2025年中国肝脏超声临床研究年度进展

2025年中国肝脏超声临床研究年度进展【摘要】笔者综述2025年中国肝脏超声核心临床研究成果，涵盖了肝脏局灶性病变精准诊断、肝癌生物学特性分型、肝癌治疗效果评价、弥漫性肝病精准评估、移植肝术后早期预警以及肝癌介入治疗等方面。融合超声造影与人工智能，有效解决复杂肝脏局灶性病变分类及小肝癌诊断难题。建立系列肝癌高危亚型超声预测模型，实现术前肝癌侵袭性分层管理。通过超声造影和深度学习分析，实现肝动脉灌注化疗联合治疗、靶免治疗效果的精准评估。以多中心前瞻性研究为支撑，证实超声衍生脂肪分数技术可实现代谢相关脂肪性肝病的可重复定量评估。面向术后早期肝移植功能障碍、早期移植肝衰竭以及生存率，建立肝移植术后早期预警方法。借助辅助技术优化困难部位消融，使用智能模型优化治疗策略选择，并明确术后早期复发/远处转移独立风险因素。此外，多项专家共识与指南相继发布，为规范化应用提供了权威依据。总体而言，本年度中国肝脏超声实现多领域突破，超声造影、超声定量、人工智能等新技术推动肝脏疾病向精准评估、个体化诊疗拓展。【关键词】超声检查；肝脏；肝癌；脂肪肝；肝移植；超声介入；人工智能肝脏超声是肝脏疾病筛查、诊断、疗效评估及引导介入治疗的重要影像学手段，凭借无创、便捷、可重复等优势，在临床应用中占据重要地位。近年来，随着超声造影（contrast-enhancedultrasound，CEUS）、超声脂肪定量、人工智能（artificialintelligence，AI）等技术的快速发展与普及，肝脏超声的临床应用价值得到进一步提升。研究方向也逐步从传统单纯定性诊断，向精准定量分析、生物学特征评估、个体化诊疗指导等多元化方向深度拓展。2025年，肝脏超声领域临床学术研究成果丰硕。据统计，本年度全球PubMed收录的肝脏超声相关文献超过1600篇。在这些研究成果中，源自中国超声学者的贡献尤为突出，其发表的论文数量超过490篇，不仅在全球各国中位居首位，更占据了全球总量超30%的比例，充分彰显了中国在肝脏超声领域的科研实力与国际影响力。中国肝脏超声临床研究团队在多个关键领域持续深耕、成果显著，包括在肝脏局灶性病变（focalliverlesions，FLLs）精准诊断、肝癌生物学特性分型、肝癌治疗效果评价、弥漫性肝病精准评估、移植肝术后早期预警以及肝癌介入治疗等方面。笔者将系统综述2025年中国肝脏超声领域的主要临床研究进展，全面梳理我国本年度在该领域取得的核心研究成果，明确当前肝脏超声临床研究的发展现状与前沿方向，了解领域内动态发展趋势，为未来肝脏超声临床研究的创新突破提供科学的思路支撑与可行的实践策略，以进一步推动我国肝脏超声诊疗领域的高质量发展。一、FLLs精确诊断的研究成果FLLs的精确诊断始终是肝脏超声临床研究的核心问题。本年度中国多个团队利用AI、联合模型等开展多中心、大数据相关研究：构建由病灶检测与分类模型组成的双AI系统，对比多种“医生-AI”协作模式，以优化超声肝癌筛查流程；基于多中心数据开发基于CEUS的AI模型，整合多源信息实现6种FLLs精准分类；构建联合模型并结合CEUS肝脏影像报告和数据系统（LiverImagingReportingandDataSystem，LI-RADS），提升最大径≤2cmFLLs中肝细胞癌（hepatocellularcarcinoma，HCC）识别能力；依托大队列数据研发机器学习模型，辅助最大径≤3cm小肝癌诊断并进行可解释性分析；通过前瞻性研究证实，结合Kupffer相的CEUS可显著提升粗糙肝脏背景下FLLs诊断准确性。在肝癌筛查流程优化方面，中山大学第一附属医院匡铭教授团队［1］构建了由UniMatch病灶检测模型与LivNet分类模型组成的双AI系统，对常规FLLs超声肝癌筛查流程进行了系统性重构。该研究以11960例患者的21934张超声图像为研究基础，通过对多种“医生-AI”协作模式进行比较后发现，采用“AI先行完成病灶检测与分类、医生重点复核AI判定为阴性及良性病例”的协作策略，在维持高敏感性（0.956比0.991）的同时，可将传统人工筛查流程的特异性由0.698提升至0.787，并显著减少超声医师54.5%的工作量，为超声技术在大规模FLLs肝癌筛查中的流程优化提供了科学可行的实践范式。在FLLs多分类诊断方面，解放军总医院第五医学中心Ding等［2］依托52个中心的3725例FLLs病例数据，成功开发并验证一种基于CEUS的AI模型（Model-DCB）。该模型通过有效整合CEUS动态视频影像、生物标志物信息和临床基线资料，实现了6种FLLs的精准分类鉴别，在多个外部测试集中均保持稳定的诊断准确率，且对不同型号超声设备具有良好的适配性，有效提升了低年资CEUS超声医生的诊断准确性（从0.59～0.73提升至0.82～0.87），使其诊断能力达到高年资超声医生的水平，进而减少经验不足的超声医生在偏远地区的误诊率，提高了FLLs的诊断效率和准确性。在最大径≤2cmFLLs诊断方面，复旦大学附属中山医院Hu等［3］基于3个中心386例具有HCC高危风险的≤2cmFLLs患者数据，构建了融合甲胎蛋白（alphafetoprotein，AFP）、异常凝血酶原及CEUS特征的Com-M联合模型，用于识别≤2cmFLLs中的HCC。通过将该模型与CEUSLIRADS（LR）联合应用后，在外部验证集中曲线下面积（areaunderthecurve，AUC）达0.873，诊断效能显著优于单一临床指标和CEUS模型，可有效提升LR-5对HCC的诊断效能，为术前小肝癌的精准预测提供了有效手段。针对最大径≤3cmFLLs诊断方面，解放军总医院第五医学中心Du等［4］纳入了55家医院1052例患者的1058个≤3cmFLLs大队列数据，开发并验证了一种基于灰阶超声方法的机器学习模型，用于小肝癌诊断。所构建的联合模型Model-URC（灰阶超声组学结合超声语义特征和临床特征）表现最佳，在多中心验证中表现出较高的诊断效能，且在不同肿瘤大小、不同HCC风险分层的亚组中，均保持稳定的诊断效能。研究采用SHAP（SHapleyAdditiveexPlanations）可解释性方法对该模型进行解析，能够清晰量化并展示各特征对模型输出结果的贡献程度，提升了模型的临床可解释性与可信度。该模型可作为诊断小肝癌的有力辅助工具，有助于提高小肝癌的诊断准确性，前移HCC的治疗窗口，最终显著改善患者的预后结局。示卓安是一种兼具血池与Kupffer细胞显像的双相显影剂，可被肝脏Kupffer细胞特异性吞噬。除具备与其他第二代超声造影剂相似的血管相显影外，还能在血管后相对FLLs进行病灶特征分析。针对伴有粗糙肝脏背景的FLLs诊断方面，中国人民解放军总医院第一医学中心Li等［5］开展了一项覆盖23个中心552例患者的前瞻性研究，研究显示在诊断正常或异常肝脏背景下的FLLs时，是否选择Kupffer-CEUS方法并无明显限制，但是加入Kupffer相的CEUS准确性高于血管相CEUS（96.92%比89.81%），可有效减少FLLs的误诊率。尤其对于重度肝纤维化患者，结合Kupffer相的CEUS检查比传统的CEUS能提供更准确的诊断（98.51%比94.06%）。二、肝癌生物学精准分型的研究成果不同亚型的肝癌在影像学表现、病理、生物学行为上存在显著异质性，这直接影响诊断、治疗与预后评估的精准性。国内多个团队围绕HCC和肝内胆管细胞癌（intrahepaticcholangiocarcinoma，ICC）侵袭性亚型预测开展相关研究。针对粗梁巨块型（macrotrabecular-massive，MTM）HCC高侵袭性亚型，基于CEUS与临床指标构建的模型可于术前实现亚型识别，而基于常规超声及CEUS建立的影像组学模型则具备更优预测效能与可解释性，可用于术前分型与术后早期复发风险评估。构建定量CEUS模型，提升MTM亚型及高Ki-67表达模式的预测效能。使用卷积神经网络开发模型，可预测肿瘤簇包绕血管（vesselsencapsulatingtumorclusters，VETC）HCC亚型并关联术后复发。整合多模态影像学（超声+MRI）特征与临床指标构建列线图模型，实现双表型（dual-phenotype，DP）HCC亚型术前无创诊断。在ICC方面，构建决策树模型区分ICC亚型与未分化HCC；提出胆管扩张为核心的超声分型，区分肿块型（mass-forming，MF）ICC亚型，在术前提供关键信息。1.HCC侵袭性亚型预测在MTM-HCC高侵袭性亚型预测方面，解放军总医院第五医疗中心Wu等［6］开展了一项纳入387例患者的3个中心前瞻性研究。研究结果显示，CEUS早期廓清（<60s）、CEUS低增强成分、肿瘤大小及AFP≥100μg/L是MTM-HCC亚型的独立预测因子。基于上述指标构建的联合CEUS-临床模型在验证队列中预测MTM-HCC亚型的AUC为0.81，阴性预测值为88.0%，对患者总生存期具有较高的预测准确性（比值比：2.26）。该模型可在术前有效识别MTM-HCC高侵袭性亚型，有助于实现早期风险分层，并指导制定更为严密的临床监测方案。鉴于影像学评估易受观察者间变异影响，复旦大学附属中山医院Lu等［7］构建了基于常规超声和CEUS的影像组学模型，用于MTM-HCC术前识别及术后早期复发预测。该研究纳入3个中心344例HCC患者，建立的影像组学模型在内外部验证中AUC>0.88，性能优于传统模型及单一超声模型，且不劣于联合临床指标的综合模型。研究采用SHAP方法增强模型可解释性，生存分析显示其可有效预测术后1年无复发生存，为临床术前分型与复发风险评估提供辅助工具。在MTM-HCC高侵袭性亚型及高Ki-67增殖HCC表型预测方面，复旦大学附属中山医院Guan等［8］使用双中心170例患者数据，构建了整合临床特征、CEUS定性特征及定量灌注参数的Clinic-Q-CEUS预测模型。在验证队列中，临床-QCEUS模型对MTM亚型（AUC：0.868比0.693）及高Ki-67增殖HCC表型（AUC：0.787比0.610）的预测效能优于临床-CEUS模型表现。动态CEUS定量参数可帮助超声医师更准确地识别HCC患者术前侵袭性MTM亚型及高Ki-67表达模式，为后续治疗方案制定提供重要的影像学依据。在VETC-HCC高侵袭性亚型预测方面，中山大学附属第一医院Xu等［9］使用单中心242例患者的数据，采用ResNet18卷积神经网络分析CEUS图像，开发和验证VETC-HCC预测模型。基于深度学习特征的预测模型在测试组表现良好（AUC：0.90）。分层分析显示深度学习特征对肿瘤大小无显著区分作用。此外，深度学习特征与术后早期复发独立相关（风险比：1.99）。基于CEUS的深度学习模型在VETC-HCC患者的无创诊断和预后评估中发挥了重要作用，可为临床个体化管理提供可靠支撑。针对另一个DP-HCC高侵袭性亚型预测方面，复旦大学附属中山医院Chen等［10］回顾性纳入单中心222例病理确诊的HCC患者，整合多模态影像学（超声+MRI）特征与临床指标，构建并验证DP-HCC术前无创诊断列线图模型。确定年龄、乳酸脱氢酶、血小板计数、AFP、Adler分级、无强化区域、动脉期高强化及强化包膜为独立预测因子。模型在训练组与验证组C指数分别为0.92、0.87，准确率分别为0.87、0.86，校准曲线与决策曲线分析显示性能良好。DP-HCC患者无复发生存率显著低于非DP-HCC患者。该模型可实现DP-HCC无创预测，指导个体化治疗。2.ICC侵袭性亚型预测在ICC小胆管亚型（small-duct，SD）和大胆管亚型（large-duct，LD）预测方面，中山大学第一附属医院Zhang等［11］开展了一项纳入252例患者的单中心回顾性研究。研究显示AFP、癌胚抗原、糖类抗原19-9、乙型肝炎表面抗原状态、CEUS动脉期强化模式、CEUS消退时间≤45s及CEUS显著消退是SD-ICC、LD-ICC和未分化HCC的独立预测因子。基于主要特征的决策树模型，在验证集中表现出优异性能（AUC：0.88），且在不同肿瘤大小亚组中同样有效。与SD-ICC和未分化HCC相比，LD-ICC的总生存期显著更短，而在无复发生存期方面差异无统计学意义，且该决策树模型的预测类别与病理诊断结果相符合。基于决策树的诊断模型可准确区分ICC亚型及未分化HCC，有助于临床决策的优化。针对MF-ICC亚型预测方面，复旦大学附属中山医院Wen等［12］纳入了两家医院共141例经病理证实的MF-ICC患者。首次提出以“胆管扩张”为核心征象的超声分型方法，将MF-ICC分为胆管型和实质型两个亚型。与实质型MFICC相比，胆管型MF-ICC更易出现癌胚抗原≥5µg/L、微血管侵犯、淋巴结转移、胆管侵犯及高Ki-67表达等不良临床病理特征。胆管型MF-ICC更倾向于病理大管型，且病灶位置多位于肝左叶。与胆管型MF-ICC相比，实质型MF-ICC具有更优的总生存率。基于超声的胆管型和实质型MF-ICC亚分类有助于鉴别其临床病理特征，可在术前提供临床病理及预后信息。三、HCC局部及系统治疗评估的研究成果与既往研究比较，2025年HCC疗效超声评估研究进一步向标准化量化评估与治疗前疗效预测拓展，研究主要聚焦局部治疗和系统治疗两个关键临床场景。局部治疗评估中，三维（three-dimensional，3D）CEUS与对比增强计算机断层扫描（contrast-enhancedcomputedtomography，CECT）评估消融区形态尺寸一致性良好；新补充的CEUS治疗反应评估（treatmentresponseassessment，TRA）诊断效能好，具有较好临床应用潜力。3DCEUS/MRI-CEUS融合成像技术在评估HCC患者局部区域治疗反应方面，较二维（twodimensional，2D）CEUS显示出更高的诊断准确性。系统治疗评估中，基于CEUS的深度学习模型可有效预测联合治疗反应；CEUS检测靶免治疗后残余肿瘤的敏感性和AUC不劣于增强磁共振成像（contrast-enhancedmagneticresonanceimaging，CEMRI），可为临床治疗决策提供重要参考。1.局部治疗疗效评估术前规划系统是复杂微波消融（microwaveablation，MWA）手术成功的关键，而从消融区获取精确的形态学和体积参数是最重要的决定因素。天津市第三中心医院Yang等［13］探讨了3DCEUS与CECT在评估MWA消融区尺寸（大小与形态）的一致性。研究证实，3DCEUS与CECT在评估MWA消融区形态与大小方面具有相关性。两种方法在体积、短轴直径1和圆形度指数（Pearson相关系数r：0.96、0.90和0.87）以及长轴直径与短轴直径2（Spearman相关系数rs：0.97和0.87）方面均呈现极强的相关性。此外，3DCEUS与CECT在评估消融病灶参数时表现出优至良好的一致性（组内相关系数：0.81～0.95）。3DCEUS在评估MWA消融区形态与尺寸方面具有高准确性。整合3DCEUS数据将有助于进一步提升热消融术前规划系统的精确度。2024年美国放射学会在CEUSLI-RADS体系中新增TRA相关内容，旨在规范非放射局部治疗或手术切除后肿瘤活性的评估流程与标准［14］。上海交通大学医学院附属新华医院Cao等［15］验证了2024版CEUSLI-RADSTRA对于HCC消融治疗后肿瘤活性的评估能力。发现两名阅片者间的一致性良好至近乎完美（病灶内肿瘤存活率：Kappa系数为0.92；病灶周围肿瘤存活率：Kappa系数为0.72；CEUSLI-RADSTRA：Kappa系数为0.71）。CEUS与CECT/MRILI-RADSTRA分类的一致性极佳（组内相关系数：0.90）。此外，CEUSLI-RADSTRA分类表现出良好的诊断效能，尤其在特异性（88.1%～100%）和阴性预测值（93.9%～97.9%）方面。研究同时发现，随访间隔时间和消融后的病灶形状是疗效评估的重要影响因素。因此，2024版CEUSLI-RADSTRA在HCC消融治疗后肿瘤活性评估中具有较高的应用价值。在另一项前瞻性、多中心随机对照研究中，复旦大学附属中山医院Wang等［16］纳入7家中心共140例拟接受局部区域治疗的HCC患者，对比分析3DCEUS/MRI-CEUS融合成像与常规2DCEUS在评估HCC局部区域治疗疗效反应中的诊断价值。结果显示，3DCEUS/MRI-CEUS融合成像组诊断敏感性为100%，显著高于2DCEUS组的55.6%；两组特异性分别为96.3%与98.4%，差异无统计学意义；3DCEUS/MRI-CEUS融合成像组AUC达0.98，亦显著高于2DCEUS组的0.77。该研究证实，3DCEUS/MRI-CEUS融合成像在HCC局部治疗后疗效评估中具备更高的诊断准确性，可有效识别治疗后残留肿瘤病灶，为HCC局部治疗后的精准评估与临床管理优化提供可靠影像学依据。2.系统治疗疗效评估肝动脉灌注化疗（hepaticarteryinfusionchemotherapy，HAIC）联合与全身治疗（分子靶向治疗+免疫治疗）已显示出显著的抗癌效果。精准识别潜在获益患者，有助于优化晚期HCC患者的治疗决策。中山大学肿瘤防治中心Han等［17］开展了一项双中心326例患者的前瞻性研究，开发了一种新型AE-3DNet模型，以3DNet模型为基础，创新性地整合了时空注意力模块，有效增强了模型对动态特征的提取能力。与3DNet模型和基于时间-强度曲线的模型相比，AE-3DNet表现最优，其内部和外部验证队列的AUC分别达到0.84和0.85。AE-3DNet预测的缓解生存曲线与实际临床结局高度吻合。基于治疗前CEUS的AE-3DNet模型在预测晚期HCC对HAIC联合治疗的反应方面表现良好，可作为指导临床联合治疗方案制定及个体化治疗策略实施的有力工具。对于不可切除HCC患者，准确评估靶免降期治疗后的残余存活肿瘤至关重要。解放军总医院第一中心Zhu等［18］开展相关研究，旨在评估CEUS在检测接受仑伐替尼和PD-1抗体治疗后的HCC患者残余存活肿瘤方面的诊断性能，并将其与CEMRI进行比较。CEUS和CEMRI在检测残余存活肿瘤方面具有良好的一致性（阅片者1，Kappa系数为0.78；阅片者2，Kappa系数为0.73）。CEUS的敏感性和AUC不劣于CEMRI，差异分别为5%和0.01。特异性虽然降低了3%，但未达到非劣效性。基于病理结果（21个存活肿瘤和15个非存活肿瘤）的亚组分析显示，CEUS的敏感性（差异为9%）、特异性（差异为-7%）和AUC（差异为0.01）与CEMRI相似。在检测仑伐替尼和抗PD-1抗体治疗后残留的活性HCC方面，CEUS（共识解读）的敏感性和AUC不劣于CEMRI（单阅片者解读）。四、脂肪肝超声评估的研究成果代谢相关脂肪性肝病（metabolicdysfunction-associatedsteatoticliverdisease，MASLD）是我国乃至全球慢性肝病的主要原因之一，早期无创诊断分级和及时干预对评估病情、延缓病程进展至关重要。多项研究证实，多种超声脂肪定量相关技术（表1）对肝脂肪变性及MASLD具有良好的诊断效能。超声引导衰减参数（ultrasound-guidedattenuationparameter，UGAP）与MRI-质子密度脂肪分数（protondensityfatfraction，PDFF）呈强正相关，诊断各分级肝脂肪变性AUC达0.955以上，适用于糖耐量受损患者的长期监测。组织衰减成像（tissueattenuationimaging，TAI）、组织散射分布成像（tissuescatter-distributionimaging，TSI）和超声脂肪分数（ultrasound-basedfatfraction，USFF）均展现出较高的诊断效能，其中USFF相关性更优，三者可用于大规模人群筛查；UDFF在肝右叶的测量成功率及可重复性更具优势，诊断效能显著高于肝左叶；其与肝脂肪变性指数（hepaticsteatosisindex，HSI）序贯联合应用，可进一步提升MASLD的诊断价值；TSI与剪切波弹性成像（shearwaveelastography，SWE）联合模型在预测代谢功能障碍相关脂肪性肝炎（metabolicdysfunction-associatedsteatohepatitis，MASH）及高危MASH方面表现突出，各技术可分别有效评估肝脂肪变性、炎症及纤维化程度，为MASLD的无创分层评估提供可靠支撑。在一项单中心研究中，东南大学附属中大医院Gao等［19］以MRI-PDFF作为标准参考方法，评估了UGAP对糖耐量受损患者群体中肝脂肪变性的诊断准确性，研究显示体质指数（bodymassindex，BMI）、腰围和肝包膜距离与UGAP独立相关。UGAP与MRI-PDFF呈强正相关（r=0.890）。在肝脂肪变性分级诊断中，UGAP具有高诊断效能，其诊断≥S1级（MRI-PDFF≥6.4%）、≥S2级（MRI-PDFF≥17.4%）及≥S3级（MRI-PDFF≥22.1%）肝脂肪变性的AUC分别为0.980、0.955和0.985。UGAP对糖耐量受损患者的长期监测具有重要的临床价值。在另一项单中心研究中，复旦大学附属中山医院和上海市第十人民医院团队［20］对比分析了TAI、TSI和USFF对MASLD的诊断效能。研究结果显示，在整体数据集中，USFF与肝脂肪变性的相关性优于TAI和TSI（r=0.62、0.57、0.56）。在检测轻度及以上肝脂肪变性（≥S1）的二分类诊断中，TAI、TSI和USFF均表现出较高的诊断价值（验证集AUC：0.92～0.96），提示上述指标在MASLD大规模人群筛查与长期随访中具有良好的应用前景。近年来，基于超声的肝脏脂肪变性程度无创评估技术备受关注。超声衍生脂肪分数（ultrasound-derivedfatfraction，UDFF）作为新兴的肝脏超声脂肪定量技术，通过分析肝组织反射的射频信号，计算脂肪组织百分比值，量化肝脏脂肪变性程度。在一项包含3个中心的研究，复旦大学附属中山医院与复旦大学附属华山医院团队［21］探讨UDFF在不同经验操作者间的可重复性，以及其对肝脏脂肪变性的诊断性能。发现肝右叶UDFF测量成功率（93.5%）显著高于肝左叶（71.2%），且右叶测量具有优异的观察者间可重复性（组内相关系数：0.89～0.96）。在与MRI-PDFF的对照研究中，肝右叶测量的UDFF诊断效能显著优于肝左叶（AUC：0.97比0.84），该研究结果为UDFF的临床规范化应用提供了重要参考依据。复旦大学附属华山医院与复旦大学附属中山医院团队［22］进一步开展大样本研究，纳入全国9个城市14个中心的790例MASLD患者。研究发现UDFF与MRI-PDFF和氢质子磁共振波谱均呈现良好的相关性（rs=0.847、0.819）。在评估≥S1、≥S2和S3级肝脂肪变性时，UDFF的AUC分别达到0.933、0.948和0.914，显著优于HSI和脂肪肝指数等传统非侵入性检测方法。该研究同时为UDFF在脂肪变性分级中的应用建立了双阈值诊断标准：先用UDFF双阈值，再用HSI高阈值评估不确定区域。所提出的UDFF与肝脂肪变性指数序贯联合策略可将阳性预测值提升至95.8%，并有效降低了高BMI（≥23kg/m2）人群中不确定病例比例（18.0%降至7.6%），为UDFF在临床中的应用提供了新策略。中山大学附属第一医院、韩国首尔国立大学医院、上海交通大学附属瑞金医院及深圳市第三人民医院等团队［23］共同开展另一项国际多中心研究，研究显示TAI、TSI和SWE有助于对MASLD进行准确评估，而将TSI与SWE结合使用在预测MASH和高危MASH方面表现出良好的鉴别效能。TAI和TSI在评估脂肪变性≥S1、≥S2以及S3方面表现出色（TAI的AUC分别为0.90、0.93和0.78；TSI的AUC分别为0.94、0.89和0.80），TSI在评估炎症≥I1方面表现良好（AUC为0.84）。SWE在评估纤维化≥F1、≥F2、≥F3以及F4方面表现出色（AUC分别为0.81、0.96、0.89和0.97）。值得注意的是，TSI和SWE联合模型在诊断MASH（AUC为0.92）和高危MASH（AUC为0.82）方面优于TSI和SWE。五、慢性肝病超声评估的研究成果慢性肝病的无创分期可帮助确定患者病情轻重，预判向肝硬化、肝癌进展风险，指导个体化诊疗方案，规范长期随访并科学评估预后。2025年，有研究构建了高频超声深度学习模型，用于乙型肝炎肝纤维化分期评估，经多中心验证，诊断效能优于低频超声深度学习模型、血清学指标及SWE，临床价值显著。另一国际多中心研究基于多源数据构建肝病AI超声组学模型，诊断效果优于常规SWE，且在不同地域、不同病因及不同超声设备间均表现出良好的诊断稳定性，模型泛化能力突出。四川大学华西医院Zhang等［24］基于全国6个中心数据，构建了高频超声图像深度学习模型（highfrequencydeeplearning，HF-DL），用于慢性乙型肝炎患者肝纤维化分期评估。该研究以肝组织病理为金标准，分别训练HF-DL与基于低频超声图像的深度学习模型（low-frequencydeeplearning，LF-DL），用于显著纤维化、晚期纤维化及肝硬化三个二分类任务。与LF-DL模型、血清学标志物（纤维化-4指数、天冬氨酸转氨酶与血小板比值指数）及SWE相比，HF-DL模型在所有肝纤维化分期中均表现出持续更优的诊断性能，其中在进展期纤维化的分类诊断中优势尤为显著（内部测试集AUC为0.93，外部测试集AUC为0.93）。HF-DL模型在目标患者检测和阴性人群排除方面均表现出更好的性能，为慢性乙型肝炎肝纤维化的无创、精准评估提供了新的技术手段。中山大学附属第三医院Lu等［25］开展了一项国际多中心研究，研究覆盖中国、日本及欧洲共17个临床中心，纳入1937例患者。基于多源临床数据构建深度学习超声组学模型，旨在实现代偿性晚期慢性肝病的无创诊断。研究显示，该模型诊断效能显著优于2DSWE（AUC：0.89比0.83），且在不同国家和地区、不同病因（乙型肝炎、丙型肝炎或MASLD）及不同超声设备（声科影像、通用电器、迈瑞医疗）条件下均展现出比2DSWE更准确、更稳健的诊断性能，充分体现了AI模型在慢性肝病分期评估中的良好泛化能力。六、移植肝超声评估的研究成果2025年，移植肝超声相关研究主要聚焦于早期肝移植功能障碍（earlyallograftdysfunction，EAD）、术后早期移植肝衰竭（earlyallograftfailure，EAF）以及肝移植术后生存率预测，为肝移植术后早期预警与个体化管理提供了全新思路与可靠方法。针对EAD，有研究融合超声图像、血流频谱图与临床数据，构建智能模型，以实现精准识别；对于EAF，联合肝脏超声弹性测值与肝功能相关指标可有效预测不良结局；而针对移植术后生存预测，整合早期血流动力学参数与围手术期临床指标构建的预测模型，能够有效实现患者风险分层。EAD对肝移植患者的预后具有显著影响，其早期精准诊断与干预是改善患者结局的关键。中国科学院自动化研究所王坤教授团队联合天津市第一中心医院团队［26］提出一种超声-频谱图融合网络模型，通过整合灰度超声图像、门静脉血流频谱图、肝动脉血流频谱图、肝静脉血流频谱图及临床基线数据，用于判断患者是否发生EAD。结果显示，该模型的诊断AUC为0.968，所有预测指标均较经验丰富的医师和经验较少医师提升30%以上。通过对血流相关影像和数据进行建模，超声-频谱图融合网络模型能有效分析由血供异常导致的EAD患者。从血流角度而言，该方法提供了创新视角，可用于指导临床治疗策略制定，使EAD患者获得更精准及时的干预措施。术后EAF仍是肝移植领域的重要挑战，严重制约着肝移植成功率和长期疗效，早期预测与治疗对获得最佳疗效至关重要。复旦大学附属中山医院Yang等［27］开展了一项纳入189例患者的单中心前瞻性研究，证实联合肝脏超声弹性测值及天冬氨酸转氨酶可有效预测EAF。以术后第3d肝脏超声弹性测值>12.1kPa联合天冬氨酸转氨酶>339U/L为阈值，该联合指标对预测90d内严重不良结局（死亡或需再次移植）的敏感性为89%，特异性为86%，AUC达0.93，预测效能显著优于传统早期EAD模型，可为临床及时干预提供可靠依据。尽管外科手术技术不断进步，但肝移植术后死亡率仍较高。目前的预测模型对肝移植术后生存率的预测性能有限。安徽医科大学第一附属医院Gao等［28］基于单中心204例肝移植受者数据，整合术后早期（24h）血流动力学参数（门静脉血流量、肝动脉阻力指数）及围手术期临床变量（术前白细胞计数、门静脉血栓形成和腹腔粘连），构建并验证了用于预测总体生存期的新型在线列线图模型。在测试集中，该模型对30d、90d和1年生存率的预测性能表现优异（AUC分别为0.847、0.900和0.816），优于终末期肝病模型评分和Child-Pugh分级，能够有效预测肝移植术后生存率，为肝移植受者的风险分层和个体化管理提供了有价值的工具。七、肝脏介入超声相关临床研究HCC消融治疗是2025年介入超声研究的核心方向，研究重点从单纯疗效验证，进一步拓展至消融困难部位技术优化、治疗策略选择及术后早期复发/远处转移风险管理。对于困难解剖部位肝癌，采用球囊隔离辅助消融可减少局部肿瘤残留。针对复发肝癌，智能预测模型可优化消融与手术方案。肝纤维化降低消融后局部肿瘤进展（localtumorprogression，LTP）的发生风险，而多模态影像模型则可精准预测术后早期复发。同时，发现术后短暂低热对早期复发具有保护作用。此外，MWA术后肝外及盆腔转移与肿瘤特征、穿刺操作密切相关，合理干预可降低风险。在困难解剖部位HCC治疗方面，浙江大学医学院附属第一医院Zhao等［29］报道了球囊导管隔离辅助超声引导下MWA治疗难治性肝癌安全有效。肿瘤最大径是影响消融术后局部肿瘤残留发生率及肿瘤进展率的关键因素。球囊导管隔离组与球囊导管非隔离组的主要术后并发症发生率差异无统计学意义（2.5%比4.3%）。球囊导管隔离组与非球囊导管隔离组的术后局部肿瘤残留发生率差异有统计学意义（4.8%比17.5%）。球囊导管隔离（比值比=0.225）和肿瘤最大径（比值比=2.808）被确定为影响局部肿瘤残留发生率的独立因素。此外，肿瘤最大径还是累积肿瘤进展率的独立危险因素（比值比=3.445）。根据米兰标准选择肝切除术后复发性HCC的治疗方案仍具挑战性。浙江大学医学院附属第一医院蒋天安教授联合中国科学院自动化研究所王坤教授团队［30］开发了一种基于VisionTransformer的HEROVision模型，旨在实现超声引导下热消融与手术切除之间的个体化预后预测及治疗方案优化。HEROVision在初始HCC队列（772例患者）上训练，并在来自5家中心的复发性HCC队列（833例患者）上独立验证。在外部测试队列中，HEROVision在时间依赖性一致性指数和AUC方面，均显著优于临床常用的6种指南分期系统。该模型成功识别出35.9%（23/64）和6.6%（6/91）的高危复发性HCC患者，这些患者通过改变治疗方案可获得预后改善。HEROVision模型在早期复发性HCC患者中，对热消融与手术切除的个体化治疗选择具有良好的优化潜力，可作为现行临床指南的重要补充，为临床治疗决策提供更精准的参考。LTP已成为HCC热消融后不可忽视的复发类型。解放军总医院第五医疗中心Ding等［31］针对肿瘤周围肝实质对LTP的影响展开分析，并深入探讨其潜在作用机制。该研究纳入了两家医院346例超声引导下消融肝癌的病例，入组要求肿瘤周围实质活检及消融边缘大于5mm。分析显示纤维化是LTP的保护性因素（比值比=0.70）。与高纤维化组相比，低纤维化组表现出更高的卫星灶发生率（15.6%比8.4%）、更低的消融能量［（22637±9424）J比（33352±13779）J］及更高的体积缩小率（0.33±0.06比0.25±0.06）。纤维化对LTP的保护作用，可能通过阻断肿瘤侵袭、减少亚致死消融区域这一途径实现。在消融术后早期复发风险预测方面，浙江大学医学院附属第一医院蒋天安教授联合中国科学院自动化研究所王坤教授团队［32］，开展了一项针对接受超声引导局部消融治疗的HCC患者的双中心研究，共纳入633例研究对象。从超声和MRI序列中提取基于Vision-Transformer的定量ITH（ViTQ-ITH）特征，构建了融合了临床放射学评分和ViT-Q-ITH评分的多模态模型。该模型在预测接受不同消融方式治疗的早期HCC患者早期复发方面，表现优于单一特征模型。联合模型在训练集（射频消融集AUC=0.99）、内部验证集（MWA集AUC=0.86）、外部测试集（射频消融集AUC=0.83；激光消融AUC=0.84；不可逆电穿孔集AUC=0.82）队列中均展现出优异的早期复发预测性能。该多模态模型有效整合了临床-影像学因素与ITH特征，为HCC消融术后早期复发风险评估提供了可靠的技术支撑。发热是HCC患者热消融术后常见的不良反应，但其对预后的影响尚不明确。解放军总医院第五医疗中心Cai等［33］开展了一项为期15年的13个全国中心回顾性队列研究，共纳入接受超声引导下经皮MWA治疗的1458例初治HCC患者，旨在探讨消融术后发热与HCC预后的关系。与无发热患者相比，短暂低热对患者极早期复发（风险比=0.73）和早期复发（风险比=0.66）具有独立保护作用，而持续或高热在患者极早期复发（风险比=0.99）与早期复发（风险比=0.86）方面差异无统计学意义。短暂低热患者的中位无病生存期为40个月，优于无发热组（30个月）和持续或高热组（33个月）。短暂低热患者的5年总生存率为73.2%，高于无发热患者（69.3%）和持续或高热患者（66.7%）。短暂低热患者在消融术后7d淋巴细胞计数中位数最高，提示短暂低热可能通过短期淋巴细胞激活机制，对降低早期复发风险发挥保护作用。HCC的肝外转移与不良预后密切相关，但MWA术后肝外转移的临床特征及危险因素目前尚不明确。解放军总医院第五医疗中心Tian等［34］回顾性纳入513例经超声引导下MWA治疗的HCC患者。显示肿瘤最大径2～5cm（比值比=4.40）、>5cm（比值比=11.67）及活检次数（比值比=1.32）是导致术后肝外转移的显著危险因素。实施针道闭塞术（6.55%比54.55%）及免疫治疗联合靶向治疗（2.00%比13.72%）后，肝外转移发生率显著降低。该团队［35］进一步开展了巢式病例对照研究，评估MWA后盆腔转移的风险因素。研究发现患者术后1年、2年、3年和5年的肝外转移累积发生率均<20.0%，而盆腔转移发生率<1.0%。研究显示，Child-Pugh分级和活检穿刺次数与盆腔转移风险增加相关。多次活检穿刺和侵袭性肿瘤特征，可能提示盆腔转移高风险。八、肝脏超声相关指南及共识2025年，我国肝脏超声领域多项专家共识与指南相继发布，包括《原发性肝癌诊疗指南（2024年版）》《示卓安超声造影肝脏临床应用专家共识》和《超声衍生脂肪分数评估代谢相关脂肪性肝病中国专家共识（2025版）》，这为肝脏超声技术的规范化应用和临床决策提供了权威依据。受国家卫生健康委员会委托，由复旦大学附属中山医院樊嘉和周俭院士团队牵头，联合全国多学科专家共同制定的《原发性肝癌诊疗指南（2024年版）》，英文版在2025年发表于期刊《LiverCancer》［36］，纳入了肝癌临床诊疗的最新实践，以进一步规范我国肝癌诊疗行为。其中指南更新并细化超声相关内容，系统阐述了超声在HCC“人群筛查—精准诊断—引导消融—术中定位—疗效评价—术后随访”全流程中的核心作用，并提供了部分参数阈值及量化评估方法，进一步明确了超声在肝癌规范化管理中的临床定位。Sonazoid超声造影剂于2019年在中国获批应用，目前Sonazoid超声造影剂已在多个亚洲和欧洲国家获批使用。随着SonazoidCEUS在临床实践中应用于FLLs的情况日益增多，且目前的CEUS指南未能涵盖相应的内容，亟需建立专家共识或指南以规范其使用。解放军总医院第五医学中心梁萍教授和中山大学肿瘤防治中心周建华教授组织相关领域专家，发布了《示卓安超声造影肝脏临床应用专家共识》［37］。该专家共识基于最新循证医学证据，就示卓安CEUS在FLLs的监测与检出、病灶定性、介入及术中应用、肿瘤疗效评估等四个任务组方面的使用提出了循证建议。该专家共识的发布对推动肝脏CEUS的规范化应用具有重要意义。UDFF技术在评估肝脏脂肪变性方面应用潜力突出，但现有应用规范与推荐难以满足临床实际需求。为此，复旦大学附属华山医院丁红教授与复旦大学附属中山医院徐辉雄教授［38］牵头联合全国多学科肝病领域专家，结合UDFF最新临床进展，共同制定《超声衍生脂肪分数评估代谢相关脂肪性肝病中国专家共识（2025版）》。该共识在明确疾病定义、阐明UDFF技术原理的基础上，规范其临床适用范围与应用场景，从检查前准备、操作流程、测量次数、结果表达、质量控制及影响因素等方面优化技术操作规范，并系统总结现有临床研究成果，旨在全面提升UDFF技术临床应用的标准化与规范化水平。九、肝脏超声相关研究平台搭建和临床转化在研究平台搭建方面，复旦大学附属中山医院徐辉雄教授牵头创建了“中国超声多中心临床研究联盟”（ChinaAllianceofMulti-CenterClinicalStudyforUltrasound，UltraChance）。Ultra-Chance以“资源共享、开放创新、共建标准、产出高质量证据”为核心使命，整合国内多方力量和资源，致力于打造国内领先、国际认可的超声多中心临床研究平台，也将推动中国肝脏超声临床研究向更高质量、更深层次、更具国际影响力的方向迈进。在临床转化方面，复旦大学附属中山医院与联影医疗联合研发的uSONIQUE智能超声设备也在本年度正式发布，并创新性提出“肝脏超声全自动化检查工作流系统”核心构想，将“提升肝脏诊断质量、减少人为误差、优化医疗资源配置”作为明确研发目标［39］。上述举措极大推动了我国肝脏超声临床研究的规模化发展与临床转化应用。十、研究总结与未来展望与前两年年度进展相比，2025年中国肝脏超声研究整体呈现出向多中心、大样本、智能化、标准化与临床导向发展迈进的趋势［40-41］。以中国人民解放军总医院第五医学中心、中山大学附属第一医院、复旦大学附属中山医院及浙江大学医学院附属第一医院为代表的众多超声医疗中心持续产出高质量临床研究成果（表2）：①在诊断层面，研究重点由单一肝癌诊断逐步转向肝癌生物学特征与亚型的精准分型预测；②在疗效评估方面，超声评估由术后随访延伸至治疗前疗效与获益预测；③在超声介入领域，肝肿瘤消融治疗的策略及评估不断精细化与量化；④在方法学上，基于CEUS视频时空信息的动态分析逐步替代静态影像特征，影像组学与临床信息的联合应用为肝脏疾病预后评估及个体化决策提供了重要技术支撑。与国际同类研究相比，2025年中国肝脏超声临床研究在病例规模、多中心协作及临床转化效率方面具有明显优势。在乙型肝炎相关HCC等高发病因背景下构建的多模态影像模型，更贴近真实临床需求。同时，开展全国多中心前瞻性研究，验证了UDFF在肝脂肪变性评估中的可重复性与实用性，为脂肪肝的定量超声评估提供了较为完整的循证基础。值得关注的是，现有的肝脏超声临床研究多集中于单病种或局部验证，多数尚未形成统一的国内外临床共识与指南标准。超声定量参数在肝肿瘤复发风险与预后预测中的价值仍缺乏长期随访和大规模队列研究支撑。多数模型虽具备良好分类性能，但其跨人群、跨设备的泛化能力及可解释性仍有待进一步验证，这也直接影响到结果向可执行的临床决策转化。此外，在原创性技术源头创新及主导国际大型多中心研究方面，中国肝脏超声研究仍有提升空间。未来需持续加强原创技术研发与深度国际合作，以进一步巩固我国在肝脏超声领域的国际影响力。参考文献[1]LuRF，SheCY，HeDN，etal.AIenhanceddiagnosticaccuracyandworkloadreductioninhepatocellularcarcinomascreening［J］.NPJDigitMed，2025，8（1）：500.DOI：10.1038/s41746-025-01892-9.[2]DingW，MengY，MaJ，etal.Contrast-enhancedultrasound-basedAImodelformulti-classificationoffocalliverlesions［J］.JHepatol，2025，83（2）：426-439.DOI：10.1016/j.jhep.2025.01.011.[3]HuXY，SunYK，MiaoY，etal.Preoperativeidentificationofhepatocellularcarcinomafromfocalliverlesions≤20mminhigh-riskpatientsusingclinicalandcontrast-enhancedultrasoundfeatures［J］.EurJRadiol，2025，187：112076.DOI：10.1016/j.ejrad.2025.112076.[4]DuZ，FanF，MaJ，etal.Developmentandvalidationofanultrasound-basedinterpretablemachinelearningmodelfortheclassificationof≤3cmhepatocellularcarcinoma：amulticentreretrospectivediagnosticstudy［J］.EClinicalMedicine，2025，81：103098.DOI：10.1016/j.eclinm.2025.103098.[5]LiY，YuXL，JingX，etal.Non-invasiveKupffer-CEUSenhancestheaccuracyoffocalliverlesionsdiagnosisinpatientswithlivercirrhosisorfibrosis：aprospectivemulticenterstudyfromChina［J］.LiverCancer，2025，14（4）：435-445.DOI：10.1159/000543501.[6]WuJ，LiuS，ZhangY，etal.Predictionofmacrotrabecular-massivehepatocellularcarcinomaandassociatedprognosisusingcontrast-enhancedUSandclinicalfeatures［J］.RadiolImagingCancer，2025，7（4）：e240419.DOI：10.1148/rycan.240419.[7]LuD，QinC，WangLF，etal.B-modeultrasoundandcontrast-enhancedultrasound-basedradiomicsinterpretableanalysisforthepredictionofmacrotrabecular-massivesubtypeofhepatocellularcarcinoma［J］.UltrasoundJ，2025，17（1）：53.DOI：10.1186/s13089-025-00452-2.[8]GuanX，LiX，YangD，etal.Dynamiccontrast-enhancedultrasoundperfusionanalysisforpreoperativepredictionofaggressivehepatocellularcarcinomasubtypes［J］.InsightsImaging，2025，16（1）：202.DOI：10.1186/s13244-025-02052-z.[9]XuW，ZhangH，ZhangR，etal.Deeplearningmodelbasedoncontrast-enhancedultrasoundforpredictingvesselsencapsulatingtumorclustersinhepatocellularcarcinoma［J］.EurRadiol，2025，35（2）：989-1000.DOI：10.1007/s00330-024-10985-0.[10]ChenK，ZhuY，LiuH，etal.Preoperativepredictionofarareandhighlyaggressivesubtypeofhepatocellularcarcinomabasedonmultimodalimagingandclinicalindicators［J］.JHepatocellCarcinoma，2025，12：1253-1266.DOI：10.2147/JHC.S533963.[11]ZhangN，YangY，LinK，etal.Contrast-enhancedultrasoundfordiagnosingsubtypesofintrahepaticcholangiocarcinoma：acomparativestudywithpoorlydifferentiatedhepatocellularcarcinoma［J］.CancerImaging，2025，25（1）：107.DOI：10.1186/s40644-025-00923-8.[12]WenCJ，LiuH，SunLP，etal.Associationbetweenultrasound-basedbiliaryandparenchymalintrahepaticmass-formingcholangiocarcinomasubtypesandclinicopathologicalfeaturesandsurvival［J］.InsightsImaging，2025，16（1）：130.DOI：10.1186/s13244-025-02019-0.[13]YangH，ZhaoL，DingJ，etal.Three-dimensionalcontrast-enhancedultrasoundforevaluatingtheshapeandsizeofthemicrowaveablationzone［J］.UltrasoundMedBiol，2025，51（8）：1291-1297.DOI：10.1016/j.ultrasmedbio.2025.04.015.[14]LyshchikA，FetzerDT，KonoY，etal.Liverimagingreportinganddatasystemcontrast-enhancedUSnonradiationtreatmentresponseassessmentversion2024［J］.Radiology，2024，311（2）：e232369.DOI：10.1148/radiol.232369.[15]CaoJ，DongY，XuX，etal.LI-RADSCEUSnonradiationTRAversion2024：applicationonHCCpatientstreatedwithablationtreatment［J］.UltrasoundMedBiol，2025，51（8）：1308-1315.DOI：10.1016/j.ultrasmedbio.2025.04.018.[16]WangF，ZhangQ，YanK，etal.3D-CEUS/MRI-CEUSfusionimagingvs2D-CEUSafterlocoregionaltherapiesforhepatocellularcarcinoma：amulticenterprospectivestudyoftherapeuticresponseevaluation［J］.EurRadiol，2025，35（1）：453-462.DOI：10.1007/s00330-024-10915-0.[17]HanX，PengC，RuanSM，etal.Acontrast-enhancedultrasoundcine-baseddeeplearningmodelforpredictingtheresponseofadvancedhepatocellularcarcinomatohepaticarterialinfusionchemotherapycombinedwithsystemictherapies［J］.CancerSci，2025，116（7）：1930-1940.DOI：10.1111/cas.70089.[18]ZhuL，JiangB，FeiX，etal.Contrast-enhancedUSevaluationofresidualhepatocellularcarcinomafollowinglenvatinibcombinedwithanti-PD-1antibodydownstagingtherapy［J］.Radiology，2025，317（3）：e251698.DOI：10.1148/radiol.251698.[19]GaoR，HanJ，SongD，etal.Quantitativeassessmentofhepaticsteatosisbyultrasound-guidedattenuationparameterinpatientswithimpairedglucosetolerance［J］.InsightsImaging，2025，16（1）：247.DOI：10.1186/s13244-025-02123-1.[20]JiC，HeY，FanY，etal.Ultrasound-basedfatfractionfordetectionofhepaticsteatosisandquantificationofliverfatcontentusingliverbiopsyasthereferencestandard［J］.EurRadiol，2026，36（4）：3192-3205.DOI：10.1007/s00330-025-12117-8.[21]YinH，ChenG，FanY，etal.Prospectivemulticenterstudyonthereproducibilityofultrasound-derivedfatfractioninassessinghepaticsteatosis［J］.InsightsImaging，2025，16（1）：243.DOI：10.1186/s13244-025-02076-5.[22]XueL，ZhuY，ChengG，etal.Ultrasound-derivedfatfractionforthenoninvasivequantificationofhepaticsteatosis：aprospectivemulticenterstudy［J］.InsightsImaging，2025，16（1）：237.DOI：10.1186/s13244-025-02092-5.[23]HuangTY，LiZY，TianJ，etal.Metabolicdysfunction-associatedsteatoticliverdiseaseatquantitativeUS：internationalprospectivestudy［J］.Radiology，2025，316（1）：e242564.DOI：10.1148/radiol.242564.[24]ZhangL，TanZ，LiC，etal.Adeeplearningmodelbasedonhigh-frequencyultrasoundimagesforclassificationofdifferentstagesofliverfibrosis［J］.LiverInt，2025，45（7）：e70148.DOI：10.1111/liv.70148.[25]LuX，ZhangH，KurodaH，etal.Deeplearningradiomicsofelastographyfordiagnosingcompensatedadvancedchronicliverdisease：aninternationalmulticenterstudy［J］.VisComputIndBiomedArt，2025，8（1）：19.DOI：10.1186/s42492-025-00199-6.[26]MengY，WangM，NiuN，etal.Artificialintelligence-assisteddiagnosisofearlyallograftdysfunctionbasedonultrasoundimageanddata［J］.VisComputIndBiomedArt，2025，8（1）：13.DOI：10.1186/s42492-025-00192-z.[27]YangY，GongY，ShenW，etal.Liverstiffness：anovelimagingbiomarkerbyultrasoundelastographyforpredictionofearlyallograftfailurefollowinglivertransplantation［J］.AbdomRadiol（NY），2025，50（8）：3467-3475.DOI：10.1007/s00261-025-04796-0.[28]GaoY，DongB，ZhaoE，etal.Anovelnomogramintegratingearlypostoperativehemodynamicswithperioperativeclinicalvariablesforpredictinglivertransplantationoverallsurvival［J］.AcadRadiol，2025，32（10）：5814-5827.DOI：10.1016/j.acra.2025.06.049.[29]ZhaoQY，GuoT，HuJJ，etal.Safetyandeffectivenessofballooncatheter-assistedultrasound-guidedpercutaneousmicrowaveablationindifficult-sitelivercancer［J］.HepatobiliaryPancreatDisInt，2025，24（1）：84-91.DOI：10.1016/j.hbpd.2024.09.012.[30]ZhangK，RuJ，WangW，etal.Visiontransformer-basedmodelcanoptimizecurative-intenttreatmentforpatientswithrecurrenthepatocellularcarcinoma［J］.NatCommun，2025，16（1）：4081.DOI：10.1038/s41467-025-59197-0.[31]DingW，BiM，GaoY，etal.Theinfluenceofperitumoralparenchymaonlocaltumorprogressionofhepatocellularcarcinomaafterthermalablation：aretrospectivemulticenterstud