肝母细胞瘤是儿童最常见的肝脏恶性肿瘤，新辅助化疗已成为其标准治疗策略之一。然而，目前尚缺乏能够准确、无创预测其疗效的方法。现有生物标志物多依赖侵入性操作获取，存在时空异质性高、难以动态监测等局限性。本研究旨在构建一种基于多时相影像与人工智能的动态混合模型，以无创方式预测肝母细胞瘤对新辅助化疗的治疗反应。

本研究纳入接受新辅助化疗的肝母细胞瘤患者，收集其基线及随访期间的动态增强CT影像数据。方法核心包括两大创新部分：一是动态影像组学（delta-radiomics），通过计算时间区间内经典影像组学特征的斜率，量化肿瘤在化疗过程中的变化趋势；二是深度融合特征，利用配准技术生成基线期与随访期的影像减影图，并通过深度网络提取其隐含特征以描述肿瘤结构变化。在此基础上，系统整合了传统影像组学特征、动态影像组学指标及深度学习（DL）提取的特征。通过多轮交叉验证，对不同DL网络结构、配准算法、特征选择方法和分类器进行组合优化，以构建最优预测模型。

经优化后的动态混合模型在交叉验证中表现出优异的预测性能，曲线下面积（AUC）达到0.85。研究共筛选出15个具有高预测价值的核心特征，包括7个经典影像组学特征、4个动态影像组学特征、2个传统DL特征及2个基于减影图像的动态DL特征。这些特征共同揭示了肿瘤在形态、纹理及时间维度上的关键变化模式，显著提升了对化疗反应的分辨能力。

本研究成功构建了一种融合动态影像组学与深度学习的新型混合模型，能够无创、精准预测肝母细胞瘤新辅助化疗的疗效。模型所遴选的15个特征在多时相变化和深层结构中捕捉到与治疗反应密切相关的信息，为临床提供了一种可靠的决策支持工具。结果表明，引入非线性动态效应及深度学习方法是提高预测性能的关键。未来可进一步拓展至多中心验证及实时动态监测场景，推动肝母细胞瘤的个体化治疗发展。