背景与目的:肌少症是指因持续骨骼肌含量流失、强度和功能下降而引起的综合症,与包括肝细胞肝癌（HCC）在内的肿瘤患者预后密切相关。目前肌少症的检测手段局限,且尚未有统一的标准。本文旨在利用基于影像组学的深度学习（DL）新技术评估肌少症,用于肝癌患者行肝脏部分切除术或肝移植术的预后预测。方法:1.本研究回顾性纳入肝癌手术切除患者492例与肝癌肝移植患者173例,收集患者术前一个月内的腹部计算机断层扫描（CT）平扫期影像与临床资料。2.肝切除术组入组患者按7:3被随机分为训练集和验证集（训练集345例,验证集147例）,肝移植组作为外部验证集。利用训练集建立预测模型,并利用内部和外部验证集验证预测模型的预测性能。3.对训练集患者CT图像中第3腰椎骨（L3）层面的骨骼肌（SM）及腰大肌（PM）轮廓进行人工勾画,后利用YOLO与U-net网络学习并实现SM与PM自动分割和勾画。4.抽提SM与PM影像组学特征,随后利用自编码器（Auto Encoder）压缩特征,TFDeep Surv生存分析网络构建深度学习预后预测模型,预测HCC术后无瘤生存率（RFS）与总体生存时间（OS）。5.计算时间依赖性受试者工作特征曲线（ROC）的AUC,一致性指数（C-index）,应用净重新分类改善指数（NRI）和临床决策曲线（DCA）评价模型预测性能。结果:利用YOLO检测和U-net分割网络自动勾画CT图像L3层面的SM及PM,采集相应肌肉中1343个影像组学特征。通过Auto Encoder将此高阶影像组学特征降维至100个特征。运用TFDeep Surv生存分析网络完成DL预测模型的构建,将HCC患者根据预后的差异分为高危组和低危组,高危组HCC患者行肝部分切除手术后预后显著低于低危组患者。另外,通过Kaplan-Meier生存曲线分析等评估方法验证了DL模型在内部验证集和外部验证集中都可以对肝癌患者的预后进行准确的预测,且一致性指数分别达0.775和0.613。NRI和DCA均显示DL模型具有较高的预测性能。结论:本研究创新性地提出了基于影像组学的深度学习构建的预后预测模型;该模型可在术前对肝癌手术切除和肝移植术后的生存风险进行个体化预测,实现对肝癌患者OS的早期预判,进而制定合理的临床决策,指导临床实践。