肿瘤的术前精确诊断对于患者的后续个体化治疗方案制定具有重要的指导意义，误诊或漏诊往往会使患者错失最佳的治疗机会，严重影响患者术后生存。目前的诊断方法多依靠术前活检或外科切除手术获得肿瘤组织进行确诊。然而，由于肿瘤的异质性，术前肿瘤穿刺活检会出现采样偏倚，无法对肿瘤进行全面且准确的评估；而通过获取术后标本进行病理组织学检查这一过程，具有滞后性，无法为患者的术前个体化精准治疗方案制定提供有效依据。因此，亟需研发可进行肿瘤术前无创诊断的新方法，以辅助医生临床决策。

随着成像技术的快速发展，医学影像在肿瘤诊疗中的作用日益凸显。由于影像可提供全面的视角和丰富的信息，且具有无创性，因此其为肿瘤的术前无创诊断带来了新契机。既往的定性影像分析虽可一定程度辅助术前诊断，但由于其无法定量精确的刻画肿瘤生物学特性，且往往依赖于医生的主观判断，因而无法为临床诊断提供最有效的依据支持。而基于医学影像大数据和人工智能算法的新兴技术——影像组学（Radiomics），为解决上述问题提供了新的思路。影像组学旨在从医学影像大数据中提取高通量、多尺度、多层次的量化特征，并结合影像征象、临床、病理或基因信息，使用人工智能技术构建综合智能分析决策系统，以解决肿瘤表型分型、疗效评估及预后预测等关键临床问题。而本文将利用基于多序列磁共振图像（Magnetic Resonance Imaging, MRI）的影像组学技术，围绕肿瘤“关键分子标志物”（基因）和“病理组织检测结果”（病理）的术前无创预测两个重要临床问题，开展以下几方面研究。

（1）针对星型胶质瘤关键分子标志物MGMT启动子甲基化状态无法通过术前方法进行有效诊断这一关键临床问题，本研究提出了一种基于多栖息地的影像组学框架以实现对其的术前准确预测。相较于传统影像组学方法，该方法不仅提取了肿瘤实质区域的影像组学特征，还提取了瘤周水肿区域的定量特征，并深入挖掘肿瘤实质区域与瘤周水肿区域特征之间的关联性，综合纳入肿瘤实质区域及其微环境包含的关键影像组学特征组，进而进行影像组学融合标签的构建，实现MGMT启动子甲基化的术前预测。此外，本研究还进一步探寻了基于多栖息地的影像组学标签的预后价值，采用影像组学标签值对接受替莫唑胺化疗患者进行危险分层，并通过Kaplan-Meier曲线及log-rank检验进行生存分析，以筛选适合接受替莫唑胺化疗的患者群体。本方法在74例训练集和31例验证集数据上，受试者工作特征曲线面积（Area Under Reciever Operating Characteristic Curve, AUC）分别可达0.925和0.902，log-rank检验p值为0.03，证实了该方法进行星型胶质瘤MGMT启动子甲基化术前预测的有效性及其预后价值。

（2）针对脑部肿瘤病理组织类型——颅内血管外皮细胞瘤和脑膜瘤难以通过传统影像分析进行术前无创诊断这一临床问题，构建基于T1WI和T2WI图像的多序列融合影像组学模型以实现对其准确术前诊断。本研究提取并筛选具有鉴别能力和高度鲁棒性定量影像组学特征，并探寻基于小样本数据的最优建模策略，搭建并对比了64种建模方法以建立最优多参数预测系统，实现颅内血管外皮细胞瘤和脑膜瘤的术前无创预测。同时，本研究还实现了界面化的软件工具开发，为医生提供临床实践中可便捷使用的诊断工具，推动影像组学的临床转化。该模型在204例训练集和88例验证集数据上，AUC分别可达0.985和0.927，证实了基于T1WI和T2WI的多序列融合影像组学模型可实现脑部肿瘤病理类型的高准确度预测。

（3）针对肝癌血管侵犯状态仅能通过术后病理检查进行诊断，无法实现术前评估和预测这一关键临床问题，本研究设计了具有肝癌特异性的剥落征和语义特征，构建基于普美显MRI的影像组学模型进行肝癌微血管侵犯状态的术前无创预测。基于本研究设计的肝癌影像组学特征，使用套索回归方法进行特征筛选和模型构建，并探寻基于普美显MRI的影像组学标签与基于计算机断层成像（Computed Tomography, CT）的影像组学标签对肝癌微血管侵犯状态进行预测的效能差异。本研究结果显示，在146例训练集和62例验证集上，构建的普美显MRI影像组学标签的AUC分别可达0.943和0.861，该结果证实了基于普美显MRI的肝癌影像组学标签较基于CT的影像组学标签可更加准确地预测肝癌微血管侵犯状态，为肝癌患者后续个体化治疗方案制定提供了有效依据。