编辑推荐：
本综述聚焦 CT 影像中肝脏恶性肿瘤的机器学习（ML）与深度学习（DL）研究，梳理 2020-2024 年 49 项研究，涵盖放射组学、DL 及联合方法的应用，分析其成果、局限与性能，指出现有挑战及多模态整合等未来方向。
背景
计算机断层扫描（CT）因高空间分辨率和区分组织密度的能力，在肝脏成像中广泛应用，为全面图像分析提供支持。人工智能（AI）的发展推动了机器学习（ML）在肝癌管理中的应用，其通过数学算法对肿瘤进行预测或分类。深度学习（DL）作为 ML 的子集，借助卷积神经网络（CNN）可自动分析大量数据，拓展了相关能力。本综述旨在探讨基于 ML 的放射组学和 DL 模型在 CT 影像中分析肝脏恶性肿瘤的方法、成果、局限及性能结果。
方法
依据 PRISMA 指南，于 2020 至 2024 年间，在 PubMed、Scopus、科学引文索引及 Cochrane Library 等数据库中，运用 “机器学习”“放射组学”“深度学习”“计算机断层扫描”“肝癌” 等关键词及相关 MESH 术语，对 CT 放射组学与 DL 在肝癌分析中的英文全文进行系统检索，筛选纳入研究。
结果
共纳入 49 项研究，其中 17 项放射组学研究、24 项 DL 研究及 8 项 DL / 放射组学联合研究。放射组学主要用于预测分析，DL 则广泛应用于肝脏及肿瘤的自动分割，且近期整合两种技术的研究呈增长趋势。
讨论
CT 图像采集
图像采集是图像分析的关键阶段，其提供人体详细的横截面视图。深层放射组学特征的质量取决于一致性、重建参数及扫描仪性能等因素。有效的 CT 放射组学和 DL 分析需要精确、高分辨率和准确的解剖信息，因此 CT 成像依赖若干关键因素以确保高质量扫描和可靠结果。
搜索策略与信息来源
2024 年 6 月 1 日，对 2020 年 1 月至 2024 年 5 月期间电子数据库中肝脏 CT 图像的深度学习和放射组学特征相关文章进行系统搜索，覆盖 PubMed、Scopus、Web of Science via Wiley、Cochrane Central、Google Scholar 等数据库，并补充 Crossref 的参考文献。搜索算法使用关键词及其相关术语和 MESH 标题，包括 “Computed tomography”“Radiomics”“Deep learning” 等。
搜索结果总结
搜索初筛出 885 篇文章，依据 PRISMA 2020 指南进行审查，最终选取 49 篇文章用于数据提取，排除 836 篇因重复、不符合条件等的研究。图 4 展示了按照 PRISMA 指南进行稿件识别和筛选的过程。49 项纳入研究按方法和网络分为三类：基于放射组学、基于 DL、基于 DL 与放射组学联合。
挑战与局限
DL 和放射组学在医学成像中应用的挑战和局限主要围绕数据相关问题、标准化及模型可解释性。医院档案中 CT 医学图像使用的伦理规定限制了数据来源和规模，尤其对基于 DL 的研究影响较大。约 64% 的 DL 研究依赖公开可用数据集，如 3D-IRCADb01 和 MICCAI 2017 LiTS，而放射组学研究因数据需求特点常使用医院数据。
未来方向
医学图像虽能提供肿瘤的有价值见解，但往往缺乏患者特定信息，如年龄、病史和生活方式等，这些信息对决策至关重要。部分研究已探索将这些细节与成像特征整合到 DL 网络中，但实现成像特征与临床数据的平衡仍具挑战性。多模态数据整合，将 ML 和 DL 模型与基因组学、蛋白质组学等相结合，是重要的发展方向。
结论
本综述概述了 ML 和 DL 技术在 CT 图像表征肝脏恶性肿瘤中的方法、数据集特征及潜力。结果分为三类：基于放射组学、基于深度学习、结合 DL 和放射组学的集成方法。研究发现 DL 研究呈增长趋势，尤其在肿瘤分割自动化方面，且 DL 与 ML 技术结合的研究增多。基于放射组学的方法在性能相似时，因计算和数据需求较低，仍具相关性且常优于 DL 方法。尽管模型性能不断提升，但数据稀缺和缺乏标准化协议等挑战依然存在。
CRediT 作者贡献声明
Bappah Suleiman Yahaya：撰写初稿、可视化、调查、形式分析、数据策划。Noor Diyana Osman：撰写综述与编辑、项目管理、方法论、资金获取、概念化。Noor Khairiah A. Karim：验证、监督、概念化。Gokula Kumar Appalanaido：验证、监督、调查、形式分析。Iza Sazanita Isa：验证、监督、调查、形式分析。
伦理声明
本综述在 PROSPERO 数据库注册（ID CRD42024537274），并遵循 PRISMA（系统评价和 Meta 分析的首选报告项目）2020 指南。
利益冲突声明
作者声明无已知可能影响本文工作的财务利益或个人关系冲突。
