【目的】本文围绕肝癌临床决策中存在的实际问题,以影像数据挖掘方法为基础,弥补传统方法的不足,提高肝癌临床决策支持能力和患者管理效率。第一,通过机器学习影像组学方法揭示灰阶超声影像特征与原发性肝癌和转移性肝癌的潜在联系,提高术前患者病理亚型预测能力。第二,通过机器学习影像组学方法揭示增强CT影像特征与肝细胞性肝癌患者病理分级之间的潜在联系,提高术前病理分级预测精度和效率。第三,通过机器学习影像组学方法揭示增强CT影像特征与肝细胞性肝癌患者早期复发的潜在联系,提高术前肝癌患者危险分层能力。【方法】本文综合应用机器学习、图像处理及数据挖掘等多种方法,通过构建多种机器学习模型,探索影像特征与肿瘤生物行为之间的潜在联系。第一,回顾性收集114名经病理确诊为原发性肝癌或转移性肝癌患者的临床数据和灰阶超声数据,所有患者肝切术后或肝穿刺一周内做肝脏彩超。对病灶进行手工分割和特征提取,采用5-折交叉验证和网格搜索策略分别构建五种机器学习模型以预测原发性肝癌和转移性肝癌。第二,回顾性收集297名经病理确诊为肝细胞性肝癌患者的临床数据和增强CT数据,然后对病灶进行分割和特征提取。应用递归特征消除法进行特征筛选,最后构建极限梯度提升算法术前预测肝细胞性肝癌病理分级。第三,回顾性收集297名经病理确诊为肝细胞性肝癌患者增强CT影像数据和临床数据,所有患者至少随访1年。分别应用软件ITK-SNAP和Pyradiomics对病灶进行手工分割和特征提取。应用机器学习影像组学方法构建肝细胞性肝癌早期复发预测模型。【结果】通过机器学习影像数据挖掘方法分别验证了影像特征与肝癌病理分级、病理亚型及早期复发之间的潜在联系,弥补了传统临床指南预测能力不足的弊端,提高了预测精度和效率,为肝癌临床决策支持提供新的视角。第一,五种机器学习模型均能够预测原发性肝癌和转移性肝癌。其中,逻辑回归算法取得最好表现,AUC为0.816±0.088。第二,应用机器学习影像组学方法可以术前预测肝细胞性肝癌病理分级。单独应用临床特征构建机器学习模型时,模型的AUC为0.6698,应用影像特征和临床特征构建模型时,模型的AUC为0.8014。第三,影像组学特征能够术前预测肝细胞性肝癌早期复发。融合动脉期影像特征、静脉期影像特征和临床特征训练机器学习模型获得最好表现,AUC为0.8300,仅利用静脉期影像特征构建模型时表现最差,AUC为0.6238。【结论】第一,与传统临床方法相比,影像组学方法提高了术前预测精度和效率,提升了肝癌患者的临床决策支持能力和决策效率。第二,可以通过影像组学方法术前预测肝细胞性肝癌的病理分级、肿瘤细胞来源及患者早期复发。第三,影像组学方法为肝癌临床决策支持提供了新的方向,为患者术前治疗方案制定、危险分层及患者科学化管理提供了新思路。【创新与不足】本文创新点如下:（1）应用超声组学方法术前预测原发性肝癌和转移性肝癌,并且利用多个机器学习算法构建模型。与传统临床方法相比,提升了术前预测效率和精度。（2）应用增强CT影像组学方法术前预测肝细胞性肝癌病理分级。相对于传统分析方法而言,该方法提高了预测精度,以非侵入方式揭示了增强CT影像特征与肝细胞性肝癌之间的潜在联系,为术前制定患者治疗方案提供新思路。（3）利用机器学习影像组学方法预测肝细胞性肝癌患者术后早期复发,获得比传统方法更好的模型表现。本文不足如下:第一,该研究为单中心研究。第二,该研究没用应用多模态影像。