第一部分 Gd-EOB-DTPA增强MR影像特征对增殖型肝细胞癌亚型的识别研究目的:本研究旨在评价增殖型及非增殖型肝细胞癌的Gd-EOB-DTPA增强MR影像特征,探讨各影像学特征与增殖型肝细胞癌的相关性,评估相关影像学特征对预测增殖型肝癌的诊断价值,以便在消融治疗前筛选出预后差的肝癌亚型,指导消融治疗决策的制定。研究方法:本研究回顾性分析了 2017年1月至2021年6月接受肝切除术病理结果证实的184名肝细胞癌患者的Gd-EOB-DTPA增强MRI及临床资料。分析对比了增殖亚型及非增殖亚型肝癌患者甲胎蛋白、CEA、CA199、白蛋白、总胆红素、门冬敏酸氛基转移酶、、凝血酶原时间、肿瘤大小、瘤内出血、动脉期环形高强化、动脉期晕状强化、门静脉期无廓清、HBP低摄取等临床特征、影像特征的差异。采用单因素及多因素logistic回归分析增殖型肝癌相关的影响因素,并绘制列线图。研究结果:本研究包括184名患者（平均年龄55岁;153名男性,31名女性）,197例HCC病灶。其中,增殖型HCC包括62名患者（33.7%）,65例HCC（33%）;非增殖型HCC包括122名患者（66.3%）,132例HCC（67.01%）。在单因素分析中,AFP>100 ng/ml、动脉期环形高强化、动脉期晕状强化、门静脉期无廓清、HBP低摄取、瘤内含脂与增殖型亚型具有相关性（均P100 ng/ml（B=0.899,OR=2.46）、动脉期环形高强化（B=1.758,OR=5.80）、瘤内含脂（B=-1.265,OR=0.28）、HBP低摄取（B=1.278,OR=3.59）是增殖型肝癌的独立预测因子。基于上述4个影像特征构建的预测增殖型肝癌的模型AUC为0.82,敏感性为0.83,特异性为0.67。研究结论:AFP>100 ng/ml、动脉期环形高强化、瘤内含脂、HBP低摄取是增殖型肝癌亚型的独立预测因子。基于多因素分析构建的增殖型肝癌预测模型有助于患者消融治疗前的治疗决策和预后判断。创新点:从肝癌的生物侵袭性及预后角度,将HCC宽泛的分为增殖型及非增殖型肝细胞癌是最前沿的理念。本研究创新性地将Gd-EOB-DTPA增强MRI应用于识别这两种亚型,并评估了影像学特征的诊断效能。术前筛查预后不良的肝癌亚型,对缺乏术前病理金标准的肝脏局部消融治疗方法的选择非常重要。第二部分 基于深度学习分割模型评估肝癌消融治疗效果的新技术及其临床验证研究目的:本研究旨在基于深度学习算法开发肝脏、肝脏原发灶及消融区的CT增强图像自动分割模型,根据自动分割结果,完成消融术前、后CT增强图像的配准和融合,并最终建立一种能够定量评估肝癌局部消融治疗效果的新技术,并结合长期临床随访结果完成初步临床评估。研究方法:首先,使用LiTS公开数据集的增强CT门脉期图像,训练肝脏、肝癌基础分割模型。其次,回顾性收集2010年至2019年在德国科隆大学临床医院接受消融治疗患者的临床资料及增强CT图像,包括治疗前、后两个时间点,共63人,252张CT增强图像。患者完全随机被分为训练集（n=48人）和测试集（n=15人）。利用RA-Unet深度学习网络于公开数据集、本地训练集的多期增强CT图像完成肝脏、肝癌病灶及消融区分割模型的迁移训练。在独立测试集中完成模型的验证,并记录模型预测的Dice系数。第三,以插件的形式将上述分割模型集成到ISD的后处理平台中,并开发“配准流程简化”插件、“量化评估安全消融边界”插件。应用深度学习方法对肝脏、肝肿瘤及消融区的自动分割结果及所开发插件,完成患者消融术前、术后多期CT图像的配准、ROI融合及消融治疗效果的定量评估。最后,整理患者的临床随访资料,依据是否发生局部肿瘤进展（LTP）,将患者划分为LTP组及无LTP组。比较应用此方法自动测量的最小消融距离MAM、未达最小消融边界的3D容积、肿瘤体积、消融区体积等指标在亚组之间的差异,完成其临床有效性的初步评估。研究结果:本地临床测试集中,2D RA-Unet肝脏分割模型在消融前动脉期、门脉期CT图像上平均Dice系数均达0.95,消融治疗后动脉期平均Dice系数达0.96,门脉期平均Dice系数达0.95。肝癌病灶动脉期平均Dice系数仅为0.65,F1 score为0.75;门脉期平均Dice系数相对提升,达0.73,F1 score为0.79。治疗后消融区分割模型在迁移后表现出更高的分割性能,动脉期平均Dice系数达0.83,F1 score为0.74;门脉期平均Dice系数达0.89,F1 score为0.73。3D RA-Unet模型区域性分割（肝癌病灶及消融区）,整体表现为门脉期图像分割效果优于动脉期图像。经过配准,肝脏消融治疗评估纳入的患者共55人,包括64个肝癌病灶。开发的消融效果评估插件自动测量每个肿瘤和消融区之间在轴位、矢状位、冠状位的最小消融距离,均值分别为4.43±2.92mm、5.78±3.40mm及5.75±3.06mm。未达最小消融边界的3D容积,平均值为0.23±0.41 mm3。临床随访中,平均随访时间为20.1个月。LTP组及无LTP组在消融区体积（69.13±52.42mm3 VS 42.01±26.17mm3;P=0.04）、MAM（2.12±2.40 mm VS 5.17±2.88 mm;P=0.03）、未达最小消融边界的 3D 容积（0.97±0.63 mm3 VS10.14±0.27 mm3;P<0.001）三个指标上具备统计学显著差异。研究结论:（1）RA-Unet深度学习模型可有效对多期增强CT图像中肝脏、肝癌病灶及消融区进行自动分割,自动分割结果有助于大幅提高临床工作效率、保证勾画一致性和准确性。（2）基于自动分割模型的肝癌消融治疗全流程、定量评估方法具有一定的临床应用前景。创新点:（1）此部分工作创新性地开发了先进的肝脏、肝肿瘤及消融区深度学习自动分割模型,经过临床真实数据集的迁移及验证,该模型表现出较好的分割性能。（2）依托ISD强大的科研平台,在德国AI工程师的协助下,尝试了以临床需求为导向,开发、集成多个模型及插件的人工智能临床实践。第三部分 增强CT影像组学对原发性肝癌消融治疗预后的预测研究目的:本研究旨在探讨原发性肝癌患者消融治疗前CT增强图像的影像组学特征在预后评估中的价值,分别构建及验证预测肝癌消融后无复发生存期（RFS）的列线图模型及预测消融后早期复发（1年内）的列线图模型。研究方法:首先,回顾性收集2014年6月至2019年12月于我院行微波消融治疗的原发性肝癌患者的术前临床资料及多期CT增强图像,共124人,随机分为训练集89人,测试集35人。勾勒所有患者的肝脏肿瘤3D感兴趣区,并提取相应影像组学特征。对训练集应用Lasso COX方法降维后,构建影像组学标签Radscore。单因素、多因素COX回归分析筛选临床变量。分别构建用于预测消融后肝癌无复发生存期（RFS）的影像Radscore模型、临床模型及临床+影像联合模型。通过一致性指数（C-index）评估各模型预测性能,并制作列线图,进行效能评价。同时,以Radscore最佳阈值将训练集和测试集划分为高、低风险组,比较二者Kaplan-Meier生存曲线。其次,进一步排除随访不满一年的患者31人。共纳入93人参与构建及验证用于预测肝癌微波消融后早期复发（1年内）的列线图模型。患者随机分为训练集70人,测试集23人。通过对训练集使用LASSO进行降维后建立影像组学标签。单因素、多因素Logistic回归分析用于筛选临床独立危险因素。分别构建用于预测消融术后早期的影像Radscore模型、临床模型及临床+影像联合模型。通过曲线下面积AUC、敏感性,特异性来评估各模型的预测能力,并制作列线图。以混淆矩阵方法评估模型在测试集中分类效果。同时,结合临床随访结果,依据影像组学标签Radscore最佳阈值于训练集及测试集将患者划分为早期复发高、低风险组,比较二者Kaplan-Meier生存曲线。研究结果:（1）在预测肝癌消融后无复发生存期（RFS）的研究中,由术前ALP、CA199水平及糖尿病史构建的临床模型在训练集及测试集的C-index分别为0.688（95%CI:0.589-0.787）,0.633（95%CI:0.473-0.793）。影像 Radscore 模型在训练集及测试集的 C-index 分别为 0.692（95%CI:0.603-0.781）,0.681（95%CI:0.519-0.843）。临床+影像联合模型在训练集及测试集的C-index分别为0.731（95%CI:0.646-0.816）,C-index为0.723（95%CI:0.573-0.873）。校准曲线分析表明,与单纯的临床模型相比,联合模型预测RFS与临床观察的一致性方面更具优势。决策曲线分析表明,联合模型具有总体净收益,具有临床实用性。KM曲线表明训练集中高、低风险组的RFS情况有统计学差异（P<0.0001）,低风险组的RFS生存情况优于高风险组。测试集中高、低风险组的RFS情况无显著统计学差异（P=0.51）。（2）在预测肝癌消融术后早期复发的研究中,由术前CA199水平及糖尿病史构建的临床模型在训练集的AUC为0.635（95%CI:0.506-0.764）,敏感性为0.65,特异性为0.60;在测试集的AUC为0.794（95%CI:0.618-0.970）,敏感性为0.80,特异性为 0.72。影像 Radscore 模型在训练集的 AUC 为 0.805（95%CI:0.686-0.924）,敏感性为0.80,特异性为0.92;测试集AUC为0.811（95%CI:0.625-0.997）,敏感性为1,特异性为0.61。结合最佳临床特征及Radscore得到的临床+影像联合模型列线图在训练集 AUC 为 0.851（95%CI:0.754-0.948）,敏感性为 0.85,特异性为 0.74;测试集 AUC为 0.889（95%CI:0.709-0.999）,敏感性为 0.80,特异性为 0.94。按照训练集 Radscore的中位数（Radscore=-1.1）划分为高、低风险组,KM曲线表明高、低风险组的生存曲线差有统计学差异（训练集P=0.017,测试集P=0.0023）,低风险组的早期复发生存情况优于高风险组。研究结论:（1）影像组学特征可以为肝癌患者消融治疗的预后预测提供额外的价值,可用于消融术前的患者风险分层。（2）基于影像组学的新方法有可能弥补临床信息对复杂临床决策预测的不足。创新点:本研究成功地建立并验证了基于影像组学特征及常规临床特征预测肝癌消融后无复发生存期（RFS）及早期复发的列线图模型,具有一定的预后预测价值,可辅助临床医生优化患者的个性化治疗和随访方案。