Teniposide

蔡秀军院士 【引用本文】蔡秀军，杨    瑾. 数智化助力肝癌诊治进展及未来研究方向[J]. 中国实用外科杂志,2026,46(1):6-10. DOI:10.19538/j.cjps.issn1005-2208.2026.01.02 数智化助力肝癌诊治进展及未来研究方向 蔡秀军，杨    瑾 中国实用外科杂志,2026,46(1):6-10 DOI:10.19538/j.cjps.issn1005-2208.2026.01.02  摘要  肝癌起病隐匿，手术风险高，临床预后差，且具有高度异质性，对传统诊疗模式构成严峻挑战。随着数智化技术的快速发展，以数据驱动和人工智能为核心的智能诊疗手段正逐步重塑肝癌的“诊-疗-管”全流程。诊断方面，机器学习（ML）与深度学习（DL）应用于影像组学、病例组学、新生物标记物的发现显著提升肝癌的早期筛查能力；治疗上，基于多模态数据的预测模型为个体化治疗决策提供了支持,同时人工智能（AI）集合三维可视化、虚拟手术规划与术中智能导航系统优化了手术方案，提升了操作安全性；在预后管理层面，AI技术实现了术后疗效动态监测、复发风险分层，推动了个体化随访策略的制定。 基金项目：国家自然科学基金面上项目（No.82472742；82473007）；教育部产学合作协同育人项目2024年第一批次立项项目（No.231104794101356） 作者单位：浙江大学医学院附属邵逸夫医院，浙江杭州310016 通信作者：蔡秀军，E-mail：srrsh_cxj@zju.edu.cn 中国是肝病大国，据国家癌症中心发布的数据，全球每年50%以上的新发肝细胞癌（以下简称肝癌）病例发生在我国，是导致国人死亡的第二大原因［1］。肝癌发病隐匿、进展迅速，预后极差。且有极强的异质性，这种异质性不仅体现在不同病人间的基因组、转录组和蛋白组学特征的巨大差异，也体现在同一肿瘤组织内部。这种复杂的生物学特性导致了病人对各种治疗的反应和预后千差万别，使得“一刀切”的传统诊疗模式难以满足精准医疗的需求［2-3］。 近年来，以“数据驱动”和“智能赋能”为核心的数智化浪潮为肝癌诊治带来革命性变革［2］。具体而言，在肝癌诊疗领域，通过计算机断层扫描（CT）、磁共振成像（MRI）、超声、以及数字病理切片扫描等先进设备，获取海量、多模态的临床数据构建全方位的病人“数字画像”。继而利用人工智能（AI）、大数据分析、云计算等技术，对这些多模态数据进行深度挖掘、整合与学习，重塑肝癌外科从“经验主导”到“数据驱动”、从“同质化治疗”到“精准个体化”的“诊-疗-管”全流程［4］。 本文将系统梳理数智化手段在肝癌诊断、治疗、预后推测的最新进展并展望其未来发展方向，以期为推动肝癌精准医疗体系的构建提供参考。 1 |数智化赋能肝癌精准诊断 1.1    影像组学：从“经验主导判读”到“智能量化解析”    肝癌是目前为数不多通过影像便可确诊的疾病，精准影像诊断至关重要。超声及超声造影、动态增强CT、MRI扫描是肝癌诊断的首选影像学检查方法，却深受医师经验、病人个体差异等因素影响。AI通过深度学习（DL）模型实现影像的自动化分析与精准量化为诊断提供标准化的客观依据，显著提升诊断效能。 早在2010年，有报告利用灰度共生矩阵提取B超图像特征，并结合模糊支持向量机（SVM）构建分类模型，成功区分局灶性肝脏病变（FLLs）的良恶性表征。随着深度学习技术的发展，Dadoun等［5］利用来自多中心的2551张腹部超声图像，开发并验证了基于检测变换器（DETR）的深度学习模型用于FLLs的检测、定位与定性。该模型灵敏度达97%，综合诊断性能媲美甚至超越超声专家。2024年，笔者团队通过18家中心12610例的深度学习研究，构建基于CT影像的肝脏占位性病变AI辅助诊断系统，该系统良恶性诊断准确率达95.1%，7种肝脏占位性病变分类准确率达91.2%，与高年资影像报告审核医生之间无明显差异［6］。Zhang等［7］运用DeepSeek-V3分析非结构化以及426例MRI和动态增强CT的影像数据,发现DeepSeek-V3的诊断准确率显著高于初级放射科医生。 与此同时，AI还具备强大的多维度信息整合能力，能够从影像特征、放射组学数据及临床参数中挖掘深层次关联，完成超越人眼识别极限的复杂模式分析，不仅显著提高了对小肝癌的早期识别与鉴别精度，甚至能够实现对肝癌发病风险的超早期、精细化评估，为在高危人群中推行个体化的筛查策略提供了有力工具。笔者团队利用1210例肝肿瘤病人的增强MRI、非增强MRI及临床数据，开发了基于卷积神经网络的深度学习系统，实现了肝脏肿瘤的七分类诊断。该模型在恶性肿瘤分类中的曲线下面积（AUC）高达0.985，与病理检查结果的一致性达91.9%，其诊断性能达到经验丰富放射科医生的水平。Guo等［8］研究了来自11个中心的1858例肝硬化病人,结合CT图像和实验室检查结果,开发了一个早期肝癌预警的ALARM模型，能够有效地预测肝硬化病人的短期肝癌发展（队列AUC：0.929，内部AUC：0.902，外部AUC：0.918）。Shin等［9］通过深度学习算法，结合CT影像与临床变量整合，构建了慢性乙型肝炎病人的肝癌风险预测模型（PLAN-B-DF）。该模型能将病人精准分层为4个风险组，10年累积肝癌发病率组间差异巨大（从0~46.2%）。 1.2    数字病理：从“人工微观观测”到“AI协同深度解码”         病理学是肝癌诊断的“金标准”，但传统病理诊断依赖人眼观察组织形态，极大地受限于病理医生经验，且对肿瘤分级、微环境分析及分子特征挖掘效率有限。数字病理技术可提取形态学特征，辅助病理分级、分型，并可预测基因突变、预后及对药物治疗的敏感性。 笔者团队通过数字化病理切片联合DL技术，开发了肝癌术中及术后快速病理诊断模型，其性能接近5年经验病理医师的能力，良恶性分类准确率为96.0%，还可预测4个关键基因突变［10］。Shi等［11］系统性地从全切片图像中量化提取出与肝癌预后密切相关的微观表型特征，构建了客观的“肿瘤风险评分”,可将病人精细分层为5个预后差异显著的群体，为传统TNM分期系统提供了重要的补充决策信息。Zheng等［12］通过多中心回顾性研究基于CLAM算法，开发了一个基于常规H&E染色切片的ABRS-P模型，可有效预测“T+A”方案（阿替利珠单抗+贝伐珠单抗）的临床疗效。 1.3    新型分子标记物：从“单维标记物筛查”到“多组学整合与AI智能筛选”    传统血清标记物（如AFP）对早期肝癌灵敏度不足且无法反映肿瘤异质性。在数智化浪潮的推动下，基于高通量蛋白质组学与机器学习算法的液体活检技术，为肝癌的早期诊断带来了革命性的突破。 Xing等［13］对1002例个体的血清样本蛋白质组学分析，成功筛选并构建了一个由HABP2、CD163、AFP和PIVKA-Ⅱ组成的四蛋白标记物组合（P4 panel），区分肝癌与肝硬化的AUC高达0.979，敏感性与特异性均＞0.9，更是能够提前11.4个月预测肝硬化向肝癌的转化，实现了真正的超早期预警。Su等［14］基于397例慢性乙型肝炎相关肝硬化及肝癌病人的血清N-糖组学数据构建了用于预后监测的prog-G模型，该模型的诊断AUC值高达0.967，显著优于传统标志物AFP；其预后模型在影像学发现前成功识别了所有复发病人，灵敏度达96%以上，为根治性治疗后复发监测建立了超早期预警系统。 2 |数智化驱动肝癌个性化治疗 2.1    治疗决策支持：从“指南推荐”到“个体化推演”    肝癌治疗呈多元化发展趋势，治疗选择需综合考虑肿瘤特征、肝功能、病人状态等多因素。即便同一分期的肝癌，指南仍推荐了多种不同治疗策略可供选择，故传统决策依赖医生经验，易导致方案偏差。数智化决策支持系统通过构建综合性预测模型为手术、介入、药物等治疗策略的选择提供关键决策依据，实现治疗方案的动态优化。 笔者团队基于不可切除肝癌病人的CT影像和临床特征开发了初始经动脉化疗栓塞（TACE）疗效的术前预测模型，可有效筛选TACE治疗的敏感人群，并可为预后评估和后续个体化治疗方案的制定提供思路和依据［15］，被写入《原发性肝癌诊断与治疗指南（2022版）》。Yan等［16］利用机器学习算法，构建了一个具有22个基因特征的细胞死亡相关指数（CDRI），并与临床特征相结合，可有效地预测肝癌病人对治疗策略的反应，其中高CDRI病人更适合索拉非尼药物治疗，低CDRI病人则更适合TACE。Kim等［17］依据来源于韩国中央癌症登记处接受肝移植或肝手术的全国性队列数据库研究开发并验证了肝移植治疗和手术切除之间的个体化治疗优选模型。 2.2    手术规划与导航：从“二维图纸”到“三维智能”    肝癌的推荐治疗是手术切除，但是由于复杂的解剖结构，肝癌手术是公认的高风险、高难度手术，对术者空间感知与操作精度要求极高。通过虚拟现实（VR）的渲染技术将肝癌病人的CT或MRI薄层数据转化三维形式呈现病人个体化解剖结构，并可进行旋转、缩放等互动操控。结合深度学习模型，外科医生可以精心规划手术入路，模拟肝段切除平面与门静脉蒂定位、优化切除边缘，精准测算剩余肝体积，并融合关键临床指标预测术后肝功能，最大限度地降低术中风险。增强现实（AR）还可将渲染产生的虚拟影像叠加在手术视野从而提供复合视图的技术，从而实现手术导航，提高术中管道的识别精度。 早在2010年，Vorst等运用OsiriX CT容积测量法预测部分肝切除病人肝切除体积和残余体积。2015年He等［18］采用IQQA肝脏三维重建系统，对15例终末期肝泡状棘球蚴病病人进行个体化肝脏三维重建和虚拟手术规划，评估自体肝移植的可行性。腹腔镜融合吲哚菁绿荧光成像(IGFI)系统PINPOINT已用于腹腔镜肝切除术中，笔者团队使用该成像通过阴性复染来识别肝叶和肝段，可以识别不同类型的肝内胆管癌（ICC），实现腹腔镜下ICC解剖肝切除术的实时导航［19］。 AI图像增强还可增强解剖结构和器械的识别，实时动态调整以改善术中视觉环境。Ali等［20］开发了一种在线预处理框架，能够实时进行去噪、去模糊和颜色校正摄像头成像等功能。Wang等［21］已经提出了与Swim Transformer耦合的卷积神经网络（CNN），其能够从术中手术镜头中移除烟雾，产生无烟手术视野。Eslamian等［22］开发了一种模型，该模型结合了术中工具跟踪、机器人运动学数据和术中图像数据，能够自主平移摄像机视图并确定最佳手术可视化的正确缩放。AI还可帮助外科医生感应到在进行机器人手术时其解剖和缝合任务期间组织阻力的变化。 CNN和递归神经网络（RNN）在增强手术视频的工作流程识别和时空特征建模方面也发挥了关键作用，Peng等［23］开发并验证了智能手术助理(ISA)在腹腔镜半肝切除术的所有程序化阶段识别和手术区域评估中表现出了高精度和一致性。DiPietro等［24］使用RNN研究了手势和动作识别。AI模型还可以帮助评估手术难度，Lim等［25］测量了手术过程中的生理和认知需求，并基于这些多模态生理信号开发以区分主要任务和多任务需求的分类模型，发现其准确率高达79%。这些可能为手术标准化和外科培训带来新的思路与策略。 2.3    药物选择优化：从“试错治疗”到“靶点预测”    随着索拉菲尼和程序性死亡受体1（PD-1）抑制剂等靶向和免疫疗法的出现和发展，为不可手术切除肝癌病人带来希望。然而靶免治疗的疗效存在显著个体差异，核心挑战在于缺乏精准的药物响应预测工具。数智化技术通过解析药物作用机制与肿瘤微环境，构建“生物标记物-疗效”关联模型，指导个体化用药。 Dadoun等［26］通过分析小鼠模型及人类样本发现SDH缺陷或琥珀酸水平可作为新型生物标记物，用于识别那些可能对YAP/TAZ靶向治疗敏感的肝癌病人亚群。而Xu等［27］利用来自两个国际中心的不可切除肝细胞癌病人治疗前CT影像及临床数据，开发了一个用于预测阿替利珠单抗联合贝伐珠单抗（A/B）免疫治疗方案疗效与生存期的深度学习结合机器学习模型。该综合模型的预测性能显著优于传统的巴塞罗那（BCLC）临床肝癌分期和白蛋白-胆红素（ALBI）分级。 同时，耐药性的增加和高死亡率要求不断发现有效的靶免药物。Yang等［28］构建并验证了基于深度学习的化学表观模型，从ZINC15类药物库中的600多万种化合物中筛选出LGOd1，鉴定为一种具有特征性左旋葡萄糖酮(LGO)支架的新型抗癌药物。Luo等［29］获取32种癌症类型和免疫治疗队列的多组学数据，通过整合多种机器学习方法建立了代谢重编码的评估模型，并确定了一种潜在的靶向药物替尼泊苷，为开发针对特定代谢亚型的靶向治疗提供了新思路。 3 |数智化助力肝癌动态预后推测 3.1    动态预后模型：从“静态单次评估”到“动态监测与实时更新的智能迭代” 传统预后模型（如BCLC分期、TNM分期）多为治疗前静态评估，无法反映治疗过程中肿瘤进展或治疗反应的变化。数智化技术通过对比治疗前后纵向数据的动态建模，实现预后的实时更新与精准分层。Hao等［30］在多中心研究中对2068例连续接受初次TACE治疗的肝癌病人进行回顾性分析，开发了预测高危肝癌（hHCC）TACE后早期复发模型,其预测性能优秀（内部AUC：0.888，外部AUC：0.854）。针对免疫检查点抑制剂（ICIs）无反应的病人，Chen等［31］利用机器学习和空间转录组数据分析发现了由KPNA2、CENPA和UCK2组成的G2MRS，可准确预测肝癌预后和ICISs反应。这种可动态更新的预测模式，为实现“以病人为中心”的个体化监测方案提供了数据驱动的基础，使有限的医疗资源能更精准地分配给持续高风险人群。 3.2    多模态数据融合的预后模型：从“单源孤立预测”到“多维协同的智能预后推断”    整合临床数据、影像组学、病理组学、基因组学等多模态数据，构建更精准的预后预测模型，远超传统TNM分期和临床指标的预测能力，这被称为“数字生物标记物”。He等［32］利用来自4个医疗中心的1505例肝癌手术病人数据，开发并验证了一个整合术前临床与术后病理特征的机器学习列线图模型。该模型预测无病生存与总生存的C指数均>0.74，显著优于其他7种传统肝癌分期系统。更揭示了不同风险组别具有截然不同的复发模式：高危组倾向于早期复发，而低危组则以晚期局部复发为主，这为制定差异化的术后随访策略提供了关键依据。Hui等［33］利用来自多个中心的肝细胞癌病人术前三相CT影像及临床数据，开发了一个用于预测肝癌术后复发的多模态深度学习模型（Recurrence NET），该模型预测1~5年复发的准确率显著优于组织学微血管浸润和多种临床风险评分。     4 |未来研究方向及挑战 4.1    数据质量与标准化    当前AI研究多限于回顾性分析，缺乏前瞻性临床验证，且模型性能无法直接等同临床效益。核心瓶颈在于数据质量：多源异构的医疗数据形成“数据孤岛”，而高质量标注成本高、主观性强，严重制约模型泛化能力。未来需构建标准化多中心专病库，采用联邦学习实现数据协同，并发展自监督与生成式AI以突破数据瓶颈，提升模型稳定性。 4.2    模型可解释性    尽管当前最先进的AI模型（尤其是深度学习）在肝癌影像识别（如CT、MRI）中表现优异，但其决策过程不透明，难以解释“为何做出该判断”。2019年Topol就在Nature Medicine上明确指出AI要融入临床，解决其可解释性问题是关键前提之一。推动可解释AI（XAI）的发展是建立人机信任的基石。未来研究将致力于开发能“自我解释”的模型，例如通过可视化热力图高亮显示影像中影响决策的关键区域，或生成基于医学概念的逻辑推理链。 4.3    伦理与隐私安全    肝癌医疗数据隐私安全是AI发展的核心挑战。数据全生命周期均存在泄露与滥用风险，且现行安全法规常与AI大数据需求相冲突。未来需依赖隐私增强技术，例如联邦学习、同态加密与差分隐私等技术可实现在不共享原始数据的前提下，共同完成计算和分析，从源头上保护隐私。同时，必须建立覆盖全周期的透明监管与伦理框架，以确保技术发展安全可控，赢得公众信任。 4.4    临床落地与整合    许多优秀的AI模型在回顾性研究中表现出色，却难以在真实的临床场景中落地。其核心原因在于，其往往是独立于现有医院信息系统（HIS/PACS）和工作流的“额外工具”，增加了医生的操作负担，未能实现无缝嵌入。未来的AI系统必须是“以临床为中心”的设计。重点在于将AI功能深度整合到影像归档、病理诊断、手术导航等核心临床系统中，实现“一键式”操作与智能提醒，成为无形赋能的力量。同时，模型需具备持续学习能力，利用临床产生的新数据不断迭代进化。最终，通过大规模前瞻性临床试验证明其能切实改善病人预后，完成从“研究对象”到“临床工具”的价值验证。 利益冲突    所有作者均声明不存在利益冲突 作者贡献声明    蔡秀军负责论文总体设计、撰写与审定，杨瑾负责资料收集与论文撰写 参考文献 （在框内滑动手指即可浏览） ［1］    Han B, Zheng, R, Zeng, H, et al.Cancer incidence and mortality in China, 2022［J］. J Natl Cancer Cent, 2024, 4(1): 47-53. DOI: 10.1016/j.jncc.2024.01.006. ［2］    滕皋军.肝癌介入治疗的精准选择与合理应用［J］. 中国实用外科杂志, 2024, 44(9): 992-995. DOI: 10.19538/j.cjps.issn1005-           2208.2024.09.05. ［3］    樊嘉, 王征.从《原发性肝癌诊疗指南（2024年版）》更新看我国肝癌综合治疗新进展［J］. 中国实用外科杂志, 2024, 44(9): 984-987. DOI: 10.19538/j.cjps.issn1005-2208.2024.09.03. ［4］    张维志, 刘连新.肝细胞癌综合治疗研究进展［J］. 中国实用外科杂志, 2025, 45(10): 1186-1190. DOI: 10.19538/j.cjps.issn1005-2208.2025.10.22. ［5］    Dadoun H, Rousseau AL, De Kerviler E, et al.Deep Learning for the detection, localization, and characterization of focal liver lesions on abdominal US images［J］. Radiol Artif Intell, 2022, 4(3): e210110. DOI: 10.1148/ryai.210110. ［6］    Ying H, Liu X, Zhang M, et al.A multicenter clinical AI system study for detection and diagnosis of focal liver lesions［J］. Nat Commun, 2024, 15(1): 1131. DOI: 10.1038/s41467-024-45325-9. ［7］    Zhang J, Liu J, Guo M, et al.DeepSeek-assisted LI-RADS classification: AI-driven precision in hepatocellular carcinoma diagnosis［J］. Int J Surg, 2025, 111(9): 5970-5979. DOI: 10.1097/js9.0000000000002763. ［8］    Guo L, Hao  X, Chen  L, et al.Early warning of hepatocellular carcinoma in cirrhotic patients by three-phase CT-based deep learning radiomics model: a retrospective, multicentre, cohort study［J］. EClinicalMedicine, 2024, 74: 102718. DOI: 10.1016/j.eclinm.2024.102718. ［9］    Shin H, Hur  MH, Song  BG, et al.AI model using CT-based imaging biomarkers to predict hepatocellular carcinoma in patients with chronic hepatitis B［J］. J Hepatol, 2025, 82(6): 1080-1088. DOI: 10.1016/j.jhep.2024.12.029. ［10］    Chen M, Zhang  B, Topatana  W, et al.Classification and mutation prediction based on histopathology H&E images in liver cancer using deep learning［J］. NPJ Precis Oncol, 2020, 4: 14. DOI: 10.1038/s41698-020-0120-3. ［11］    Shi JY, Wang X, Ding GY, et al.Exploring prognostic indicators in the pathological images of hepatocellular carcinoma based on deep learning［J］. Gut, 2021, 70(5): 951-961. DOI: 10.1136/gutjnl-2020-320930. ［12］    Zeng Q, Klein C, Caruso S, et al.Artificial intelligence-based pathology as a biomarker of sensitivity to atezolizumab-bevacizumab in patients with hepatocellular carcinoma: a multicentre retrospective study［J］. Lancet Oncol, 2023, 24(12): 1411-1422. DOI: 10.1016/s1470-2045(23)00468-0. ［13］    Xing X, Cai  L, Ouyang  J, et al.Proteomics-driven noninvasive screening of circulating serum protein panels for the early diagnosis of hepatocellular carcinoma［J］. Nat Commun, 2023, 14(1): 8392. DOI: 10.1038/s41467-023-44255-2. ［14］    Su R, Tao X, Yan L, et al.Early screening, diagnosis and recurrence monitoring of hepatocellular carcinoma in patients with chronic hepatitis B based on serum N-glycomics analysis: A cohort study［J］. Hepatology, 2025, DOI: 10.1097/hep.0000000000001316. ［15］    Chen M, Cao  J, Hu J, et al.Clinical-radiomic analysis for pretreatment prediction of objective response to first transarterial chemoembolization in hepatocellular carcinoma［J］. Liver Cancer, 2021, 10(1): 38-51. DOI: 10.1159/000512028. ［16］    Yan X, Wang M, Ji L, et al.Machine learning and molecular subtyping reveal the impact of diverse patterns of cell death on the prognosis and treatment of hepatocellular carcinoma［J］. Comput Biol Chem, 2025, 115: 108360. DOI: 10.1016/j.compbiolchem.2025.108360. ［17］    Kim HU, Han  JW, Sung PS, et al.Machine learning-based selection of resection vs transplant and survival in hepatocellular carcinoma［J］. JAMA Netw Open, 2025, 8(9): e2532353. DOI: 10.1001/jamanetworkopen.2025.32353. ［18］   He YB, Bai  L, Jiang Y, et al.Application of a Three-dimensional reconstruction technique in liver autotransplantation for end-stage hepatic alveolar echinococcosis［J］. J Gastrointest Surg, 2015, 19(8): 1457-1465.  DOI: 10.1007/s11605-015-2842-z. ［19］    Zhai ST, Liang, X, Mao, QJ, et al.A retrospective pilot study to examine the feasibility of real-time navigation for laparoscopic liver resections in intrahepatic cholangiocarcinoma using fusion indocyanine green fluorescence imaging［J］. J Surg Oncol, 2020, 122(2): 226-233. DOI: 10.1002/jso.25940. ［20］    Ali S, Jonmohamadi Y, Fontanarosa D, et al.One step surgical scene restoration for robot assisted minimally invasive surgery［J］. Sci Rep, 2023, 13(1): 3127. DOI: 10.1038/s41598-022-26647-4. ［21］    Wang F, Sun X, Li  J.Surgical smoke removal via residual Swin transformer network［J］. Int J Comput Assist Radiol Surg, 2023, 18(8): 1417-1427. DOI: 10.1007/s11548-023-02835-z. ［22］    Eslamian S, Reisner  LA, Pandya AK.Development and evaluation of an autonomous camera control algorithm on the da Vinci Surgical System［J］. Int J Med Robot, 2020, 16(2): e2036. DOI: 10.1002/rcs.2036. ［23］    Peng ZY, Wang ZB, Yan  Y, et al.Development of an AI-driven digital assistance system for real-time safety evaluation and quality control in laparoscopic liver surgery［J］. Front Oncol, 2025, 15: 1678525. DOI: 10.3389/fonc.2025.1678525. ［24］    Dipietro R, Ahmidi N, Malpani A, et al.Segmenting and classifying activities in robot-assisted surgery with recurrent neural networks［J］. Int J Comput Assist Radiol Surg, 2019, 14(11): 2005-2020. DOI: 10.1007/s11548-019-01953-x. ［25］    Schuler N, Shepard L, Saxton  A, et al. Predicting surgical experience after robotic nerve-sparing radical prostatectomy simulation using a machine learning-based multimodal analysis of objective performance metrics［J］. Urol Pract, 2023, 10(5): 447-455. DOI: 10.1097/upj.0000000000000426. ［26］    Yuan T, Zhou  T, Qian  M, et al.SDHA/B reduction promotes hepatocellular carcinoma by facilitating the deNEDDylation of cullin1 and stabilizing YAP/TAZ［J］. Hepatology, 2023, 78(1): 103-119. DOI: 10.1002/hep.32621. ［27］    Vithayathil M, Koku  D, Campani  C, et al.Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunotherapy for hepatocellular carcinoma［J］. J Hepatol, 2025, 83(4): 959-970. 10.1016/j.jhep.2025.04.017. ［28］    Yang F, Jia  L, Zhou HC, et al.Deep learning enables the discovery of a novel cuproptosis-inducing molecule for the inhibition of hepatocellular carcinoma［J］. Acta Pharmacol Sin, 2024, 45(2): 391-404. 10.1038/s41401-023-01167-7. ［29］    Luo K, Qian  Z, Jiang Y, et al.Characterization of the metabolic alteration-modulated tumor microenvironment mediated by TP53 mutation and hypoxia［J］. Comput Biol Med, 2023, 163: 107078. 10.1016/j.compbiomed.2023.107078. ［30］    Hao S, Liang  X, Li X, et al.Identification and validation of an explainable machine learning model for hepatocellular carcinoma with high-risk: a retrospective multicenter cohort study［J］. Int J Surg, 2025,  10.1097/js9.0000000000003480. ［31］    Chen X, Wu  S, He  H, et al.G2M-checkpoint related immune barrier structure and signature for prognosis and immunotherapy response in hepatocellular carcinoma: insights from spatial transcriptome and machine learning［J］. J Transl Med, 2025, 23(1): 202. 10.1186/s12967-024-06051-4. ［32］    He Y, Luo  L, Shan  R, et al.Development and validation of a nomogram for predicting postoperative early relapse and survival in hepatocellular carcinoma proteomics-driven noninvasive screening of circulating serum protein panels for the early diagnosis of hepatocellular carcinoma［J］. J Natl Compr Canc Netw, 2023, 22(1D): e237069. 10.7507/1001-5515.20201004110.6004/jnccn.2023.7069. ［33］    Hui RW, Chiu  KW, Lee  IC, et al.Multimodal multiphasic preoperative image-based deep-learning predicts HCC outcomes after curative surgery［J］. Hepatology, 2025, 82(2): 344-356. 10.1097/hep.0000000000001180. （2025-12-11收稿） （来源：中国实用外科杂志） 声 明 凡署名原创的文章版权属《肿瘤瞭望》所有，欢迎分享、转载。本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。