《肝细胞癌伴微血管侵犯诊断和治疗中国专家共识（2024 版）》影像学解读

《肝细胞癌伴微血管侵犯诊断和治疗中国专家共识（2024版）》影像学解读【摘要】微血管侵犯（MVI）是肝细胞癌术后早期复发的重要独立危险因素，其术前精准预测对治疗决策至关重要。《肝细胞癌伴微血管侵犯诊断和治疗中国专家共识（2024版）》从诊断、分型、预测及治疗维度对MVI全程管理提供了系统性指导。影像学凭借无创、实时、可重复的优势，在MVI术前评估中发挥着重要作用。因此，本文从影像学视角对该共识进行深度解读，重点阐述超声、CT、MRI及人工智能技术在MVI术前预测中的应用现状，并探讨影像学评估在临床决策中的价值，旨在为肝细胞癌伴MVI患者的个体化诊疗提供科学参考。【关键词】癌，肝细胞；微血管侵犯；磁共振成像；超声检查；体层摄影术，X线计算机；人工智能；专家共识肝细胞癌（hepatocellularcarcinoma，HCC）是全球第六大常见恶性肿瘤及第三大癌症相关死因。我国HCC的疾病负担沉重，新发病例数位居恶性肿瘤第4位，死亡率居第2位[1-2]。目前HCC的首选根治性治疗方法是手术切除，但术后5年总体复发率高达70%[3]。微血管侵犯（microvascularinvasion，MVI）是导致术后早期复发的重要独立危险因素。术前识别MVI有助于指导手术方案与切缘策略，对改善患者远期预后至关重要[4-5]。目前MVI的诊断金标准为术后组织病理学检查，其有创、结果滞后；而术前穿刺活检敏感性不足，限制了其在术前评估中的应用[6]。影像学无创、实时、可重复，能够在术前通过多模态影像特征揭示肿瘤的MVI风险，已成为术前无创预测的重要方向。本文基于影像学视角，深度解读《肝细胞癌伴微血管侵犯诊断和治疗中国专家共识（2024版）》（以下简称共识），系统阐述超声、CT、MRI以及影像组学与人工智能（artificialintelligence，AI）技术在MVI术前预测中的应用现状，推动MVI影像评估从“风险识别”向“指导治疗决策”过渡，以期为HCC伴MVI患者的全程规范化管理提供指导。1MVI的诊断MVI是指显微镜下内皮细胞衬覆的血管腔内的癌细胞巢团，多见于肿瘤包膜内及癌旁肝组织门静脉微小分支。它是肿瘤细胞早期侵袭微循环与启动血行转移的始动环节，也是HCC术后复发的重要不良预后因素[7]。目前国际学术界对MVI的诊断标准与病理分型尚未完全统一。为规范术后组织病理学评估，共识推荐采用七点基线取材方案并结合三级MVI分级系统，依据显微镜下瘤周肝组织内MVI的检出数量及分布位置，将其严重程度划分为三级[8]：M0级，未检出MVI；M1级，MVI≤5个且局限于距肿瘤边缘≤1cm的近癌旁肝组织；M2级，MVI>5个或累及距肿瘤边缘>1cm的远癌旁肝组织。MVI分级越高，提示肿瘤侵袭性越强，术后复发风险越高。该病理分级体系为影像学术前预测提供了明确的对照标准，即影像学能否在术前无创地区分M0、M1与M2级，将直接影响其术前风险分层的临床可行性。2影像学在MVI术前预测的应用影像学无法直接观测MVI的微观病理结构，但可通过肿瘤形态、边缘、包膜完整性及血流动力学等宏观征象间接反映MVI的存在。这些征象本质上反映了肿瘤的侵袭性生长、新生血管异常及微循环紊乱。共识明确将影像学特征、影像组学及临床-实验室联合模型列为术前预测MVI的依据。2.1超声超声在HCC早期筛查中具有关键作用，但对MVI的术前预测主要依赖于对肿瘤血流动力学的间接评估。超声造影通过静脉注射微泡对比剂，可实时显示肿瘤多时相灌注特征。Yao等[9]的前瞻性多中心研究表明，基于Sonazoid的超声造影在预测HCCMVI方面具有良好的诊断效能，对于肿瘤直径≤30mm和>30mm的队列，其曲线下面积分别可达0.819和0.747。超微血管成像通过自适应算法分离低速血流信号与组织运动伪影，可在无对比剂的条件下清晰显示肿瘤微血管构型[10]，为MVI的无创评估提供了新方法。超声造影与超微血管成像均具备实时动态成像优势，其中超声造影可提供定量灌注参数，相关诊断证据等级较高；而超微血管成像无需对比剂即可显示微血流，更适合筛查与动态监测场景。然而，超声造影对较大肿瘤预测效能相对有限，且对深部病灶及膈顶区域显示不佳，声衰减和呼吸伪影可显著降低图像质量；此外，征象判读主观性强，结果高度依赖操作者经验，在一定程度上限制了临床推广。2.2CT作为HCC术前常规影像学方法，CT在MVI预测中的应用日益受到关注。相关报道中的CT征象主要包括肿瘤边缘不光滑、包膜不完整及马赛克征等[11–13]，这些特征与MRI所反映的侵袭性生长模式一致，但由于CT软组织分辨率有限，其识别很大程度上依赖医师经验，可重复性较低。为突破这一局限，定量功能CT技术展现出独特潜力。全脏器低剂量CT灌注技术有效解决了传统灌注成像辐射剂量过高的问题，使术前评估肝脏血流动力学成为可能。Zhang等[14]研究表明，联合门静脉灌注、肝动脉灌注指数及动脉增强分数等三相CT灌注参数，可反映HCC局部微循环紊乱，从而有效预测MVI。此外，分形分析能够定量刻画微血管结构的几何复杂度与空间构型，为MVI预测提供了另一维度的信息。Che等[15]研究表明，分形分析指标可作为潜在的诊断生物标志物，将其与灌注参数及临床模型相结合，可进一步提升MVI的预测效能，并有助于对患者无复发生存期及总生存期进行风险分层。综上，CT对MVI的评估正从形态学观察迈向多参数定量表征，其与常规征象联合应用或可进一步提升预测效能。2.3MRIMRI凭借高软组织分辨率和成像优势，不仅能显示肿瘤形态学特征，还可通过功能成像间接反映MVI相关的微观病理改变，是目前MVI术前预测研究最深入、证据最充分的影像学方法。已有多项研究系统总结了预测MVI的MRI征象，包括肿瘤大小、肿瘤多灶性、肿瘤边缘不光滑、动脉期瘤周强化、肝胆期低信号以及肝胆期瘤周低信号等（表1）。其中，瘤周影像学特征因直接反映肿瘤-宿主界面微环境重塑而备受关注。一项Meta分析结果显示，动脉期瘤周强化与肝胆期瘤周低信号均具有高特异度，但敏感度较低，提示钆塞酸二钠增强MRI可作为术前排除MVI的有效无创工具[16]；其中，肝胆期瘤周低信号是最具MVI提示价值的MRI征象，其诊断比值比为8.2，汇总阳性似然比为5.0，表民航当该征象出现时，MVI的可能性显著升高。从病理生理机制看，该征象与动脉期瘤周强化具有内在关联：肿瘤周围微小癌栓阻塞门静脉分支后，导致门静脉血流减少、动脉代偿性灌注增加，从而形成动脉期瘤周强化[17]；而门静脉血供减少进一步引起周围肝细胞有机阴离子转运多肽表达下调或功能受损，进而表现为肝胆期瘤周低信号[18]。目前，单一MRI征象在预测MVI时各有优劣，部分征象特异度高而敏感度低，另一部分则相反，而联合多种征象与临床指标可突破这一瓶颈，显著提升诊断效能。Jiang等[19]的双中心研究整合肿瘤边缘不光滑、扩散加权成像受限、瘤内动脉、肝胆期瘤周低信号、肿瘤多灶性及甲胎蛋白>400ng/ml6项指标，构建了MVI预测评分系统，在训练集与测试集的曲线下面积分别达0.879和0.800，显著优于单一征象或简单组合的预测方案，进一步凸显了共识中多因素联合预测模型的临床应用价值。2.4影像组学、AI与生境成像2.4.1影像组学传统影像学对MVI的评估主要基于医师对肉眼可见形态特征的识别，特异性虽高但敏感性有限，在一定程度上限制了术前精准识别能力的提升。影像组学通过高通量提取人眼无法辨识的深层次纹理特征，将肿瘤异质性转化为可量化的高维数据，为克服这一主观局限提供了新途径。一项Meta分析表明，基于MRI影像组学的HCC-MVI预测模型合并敏感度为79%、特异度为81%，曲线下面积达0.87[20]，其诊断效能已初步超越传统影像征象判读。在影像组学的方法学优化中，感兴趣区的勾画策略是影响模型性能的关键。鉴于MVI在肿瘤边缘区域最活跃，瘤周区域可能蕴含超越瘤体本身的预测信息。Wang等[21]针对≤5cm孤立性HCC的研究证实，基于增强CT的瘤周5mm影像组学模型可有效预测MVI状态，且瘤体与瘤周区域的联合模型诊断效能最优，提示纳入瘤周微环境有助于提升预测精度。此外，影像组学长期面临“黑箱”质疑，高通量特征虽能提升预测精度，但其生物学意义不明确。Wang等[22]的研究为破解这一困境提供了重要突破，通过术前增强MRI构建影像组学评分预测MVI，并进一步结合RNA测序分析发现，影像组学评分与APOE⁺巨噬细胞及炎症性肿瘤相关成纤维细胞的浸润水平高度相关。这一发现将影像组学特征与MVI相关的肿瘤免疫微环境建立了可解释的生物学关联，为理解影像组学的病理意义提供了新视角。2.4.2深度学习共识在MVI预测部分提及了影像组学，但也指出其样本量小、缺乏外部验证等局限。近年来，深度学习与生境成像等新技术虽尚未纳入共识，但均展现出良好潜力，代表了该领域的前沿方向。影像组学分析流程依赖人工分割与手工特征工程，操作烦琐且易引入人为主观偏倚，限制了临床大规模应用。深度学习通过卷积神经网络等架构实现端到端的自动特征提取与分类，从根本上规避了上述局限。作为机器学习的高级分支，它能够挖掘更深层次的影像表征，系统分析肿瘤异质性及肿瘤微环境，从而构建更稳健、泛化能力更强的预测模型。Cao等[23]基于Transformer架构构建的MVI-TR模型，在≤5cm的早期HCC中预测MVI的曲线下面积达0.935，效能显著优于传统机器学习方法，这在一定程度上证明了深度学习具备减少人工干预并兼顾预测精度的能力。然而，深度学习模型长期面临“黑盒”困境，其高度非线性的决策过程难以被人类理解，这是临床信任的主要障碍。最新研究通过引入注意力机制正逐步破解这一难题。You等[24]在MVI预测网络中嵌入协同注意力机制，生成的注意力热图揭示，肿瘤边缘区域在所有增强时相上均为模型决策的关键区域，从算法层面验证了以边缘不光滑评估MVI风险的影像学经验；而全连接层权重热图进一步表明，肝胆期对预测的贡献大于其他时相，从计算角度证实了钆塞酸二钠增强MRI在MVI评估中的核心地位。这种算法判断与医师经验相互印证的模式，使深度学习的决策逻辑首次可视化，是临床建立对AI辅助诊断信任的关键转折点。2.4.3生境成像注意力热图显示MVI预测的关键区域集中于肿瘤边缘，表明肿瘤内部不同亚区存在生物学异质性，若采用整体特征平均化则可能掩盖这一差异。生境成像是为解决这一问题而发展起来的新范式，通过对每个体素的多序列影像特征进行无监督聚类，将肿瘤区域划分为若干个具有相似功能特征的“生境”亚区（如高增殖活性区、缺氧区、坏死区等），从而将异质性从“整体描述”推进到“空间定位与量化表征”。基于扩散加权成像或钆塞酸二钠增强MRI的生境模型在MVI预测效能上已优于传统影像组学方法[25-26]。早期的生境模型多局限于瘤内，然而MVI的发生不仅与瘤内异质性相关，还受瘤周肝实质微环境重塑影响。瘤周微小癌栓浸润可引发局部缺氧、免疫细胞募集及基质重塑，这些病理改变在影像上表现为瘤周功能的异质性。研究证实，将生境分析拓展至瘤周区域后，提取的瘤周生境分数已成为预测MVI及术后早期复发的独立危险因素[27-28]。在此基础之上，将各亚区衍生的特征分别输入不同机器学习分类器，再通过决策融合模型整合多源信息，可显著提升MVI状态评估的准确性[29]。此外，生境分析的流程自动化与可解释性也在持续改进。基于DeepLabV3+的深度学习架构可实现多区域MRI生境的自动分割，减少人工勾画的主观偏差，提升流程标准化与可重复性[30]。而SHapley加性解释可解释性框架的引入，能进一步量化各生境亚区对预测结果的贡献权重，为临床理解模型决策提供直观依据[31]。综上，影像组学、深度学习与生境成像三者各具特色、互为补充，共同构建了MVI术前预测的AI方法体系。三者层层递进，共同推动MVI评估向自动化、可解释与个体化方向发展。3基于影像学的MVI预测在HCC治疗决策的价值随着影像技术快速发展与MVI预测准确性的持续提升，基于术前影像的MVI评估已从预后判断走向治疗决策指导。近年来，HCC治疗领域取得革命性进展，以经导管动脉化疗栓塞、靶向免疫治疗为代表的围术期治疗方案不断丰富，为伴MVI的HCC患者提供了更多治疗选择[32]。在此背景下，治疗策略的精准分层成为临床核心需求。为此，共识明确提出，在可靠、准确的术前MVI预测基础上，MVI有望作为决策型生物标志物，并据此制订相应的多学科诊疗流程（图1）。该流程以术前MVI预测为起点，联合实验室指标、影像学与AI进行风险评估，对高风险患者优先推荐解剖性肝切除或保证足够手术切缘，再根据术后病理确定辅助治疗策略的闭环管理理念。在术前决策层面，上海东方肝胆外科医院开发的列线图模型是共识目前推荐的MVI预测工具，该列线图后续用于新辅助放疗临床试验的患者筛选，初步验证了影像学预测模型指导新辅助治疗决策的可行性[33]。通过术前精准识别MVI高危人群，有望筛选出新辅助治疗（如靶向-免疫联合治疗、放疗等）的潜在获益人群，实现肿瘤降期、降低生物学活性，从而改善术后远期生存。在术中决策层面，共识明确推荐，对于MVI预测的高危患者，应优先选择解剖性肝切除术或保证切缘距离≥1cm。Lin等[34]基于影像学特征及血清甲胎蛋白构建的列线图显示，在判定的MVI阳性小肝癌患者中，接受解剖性切除者的无复发生存期显著优于非解剖性切除者。此外，Kim等[35]基于MRI的MVI预测模型研究显示，在识别出的高风险患者中，扩大切缘（≥1cm）组的5年累积复发率显著低于未扩大手术切缘组（26.6%比59.8%）；而在低风险患者中，扩大切缘未带来显著的生存获益。综上，基于影像学MVI风险分层的术中决策（解剖性切除、扩大切缘）对于MVI高风险者有望转化为明确的生存获益；而低风险患者不必要扩大手术切缘，以保留更多功能性肝实质，降低术后肝衰竭风险。4结论与展望本文从影像学视角对共识进行解读，系统梳理了超声、CT、MRI及AI在MVI术前预测中的应用现状与进展。综合现有证据，常规影像征象（尤其是MRI瘤周征象）已具备切实的MVI预测价值，影像组学、深度学习及生境成像则通过刻画肿瘤及瘤周空间异质性，进一步提升了预测效能。影像学对MVI的评估正在实现从预后预测向临床治疗决策的转变。然而，推动影像学MVI评估进入临床实践，仍面临以下挑战：①建立统一的影像征象定义与扫描参数标准；②开展基于影像学风险分层的前瞻性多中心干预试验；③通过术后病理大切片与术前影像的三维空间配准，建立影像生境特征与组织学、免疫微环境及基因表达谱的点对点映射关系，为AI模型提供可解释的生物学基础；④继续发展如注意力热图、SHapley加性解释可视化与可解释技术，推动AI的临床落地。总之，影像学驱动的MVI精准评估正从形态学判断迈向生物学表征与临床决策的一体化。随着标准化体系、前瞻性证据与可解释AI的逐步成熟，影像学MVI预测有望从研究热点转化为临床工具，成为HCC精准诊疗体系中不可或缺的决策支撑。参考文献[1]BrayF,LaversanneM,SungH,etal.Globalcancerstatistics2022:GLOBOCANestimatesofincidenceandmortalityworldwidefor36cancersin185countries[J].CACancerJClin,2024,74(3):229-263.DOI:10.3322/caac.21834.[2]中国抗癌协会肝癌专业委员会.中国肿瘤整合诊治指南肝癌(2022精简版)[J].中国肿瘤临床,2022,49(17):865-873.DOI:10.12354/j.issn.1000-8179.2022.20220942.[3]国家科技部传染病防治重大专项课题《病毒性肝炎相关肝癌外科综合治疗的个体化和新策略研究》专家组.肝细胞癌肝切除术后复发预防和治疗中国专家共识(2020版)[J].中国实用外科杂志,2021,41(1):20-30.DOI:10.19538/j.cjps.issn1005-2208.2021.01.03.[4]LiuJ,ZhuangG,BaiS,etal.Thecomparisonofsurgicalmarginsandtypeofhepaticresectionforhepatocellularcarcinomawithmicrovascularinvasion[J].Oncologist,2023,28(11):e1043-e1051.DOI:10.1093/oncolo/oyad124.[5]HwangSY,DanpanichkulP,AgopianV,etal.Hepatocellularcarcinoma:updatesonepidemiology,surveillance,diagnosisandtreatment[J].ClinMolHepatol,2025,31:S228-S254.DOI:10.3350/cmh.2024.0824.[6]梁弦弦,刘丽,马也,等.经皮穿刺活检诊断肝癌微血管侵犯的临床价值[J].介入放射学杂志,2022,31(2):185-188.DOI:10.3969/j.issn.1008-794X.2022.02.015.[7]HwangYJ,BaeJS,LeeY,etal.Classificationofmicrovascularinvasionofhepatocellularcarcinoma:correlationwithprognosisandmagneticresonanceimaging[J].ClinMolHepatol,2023,29(3):733-746.DOI:10.3350/cmh.2023.0034.[8]CongW,BuH,ChenJ,etal.Practiceguidelinesforthepathologicaldiagnosisofprimarylivercancer:2015update[J].WorldJGastroenterol,2016,22(42):9279.DOI:10.3748/wjg.v22.i42.9279.[9]YaoJ,LiK,YangH,etal.AnalysisofSonazoidcontrastenhancedultrasoundforpredictingtheriskofmicrovascularinvasioninhepatocellularcarcinoma:aprospectivemulticenterstudy[J].EurRadiol,2023,33(10):7066-7076.DOI:10.1007/s00330-023-09656-3.[10]WilsonA,LimAKP.Microvascularimaging:newDopplertechnologyforassessingfocalliverlesions.Isituseful?[J].ClinRadiol,2022,77(12):e807-e820.DOI:10.1016/j.crad.2022.05.032.[11]LvJ,LiX,MuR,etal.Comparisonofthediagnosticefficacybetweenimagingfeaturesandiodinedensityvaluesforpredictingmicrovascularinvasioninhepatocellularcarcinoma[J].FrontOncol,2024,14:1437347.DOI:10.3389/fonc.2024.1437347.[12]LiuY,ZhouY,LiaoC,etal.Correlationbetweendynamiccontrast-enhancedCTimagingsignsanddifferentiationgradeandmicrovascularinvasionofhepatocellularcarcinoma[J].JHepatocellCarcinoma,2025,12:1-14.DOI:10.2147/jhc.s489387.[13]ZhuY,FengB,CaiW,etal.PredictionofmicrovascularinvasioninsolitaryAFP-negativehepatocellularcarcinoma≤5cmusingacombinationofimagingfeaturesandquantitativedual-layerspectral-detectorCTparameters[J].AcadRadiol,2023,30(Suppl1):S104-S116.DOI:10.1016/j.acra.2023.02.015.[14]ZhangL,PangG,ZhangJ,etal.Perfusionparametersoftriphasiccomputedtomographyholdpreoperativepredictionvalueformicrovascularinvasioninhepatocellularcarcinoma[J].SciRep,2023,13:8629.DOI:10.1038/s41598-023-35913-y.[15]CheF,LiQ,RenW,etal.3DfractaldimensionanalysisofCTimagingformicrovascularinvasionpredictioninhepatocellularcarcinoma[J].EurRadiol,2026,36(2):1351-1362.DOI:10.1007/s00330-025-11878-6.[16]WuY,ZhuM,LiuY,etal.PeritumoralimagingmanifestationsonGd-EOB-DTPA-enhancedMRIforpreoperativepredictionofmicrovascularinvasioninhepatocellularcarcinoma:asystematicreviewandmetaanalysis[J].FrontOncol,2022,12:907076.DOI:10.3389/fonc.2022.907076.[17]ZhaoY,ZhangJ,WangN,etal.Intratumoralandperitumoralradiomicsbasedoncontrast-enhancedMRIforpreoperativelypredictingtreatmentresponseoftransarterialchemoembolizationinhepatocellularcarcinoma[J].BMCCancer,2023,23(1):1026.DOI:10.1186/s12885-023-11491-0.[18]MinamiguchiK,IrizatoM,UchiyamaT,etal.Hepatobiliaryphasegadoliniumethoxybenzyl-diethylenetriaminepentaaceticacidMRIforpretreatmentpredictionofefficacy-to-standardtherapiesbasedonBarcelonaClinicLiverCanceralgorithm:anup-to-datereview[J].EurRadiol,2023,33(12):8764-8775.DOI:10.1007/s00330-023-09950-0.[19]JiangH,WeiJ,FuF,etal.Predictingmicrovascularinvasioninhepatocellularcarcinoma:adual-institutionstudyongadoxetatedisodium-enhancedMRI[J].LiverInt,2022,42(5):1158-1172.DOI:10.1111/liv.15231.[20]LiangG,YuW,LiuS,etal.Thediagnosticperformanceofradiomics-basedMRIinpredictingmicrovascularinvasioninhepatocellularcarcinoma:ameta-analysis[J].FrontOncol,2023,12:960944.DOI:10.3389/fonc.2022.960944.[21]WangF,ChengM,DuB,etal.Predictingmicrovascularinvasioninsmall(≤5cm)hepatocellularcarcinomasusingradiomics-basedperitumoralanalysis[J].InsightsImag,2024,15(1):90.DOI:10.1186/s13244-024-01649-0.[22]WangY,ZhuG,YangR,etal.Decipheringintratumoralheterogeneityofhepatocellularcarcinomawithmicrovascularinvasionwithradiogenomicanalysis[J].JTranslMed,2023,21(1):734.DOI:10.1186/s12967-023-04586-6.[23]CaoL,WangQ,HongJ,etal.MVI-TR:atransformer-baseddeeplearningmodelwithcontrast-enhancedCTforpreoperativepredictionofmicrovascularinvasioninhepatocellularcarcinoma[J].Cancers,2023,15(5):1538.DOI:10.3390/cancers15051538.[24]YouH,WangJ,MaR,etal.Clinicalinterpretabilityofdeeplearningforpredictingmicrovascularinvasioninhepatocellularcarcinomabyusingattentionmechanism[J].Bioengineering,2023,10(8):948.DOI:10.3390/bioengineering10080948.[25]ZengY,WuH,ZhuY,etal.MRI-basedintra-tumoralecologicaldiversityfeaturesandtemporalcharacteristicsforpredictingmicrovascularinvasioninhepatocellularcarcinoma[J].FrontOncol,2025,15:1510071.DOI:10.3389/fonc.2025.1510071.[26]ZhangY,ChenJ,YangC,etal.Preoperativepredictionofmicrovascularinvasioninhepatocellularcarcinomausingdiffusion-weightedimaging–basedhabitatimaging[J].EurRadiol,2024,34(5):3215-3225.DOI:10.1007/s00330-023-10339-2.[27]ZhangY,WangS,SongM,etal.MRI-basedintra-andperitumoralheterogeneityinhepatocellularcarcinomaformicrovascularinvasionpredictionandprognosticriskstratification[J].RadiolImagCancer,2025,7(6):e250066.DOI:10.1148/rycan.250066.[28]ZhangY,YangC,ShengR,etal.Predictingtherecurrenceofhepatocellularcarcinoma(≤5cm)afterresectionsurgerywithpromisingriskfactors:habitatfractionoftumoranditsperitumoralmicro-environment[J].LaRadiolMed,2023,128(10):1181-1191.DOI:10.1007/s11547-023-01695-6.[29]HuangZ,HuangW,JiangL,etal.Decisionfusionmodelforpredictingmicrovascularinvasioninhepatocellularcarcinomabasedonmulti-MRhabitatimagingandmachinelearningclassifiers[J].AcadRadiol,2025,32(4):1971-1980.DOI:10.1016/j.acra.2024.10.007.[30]HuangZ,PanY,HuangW,etal.PredictingmicrovascularinvasionandearlyrecurrenceinhepatocellularcarcinomausingDeepLabV3+segmentationofmul