研究文章

肝细胞癌微血管侵犯的瘤内及瘤周影像特征预测：系统综述与荟萃分析

0 次观看

⸱

DOI：

10.3791/72288

⸱

2026年9月25日

 ,  ,  ,  , 
1Department of Radiology, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University

本文内容

摘要

本系统综述和荟萃分析评估了基于放射组学模型在肝细胞癌术前预测微血管侵犯方面的诊断效能。

摘要

本系统性综述与荟萃分析评估了基于放射组学模型在预测肝细胞癌（HCC）微血管侵犯（MVI）方面的诊断效能。MVI是HCC预后的重要决定因素，与根治性治疗后早期复发及生存率降低密切相关。目前，仅依靠传统的临床和影像学特征，术前准确预测MVI仍具挑战性。放射组学作为一种新兴方法，可通过医学影像对肿瘤异质性进行定量分析，展现出良好前景。本研究旨在系统评估基于放射组学模型在预测HCC中MVI的诊断效能。研究开展系统性综述与荟萃分析，共纳入26项评估基于CT和MRI的放射组学模型的研究。提取诊断效能相关数据，并采用随机效应模型进行合并分析，同时按影像模态和模型类型进行亚组分析。总体而言，放射组学模型表现出良好的诊断效能，合并AUC为0.85（95% CI 0.82–0.88）。 与仅使用放射组学的模型相比，临床-放射组学模型表现出更高且更稳定的性能（MRI：0.87 vs 0.85；CT：0.87 vs 0.81）。在基于三维（3D）的模型中，合并AUC为0.85（95% CI 0.82–0.88）。综上所述，基于放射组学的模型在HCC术前预测MVI方面展现出良好应用前景，尤其在结合临床变量时更为显著。然而，现有研究存在显著异质性且外部验证有限，提示在临床应用前亟需方法学标准化以及前瞻性多中心验证。

引言

肝细胞癌（HCC）是全球最常见的恶性肿瘤之一，也是癌症相关死亡的主要原因1。微血管侵犯（MVI）是一种关键的病理学特征，与肿瘤的侵袭性行为密切相关，并且始终与肝切除或肝移植术后早期复发及总体生存率降低相关2,3,4。然而，术前准确识别微血管侵犯仍然具有挑战性，因为其只能通过切除或移植标本的组织病理学检查得以最终确诊。因此，临床治疗决策往往需要在缺乏MVI状态直接信息的情况下做出。目前临床实践中，主要依赖于一些间接指标来评估MVI发生的可能性，包括肿瘤大小、血清甲胎蛋白水平5、卫星结节的存在，以及影像学上的定性特征，如肿瘤边界不规则、瘤周强化和缺乏包膜6。

这些因素在人群水平上与微血管侵犯（MVI）相关，并已被纳入临床决策；然而，其在个体患者水平上的预测准确性仍然有限7,8。例如，血清甲胎蛋白仅在部分患者中升高，且缺乏特异性，而影像学特征则存在观察者间变异，并受图像采集方案和阅片者经验的影响9,10。此外，传统的影像学评估主要为定性判断，无法捕捉肿瘤结构的空间异质性，也无法反映肿瘤-肝脏交界处与显微血管侵犯相关的细微微环境变化11。这些局限性降低了当前术前风险评估的可靠性，凸显了对更可靠、更定量方法的需求。放射组学能够高通量提取影像衍生特征，为捕捉可能反映潜在肿瘤生物学行为的瘤内及瘤周异质性提供了途径12,13。诸如瘤周动脉期强化、边缘不规则以及肝胆期低信号等特征均与MVI相关，支持基于影像的定量模型的潜在应用价值14。

然而，已报道的诊断性能存在不一致性，部分原因在于影像模态、采集方案、分割方法及模型开发方法的差异。此外，大多数研究为回顾性且在单中心环境下开展，相对较少研究包含独立的外部验证。因此，本系统综述旨在评估基于放射组学模型（包括基于MRI和CT的模型）在肝细胞癌术前预测微血管侵犯方面的诊断准确性，并根据影像模态、分割策略和模型类型分别呈现数据，以反映影像方法和模型开发中的异质性。

方案

检索策略

检索了四个数据来源，包括 PubMed（MEDLINE）、Embase、Web of Science 和 Cochrane 图书馆，检索时间范围为 2015 年 1 月至 2026 年 4 月。检索策略通过使用布尔运算符组合三个概念模块构建而成：与疾病相关的术语（肝细胞癌、HCC、肝癌、肝癌）、与方法学相关的术语（影像组学、radiomic、纹理分析、定量成像、影像生物标志物）以及与结局相关的术语（微血管侵犯、MVI、血管侵犯、显微血管侵犯）。PubMed 的检索式如下： (("hepatocellular carcinoma"[MeSH Terms] OR "liver cancer"[Title/Abstract] OR "HCC"[Title/Abstract] OR "hepatic carcinoma"[Title/Abstract]) AND ("radiomics"[Title/Abstract] OR "radiomic"[Title/Abstract] OR "texture analysis"[Title/Abstract] OR "quantitative imaging"[Title/Abstract] OR "imaging biomarker"[Title/Abstract]) AND ("microvascular invasion"[MeSH Terms] OR "MVI"[Title/Abstract] OR "vascular invasion"[Title/Abstract] OR "microscopic vascular invasion"[Title/Abstract])) AND (2015/01/01:2026/04/30[Date - Publication])。

研究筛选

所有检索到的记录均导入基于网络的系统评价平台Rayyan（Qatar Computing Research Institute），以去除重复文献并进行筛选。两名独立评审员根据预先设定的纳入标准，对所有标题和摘要进行筛选。随后，由相同的两名评审员独立获取并评估全文文章，以确定最终纳入的研究。 报告了足以参与至少一项预先设定的定量综合分析的诊断效能数据的研究符合纳入条件。若数据可获取，将提取真阳性、真阴性、假阳性和假阴性数据，用于二次诊断准确性分析。在筛选的任何阶段出现分歧时，均通过讨论解决；若无法达成共识，则由第三位高级评审员进行仲裁。研究筛选流程已在PRISMA流程图中总结。图1). 本研究中使用的所有工具和平台均列于下文 材料清单.

数据提取

两名评审员使用标准化的、经过预试验的数据提取表格，独立地从所有纳入的研究中提取数据。提取的项目包括研究特征（第一作者、发表年份、国家、研究设计、招募时间段和机构类型）、患者特征（样本量、平均或中位年龄、性别分布、微血管侵犯（MVI）发生率、肝病病因及肿瘤特征）、影像学特征（成像方式、扫描仪类型、对比剂和成像时相）、影像组学方法学（勾画区域类型；适用时的瘤周边缘宽度；感兴趣区（ROI）勾画方法；分割维度）、模型特征（分类器类型和验证策略）以及诊断性能指标（受试者工作特征曲线下面积[AUC]、敏感性、特异性、阳性似然比、阴性似然比和诊断优势比）。对于报告了多个符合条件模型或队列的研究，提取其用于预先设定的定量分析中的相应模型层面或队列层面的估计值。在表1和表2中使用后缀（a-d）以区分这些估计值。评审员在数据提取过程中出现的分歧通过协商一致解决。

质量评估

采用两种互补工具评估纳入研究的方法学质量。使用诊断准确性研究质量评估工具2（Quality Assessment of Diagnostic Accuracy Studies 2, QUADAS-2）15评估偏倚风险和适用性问题。采用放射组学特异性方法学评分（Methodological Radiomics Score, METRICS）16评估放射组学相关研究的方法学质量。质量评估由两名评审员独立完成，分歧通过协商达成共识。结果以叙述性方式和图形化方式呈现，并辅以按领域划分的汇总表格。

统计学分析

采用C统计量（受试者工作特征曲线下面积 [AUC]）总结判别性能。使用限制性最大似然法对AUC值进行随机效应荟萃分析，以考虑研究间的变异性。当标准误未直接报告时，从已发表的95%置信区间推导得出；对于未提供方差估计的研究，根据阳性与阴性病例数量，采用Hanley和McNeil的方法近似计算标准误17。为稳定方差，在荟萃分析前对AUC值进行logit转换，并在解释结果时进行逆转换。合并估计值以相应的95%置信区间表示。使用I2统计量评估研究间异质性，其中25%、50%和75%分别代表低、中和高度异质性。研究按描述性分类分为仅肿瘤模型或同时包含肿瘤及瘤周区域的模型。未单独进行仅瘤周区域的定量亚组分析，因为该类别研究数量不足。根据影像模态（CT与MRI）和分割维度（2D与3D）进行了额外的亚组分析。此外，仅纳入经过外部验证的模型进行额外分析，以评估其可推广性。所有统计分析均使用R软件（版本4.4.1）完成。使用的R程序包包括： meta （版本7.0-1）和 metafor （版本4.6-0）用于荟萃分析，以及 dmetar （版本0.1.0）用于补充功能。合并AUC值使用 metagen 函数并结合限制性最大似然估计器计算。模型设置中包含Knapp-Hartung法对置信区间进行调整。分析代码作为补充文件2提供。所有检验中，双侧p值小于0.05被认为具有统计学显著性。

结果

文献检索共找到368条记录，其中89条为重复记录。去除重复后，对279条记录进行了筛选，最终有26项研究符合纳入标准（图1）。通过手工检索未发现其他额外研究。

研究特征

纳入的26项研究18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43主要为回顾性研究（26项中的25项），仅1项为前瞻性研究。大多数研究在中国开展（23项研究），其余研究来自欧洲。各研究的样本量差异较大，训练队列的患者数为66至461例，验证队列为25至283例。9项研究进行了外部验证，而大多数研究（17项）仅依赖内部验证。磁共振成像（MRI）是最常用的影像模态（17项研究），其次为计算机断层扫描（CT）（10项研究），其中1项研究同时整合了CT和MRI。大多数研究采用了三维分割方法（22项研究），而2项研究明确使用了二维分割。其余两项研究（参考文献18和30）未明确说明其分割维度，或采用了无法明确归类的混合方法；因此，这两项研究被排除在按分割方式分层的亚组分析之外，但仍保留在总体合并分析中。各研究的分割策略存在差异。16项研究分析了仅肿瘤区域，而10项研究同时纳入了肿瘤及瘤周区域，通常通过固定的径向边界来定义。纳入瘤周信息的研究多在近年开展。在纳入的研究中共识别出26个预测模型。大多数研究（26项中的15项）开发了将影像组学特征与临床变量整合的临床-影像组学模型，而11项研究采用了仅影像组学的方法（表1）。各纳入研究中报告的准确性、敏感性、特异性及相应的列联表数据（TP、FP、FN、TN）汇总于表2。

模型区分

在所有纳入的研究中，基于放射组学的模型在预测微血管侵犯方面表现出良好的区分能力。随机效应模型汇总的C统计量（AUC）为0.85（95% CI 0.82–0.88），研究间异质性较大（I2 = 77%）（图2）。按模型类型分层分析时，与仅包含放射组学的模型相比，整合临床与放射组学特征的模型表现出更高且更稳定的区分能力。仅放射组学模型的汇总AUC为0.84（95% CI 0.78–0.88），异质性显著（I2 = 80%）（图2）。相比之下，同时纳入放射组学特征和临床变量的模型汇总AUC更高，达到0.87（95% CI 0.85–0.89），且异质性明显降低（I2 = 23%）（图2）。

在采用三维分割的研究中（补充图1），合并AUC为0.85（95% CI 0.82–0.88），存在显著异质性（I2 = 77.8%）。亚组分析显示，仅基于影像组学的模型合并AUC为0.83（95% CI 0.78–0.88；I2 = 80.7%），而结合临床信息的临床影像组学模型表现出更高且更一致的性能（AUC 0.87，95% CI 0.85–0.89；I2 = 15.1%）。在基于CT的研究中（补充图2），合并AUC为0.83（95% CI 0.76–0.88），但异质性较高（I2 = 88.6%）。仅影像组学模型的性能在各研究间差异较大（AUC 0.81，95% CI 0.70–0.89；I2 = 85.1%），而整合了临床变量的模型不仅性能更高，且一致性明显更好（AUC 0.87，95% CI 0.83–0.90；I2 = 4.0%）。在基于MRI的研究中（补充图3），整体区分能力略高，合并AUC为0.86（95% CI 0.83–0.89），异质性中等（I2 = 57.6%）。同样观察到类似趋势：与仅影像组学方法（AUC 0.85，95% CI 0.79–0.89；I2 = 61.7%）相比，临床影像组学模型表现略优且变异性更低（AUC 0.87，95% CI 0.84–0.90；I2 = 33.4%）。

外部验证性能

在外部验证的模型中（n=9），整体区分性能仍然较高。合并的AUC为0.87（95% CI 0.82–0.91），具有中等异质性（I2 = 66%）（补充图4）。在外部验证队列中的亚组分析显示，不同模型类型的合并性能相当，但在精确度上存在差异。仅基于影像组学的模型达到合并AUC为0.87（95% CI 0.78–0.93），而临床-影像组学模型的合并AUC为0.87（95% CI 0.83–0.91）。

质量评估

总体方法学质量为中等。参考标准和流程域的风险始终较低，所有研究均采用组织病理学以及适当的影像学检查至手术的时间间隔。主要的偏倚来源是待评价试验域，反映出高维放射组学或深度学习模型的应用、建模策略预先规定的不足，以及可重复性报告不一致。 患者选择总体上为低风险，但在规模较小的单中心回顾性队列中存在更多担忧 （补充表 1）。针对放射组学的评估显示方法学严谨性存在差异 （补充表 1）。 尽管成像协议和图像分割通常被报告，但可重复性测试和外部验证仍较少见。较新的多中心研究在设计和验证实践方面有所改进，但方法间的异质性仍然显著。

数据可用性：

本系统综述和荟萃分析期间生成或分析的所有数据均包含在本文及其补充信息文件中。 补充文件1提供了数据库检索策略，R分析代码位于补充文件2中。用于合并分析的提取研究层面数据完整列于表1和表2，详细的偏倚风险评估结果见补充表1。除上述内容外，无需其他原始数据文件即可复现研究结果。

figure-results-1
图1：研究筛选流程图。 研究识别、筛选、合格性评估和纳入的流程图，显示各阶段的文献记录数量。请点击此处查看此图的放大版本。

figure-results-2
图2：放射组学模型预测微血管侵犯诊断效能的森林图。 显示按模型类型分层的研究级别和合并C统计量（AUC）及其95%置信区间。采用随机效应模型，并使用I2统计量评估异质性。请点击此处查看该图的放大版本。

表1：纳入研究的特征。 研究设计、人群、成像方式、分割策略、模型类型和验证方法的汇总。后缀（a–c）表示单个研究内的多个模型或队列。缩写：CT = 计算机断层扫描；MRI = 磁共振成像。 请点击此处下载该表格。

表2：放射组学模型预测微血管侵犯的诊断性能。 按模型类型和验证设置展示各研究层面的准确性、灵敏度、特异度及列联数据（真阳性、假阳性、假阴性、真阴性）。在需要时，准确性已重新计算。后缀（a–c）表示同一研究内的多个模型或队列。请点击此处下载该表格。

补充图1：使用三维分割的放射组学模型的诊断性能。 森林图显示了应用三维分割方法的研究在研究层面及合并后的C统计量（AUC）结果，按模型类型（仅放射组学 vs. 临床放射组学）进行分层。本分析旨在评估三维体积特征提取（可更全面地捕捉空间异质性）是否相较于总体合并估计值产生性能差异，并评估各亚组内的异质性。请点击此处下载该文件。

补充图2：基于CT的影像组学模型的诊断性能。森林图展示了使用计算机断层扫描（CT）作为成像方式的研究中，按模型类型（仅影像组学 vs. 临床-影像组学）分层的研究级别及合并C统计量（AUC值）。本亚组分析旨在评估基于CT的影像组学模型是否能达到与基于MRI的模型相当的诊断性能，并探讨在CT研究中加入临床变量对性能一致性的影响。 请点击此处下载该文件。

补充图3：基于磁共振成像的影像组学模型的诊断性能。森林图显示了使用磁共振成像（MRI）作为成像方式的研究中，按模型类型（仅影像组学 vs. 临床-影像组学）分层的研究级别及合并C统计量（AUC值）。本亚组分析旨在评估MRI优异的软组织对比度和多参数成像能力是否能转化为比基于CT的模型更高的微血管侵犯（MVI）预测鉴别性能。 请点击此处下载该文件。

补充图4：外部验证模型的诊断性能。森林图展示了在独立队列中经过外部验证的模型在研究层面及合并后的C统计量（AUC值），按模型类型分层（仅影像组学模型 vs. 临床-影像组学联合模型）。本分析专门用于评估基于影像组学的模型在独立数据集中的可推广性，并考察当模型应用于外部人群时是否出现性能下降，这是衡量其临床适用性的关键指标。 请点击此处下载该文件。

补充表1：纳入研究的质量评估。 使用QUADAS-2工具对每项纳入研究进行方法学质量评估的详细结果。该表展示了在四个领域的偏倚风险和适用性问题评级：患者选择、待评价试验、参考标准以及流程与时间。每个领域均被评定为“低风险”、“高风险”或“风险不明确”，并依据从各研究中提取的具体信息提供判断依据。这有助于读者评估各单项研究的方法学严谨性，并识别可能影响合并估计值的潜在偏倚来源。 请点击此处下载该文件。

补充文件1：数据库检索策略。 本文档汇总了所有数据库的检索策略。请点击此处下载该文件。

补充文件 2：R 分析代码。 本文档包含用于运行此分析的代码。 请点击此处下载该文件。

讨论

这项针对26项研究的系统性综述和荟萃分析发现，基于影像组学的模型在肝细胞癌术前预测微血管侵犯方面表现出良好但存在差异的性能，大多数AUC估计值范围在约0.80至0.90之间。在各项研究中，诊断准确性总体为中等至较高水平，敏感性和特异性通常超过70%，但性能表现并不一致。结合临床变量的模型相比仅使用影像组学的模型，通常表现出更稳定的判别能力和更高的特异性。此外，基于MRI的方法相比基于CT的模型显示出略高的性能。然而，这些结果应在研究间存在显著异质性以及研究设计、影像采集方案和建模策略差异的背景下加以解读，这些因素可能促成了观察到的性能差异。

既往已有数项荟萃分析评估了放射组学在肝细胞癌（HCC）微血管侵犯（MVI）预测中的应用。其中一项研究44纳入了13项研究，报告基于MRI的放射组学模型汇总AUC为0.88，联合模型的表现优于仅使用放射组学的方法（AUC：0.90 vs 0.85）。另一项研究45分析了涉及3,539例单发HCC患者的26项研究，报告放射组学模型的汇总AUC为0.85（95% CI 0.82–0.88）。本研究通过展示临床-放射组学模型（AUC 0.87）相较于仅放射组学模型（AUC 0.84）具有更高且更一致的性能，进一步拓展了这些发现，凸显了整合临床变量的增量价值。 此外，按影像模态进行的分层分析显示，MRI（AUC 0.86）优于CT（AUC 0.83），提供了比以往研究更为精确的估计结果。另一项由某研究团队开展的荟萃分析46虽同时纳入了CT和MRI研究，但主要关注风险分层，而非模型类型之间的比较。本研究通过在不同影像模态下比较仅放射组学与临床-放射组学模型，并分别评估经过外部验证的模型，进一步推进了既往工作。这些渐进性创新加深了对放射组学模型性能的细致理解，并为未来模型的开发与临床转化提供了更清晰的指导。

本荟萃分析中，纳入临床变量的模型表现出更高且更一致的性能，这与微血管侵犯的潜在病理生理机制相符。微血管侵犯是指肿瘤向瘤体边缘的小门静脉分支浸润，常伴有微小肿瘤血栓以及局部肝灌注的改变。这些变化在肿瘤-肝脏交界区域最为显著，而非肿瘤核心区域，这解释了为何反映该区域的影像学特征反复被证实与微血管侵犯相关。例如，瘤周动脉期强化和肝胆期低信号与微小血管阻塞导致的门静脉流入减少及代偿性动脉高灌注有关，而不规则或不光滑的肿瘤边界则反映了超出明显肿瘤边界的浸润性生长模式。定量影像技术能够对肿瘤内部及周围区域的纹理和信号强度进行系统性表征，从而反映细胞密度、坏死程度及微血管结构的潜在差异。

这些发现表明，仅凭影像学特征不足以准确评估微血管侵犯风险。在纳入的研究中，仅使用影像组学的模型表现出显著的异质性，其区分性能略低于临床-影像组学模型。这可能反映出微血管侵犯不仅由局部影像特征决定，还受到肿瘤系统性生物学行为的影响。临床因素，如甲胎蛋白（alpha-fetoprotein）水平升高、肿瘤体积较大以及肝功能受损，是肿瘤侵袭性的明确标志，且始终与血管侵犯和早期复发相关。较大的肿瘤更易侵犯邻近的微血管结构，而甲胎蛋白升高则与分化程度较低及更具侵袭性的表型相关。因此，将这些变量与影像特征相结合，可提供互补信息，将微观侵犯的局部证据与肿瘤行为的广泛指标整合起来。本分析结果也印证了这一点：临床-影像组学模型不仅获得了更高的合并AUC值，且表现出明显更低的异质性，提示其在不同研究环境下的稳定性更优。

瘤周影像组学特征具有预测价值的机制基础在于肿瘤-肝脏交界处与微血管侵犯（MVI）相关的病理生理变化。微血管侵犯是指肿瘤边缘邻近的门静脉分支内存在肿瘤细胞栓子，导致小门静脉小分支的部分或完全阻塞。这种阻塞引起瘤周肝实质门静脉血流灌注减少，并继发代偿性动脉高灌注——这一现象在影像上表现为瘤周动脉期强化或灌注异质性。此外，显微镜下肿瘤栓子可诱发局部炎症反应并改变组织微结构，这些变化可能被影像组学纹理特征所捕捉，反映出细胞密度、坏死程度及微血管密度的改变。病理学研究已证实，这些瘤周改变可超出肉眼可见的肿瘤边界，为在影像组学模型中纳入不同径向范围的瘤周区域提供了生物学依据。因此，纳入研究中瘤周影像特征与MVI之间的一致性关联，其根本在于上述血管及微结构的改变，从而使定量影像结果具备生物学合理性。

基于 MRI 的模型所表现出的略高的性能，也与已知的成像能力差异一致。MRI 能够进行多参数评估，例如扩散、灌注以及肝细胞特异性对比剂摄取，这些参数与肿瘤分化程度和血管侵犯相关45。肝胆期低信号及瘤周信号改变在 MRI 上更易于检测。这些特征反映了肝细胞功能受损以及与微观肿瘤扩散相关的灌注异常。CT 主要依赖对比增强模式，对这些变化的敏感性较低。这可能解释了基于 CT 的模型中观察到的更大变异性。

值得注意的是，本综述主要关注基于CT和MRI的影像组学，因为这些模态在现有文献中占主导地位。然而，PET/CT影像组学可能通过表征肿瘤代谢、缺氧状态及生物学异质性，为微血管侵犯（MVI）预测提供补充价值——这些特征无法仅通过解剖或功能MRI获取。新兴证据表明，PET中的代谢参数（如SUVmax）及纹理特征可能与肿瘤侵袭性及血管侵犯相关。然而，相较于CT和MRI，PET/CT影像组学在MVI预测方面的证据基础仍较有限，未来研究需进一步探索该领域。这些发现对临床实践具有重要意义，尤其是在肝细胞癌的术前评估中。术前识别微血管侵犯仍然困难，并影响手术切除、肝移植或局部区域治疗的选择。结合临床变量的定量影像模型可能在常规影像和血清标志物基础上进一步提升风险分层能力。对于拟行手术切除的患者，较高的预测风险可能支持扩大切除范围或加强术后监测。同样，更精确的风险分层可能有助于移植候选者的选择和排序决策，特别是在临界病例中。

需要注意的是，尽管区分性能（AUC）是本项荟萃分析的主要关注点，但校准性能和临床实用性对于实际应用同样至关重要。校准指标（如Hosmer-Lemeshow检验和校准图）用于评估预测风险与实际观察风险之间的一致性，对临床决策具有重要意义。决策曲线分析则评估在不同风险阈值下使用模型所带来的净获益，与临床实践直接相关。然而，在纳入的研究中，仅有少数报告了校准指标或进行了决策曲线分析，这表明当前存在显著的知识空白。未来的研究应优先报告这些指标，以促进模型的临床转化，并确保模型的预测结果既准确又具有可操作性。

尽管观察到这些模型具有良好的应用前景，但它们尚未达到常规临床应用的成熟度。大多数研究为回顾性研究，且在单中心环境下开展，影像采集方案、分割方法和模型开发存在显著差异。外部验证较为有限，即使进行了验证，验证队列通常样本量较小或来源于相似人群。极少有研究评估模型的校准性、临床效用或模型使用对治疗决策的影响。这些局限性在临床实践中尤为重要，因为关于切除边缘、移植适应证和监测强度的决策需要可靠且具有普适性的风险评估结果。此外，不同中心在图像采集和处理方面的差异 可能影响模型的性能和可重复性，进一步限制其向常规诊疗的转化。目前，这些模型应被视为对既定临床和影像评估的辅助工具，而非独立的决策工具。未来的研究应聚焦于前瞻性、多中心的验证工作，影像与分析方法的标准化，以及临床效用的评估，包括这些模型的使用是否能够改善临床决策和患者结局。

本研究存在若干局限性。首先，地理分布存在严重偏倚，26项研究中有23项（88.5%）在中国进行，仅3项来自欧洲地区，鉴于东方（病毒性肝炎相关）与西方（代谢相关）肝细胞癌（HCC）在病因学上的差异，这一分布显著限制了研究结果向全球HCC人群的外推性；此外，由于西方亚组未达到所需的最低研究数量（≥10项），无法可靠地按地区进行正式的亚组分析。其次，部分研究缺乏完整的2×2列联表数据，且诊断阈值定义差异较大，因此主要定量综合分析聚焦于AUC而非合并的阈值依赖性诊断准确性指标（如摘要中所述），无法对所有纳入的26项研究进行全面的这些指标的荟萃分析。原因在于，多个研究未提供完整的列联表，更重要的是，各研究间阈值定义存在显著异质性，若不考虑阈值效应，直接合并这些指标在方法学上不可靠。第三，由于各亚组间报告不一致且样本量不足（每种分类器类型仅有1–3项研究），无法按肿瘤直径、对比剂类型、瘤周边缘宽度或分类器类型进行额外的亚组分析，从而限制了对研究间显著异质性来源（I2 = 77%）的探索能力。第四，作者无法通过荟萃回归定量考察方法学质量与模型性能之间的关联，因为并非所有研究均以合适格式提供METRICS评分，而将QUADAS-2评分归纳为单一总结类别本身具有主观性，且仅基于26项研究并包含多个协变量的荟萃回归统计效能不足，易导致过拟合。第五，大多数纳入研究为回顾性、单中心研究，样本量相对较小，仅26项研究中的9项报告了外部验证，且大多数验证队列来源于相似的机构环境，限制了结果的可推广性。影像采集方案、特征提取流程及模型构建方法的差异可能进一步影响结果的可重复性。第六，诊断性能的报告不一致，部分研究未提供完整的列联表数据、AUC的置信区间、校准指标或决策曲线分析——这些均为评估实际应用价值所必需的内容，反映出显著的知识空白。尽管存在上述局限，所有纳入研究效应方向一致，基于影像组学的模型表现出良好的诊断性能（合并AUC为0.85，95% CI 0.82–0.88），支持主要研究结果的稳健性；临床-影像组学模型相较于仅影像组学模型表现出更高且更稳定的性能，同时基于MRI的模型合并AUC高于基于CT的模型，这些发现为未来模型开发提供了具有临床意义的指导。然而，这些局限性凸显了开展前瞻性、多中心验证研究的必要性，需采用标准化的影像协议，完整报告诊断性能指标，并系统评估模型的校准性能与临床效用，方能推动此类模型向常规临床实践转化。

披露

作者无利益冲突。在校对过程中使用了人工智能辅助工具进行语言编辑、一致性检查和图表格式调整。未生成新的研究数据，所有科学决策、修改和最终内容均由作者审查并批准，作者对本文承担全部责任。

致谢

本研究由北京研究室卓越计划（BRWEP；编号：BRWEP2024W032240102）资助。 

材料

本文使用的材料清单
姓名公司目录编号评论
Cochrane 图书馆Wileyhttps://www.cochranelibrary.com/
Cochrane 图书馆Wileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
meta R 软件包CRANhttps://cran.r-project.org/package=meta
meta R 软件包CRANhttps://cran.r-project.org/package=meta
metafor R 软件包CRANhttps://cran.r-project.org/package=metafor
metafor R 软件包CRANhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
PRISMA 2020 流程图模板PRISMA 小组http://www.prisma-statement.org/
Mplus（如使用）StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)美国国家医学图书馆https://pubmed.ncbi.nlm.nih.gov/
PRISMA 2020 流程图模板PRISMA 小组http://www.prisma-statement.org/
QUADAS-2 工具Cochranehttps://www.quadas.org/
PubMed (MEDLINE)美国国家医学图书馆https://pubmed.ncbi.nlm.nih.gov/
R 软件（版本 4.4.1）统计计算 R 基金会https://www.r-project.org/
QUADAS-2 工具Cochranehttps://www.quadas.org/
Rayyan卡塔尔计算研究所https://www.rayyan.ai/
R 软件（版本 4.4.1）统计计算 R 基金会https://www.r-project.org/
Web of ScienceClarivatehttps://www.webofscience.com/
Rayyan卡塔尔计算研究所https://www.rayyan.ai/
Web of ScienceClarivatehttps://www.webofscience.com/

参考文献

  1. Villanueva A. Hepatocellular Carcinoma. N Engl J Med. 2019;380(15):1450-1462.
  2. Mazzaferro V, et al. Predicting survival after liver transplantation in patients with hepatocellular carcinoma beyond the Milan criteria: a retrospective, exploratory analysis. The lancet oncology. 2009;10(1):35-43.
  3. Lee S, et al. Effect of microvascular invasion risk on early recurrence of hepatocellular carcinoma after surgery and radiofrequency ablation. Annals of surgery. 2021;273(3):564-571.
  4. Tabrizian P, et al. Recurrence of hepatocellular cancer after resection: patterns, treatments, and prognosis. Ann Surg. 2015;261(5):947-955.
  5. McHugh PP, et al. Alpha-fetoprotein and tumour size are associated with microvascular invasion in explanted livers of patients undergoing transplantation with hepatocellular carcinoma. HPB. 2010;12(1):56-61.
  6. Renzulli M, et al. Can Current Preoperative Imaging Be Used to Detect Microvascular Invasion of Hepatocellular Carcinoma? Radiology. 2016;279(2):432-442.
  7. Luo WL, et al. Impact of Middle Hepatic Vein Resection During Hemihepatectomy on Surgical Outcomes and Long-Term Prognosis in Hepatocellular Carcinoma: A Retrospective Study. Journal of hepatocellular carcinoma. 2025;12:2681-2692.
  8. Li J, et al. Prognostic value of lymphatic vessel density in the capsule of early-stage hepatocellular carcinoma: implications for postoperative recurrence risk. Frontiers in immunology. 2026;17:1714314.
  9. Hanif H, et al. Update on the applications and limitations of alpha-fetoprotein for hepatocellular carcinoma. World J Gastroenterol. 2022;28(2):216-229.
  10. Turshudzhyan A, et al. Persistently Rising Alpha-fetoprotein in the Diagnosis of Hepatocellular Carcinoma: A Review. J Clin Transl Hepatol. 2022;10(1):159-163.
  11. Lee S, et al. Preoperative gadoxetic acid–enhanced MRI for predicting microvascular invasion in patients with single hepatocellular carcinoma. Journal of hepatology. 2017;67(3):526-534.
  12. Barry N, et al. Evaluating the impact of the Radiomics Quality Score: a systematic review and meta-analysis. European Radiology. 2025;35(3):1701-1713.
  13. Kocak B, et al. Quality of radiomics research: comprehensive analysis of 1574 unique publications from 89 reviews. European Radiology. 2025;35(4):1980-1992.
  14. Wang Q, et al. Radiomics models for preoperative prediction of the histopathological grade of hepatocellular carcinoma: A systematic review and radiomics quality score assessment. European Journal of Radiology. 2023;166.
  15. Whiting PF, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529-536.
  16. Kocak B, et al. METhodological RadiomICs Score (METRICS): a quality scoring tool for radiomics research endorsed by EuSoMII. Insights Imaging. 2024;15(1):8.
  17. Hanley JA, et al. A method of comparing the areas under receiver operating characteristic curves derived from the same cases. Radiology. 1983;148(3):839-843.
  18. Cannella R, et al. Performances and variability of CT radiomics for the prediction of microvascular invasion and survival in patients with HCC: a matter of chance or standardisation? Eur Radiol. 2023;33(11):7618-7628.
  19. Famularo S, et al. Preoperative detection of hepatocellular carcinoma's microvascular invasion on CT-scan by machine learning and radiomics: A preliminary analysis. Eur J Surg Oncol. 2025;51(1):108274.
  20. Feng B, et al. The Value of LI-RADS and Radiomic Features from MRI for Predicting Microvascular Invasion in Hepatocellular Carcinoma within 5 cm. Acad Radiol. 2024;31(6):2381-2390.
  21. Feng ST, et al. Preoperative prediction of microvascular invasion in hepatocellular cancer: a radiomics model using Gd-EOB-DTPA-enhanced MRI. Eur Radiol. 2019;29(9):4648-4659.
  22. Geng Z, et al. Prediction of microvascular invasion in hepatocellular carcinoma patients with MRI radiomics based on susceptibility weighted imaging and T2-weighted imaging. Radiol Med. 2024;129(8):1130-1142.
  23. Jian W, et al. Predicting microvascular invasion in solitary hepatocellular carcinoma: a multi-center study integrating clinical, MRI assessments, and radiomics indicators. Front Oncol. 2025;15:1511260.
  24. Li J, et al. A clinical study exploring the prediction of microvascular invasion in hepatocellular carcinoma through the use of combined enhanced CT and MRI radiomics. PLoS One. 2025;20(1):e0318232.
  25. Liu HF, et al. A nomogram model integrating LI-RADS features and radiomics based on contrast-enhanced magnetic resonance imaging for predicting microvascular invasion in hepatocellular carcinoma falling the Milan criteria. Transl Oncol. 2023;27:101597.
  26. Liu J, et al. Development of a magnetic resonance imaging-derived radiomics model to predict microvascular invasion in patients with hepatocellular carcinoma. Quant Imaging Med Surg. 2023;13(6):3948-3961.
  27. Liu WM, et al. Radiomics of Preoperative Multi-Sequence Magnetic Resonance Imaging Can Improve the Predictive Performance of Microvascular Invasion in Hepatocellular Carcinoma. World J Oncol. 2024;15(1):58-71.
  28. Liu Y, et al. Clinical prediction of microvascular invasion in hepatocellular carcinoma using an MRI-based graph convolutional network model integrated with nomogram. Br J Radiol. 2024;97(1157):938-946.
  29. Ni M, et al. Radiomics models for diagnosing microvascular invasion in hepatocellular carcinoma: which model is the best model? Cancer Imaging. 2019;19(1):60.
  30. Renzulli M, et al. Automatically Extracted Machine Learning Features from Preoperative CT to Early Predict Microvascular Invasion in HCC: The Role of the Zone of Transition (ZOT). Cancers (Basel). 2022;14(7).
  31. Song D, et al. Using deep learning to predict microvascular invasion in hepatocellular carcinoma based on dynamic contrast-enhanced MRI combined with clinical parameters. J Cancer Res Clin Oncol. 2021;147(12):3757-67.
  32. Tian Y, et al. Preoperative Evaluation of Gd-EOB-DTPA-Enhanced MRI Radiomics-Based Nomogram in Small Solitary Hepatocellular Carcinoma (≤3 cm) With Microvascular Invasion: A Two-Center Study. J Magn Reson Imaging. 2022;56(5):1459-72.
  33. Wang L, et al. A Nomogram of Magnetic Resonance Imaging for Preoperative Assessment of Microvascular Invasion and Prognosis of Hepatocellular Carcinoma. Dig Dis Sci. 2023;68(12):4521-35.
  34. Xia TY, et al. Predicting Microvascular Invasion in Hepatocellular Carcinoma Using CT-based Radiomics Model. Radiology. 2023;307(4):e222729.
  35. Xu X, et al. Radiomic analysis of contrast-enhanced CT predicts microvascular invasion and outcome in hepatocellular carcinoma. J Hepatol. 2019;70(6):1133-44.
  36. Yang Y, et al. Deep learning radiomics based on contrast enhanced computed tomography predicts microvascular invasion and survival outcome in early stage hepatocellular carcinoma. Eur J Surg Oncol. 2022;48(5):1068-77.
  37. Yu H, et al. MRI-based 2.5D deep learning and radiomics effectively predicted microvascular invasion and Ki-67 expression in hepatocellular carcinoma. PLoS One. 2025;20(11):e0336579.
  38. Zeng J, et al. Multiparametric dual-energy computed tomography radiomics for predicting microvascular invasion in hepatocellular carcinoma. BMC Med Imaging. 2025;25(1):520.
  39. Zhang K, et al. Radiomics nomogram for the prediction of microvascular invasion of HCC and patients' benefit from postoperative adjuvant TACE: a multi-center study. Eur Radiol. 2023;33(12):8936-47.
  40. Zhang R, et al. Dynamic radiomics based on contrast-enhanced MRI for predicting microvascular invasion in hepatocellular carcinoma. BMC Med Imaging. 2024;24(1):80.
  41. Zhang Z, et al. Radiomics-Based Prediction of Microvascular Invasion Grade in Nodular Hepatocellular Carcinoma Using Contrast-Enhanced Magnetic Resonance Imaging. J Hepatocell Carcinoma. 2024;11:1185-92.
  42. Zheng R, Zhang X, Liu B, Zhang Y, Shen H, Xie X, et al. Comparison of non-radiomics imaging features and radiomics models based on contrast-enhanced ultrasound and Gd-EOB-DTPA-enhanced MRI for predicting microvascular invasion in hepatocellular carcinoma within 5 cm. Eur Radiol. 2023;33(9):6462-72.
  43. Zhou Z, et al. Prediction of preoperative microvascular invasion by dynamic radiomic analysis based on contrast-enhanced computed tomography. Abdom Radiol (NY). 2024;49(2):611-24.
  44. Zhou HY, et al. A Systematic Review and Meta-Analysis of MRI Radiomics for Predicting Microvascular Invasion in Patients with Hepatocellular Carcinoma. Current Medical Imaging. 2024;20:e15734056256824.
  45. Gou J, et al. The Diagnostic Accuracy Between Radiomics Model and Non-radiomics Model for Preoperative of Microvascular Invasion of Solitary Hepatocellular Carcinoma: A Systematic Review and Meta-analysis. Academic Radiology. 2024 Nov;31(11):4419-4433.
  46. Bodard S, et al. Performance of radiomics in microvascular invasion risk stratification and prognostic assessment in hepatocellular carcinoma: a meta-analysis. Cancers (Basel). 2023 Jan 25;15(3):743.

重印与许可

标签

放射组学模型术前预测肿瘤异质性诊断效能CT放射组学MRI放射组学临床放射组学模型
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。