R， et al. Radiomics： extracting more information from medical images using advanced feature analysis［J］. Eur J Cancer， 2012， 48（4）： 441-6.

［41］" 劉桐桐， 董" 怡， 韓" 紅， 等. 基于影像組學方法的原發性肝細胞癌微血管侵犯和腫瘤分化等級預測［J］. 中國醫學計算機成像雜志， 2018， 24（1）： 83-7.

［42］" 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）： 1133-44.

［43］ Yang L， Gu DS， Wei JW， et al. A radiomics nomogram for preoperative prediction of microvascular invasion in hepatocellular carcinoma［J］. Liver Cancer， 2019， 8（5）： 373-86.

（編輯：郎" 朗）