摘要目的 探讨基于CT影像组学特征构建机器学习模型预测肝细胞癌(HCC)微血管浸润(MVI)状态.方法 回顾性分析经组织病理学明确证实为HCC且已评估MVI状态的108例患者,依据MVI状态将其划分为MVI(+)组41例及MVI(-)组67例.所有患者均于术前2周内接受腹部CT平扫与双期增强扫描.通过手动方式勾画全肿瘤区域,并提取影像组学特征.在训练集中,应用最大相关最小冗余(mRMR)以及最小绝对收缩和选择算子(LASSO)方法对影像组学特征降维处理.降维后的影像组学特征,分别采用随机森林(RF)、逻辑回归(LR)、支持向量机(SVM)、K近邻(KNN)、梯度提升决策树(lightGBM)、自适应增强机(AdaBoost)这6种模型对MVI进行预测.采用受试者工作特征曲线(ROC)的曲线下面积(AUC)和Delong检验对6种机器学习模型的预测准确度进行评估.从上述6种机器学习模型中选出预测准确度最优的机器学习模型,采用SHAP方法分析各影像组学特征与MV状态的相关性.计算每例患者SHAP值,并对机器学习模型的特征重要性进行可视化.结果 经过降维和筛选流程后,最终有7个影像组学特征(其中包括5个平扫特征、1个动脉期特征以及1个静脉期特征)被应用于模型构建.在6种分类器模型中,RF模型表现最为优异,其训练组AUC为0.988,验证组AUC为0.901.在SHAP方法中,通过混淆矩阵可知,RF模型对验证集准确预测27例,其中阳性患者准确预测4例,阴性患者准确预测23例.在计算每例患者SHAP值后发现,SHAP值越大,预测结果越倾向于MVI(+);反之,预测结果则更偏向于MVI(-).结论 基于CT影像组学特征所构建的机器学习模型能够有效预测HCC病灶的MVI状态,借助SHAP方法解释了机器学习模型的决策过程,对于临床指导制定合理的个性化治疗方案具有重要的辅助价值.