Гепатоцеллюлярная карцинома (ГЦК) остаётся ведущей причиной онкологической смертности в мире. Этиологический профиль смещается в сторону метаболической дисфункции, ассоциированной со стеатозом печени (MASLD). Раннее выявление критично для радикального лечения, однако традиционные методы наблюдения и диагностики характеризуются ограниченной чувствительностью из-за зависимости от оператора и высокой межисследовательской вариабельности.
AI-радиомические алгоритмы преобразуют сложные неинвазивные визуализационные профили в высокоразмерные данные. Это позволяет повысить точность предоперационного прогноза микроваскулярной инвазии (MVI) и оптимизировать стандартизированную классификацию по системе LI-RADS (Liver Imaging Reporting and Data System). Радиомические подписи дополняются вычислительной патологией, использующей глубокое обучение и патологические foundation-модели для стандартизации онкологического скоринга, снижения межисследовательской вариабельности и автоматической сегментации гистологических опухолевых структур.
Мультимодальные AI fusion-сети связывают макроскопические визуализационные фенотипы с микроскопическими патомическими сигнатурами и молекулярными профилями. На популяционном уровне алгоритмы машинного обучения оптимизируют динамическое наблюдение, интегрируя продольные клинические данные с биомаркерами жидкостной биопсии. Цель — детекция молекулярных изменений до их визуализации на томографии.
Обзор рассматривает интеграцию AI в проспективные клинические исследования, включая стандартизацию конечных точек, стратификацию пациентов и предсказание ответа на терапию. Среди технических вызовов — вариабельность сканеров и дефицит проспективной валидации. Explainable AI (XAI) и федеративное обучение представляют критический рубеж для создания переносимых и подотчётных цифровых онкологических рабочих процессов.
Большинство текущих разработок находится на этапе технической валидации и базируется на одноцентровых ретроспективных когортах. Моделей с внешней валидацией значительно меньше; доказательств улучшения клинических решений или исходов пациентов пока крайне мало.

