原发性肝癌（肝癌）是我国第四大常见的恶性肿瘤和第二大肿瘤致死原因，以发病率高、病死率高、预后差为特点，严重威胁人民群众生命健康^[1]。医学影像在肝癌的筛查、诊断、预后评估方面发挥着重要作用，典型的肝癌具有相对特殊的影像学表现，且不需要病理组织学检查即能确诊^[2]。人工智能作为新的分析技术，如今发挥着不可或缺的作用，它是一种通过建立数学模型对大数据进行分析并解决实际问题的方法，主要应用于临床模型建立、图像特征分析等多种因素相互影响的复杂问题^[3]。深度学习作为机器学习中重要的组成部分，其中的卷积神经网络（convolutional neural networks，CNN）大大拓展了人工智能在图像处理问题中的解决途径^[4]。机器学习是一种使用计算机作为工具并探索如何模拟人类学习行为，不断获取新的知识以重新组织已有的知识结构，从而不断改进自身性能的方法。深度学习作为机器学习的一个子领域，能够建立和模仿人脑的神经网络进行分析和学习，模仿人脑机制，自动学习数据的多层次结构特征。深度学习充分利用其提取的多维度深层次的影像学特征，突破了传统的阅片模式，获取到更为精准的影像学信息，对于肝癌的诊疗发挥了重要作用^[5]。CNN是医学影像学分析中最常用的深度学习方法，通过卷积操作完成对图像特征的提取，通过池化操作压缩图像尺寸减少计算量的同时，进一步提炼图像中的关键信息并降低过拟合的风险^[6]。如图1所示^[7]，这里用最简单的CNN说明卷积的基本工作模式，以一组固定大小的特征图作为输入，首先经过最大池化，特征图的大小下采样到原始的一半，池化过程逐通道进行，通道维度未发生变化，虽然存在一定信息损失，但可大大减少网络整体（卷积）的计算量。随后通过卷积提取图像特征，在该过程中，由于padding（填充）、stride（步长）以及卷积核的大小导致图像尺寸发生一定变化，同时输出通道维度等于卷积核的数量。具体来讲，卷积就是对每个像素点一定范围内的像素进行加权求和，使用卷积核里的权重值与图像相应位置的像素值进行点乘，最后将点乘结果在通道维度叠加，本质可理解为一种滤波操作。经过卷积和池化的交替进行以及激活函数修正线性单元（rectified linear unit，ReLU）的非线性化，最后连接线性层即可实现一般的分类问题。基于CNN的各种衍生模型已被运用于肝癌影像学上的分割，以及肝癌的检测、分期、分级等方面^[8]。