需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

基于放射组学模型对肝细胞癌术前评估Ki-67状态的荟萃分析

82 次观看

⸱

DOI：

10.3791/70716

⸱

2026年8月25日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology, The Third Affiliated Hospital of Jiaxing University (Zhejiang Rongjun Hospital)

* These authors contributed equally

本文内容

摘要

这项针对17项研究（共1708例肝细胞癌患者）的荟萃分析发现，影像组学预测高Ki-67表达的汇总敏感性、特异性和曲线下面积分别为0.87、0.79和0.90；显著的异质性表明需要开展标准化研究。

摘要

本研究旨在通过荟萃分析评估放射组学特征在预测肝细胞癌（HCC）中Ki-67表达水平方面的诊断价值。系统检索了PubMed、Web of Science、Cochrane图书馆和Embase等电子数据库，纳入截至2025年8月20日发表的相关临床研究。纳入使用放射组学特征预测HCC患者Ki-67表达水平的研究。评估敏感性、特异性和汇总受试者工作特征曲线，并计算曲线下面积（AUC）。共纳入17项研究，涉及1,708例HCC患者。合并敏感性为0.87（95%置信区间[CI]，0.81–0.91），合并特异性为0.79（95% CI，0.71–0.85），总体AUC为0.90（95% CI，0.87–0.93）。Ki-67截断值为10%和>10%时的合并AUC分别为0.89（95% CI，0.86–0.92）和0.90（95% CI，0.87–0.92）。基于磁共振成像和超声的放射组学特征的AUC值分别为0.88（95% CI，0.85–0.91）和0.92（95% CI，0.89–0.94）。基于逻辑回归的预测模型的AUC为0.89（95% CI，0.86–0.92）。放射组学特征在预测HCC中高Ki-67表达方面表现出良好的合并诊断性能。然而，纳入研究之间存在显著异质性。需要进一步标准化的研究来验证这些发现。

引言

在过去十年中，肝癌的发病率和患病率持续上升，使其成为全球范围内日益严重的疾病负担。其中，肝细胞癌（HCC）占所有原发性肝癌诊断病例的90%，是全球癌症相关死亡的第四大常见原因，2018年报告的新发病例达84万例1,2。尽管外科技术、局部干预措施和系统性治疗近年来取得了进展，HCC患者的长期预后仍不理想，5年总生存率介于13%至36%之间3,4,5。这主要归因于其隐匿性起病、早期诊断困难以及肿瘤生物学的高度异质性。这些挑战凸显了当前诊断策略的一个关键局限性：传统的组织病理学评估具有侵入性，且无法对肿瘤生物学的动态变化进行实时、全面的评估。因此，开发能够准确量化肿瘤内在恶性潜能的新型非侵入性工具，对于推动HCC个体化医学的发展具有重要意义。

在众多预后分子生物标志物中，Ki-67 是细胞增殖的明确指标，与多种恶性肿瘤的预后密切相关。Ki-67 反映细胞增殖活性，在肿瘤细胞中广泛表达；其高表达与侵袭性增强和分化程度降低显著相关，可作为肿瘤侵袭性的预测因子6。在肝细胞癌（HCC）中，多项研究已证实，Ki-67 高表达与肿瘤体积较大、血管侵犯、较高的 Edmondson–Steiner 分级以及更晚期的肿瘤-淋巴结-转移（TNM）分期显著相关。此外，Ki-67 还可作为术后复发和总体生存率较差的独立预测因子7,8,9,10。由于 Ki-67 表达水平反映了肿瘤细胞的增殖状态，其水平升高提示侵袭性更强、疾病进展更快，因此该生物标志物在 HCC 的预后分层、治疗决策制定及疗效监测中具有重要价值。然而，目前临床对 Ki-67 的评估依赖于有创的组织取样。这种方法不仅存在操作风险并给患者带来不适，更重要的是，鉴于 HCC 存在显著的空间和时间异质性，单次活检可能无法代表肿瘤整体的增殖状态，从而可能导致临床误判11。因此，临床上迫切需要一种能够全面捕捉 Ki-67 表达空间异质性的无创、可重复的检测方法。

放射组学的出现为解决这一局限性提供了潜在途径。放射组学涉及从常规医学影像（如计算机断层扫描（CT）、磁共振成像（MRI）或正电子发射断层扫描（PET））中高通量提取大量定量特征，并利用机器学习或深度学习算法构建预测模型，以解析潜在的肿瘤生物学特性12。在肝细胞癌（HCC）研究中，放射组学已成功应用于肿瘤分级、微血管侵犯预测、基因表达评估以及治疗反应监测。尽管已有若干研究尝试建立用于预测Ki-67表达的放射组学模型13,14，但这些研究在样本量、成像模态、特征提取方法及模型性能方面仍存在较大异质性。因此，有必要开展系统性荟萃分析，以定量整合这些异质性结果，获得可靠的汇总诊断效能估计，并识别临床和方法学变异的关键来源，从而为未来的标准化和临床转化提供循证依据。在实践中，放射组学的临床转化面临特征可重复性问题以及模态特异性限制的挑战，例如MRI对扫描参数的依赖性和超声对操作者的依赖性。因此，必须基于模型的方法学标准化程度和外部验证情况，对其临床效用进行严格评估。目前，这些模型的临床适用性和稳健性尚未得到系统性评价。为此，本研究全面评估放射组学模型在预测HCC中Ki-67表达状态方面的诊断效能，从而为未来的标准化和临床转化提供循证基础。

访问受限。请登录或开始试用以查看此内容。

方案

检索策略与信息来源
根据《系统综述和荟萃分析优先报告条目》（PRISMA）2020 声明15，我们在 PubMed、Web of Science、Cochrane 图书馆和 Embase 数据库中进行了系统的文献检索，检索时间从各数据库建库起至 2025 年 8 月 20 日，不限制语言（参见补充文件 1）。检索策略通过使用布尔运算符“AND”和“OR”，将关键词和主题词（如 PubMed 中的医学主题词 [MeSH] 和 Embase 中的 Emtree）分为三个逻辑组块，并应用于各数据库的标题、摘要或主题字段，具体如下：（1）影像组学、模型与影像技术：“radiomics”、“texture analysis”、“image features”、“magnetic resonance imaging”（或“MRI”）、“tomography, X-ray computed”（或“CT”）、“ultrasonography”（或“ultrasound”）、“deep learning”、“machine learning”和“logistic”；（2）疾病：“hepatocellular carcinoma”、“liver cancer”、“HCC”和“hepatoma”；（3）抗原：“Ki-67 Antigen”、“Ki-67”、“Ki67”和“proliferation index”。具体的检索语法根据各数据库的规则进行了相应调整（例如，在 PubMed 中使用 [Title/Abstract] 和 [MeSH] 标签，在 Embase 中使用“:ti,ab”或“/exp”标签）。此外，还手动检索了所获取研究的参考文献列表以及相关综述文章，以识别任何其他符合条件的出版物。本研究方案已在 INPLASY 数据库中进行回顾性注册，注册编号为 INPLASY202670061。

纳入标准
为确保所选研究具有临床相关性，采用PICOS（研究人群、干预措施、对照、结局指标和研究设计）框架对检索到的研究进行资格判定。

纳入标准如下：（1）研究人群由经切除或活检组织病理学检查确诊为肝细胞癌（HCC）的患者组成，或根据既定的临床和影像学指南诊断的患者；（2）利用放射组学、深度学习或从医学影像模态（包括CT、MRI或超声）中提取的纹理特征来预测肿瘤Ki-67表达水平；（3）对肿瘤标本进行病理学评估Ki-67表达水平，并有明确定义的临界值将患者分为高表达组和低表达组；（4）提供以2×2列联表形式呈现的诊断结果，以便计算检测效能；（5）原始的、经同行评审的临床研究。

如果研究（1）是会议摘要、病例报告、系统综述或其他非原始研究；（2）缺乏足够的结局数据用于定量分析；（3）为重复发表；或（4）无法获取全文，则被排除。

文献筛选与数据提取方案
为实施文献筛选，将所有电子数据库检索获得的引文进行合并，并系统识别和剔除重复记录。随后，由两名研究者根据预先设定的纳入与排除标准，独立筛选剩余文献。首先对标题和摘要进行审阅，初步符合条件的研究则进一步进行全文评估。两名研究者之间如有分歧，通过讨论或咨询第三位研究者达成共识予以解决。

完成筛选流程后，由相同的两名研究人员独立使用标准化的预设提取表提取数据。提取的信息包括研究的基本特征、研究人群的人口统计学细节以及诊断效能数据，具体为真阳性、假阳性、真阴性及假阴性例数。对于数据缺失或存在无法解决的歧义的研究，我们通过电子邮件联系通讯作者以获取原始数据；若所需数据仍无法获得，则将该研究排除。

质量评估与偏倚风险评价
采用由约克大学 Whiting 等人开发的诊断准确性研究质量评估工具 2（QUADAS-2）对纳入的诊断研究进行质量评估16。该工具评估四个领域：患者选择、待评价试验、参考标准以及流程与时间。每个领域的偏倚风险均被评定为“高”、“低”或“不明确”。由两名研究者独立完成质量评估，如有分歧，通过讨论或咨询第三位研究者达成共识。

统计分析
统计分析使用 Stata 16.0 版本和 Review Manager（RevMan）5.3 版本进行。RevMan 用于评估方法学质量、评价偏倚风险并生成相应的可视化摘要。诊断准确性在 Stata 16.0 中使用分层 midas 模块进行分析。采用双变量随机效应模型估计合并的敏感性与特异性及其 95% 置信区间（CIs）。通过构建分层汇总受试者工作特征（HSROC）曲线并计算曲线下面积（AUC），对整体诊断性能进行总结。研究间异质性通过 Cochran's Q 检验和 I2 统计量进行检验，I2 值低于 50% 或 Q 检验 P 值大于 0.10 被认为提示可接受的同质性。为探讨异质性的潜在来源，预先设定的亚组分析根据 Ki-67 截断值、成像方式和预测模型进行。通过计算 logit 转换后的敏感性与 logit(1 − 特异性)之间的 Spearman 相关性来评估阈值效应的存在。潜在的发表偏倚通过 Deeks' 漏斗图不对称性检验进行评估。除非另有说明，所有统计检验均为双侧检验，统计学显著性定义为 P < 0.05。

访问受限。请登录或开始试用以查看此内容。

结果

纳入研究的特征
通过系统性的电子数据库检索，最初共识别出 3,923 项研究用于筛选。在排除 2,032 项重复记录和 1,719 项不相关研究后，对 172 篇文章进行了全文审查。根据预先设定的纳入与排除标准，最终共有 17 项研究13,14,17,18,19,20,21,22,23,24,

访问受限。请登录或开始试用以查看此内容。

讨论

本系统性荟萃分析评估了放射组学特征在预测肝细胞癌（HCC）中Ki-67表达方面的诊断效能。合并的敏感度为0.87，合并的特异度为0.79，汇总的AUC为0.90。尽管在所分析的亚组中估计值总体相似，但显著的异质性限制了合并估计值的普适性。这些结果提示，放射组学可能作为基于组织学评估的补充手段，但其临床应用价值仍需进一步验证。

基于无创影像组学预测Ki-67表达水平的核心诊断价值在于其能够克服组织活检固有的局限性，实现对肿瘤整体生物学特征的可视化与量化。作为细胞增殖的关键指标，Ki-67的表达在肝细胞癌（HCC）肿瘤内部及不同病灶之间常表现出显著的空间异质性。活检样本仅能反映取样区域的局部状态，存在低估风险32。影像组学通过对整个肿瘤区域的纹理、形态和强度特征进行高通量提取与分析，能够更全面地捕捉这种空间异质性，从而更准确地反映肿瘤的增殖状态33。此外，本研究发现，基于超声模态的影像组学预测具有较高的合并AUC值（0.92），但应保守解读，不宜直接认为其优于MRI。这一区别至关重要，因为两...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

材料

本文使用的材料清单
姓名公司目录编号评论
系统评价管理者Nordic Cochrane Centre版本 5.3偏倚风险评估与可视化
StataStataCorp版本 16.0使用 midas 模块进行诊断性荟萃分析

参考文献

  1. Philips CA, et al. Hepatocellular carcinoma in 2021: an exhaustive update. Cureus. 2021;13(11):e19274.
  2. Llovet JM, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021;7(1):6.
  3. Siegel RL, Miller KD, Wagle NS, Jemal A. Cancer statistics, 2023. CA Cancer J Clin. 2023;73(1):17-48.
  4. Feng F, Zhao Y. Hepatocellular carcinoma: prevention, diagnosis, and treatment. Med Princ Pract. 2024;33(5):414-23.
  5. Alawyia B, Constantinou C. Hepatocellular carcinoma: a narrative review on current knowledge and future prospects. Curr Treat Options Oncol. 2023;24(7):711-24.
  6. Andrés-Sánchez N, Fisher D, Krasinska L. Physiological functions and roles in cancer of the proliferation marker Ki-67. J Cell Sci. 2022;135(11):jcs258932.
  7. Hsu HC, et al. Expression of p53 gene in 184 unifocal hepatocellular carcinomas: association with tumor growth and invasiveness. Cancer Res. 1993;53(19):4691-4.
  8. Cao Y, et al. DNA topoisomerase IIα and Ki-67 are prognostic factors in patients with hepatocellular carcinoma. Oncol Lett. 2017;13(6):4109-16.
  9. Stroescu C, et al. Expression of p53, Bcl-2, VEGF, Ki-67, and PCNA and prognostic significance in hepatocellular carcinoma. J Gastrointestin Liver Dis. 2008;17(4):411-7.
  10. Jue C, et al. Vasculogenic mimicry in hepatocellular carcinoma contributes to portal vein invasion. Oncotarget. 2016;7(47):77987-97.
  11. Di Tommaso L, et al. Role of liver biopsy in hepatocellular carcinoma. World J Gastroenterol. 2019;25(40):6041-52.
  12. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-77.
  13. Hu XX, et al. Whole-tumor MRI histogram analyses of hepatocellular carcinoma: correlations with Ki-67 labeling index. J Magn Reson Imaging. 2017;46(2):383-92.
  14. Yao Z, et al. Preoperative diagnosis and prediction of hepatocellular carcinoma: radiomics analysis based on multimodal ultrasound images. BMC Cancer. 2018;18(1):1089.
  15. Page MJ, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
  16. Whiting PF, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529-36.
  17. Chen Y, et al. Diagnostic value of Gd-EOB-DTPA-enhanced MRI for the expression of Ki-67 and microvascular density in hepatocellular carcinoma. J Magn Reson Imaging. 2020;51(6):1755-63.
  18. Ye Z, et al. Texture analysis on gadoxetic acid-enhanced MRI for predicting Ki-67 status in hepatocellular carcinoma: a prospective study. Chin J Cancer Res. 2019;31(5):806-17.
  19. Ye Z, et al. Preoperative prediction of hepatocellular carcinoma with highly aggressive characteristics using quantitative parameters derived from hepatobiliary phase MR images. Ann Transl Med. 2020;8(4):85.
  20. Wu H, et al. Prediction of the Ki-67 marker index in hepatocellular carcinoma based on CT radiomics features. Phys Med Biol. 2020;65(23):235048.
  21. Shi G, et al. Evaluation of multiple prognostic factors of hepatocellular carcinoma with intravoxel incoherent motion imaging by extracting the histogram metrics. Cancer Manag Res. 2020;12:6019-31.
  22. Fan Y, et al. Radiomic analysis of Gd-EOB-DTPA-enhanced MRI predicts Ki-67 expression in hepatocellular carcinoma. BMC Med Imaging. 2021;21(1):100.
  23. Jing M, et al. The benefit of apparent diffusion coefficient in evaluating the invasiveness of hepatocellular carcinoma. Front Oncol. 2021;11:719480.
  24. Hu X, et al. Added value of viscoelasticity for MRI-based prediction of Ki-67 expression of hepatocellular carcinoma using a deep learning combined radiomics (DLCR) model. Cancers (Basel). 2022;14(11):2575.
  25. Wu C, et al. Nomogram based on CT radiomics features combined with clinical factors to predict Ki-67 expression in hepatocellular carcinoma. Front Oncol. 2022;12:943942.
  26. Dong Y, et al. Prediction of histological grades and Ki-67 expression of hepatocellular carcinoma based on Sonazoid contrast-enhanced ultrasound radiomics signatures. Diagnostics (Basel). 2022;12(9):2175.
  27. Liu Z, et al. Nomogram development and validation to predict Ki-67 expression of hepatocellular carcinoma derived from Gd-EOB-DTPA-enhanced MRI combined with T1 mapping. Front Oncol. 2022;12:954445.
  28. Zhang L, et al. Noninvasive prediction of Ki-67 expression in hepatocellular carcinoma using machine learning-based ultrasomics: a multicenter study. J Ultrasound Med. 2023;42(5):1113-22.
  29. Huang Z, Zhou P, Li S, Li K. Prediction of the Ki-67 marker index in hepatocellular carcinoma based on dynamic contrast-enhanced ultrasonography with Sonazoid. Insights Imaging. 2022;13(1):199.
  30. Zhao YM, et al. Added value of CE-CT radiomics to predict high Ki-67 expression in hepatocellular carcinoma. BMC Med Imaging. 2023;23(1):138.
  31. Zhang D, et al. Predicting Ki-67 expression in hepatocellular carcinoma: nomogram based on clinical factors and contrast-enhanced ultrasound radiomics signatures. Abdom Radiol (NY). 2024;49(5):1419-31.
  32. Miller I, et al. Ki-67 is a graded rather than a binary marker of proliferation versus quiescence. Cell Rep. 2018;24(5):1105-12.e5.
  33. Lambin P, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14(12):749-62.
  34. Shia WC, et al. Effectiveness of evaluating tumor vascularization using 3D power Doppler ultrasound with high-definition flow technology in the prediction of the response to neoadjuvant chemotherapy for T2 breast cancer: a preliminary report. Phys Med Biol. 2015;60(19):7763-78.
  35. Luo Y, et al. Clinicopathological and prognostic significance of high Ki-67 labeling index in hepatocellular carcinoma patients: a meta-analysis. Int J Clin Exp Med. 2015;8(7):10235-47.
  36. Aguirre-Meneses H, et al. Radiomics and the Image Biomarker Standardisation Initiative (IBSI): a narrative review using a six-question map and implementation framework for reproducible imaging biomarkers. Cureus. 2025;17(10):e95335.
  37. Voitenko DA, et al. RiTex: harmonization of radiomic features based on Riemannian geometry. J Imaging. 2026;12(6):264.
  38. Jearth V, et al. Correlation of clinicopathological profile, prognostic factors, and survival outcomes with baseline alfa-fetoprotein levels in patients with hepatocellular carcinoma: a biomarker that is bruised but not broken. J Clin Exp Hepatol. 2022;12(3):841-52.

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

放射组学模型放射组学特征诊断效能磁共振成像超声放射组学逻辑回归
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。