摘要目的:基于肝细胞癌(HCC)患者的临床资料及多模态肝脏影像组学分析建立机器学习模型,探讨此模型术前预测HCC微血管浸润(MVI)的价值.方法:回顾性分析2020年3月-2021年9月在本院经病理证实为原发性HCC的130例患者的术前肝脏MRI及临床资料.基于病理检查结果,将患者分为MVI阳性组及MVI阴性组.记录患者的各项术前临床资料.所有患者术前行MRI检查,检查序列包括T2WI、DWI和ADC以及Gd-EOB-DTPA对比增强动脉期、门脉期、延迟期和肝胆期T1WI共7个序列.由放射科医师评估肿瘤的常规影像特征.自7个序列的图像上分别提取影像组学特征并进行降维,然后采用线性支持向量机(SVM)方法构建预测MVI的预测模型.再将所有序列图像提取的特征整合,经降维分析后最终筛选出6个最佳组学特征并采用线性SVM方法构建多序列联合组学模型,然后基于此多序列联合组学模型计算每例患者的放射组学评分(Radscore)作为后续建模特征.最后共采用了5种机器学习算法对上述三类资料(即临床资料、常规影像特征、组学特征)中筛选出的特征进行综合模型的构建,包括线性的支持向量机(linear SVM)、带rbf核函数的支持向量机(rbf-SVM)、逻辑回归(LR)、随机森林(RF)和XGBoost(XGB).采用ROC曲线及概率校准曲线验证并评估单一或联合模型预测MVI的效能,根据受试者工作特性(ROC)曲线下面积选择最优模型.结果:临床指标及常规影像学特征中甲胎蛋白浓度、动脉期瘤周增强、肿瘤最大直径、肿瘤边缘、肿瘤生长模式、瘤内出血以及静脉侵犯征象(RVI)是MVI的独立预测因子.在7种单序列及多序列联合组学模型中,以多序列联合模型的诊断效能为最佳(在训练集中的AUC=0.913,95％CI:0.822～1.000).建立的5个机器学习综合模型中rbf-SVM模型的预测效能最好.相较于Radscore(测试集:AUC=0.879,95％CI=0.755～1.000)、临床病理(测试集:AUC=0.629,95％CI=0.453～0.805)和常规影像特征预测模型(测试集:AUC=0.567,95％CI=0.384～0.751),Radscore结合临床-病理参数及常规影像特征构建的综合模型列线图(测试集:AUC=0.968,95％CI=0.920～1.000)表现出最优的预测效能.结论:联合临床指标、常规MRI征象及组学特征构建的多参数机器学习模型在术前预测HCC微血管浸润方面具有较高的效能,对于手术方案的制定及疾病预后的评估具有一定的指导意义.