目的针对肝细胞癌（HCC）术后早期复发难以准确预测的临床挑战,本研究拟:首先,训练并验证基于ResUNet网络的CT图像分割模型,实现肝肿瘤和脾脏的全自动化分割;其次,探索肿瘤影像组学特征、脾脏影像组学特征与HCC术后早期复发的相关性,并分别构建影像组学标签;最后,构建并验证HCC术后早期复发风险预测模型,探索影像组学生物标志物对预测模型的增量价值。材料和方法回顾性收集237例HCC患者的临床病理信息和术前增强CT图像。在第一部分研究中,训练并验证基于ResUNet网络的自动分割模型,患者被分为训练集（180例）和验证集（57例）。使用ITK-SNAP软件在动脉期和门静脉期图像中肝肿瘤最大横截面上手动分割肿瘤,在门静脉期图像中脾门附近层面上分割脾脏。使用平均Dice系数和95%的Hausdorff距离（HD-95）评估分割模型的性能。在第二部分中,按时间将患者分为训练集（130例）和验证集（107例）,从动脉期和门静脉期图像肿瘤病灶内提取肿瘤影像组学特征,从门静脉期图像脾脏内提取脾脏影像组学特征,通过机器学习方法筛选与复发高相关的影像组学特征,利用最小绝对收敛和选择算子Cox回归模型构建影像组学标签,绘制Kaplan-Meier生存曲线评估构建的影像组学标签与HCC术后早期复发的相关性。在第三部分中,基于第二部分构建的肿瘤及脾脏影像组学标签,通过单因素和多因素Cox回归模型分析,构建融合临床病理因素、肿瘤影像组学标签及脾脏影像组学标签的预测模型。分别从区分度、校准度以及临床使用价值方面评估模型的效能。列线图用于可视化预测模型。结果第一部分研究:在验证集中,脾脏自动分割的平均Dice系数为0.960,HD-95 为 6.766;动脉期肝肿瘤自动分割 Dice 系数为 0.659,HD-95 为 31.956;门静脉期肝肿瘤自动分割Dice系数为0.810,HD-95为21.210。第二部分研究:由4个肿瘤影像组学特征构建的肿瘤影像组学标签和4个脾脏影像组学特征构建的脾脏影像组学标签均与HCC术后早期复发相关,肿瘤影像组学标签和脾脏影像组学标签低危组患者早期无复发生存率均显著高于高危组患者（P均＜0.05）。第三部分研究:结合微血管侵犯、肿瘤影像组学标签和脾脏影像组学标签的影像组学混合模型显示出较好的区分度（训练集和验证集C指数分别为0.780,0.776）和校准度,决策曲线分析表明该模型良好的总体净收益。结论与仅使用临床病理和肿瘤影像组学生物标志物相比,纳入非肿瘤影像组学生物标志物可以提高HCC术后早期复发预测模型的效能。结合临床病理和多域影像组学标签的列线图可用于HCC患者术后早期复发风险分层,有助于高危患者个体化术后辅助治疗和随访策略的制定。