目的:本研究的目的是建立和验证基于超声图像影像组学特征的预测模型,以无创的方式评估HCC（Hepatocellular carcinoma,肝细胞癌）患者的生物学特性。方法:本研究包括414例单病灶的HCC患者。我们重点评估了8种生物学特性:微血管侵犯、卫星结节、Glypican-3、Ki67、p53、VEGF（Vascular endothelial growth factor,血管内皮生长因子）、NM23和CK7（Cytokeratin 7,细胞角蛋白7）。通过在灰阶超声图像上人工绘制肿瘤轮廓来识别HCC的感兴趣区域（Region of interest,ROI）。我们从超声图像ROI中提取了影像组学特征。然后,使用特征选择方法选择用于评估HCC八种生物学特性的影像组学特征,并使用分类器建立影像组学预测模型。最后,使用独立的验证数据集来评估影像组学预测模型的性能。利用ROC（Receiver operating characteristic curve,受试者工作特征）的AUC（Area under curve,曲线下面积）评估模型的预测能力。结果:我们提取了基于超声图像的5234个影像组学特征。基于所提取的影像组学特征,我们建立了各个亚组的最佳影像组学预测模型。通过特征选择方法+分类器组合Spearman+统计检验+随机森林+套袋法获得了评价微血管侵犯特征的最佳影像组学预测模型。卫星结节亚组获得最佳影像组学预测模型的特征选择方法+分类器组合为Spearman+统计检验+SVM-RFE（Recursive feature elimination based on support vector Machine,基于支持向量机的递归特征消除）+决策树。Glypican-3亚组为Spearman+统计检验+随机森林+随机森林。Ki67亚组为Spearman+SVM-RFE+套袋法。p53亚组为Spearman+统计检验+随机森林+随机森林。VEGF亚组为Spearman+统计检验+SVM-RFE+多层感知器。NM23亚组为Spearman+统计检验+随机森林+支持向量机（Support Vector Machine,SVM）。CK7亚组为Spearman+LASSO（Least absolute shrinkage and selection operator,套索算法）+随机森林。这些预测模型训练集和验证集的AUC分别为0.87和0.80（微血管侵犯）,0.98和0.77（卫星结节）,0.95和0.67（Glypican-3）,0.97和0.69（Ki67）,0.93和0.75（p53）,0.97和0.62（VEGF）,0.94和0.62（NM23）,0.77和0.73（CK7）。8个亚组建立的模型能较好地区分训练集中HCC生物学特性的阳性表达和阴性表达,在验证集中微血管侵犯、卫星结节、p53和CK7亚组具有较好的预测能力。结论:本研究中提出的基于超声图像的影像组学模型能够术前有效预测HCC患者微血管侵犯、卫星结节、P53和CK7的情况。为术前评估HCC患者的生物学特征,进而指导HCC患者的诊疗及预测预后提供了新视野。