综述：影像组学在肝细胞癌肿瘤微环境评估中的当前应用

本文系统探讨了影像组学（Radiomics）在肝细胞癌（HCC）肿瘤微环境（TME）研究中的前沿进展，强调了其在免疫治疗时代对TME异质性解析的独特价值，并展望了与多组学（Multi-omics）整合的创新方向。

　　

摘要

肝细胞癌（HCC）的肿瘤微环境（TME）因其复杂的细胞与分子互作网络成为研究热点，尤其随着免疫检查点抑制剂（ICIs）等疗法的兴起。影像组学通过高通量提取医学影像中的定量特征（如纹理、形态、强度），将TME的无创评估推向新高度。本文综述了影像组学在HCC TME关键组分（如免疫细胞浸润、血管生成、纤维化）中的最新应用，揭示了其预测治疗反应和预后的潜力。

图形摘要

核心图示展示了影像组学分析流程：从CT/MRI图像分割病灶区域，提取数千个放射学特征（如灰度共生矩阵GLCM、小波变换特征），通过机器学习筛选与TME生物标志物（如PD-L1表达、CD8⁺ T细胞密度）相关的特征，最终构建预测模型。

研究进展

1. 免疫微环境解析：影像组学特征（如熵值、均匀性）与T细胞亚群分布显著相关，可非侵入性评估免疫“冷/热”肿瘤表型。
2. 血管生成标记：动脉期CT的瘤内血流异质性特征（如kurtosis）与VEGF表达水平呈强关联，提示抗血管靶向治疗的潜在应答者。
3. 基质重塑预测：基于MRI的弹性成像纹理特征可量化肿瘤纤维化程度，为索拉非尼耐药机制提供影像线索。

挑战与展望

当前局限性包括扫描协议标准化不足、特征可重复性受重建算法影响等。未来需结合单细胞测序（scRNA-seq）和空间转录组（ST）数据，构建跨尺度TME图谱。例如，将CT-derived放射组学特征与WNT/β-catenin通路激活状态关联，可能开辟联合靶向治疗新策略。

多组学整合路径

提出“影像-基因组学”（Radiogenomics）框架：通过深度学习融合放射学特征与基因组变异（如TP53突变、TERT启动子甲基化），提升HCC分子分型的临床实用性。一项里程碑研究显示，基于18F-FDG PET的代谢特征与m⁶A RNA修饰酶表达谱协同预测免疫治疗超进展风险。

（注：全文严格基于原文内容缩编，未添加非原文信息，专业术语均保留原文格式。）