原发性肝细胞癌(hepatocellularcarcinoma,HCC)是临床中较为常见的恶性肿瘤之一,且致死率位居第二。其中微血管侵犯(microvascularinvasion,MVI)状态关系到患者治疗方案选择以及预后评估,而临床针对微血管侵犯诊断仅依靠术后组织病理学检查。因此,对原发性肝细胞癌患者构建精准的术前微血管侵犯状态预测模型具有重要的临床意义。影像组学方法通过从影像中提取高通量信息进行深层挖掘分析,能够实现肿瘤的无创诊断和预后预测。然而,现有影像组学方法主要集中关注肿瘤区域,忽略了肿瘤周围环境。在病理学上,肿瘤周围组织是最先受微血管侵犯影响的区域。因此,与肿瘤区域相比,涉及肿瘤周围组织的影像学特征可能显示与微血管侵犯直接相关。同时超声检查具有操作简单、无创便携等特点,是临床上肝脏影像学检查首选检查方式。因此本研究首次提出基于瘤周区域构建原发性肝细胞癌患者微血管侵犯状态超声预测模型,构建更全面、精准的辅助诊断模型,有望解决术前微血管侵犯状态诊断难题。本研究的数据来源于上海复旦大学附属中山医院,总共收集来自9台不同超声仪器的322例经组织病理学证实的原发性肝细胞癌患者(其中178名微血管侵犯阴性患者,102名M1患者,42名M2患者)超声影像及临床信息,并按照不同的仪器型号分训练测试集。首次提出了一种基于肿瘤和瘤周的影像组学模型,且首次建立微血管侵犯阳性中M1和M2分类模型,实现对原发性肝细胞癌患者微血管侵犯状态的全面精准预测。首先分别从肿瘤区域(GTR)和瘤周区域(PTR)提取高通量影像组学特征,通过机器学习方法筛选特征并使用随机森林(RF)、支持向量机(SVM)和LASSO构建分类模型,最后使用ROC曲线下面积(AUC)来评估并对比不同模型的分类能力。将上述所构建的模型在验证集中进行测试,研究结果显示,针对鉴别微血管侵犯阴阳性,基于瘤周区域构建的影像组学模型能较好地鉴别(AUC=0.710),且将基于肿瘤区域与瘤周区域的模型逻辑回归所建立的模型(AUC=0.726)优于单独利用肿瘤(AUC=0.708)或瘤周区域特征所建立的模型,展现出瘤周区域具有协同作用。同时,研究发现若将影像组学模型与临床甲胎蛋白(AFP)指标进行融合构建的人机结合模型,预测微血管侵犯阴阳性的精度又进一步提升(AUC=0.744);针对鉴别M1和M2,基于肿瘤区域构建的影像组学模型具有良好的分类能力(AUC=0.806)。本研究的意义在于,验证了以往临床忽略的瘤周区域对微血管侵犯状态预测的重要价值,且首次对微血管侵犯阳性中的M1和M2进行了分类预测,并结合临床征象全面客观的预测微血管侵犯状态,有望在临床中辅助医生进行原发性肝细胞癌患者微血管侵犯状态术前精准无创诊断。