Forschungsartikel

Eine Metaanalyse von radiomics-basierten Modellen zur präoperativen Bestimmung des Ki-67-Status beim hepatozellulären Karzinom

51 Aufrufe

⸱

DOI:

10.3791/70716

⸱

25. August 2026

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

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Diese Metaanalyse von 17 Studien (1.708 Patienten mit hepatozellulärem Karzinom) ergab gepoolte Werte für Sensitivität, Spezifität und die Fläche unter der Kurve von 0,87, 0,79 bzw. 0,90 für die radiomische Vorhersage eines hohen Ki-67-Expressionsniveaus; eine erhebliche Heterogenität weist auf die Notwendigkeit standardisierter Forschung hin.

Zusammenfassung

Diese Studie hatte das Ziel, den diagnostischen Wert radiomischer Merkmale bei der Vorhersage der Ki-67-Expressionslevel im hepatozellulären Karzinom (HCC) mittels einer Metaanalyse zu bewerten. Elektronische Datenbanken, darunter PubMed, Web of Science, die Cochrane Library und Embase, wurden systematisch nach relevanten klinischen Studien durchsucht, die bis zum 20. August 2025 veröffentlicht wurden. Studien, die radiomische Merkmale zur Vorhersage der Ki-67-Expressionslevel bei Patienten mit HCC verwendeten, wurden eingeschlossen. Sensitivität, Spezifität und die zusammenfassende ROC-Kurve (Receiver Operating Characteristic) wurden bewertet, und die Fläche unter der Kurve (AUC) wurde berechnet. Insgesamt wurden 17 Studien mit 1.708 HCC-Patienten eingeschlossen. Die gepoolte Sensitivität betrug 0,87 (95-%-Konfidenzintervall [KI], 0,81–0,91), die gepoolte Spezifität 0,79 (95-%-KI, 0,71–0,85) und die Gesamt-AUC 0,90 (95-%-KI, 0,87–0,93). Die gepoolten AUC-Werte für Ki-67-Schwellenwerte von 10 % und >10 % betrugen jeweils 0,89 (95-%-KI, 0,86–0,92) und 0,90 (95-%-KI, 0,87–0,92). Die AUC-Werte für radiomische Merkmale, die mittels Magnetresonanztomographie bzw. Ultraschall gewonnen wurden, lagen bei 0,88 (95-%-KI, 0,85–0,91) bzw. 0,92 (95-%-KI, 0,89–0,94). Die AUC für Vorhersagemodelle auf Basis logistischer Regression betrug 0,89 (95-%-KI, 0,86–0,92). Radiomische Merkmale zeigten eine erfolgversprechende gepoolte diagnostische Leistung zur Vorhersage einer hohen Ki-67-Expression bei HCC. Allerdings bestand zwischen den eingeschlossenen Studien eine erhebliche Heterogenität. Weitere standardisierte Untersuchungen sind erforderlich, um diese Ergebnisse zu validieren.

Einleitung

In den letzten zehn Jahren sind Inzidenz und Prävalenz von Leberkrebs kontinuierlich angestiegen, wodurch er weltweit eine bedeutende und zunehmende Krankheitslast darstellt. Insbesondere das hepatzelluläre Karzinom (HCC) macht 90 % aller primären Leberkrebsdiagnosen aus und ist global die vithäufigste Todesursache durch Krebserkrankungen, wobei 2018 insgesamt 840.000 Neuerkrankungen gemeldet wurden1,2. Trotz jüngster Fortschritte in chirurgischen Techniken, lokalen Therapieverfahren und systemischen Therapien bleibt die Langzeitprognose für Patienten mit HCC suboptimal, wobei die Fünf-Jahres-Überlebensraten zwischen 13 % und 36 % liegen3,4,5. Dies ist vor allem auf den schleichenden Beginn der Erkrankung, Schwierigkeiten bei der Frühdiagnose sowie eine hohe biologische Tumorheterogenität zurückzuführen. Diese Herausforderungen verdeutlichen eine entscheidende Einschränkung der derzeitigen diagnostischen Strategien: Traditionelle histopathologische Untersuchungen sind invasiv und können keine Echtzeit-Beurteilung der dynamischen Tumorbiologie in umfassender Form ermöglichen. Daher ist die Entwicklung neuartiger, nichtinvasiver Verfahren, die das intrinsische maligne Potenzial von Tumoren präzise quantifizieren können, von großer Bedeutung für die Weiterentwicklung der personalisierten Medizin beim HCC.

Unter verschiedenen prognostischen molekularen Biomarkern ist Ki-67 ein etablierter Indikator der zellulären Proliferation und steht in enger Beziehung zur Prognose bei mehreren malignen Erkrankungen. Ki-67 spiegelt die proliferative Aktivität wider und wird in Tumorzellen weit verbreitet exprimiert; eine hohe Expression korreliert stark mit erhöhter Invasivität und schlechter Differenzierung und dient somit als Prädiktor für die Aggressivität des Tumors6. Bei hepatozellulärem Karzinom (HCC) haben mehrere Studien bestätigt, dass eine hohe Ki-67-Expression signifikant mit größerer Tumorgröße, vaskulärer Invasion, höherem Edmondson–Steiner-Grad und fortgeschrittenem Tumor-Node-Metastasen-Stadium assoziiert ist. Darüber hinaus fungiert sie als unabhängiger Prädiktor für postoperative Rezidive und eine schlechtere Gesamtüberlebensrate7,8,9,10. Da die Ki-67-Expressionswerte den proliferativen Zustand der Tumorzellen widerspiegeln – wobei erhöhte Werte auf eine größere Invasivität und schnellere Krankheitsprogression hinweisen – besitzt dieser Biomarker einen erheblichen Stellenwert bei der prognostischen Stratifikation, der Therapieentscheidung und der therapeutischen Überwachung beim HCC. Derzeitige klinische Bewertungen der Ki-67-Expression basieren jedoch auf invasiven Gewebeproben. Dieser Ansatz birgt nicht nur prozedurale Risiken und Patientenbelastungen, sondern vor allem auch die Gefahr, dass aufgrund der erheblichen räumlichen und zeitlichen Heterogenität des HCC eine einzelne Biopsie möglicherweise den gesamten proliferativen Status des Tumors nicht adäquat abbildet und somit zu einer klinischen Fehlinterpretation führen kann11. Daher besteht ein dringender klinischer Bedarf an einer nichtinvasiven, reproduzierbaren Methode, die in der Lage ist, die räumliche Heterogenität der Ki-67-Expression umfassend abzubilden.

Das Aufkommen der Radiomik bietet einen möglichen Ansatz, um diese Einschränkung zu überwinden. Die Radiomik umfasst die hochdurchsatzfähige Extraktion zahlreicher quantitativer Merkmale aus standardmäßigen medizinischen Bildgebungsverfahren wie der Computertomographie (CT), der Magnetresonanztomographie (MRT) oder der Positronen-Emissions-Tomographie (PET) sowie die Erstellung prädiktiver Modelle mithilfe von maschinellem Lernen oder Deep-Learning-Algorithmen, um die zugrundeliegende Tumorbiologie zu entschlüsseln12. In der HCC-Forschung wurde die Radiomik bereits erfolgreich bei der Tumorgraduierung, der Vorhersage von mikrovaskulären Invasionen, der Beurteilung der Genexpression und der Überwachung des Therapieansprechens eingesetzt. Obwohl mehrere Studien versucht haben, radiomische Modelle zur Vorhersage der Ki-67-Expression zu entwickeln13,14, bestehen weiterhin erhebliche Unterschiede zwischen den Studien hinsichtlich Stichprobengröße, Bildgebungsmodalitäten, Methoden der Merkmalsextraktion und Modellleistung. Daher ist eine systematische Metaanalyse erforderlich, um diese heterogenen Ergebnisse quantitativ zusammenzufassen, robuste gepoolte diagnostische Schätzungen zu erarbeiten und wesentliche Quellen klinischer und methodischer Variabilität zu identifizieren, um so eine evidenzbasierte Grundlage für künftige Standardisierungen und die klinische Umsetzung zu schaffen. In der Praxis wird die klinische Umsetzung der Radiomik durch Probleme bei der Reproduzierbarkeit der Merkmale sowie durch modalitätsspezifische Einschränkungen beeinträchtigt, wie beispielsweise die Abhängigkeit der MRT von den Scannereinstellungen oder die Abhängigkeit des Ultraschalls vom Untersucher. Folglich muss die klinische Nützlichkeit dieser Modelle kritisch anhand ihres Grades an methodischer Standardisierung und externer Validierung beurteilt werden. Die klinische Anwendbarkeit und Robustheit dieser Modelle wurde bisher noch nicht systematisch evaluiert. Daher bewertet diese Studie umfassend die diagnostische Leistungsfähigkeit radiomischer Modelle bei der Vorhersage des Ki-67-Expressionsstatus beim HCC und schafft damit eine evidenzbasierte Grundlage für zukünftige Standardisierungen und die klinische Translation.

Protokoll

Suchstrategie und Informationsquellen
Entsprechend der Erklärung zu den Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 202015 wurde eine systematische Suche in PubMed, Web of Science, der Cochrane Library und Embase vom jeweiligen Beginn der Datenbanken bis zum 20. August 2025 durchgeführt, ohne sprachliche Einschränkungen (siehe Zusatzdatei 1). Die Suchstrategie wurde erstellt, indem Schlüsselwörter und Fachbegriffe (wie Medical Subject Headings [MeSH] in PubMed und Emtree in Embase) mithilfe der booleschen Operatoren „AND“ und „OR“ in drei logische Blöcke gruppiert wurden. Diese Blöcke wurden auf die Felder Titel, Abstract oder Thema in jeder Datenbank wie folgt angewendet: (1) Radiomik, Modelle und Bildgebung: „radiomics“, „texture analysis“, „image features“, „magnetic resonance imaging“ (oder „MRI“), „tomography, X-ray computed“ (oder „CT“), „ultrasonography“ (oder „ultrasound“), „deep learning“, „machine learning“ und „logistic“; (2) Erkrankung: „hepatocellular carcinoma“, „liver cancer“, „HCC“ und „hepatoma“; sowie (3) Antigen: „Ki-67 Antigen“, „Ki-67“, „Ki67“ und „proliferation index“. Die genaue Suchsyntax wurde an die spezifischen Regeln jeder Datenbank angepasst (z. B. durch Verwendung der Tags [Title/Abstract] und [MeSH] in PubMed sowie der Tags „:ti,ab“ oder „/exp“ in Embase). Zusätzlich wurde eine manuelle Durchsicht der Literaturverzeichnisse der identifizierten Studien sowie relevanter Übersichtsarbeiten durchgeführt, um weitere geeignete Publikationen zu finden. Das Studienprotokoll wurde retrospektiv in der INPLASY-Datenbank unter der Registrierungsnummer INPLASY202670061 registriert.

Ein- und Ausschlusskriterien
Um eine klinisch relevante Studienselektion sicherzustellen, wurde die Eignung der erfassten Studien anhand des PICOS-Rahmens (Population, Intervention, Vergleich, Outcome und Studiendesign) bestimmt.

Die Einschlusskriterien waren wie folgt: (1) Studienpopulation bestehend aus Patienten mit einer Diagnose von HCC auf der Grundlage einer histopathologischen Untersuchung von reseziertem oder biopsiertem Gewebe oder gemäß etablierten klinischen und bildgebenden Leitlinien; (2) Einsatz von Radiomik, Deep Learning oder Texturmerkmalen, die aus bildgebenden Verfahren der Medizin (einschließlich CT, MRT oder Sonographie) abgeleitet wurden, um die Ki-67-Expressionslevel des Tumors vorherzusagen; (3) histopathologische Bewertung der Ki-67-Expressionslevel an Tumorproben mit einem klar definierten Schwellenwert zur Einteilung der Patienten in Gruppen mit hoher und niedriger Expression; (4) Verfügbarkeit diagnostischer Ergebnisse in Form einer 2 × 2-Kontingenztafel, die die Berechnung der Testleistung ermöglicht; und (5) originäre, peer-reviewte klinische Studien.

Studien wurden ausgeschlossen, wenn sie (1) Konferenzabstracts, Fallberichte, systematische Übersichtsarbeiten oder andere keine Originalarbeiten waren; (2) unzureichende Ergebnisdaten für eine quantitative Analyse enthielten; (3) Doppelpublikationen darstellten; oder (4) nicht als Volltext verfügbar waren.

Protokoll zur Studienauswahl und Datenauswertung
Zur Durchführung der Literatursichtung wurden alle aus den elektronischen Datenbanken gewonnenen Zitierungen zusammengeführt, und doppelte Einträge systematisch identifiziert und entfernt. Anschließend prüften zwei Untersucher unabhängig voneinander die verbleibende Literatur anhand der vorab festgelegten Einschluss- und Ausschlusskriterien. Zunächst wurden Titel und Abstracts überprüft, und potenziell geeignete Studien einer vollständigen Textbewertung unterzogen. Unstimmigkeiten zwischen den beiden Prüfern wurden durch Diskussion oder unter Einbeziehung eines dritten Forschenden zur Konsensfindung gelöst.

Nach Abschluss des Screening-Prozesses extrahierten dieselben beiden Untersucher unabhängig voneinander Daten mithilfe eines standardisierten, vorab festgelegten Extraktionsformulars. Die extrahierten Informationen umfassten grundlegende Studienmerkmale, demografische Angaben zur Studienpopulation sowie Daten zur diagnostischen Leistung, insbesondere die Anzahl der wahr positiven, falsch positiven, wahr negativen und falsch negativen Ergebnisse. Bei Studien mit fehlenden Daten oder ungeklärten Unklarheiten kontaktierten wir die korrespondierenden Autoren per E-Mail, um die Originaldaten anzufordern, und schlossen Studien aus, wenn die erforderlichen Daten weiterhin nicht verfügbar waren.

Qualitätsbewertung und Bias-Risiko-Beurteilung
Die Qualität der eingeschlossenen diagnostischen Studien wurde mit dem Instrument „Quality Assessment of Diagnostic Accuracy Studies 2“ (QUADAS-2) bewertet, das von Whiting et al. an der University of York entwickelt wurde16. Dieses Instrument bewertet vier Bereiche: Patientenauswahl, Index-Test, Referenzstandard sowie Ablauf und Zeitplanung. Jeder Bereich wurde hinsichtlich des Bias-Risikos als „hoch“, „niedrig“ oder „unklar“ eingestuft. Zwei Untersucher führten die Qualitätsbewertung unabhängig voneinander durch. Unstimmigkeiten wurden durch Diskussion oder unter Konsultation eines dritten Forschers zur Erreichung eines Konsenses gelöst.

Statistische Analyse
Die statistischen Analysen wurden mit Stata Version 16.0 und Review Manager (RevMan) Version 5.3 durchgeführt. Mit RevMan wurde die methodische Qualität bewertet, das Risiko von Bias eingeschätzt und die entsprechenden visuellen Zusammenfassungen erstellt. Die diagnostische Genauigkeit wurde in Stata 16.0 mit dem hierarchischen midas-Modul analysiert. Poolsensitivität und -spezifität zusammen mit ihren 95 % Konfidenzintervallen (CIs) wurden mithilfe eines bivariaten Zufallseffektmodells geschätzt. Die gesamte diagnostische Leistung wurde durch Erstellung einer hierarchischen summary receiver operating characteristic (HSROC)-Kurve und Berechnung der entsprechenden Fläche unter der Kurve (AUC) zusammengefasst. Die Heterogenität zwischen den Studien wurde mit dem Cochran-Q-Test und der I2-Statistik untersucht, wobei I2-Werte unter 50 % oder Q-Test-P-Werte größer als 0,10 als Hinweis auf eine akzeptable Homogenität galten. Um mögliche Quellen der Heterogenität zu untersuchen, wurden vorgegebene Subgruppenanalysen entsprechend den Ki-67-Schnittwerten, der Bildgebungsmodalität und dem Vorhersagemodell durchgeführt. Das Vorliegen eines Schwellwerteffekts wurde durch Bestimmung der Spearman-Korrelation zwischen der logit-transformierten Sensitivität und dem Logit von (1 − Spezifität) überprüft. Ein potenzieller Publikationsbias wurde mittels des Deeks’schen Test auf Asymmetrie im Funnel-Plot beurteilt. Sofern nicht anders angegeben, waren alle statistischen Tests zweiseitig, und statistische Signifikanz wurde als P < 0,05 definiert.

Ergebnisse

Merkmale der eingeschlossenen Studien
Durch eine systematische elektronische Datenbanksuche wurden zunächst 3.923 Studien zur Sichtung identifiziert. Nach Ausschluss von 2.032 doppelten Einträgen und 1.719 irrelevanten Studien wurden 172 Artikel einer vollständigen Textprüfung unterzogen. Basierend auf den vorab festgelegten Ein- und Ausschlusskriterien wurden letztendlich 17 Studien13,14,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31 in die Metaanalyse einbezogen (Abbildung 1).

Die grundlegenden Merkmale der eingeschlossenen Studien sind in Tabelle 1 zusammengefasst. Diese 17 Studien umfassten insgesamt 1.708 Patienten mit HCC, von denen 962 eine hohe Ki-67-Expression und 746 eine niedrige Expression aufwiesen. Unterschiedliche Cutoff-Werte für die Ki-67-Expression wurden in den Studien verwendet: 8 Studien nutzten 10 %, während die übrigen 9 Studien Schwellenwerte >10 % anwandten, die zwischen 14 % und 50 % lagen; MRT war die häufigste Quelle radiomischer Merkmale (n = 9), gefolgt von Ultraschall (n = 5) und CT (n = 3). Zehn Studien verwendeten ausschließlich radiomische Merkmale zur Vorhersage von Ki-67, während die anderen 7 Studien radiomische und klinische Merkmale kombinierten, um prädiktive Modelle zu erstellen. Hinsichtlich der Modellierungstechniken wurde in 14 Studien eine logistische Regression eingesetzt, und in 3 Studien kamen maschinelle Lernverfahren zum Einsatz, darunter Support-Vektor-Maschine (SVM, n = 2) und Xception (n = 1). Zusätzlich waren 5 Studien prospektiv angelegt und 12 retrospektiv.

Diagnostischer Wert radiomischer Merkmale zur Vorhersage der Ki-67-Expression
Insgesamt 17 Studien, die die diagnostische Genauigkeit radiomischer Merkmale bei der Vorhersage der Ki-67-Expressionslevel im HCC bewerteten, wurden eingeschlossen. Die Metaanalyse mit zufälligen Effekten zeigte eine gepoolte Sensitivität von 0,87 (95 % KI: 0,81–0,91) und eine gepoolte Spezifität von 0,79 (95 % KI: 0,71–0,85) für die Vorhersage eines hohen Ki-67-Expressionsniveaus. Zwischen den Studien wurde eine signifikante Heterogenität beobachtet (Sensitivität: I2 = 80,81 %; Spezifität: I2 = 86,86 %), wie in Abbildung 2 dargestellt. Der Spearman-Korrelationskoeffizient betrug −0,062 (P = 0,814), was auf keinen statistisch signifikanten Schwelleneffekt hindeutet. Die SROC-Analyse ergab eine AUC von 0,90 (95 % KI: 0,87–0,93), was auf eine hohe gepoolte diagnostische Leistungsfähigkeit hinweist (Abbildung 3).

Ki-67-Schwellenwerte und diagnostische Leistung
In der Untergruppe mit einem Ki-67-Schwellenwert von 10 % zeigte das radiomikbasierte diagnostische Modell eine hohe Leistungsfähigkeit mit einer gepoolten Sensitivität von 0,87 (95 % KI: 0,78–0,93), einer Spezifität von 0,76 (95 % KI: 0,60–0,87) und einer AUC von 0,89 (95 % KI: 0,86–0,92), was auf eine hohe diagnostische Genauigkeit bei dieser Schwelle hinweist (Abbildung 4 und ergänzende Abbildung S1). In der Untergruppe mit Ki-67-Schwellenwerten >10 % wies das Modell eine gepoolte Sensitivität von 0,87 (95 % KI: 0,79–0,92), eine Spezifität von 0,80 (95 % KI: 0,71–0,86) und eine AUC von 0,90 (95 % KI: 0,87–0,92) auf (Abbildung 5 und ergänzende Abbildung S2).

Bildgebende Verfahren und diagnostische Aussagekraft
In der Untergruppe, die auf MRT-basierten radiomischen Merkmalen basiert, betrug die gepoolte Sensitivität 0,86 (95 % KI: 0,77–0,92), die Spezifität 0,77 (95 % KI: 0,65–0,85) und die AUC 0,88 (95 % KI: 0,85–0,91), wie in Abbildung 6 und Ergänzende Abbildung S3 dargestellt. Die Untergruppe, die auf ultraschallbasierten radiomischen Merkmalen beruhte, wies eine Sensitivität von 0,88 (95 % KI: 0,74–0,95), eine Spezifität von 0,81 (95 % KI: 0,61–0,92) und eine AUC von 0,92 (95 % KI: 0,89–0,94) auf (Abbildung 7 und Ergänzende Abbildung S4). Zusätzlich verwendeten drei Studien radiomische Merkmale basierend auf CT20,25,30; aufgrund der begrenzten Stichprobengröße wurde jedoch für diese Untergruppe keine Metaanalyse durchgeführt. Diese Studien berichteten über Sensitivitäten im Bereich von 0,778 bis 0,963, Spezifitäten von 0,75 bis 0,877 sowie AUC-Werte zwischen 0,836 und 0,903 (Tabelle 2).

Vorhersagemodelle und diagnostische Leistung
In der Untergruppe, die logistische Regressionsmodelle verwendete, betrug die gepoolte Sensitivität 0,86 (95 % KI: 0,79–0,90), die Spezifität 0,78 (95 % KI: 0,68–0,85) und die AUC 0,89 (95 % KI: 0,86–0,92) (Abbildung 8 und ergänzende Abbildung S5). Diese Schätzungen ähnelten den Gesamtergebnissen. Darüber hinaus verwendeten drei Studien Modelle des maschinellen Lernens: Zwei nutzten SVM14,28 und berichteten AUC-Werte von 0,94 und 0,986, Sensitivitäten von 0,95 und 0,973 sowie Spezifitäten von 0,91 und 0,8397. Eine Studie verwendete das Xception-Modell24 mit einer AUC von 0,8, einer Sensitivität von 0,76 und einer Spezifität von 0,78 (Tabelle 2).

Verzerrungsrisiko
Die QUADAS-2-Bewertung ergab, dass die meisten Bereiche als mit geringem Verzerrungsrisiko eingestuft wurden, wobei einige Bewertungen im Bereich Patientenauswahl sowie Ablauf und Zeitplanung als hoch oder unklar eingestuft wurden (ergänzende Abbildung S6 und ergänzende Abbildung S7). Der Deeks-Funnel-Plot-Asymmetrie-Test zeigte keine Hinweise auf einen statistisch signifikanten Publikationsbias (P = 0.42) (ergänzende Abbildung S8).

Insgesamt zeigten die gepoolten Schätzungen eine hohe diagnostische Leistungsfähigkeit der radiomischen Vorhersage der Ki-67-Expression, jedoch limitiert die erhebliche Heterogenität zwischen den Studien die Verallgemeinerbarkeit.

Datenverfügbarkeit
Die auf Studienebene aus den 17 eingeschlossenen Studien extrahierten und in dieser Metaanalyse verwendeten Daten sind in Zusatzdatei 2 enthalten.

Flussdiagramm zur Studienidentifizierung; Anzeige der Literatursichtung, Ausschlusskriterien und Ergebnisse der Metaanalyse-Einschlusskriterien.
Abbildung 1: Flussdiagramm zur Studienauswahl. Das Flussdiagramm zeigt den Prozess der Literatursuche, Sichtung, Eignungsbeurteilung und Studieneinschluss gemäß PRISMA 2020. Abkürzung: PRISMA = Preferred Reporting Items for Systematic Reviews and Meta-Analyses. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diagramm eines Forest-Plots; Analyse von Sensitivität und Spezifität über mehrere Studien hinweg; Ergebnis des Datenvergleichs.
Abbildung 2: Sensitivität und Spezifität der Radiomik zur Vorhersage der Ki-67-Expression beim hepatozellulären Karzinom. Paarweise dargestellte Forest-Plots zeigen studienspezifische und zusammengefasste Schätzungen von Sensitivität und Spezifität. Quadrate repräsentieren Einzelstudien-Schätzungen, horizontale Linien repräsentieren 95 %-Konfidenzintervalle (KI), und Rauten repräsentieren die zusammengefassten Schätzungen. Abkürzung: KI = Konfidenzintervall. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

SROC-Diagramm mit Vorhersage- und Konfidenzkonturen, Darstellung von Sensitivitäts- vs. Spezifitätsdaten.
Abbildung 3: Gesamtdiagnostische Leistung der Radiomik zur Vorhersage der Ki-67-Expression bei hepatozellulärem Karzinom. Die SROC-Kurve zeigt den zusammenfassenden Operationspunkt (Sensitivität, 0,87; Spezifität, 0,79), die 95-%-Konfidenzkontur und die 95-%-Vorhersagekontur; die AUC betrug 0,90. Abkürzungen: AUC = Fläche unter der Kurve; SROC = zusammenfassende Receiver-Operating-Characteristic-Kurve. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

SROC-Kurve mit Vorhersage, Konfidenzkonturen; Sensitivitäts-Spezifitäts-Graph; diagnostische Genauigkeit.
Abbildung 4: Diagnostische Leistung der Untergruppe mit einem Ki-67-Schwellenwert von 10 %. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die SROC-Kurve zeigt die diagnostische Aussagekraft von Studien, die einen Ki-67-Schwellenwert von 10 % verwendeten; die AUC betrug 0,89. Abkürzungen: AUC = Fläche unter der Kurve; SROC = zusammenfassende Receiver-Operating-Characteristic.

SROC-Kurven-Diagramm mit Vorhersagekonturen, Sensitivität vs. Spezifität, diagnostische Testgenauigkeit.
Abbildung 5: Diagnostische Leistung der Subgruppe mit Ki-67-Schwellenwerten > 10 %. Die SROC-Kurve zeigt die diagnostische Leistung von Studien, die Ki-67-Schwellenwerte > 10 % verwendeten; die AUC betrug 0,90. Abkürzungen: AUC = Fläche unter der Kurve; SROC = zusammenfassende Receiver-Operating-Characteristic. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

SROC-Kurvendiagramm, das Sensitivität vs. Spezifität mit Vorhersage- und Konfidenzkonturen zeigt.
Abbildung 6: Diagnostische Leistung von auf MRT basierenden radiomischen Modellen. Die SROC-Kurve zeigt die zusammengefasste diagnostische Leistung von aus MRT-Daten abgeleiteten radiomischen Merkmalen; die AUC betrug 0,88. Abkürzungen: AUC = Fläche unter der Kurve; MRT = Magnetresonanztomographie; SROC = zusammenfassende Receiver-Operating-Characteristic. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

SROC-Kurvendiagramm mit Vorhersage, Konfidenzkonturen für Sensitivitäts- und Spezifitätsanalyse.
Abbildung 7: Diagnostische Leistungsfähigkeit ultraschallbasierter radiomischer Modelle. Die SROC-Kurve zeigt die zusammengefasste diagnostische Leistung ultraschallbasierter radiomischer Merkmale; die AUC betrug 0,92. Abkürzungen: AUC = Fläche unter der Kurve; SROC = zusammenfassende receiver operating characteristic. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

SROC-Kurvendiagramm mit Vorhersage, Konfidenzkonturen; Analyse von Sensitivität vs. Spezifität.
Abbildung 8: Diagnostische Leistung von logistischen Regressionsmodellen. Die SROC-Kurve zeigt die zusammengefasste diagnostische Leistung radiomischer Modelle, die mittels logistischer Regression erstellt wurden; die AUC betrug 0,89. Abkürzungen: AUC = Fläche unter der Kurve; SROC = zusammenfassende receiver operating characteristic. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

StudieStudiendesignStichprobengrößeAlterMännlich (%)BildgebungsmodalitätMerkmalssetVorhersagemodellSegmentierungValidierungKi-67-SchwellenwertKi-67 hochKi-67 niedrig
Hu, 2017Retrospektiv5754,23 ± 11,1378,95MRTRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %4116
Yao, 2018Retrospektiv4455,5 ± 10,442,37UltraschallRadiomikSVMManuellInterne Validierung25 %2321
Chen, 2020Retrospektiv18051,22 ± 10,3882,8MRTRadiomikLogistisches RegressionsmodellManuellKeine Validierung50 %34146
Ye, 2019Prospektiv8950,72 ± 11,4076,4MRTRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung15 %4940
Ye, 2020Prospektiv10350,90 ± 11,9377,67MRTRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %7330
Wu, 2020Retrospektiv7458,6181,08CTRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %5420
Shi, 2020Prospektiv5255,7 ± 12,875.MRTRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %3517
Fan, 2021Retrospektiv10361,0 (50,3–68,0)76,7MRTRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung14 %8023
Jing, 2021Retrospektiv8153,5276,54MRTRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %6714
Hu, 2022Retrospektiv8759,38 ± 11,1388,51MRTRadiomikXceptionManuellInterne Validierung20 %4047
Wu, 2022Retrospektiv12058,1290.CTRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung20 %6357
Dong, 2022Prospektiv6059,35 ± 10,0777,2UltraschallRadiomikLogistisches RegressionsmodellManuellInterne Validierung10 %3723
Liu, 2022Retrospektiv73>55 Jahre: 71 %87,7MRTRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung25 %3538
Zhang, 2023Retrospektiv16857,0 (49,0–64,0)81,5UltraschallRadiomik und klinische FaktorenSVMManuellInterne Validierung10 %13137
Huang, 2022Prospektiv12055,2 ± 11,292,5UltraschallRadiomikLogistisches RegressionsmodellManuellKeine Validierung10 %3684
Zhao, 2023Retrospektiv12056,55 ± 9,5387,5CTRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung14 %7149
Zhang, 2024Retrospektiv17755,2 ± 11,486,4UltraschallRadiomik und klinische FaktorenLogistisches RegressionsmodellManuellInterne Validierung20 %9384

Tabelle 1: Grundlegende Merkmale der eingeschlossenen Studien. Merkmale der 17 Studien, einschließlich Studiendesign, Stichprobengröße, Bildgebungsmodalität, Merkmalssatz, Vorhersagemodell, Segmentierung, Validierung, Ki-67-Schwellenwert und Anzahl der Expressionsgruppen. Abkürzungen: CT = Computertomographie; MRI = Magnetresonanztomographie; SVM = Support-Vektor-Maschine.

UntergruppeReferenzSensitivitätSpezifitätAUC
CT200.9630.750.836
CT250.7780.8770.884 (95% CI, 0.813–0.936)
CT300.860.790.903 (95% CI, 0.849–0.956)
Modell des maschinellen Lernens140.950.910.94
Modell des maschinellen Lernens240.760.780.8
Modell des maschinellen Lernens280.9730.83970.986 (95% CI, 0.955–0.998)

Tabelle 2: Diagnostische Leistung von auf CT basierenden radiomischen und fortschrittlichen maschinellen Lernmodellen. Von den einzelnen auf CT basierenden und fortschrittlichen maschinellen Lernstudien berichtete Sensitivitäts-, Spezifitäts- und AUC-Werte. Abkürzungen: AUC = Fläche unter der Kurve; CI = Konfidenzintervall; CT = Computertomographie.

Ergänzende Abbildung S1: Sensitivität und Spezifität in der Untergruppe mit einer Ki-67-Schwelle von 10 %. Zusammengehörige Waldplots zeigen studienspezifische und gepoolte Schätzungen mit 95 % KI. Abkürzung: KI = Konfidenzintervall. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S2: Sensitivität und Spezifität in der Untergruppe mit Ki-67-Schwellenwerten > 10 %. Paarweise dargestellte Waldplots zeigen studienspezifische und gepoolte Schätzungen mit 95 % Konfidenzintervallen (KI). Abkürzung: KI = Konfidenzintervall. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S3: Sensitivität und Spezifität mithilfe von MRT-basierten radiomischen Modellen. Geordnete Waldplots zeigen studienspezifische und gepoolte Schätzungen mit 95 % KI. Abkürzungen: KI = Konfidenzintervall; MRT = Magnetresonanztomographie. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S4: Sensitivität und Spezifität ultraschallbasierter radiomischer Modelle. Zusammengehörige Waldplots zeigen studienspezifische und gepoolte Schätzungen mit 95-%-Konfidenzintervallen. Abkürzung: CI = Konfidenzintervall. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S5: Sensitivität und Spezifität von logistischen Regressionsmodellen. Gezeichnete Waldplots zeigen studienspezifische und gepoolte Schätzungen mit 95 % KI. Abkürzung: KI = Konfidenzintervall. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S6: Methodische Qualitätsgrafik. Die Grafik zeigt die Anteile der Studien, die hinsichtlich jedes QUADAS-2-Domäne als geringes, unklar oder hohes Risiko einer Verzerrung sowie Bedenken hinsichtlich der Anwendbarkeit eingestuft wurden. Abkürzung: QUADAS-2 = Quality Assessment of Diagnostic Accuracy Studies 2. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S7: Zusammenfassung der methodischen Qualität. Die Zusammenfassung auf Studienebene zeigt niedrige, unklare oder hohe Bewertungen bezüglich des Bias-Risikos und der Bedenken hinsichtlich der Übertragbarkeit in jedem QUADAS-2-Domänenbereich. Abkürzung: QUADAS-2 = Quality Assessment of Diagnostic Accuracy Studies 2. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S8: Bewertung der Publikationsverzerrung. Der Deeks’-Test auf Asymmetrie des Trichterdiagramms zeigt die Beziehung zwischen der inversen Quadratwurzel der ESS und der DOR; P = 0.42. Abkürzungen: DOR = diagnostisches Quotenverhältnis; ESS = effektive Stichprobengröße. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 1: PRISMA-2020-Checkliste. Die ausgefüllte Checkliste dokumentiert die Berichterstattungskonformität für die systematische Übersichtsarbeit und diagnostische Metaanalyse. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 2: Extrahierte Daten, die für die diagnostische Metaanalyse verwendet wurden. Die Arbeitsmappe enthält die extrahierten daten auf Studienebene, einschließlich der Patientencharakteristika, Modellbeschreibungen und diagnostischen Leistungswerte, die für die zusammengefassten Analysen verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese systematische Metaanalyse bewertete die diagnostische Aussagekraft radiomischer Merkmale zur Vorhersage der Ki-67-Expression bei HCC. Die gepoolte Sensitivität betrug 0,87, die gepoolte Spezifität 0,79 und die zusammenfassende AUC lag bei 0,90. Obwohl die Schätzungen in den analysierten Untergruppen weitgehend ähnlich waren, schränkt eine erhebliche Heterogenität die Übertragbarkeit der gepoolten Schätzungen ein. Diese Ergebnisse legen nahe, dass die Radiomik eine Ergänzung zur gewebebasierten Beurteilung darstellen könnte, ihre klinische Nützlichkeit jedoch einer weiteren Validierung bedarf.

Der zentrale diagnostische Wert der nichtinvasiven, radiomikbasierten Vorhersage von Ki-67-Expressionsniveaus liegt in der Fähigkeit, die inhärenten Einschränkungen der Gewebeprobe zu überwinden und so die Visualisierung sowie Quantifizierung der globalen biologischen Eigenschaften des Tumors zu ermöglichen. Als wichtiger Indikator der zellulären Proliferation weist die Ki-67-Expression innerhalb von HCC-Tumoren und zwischen verschiedenen Läsionen häufig eine erhebliche Heterogenität auf. Eine Biopsie repräsentiert lediglich den lokalen Zustand des entnommenen Bereichs und birgt das Risiko einer Unterschätzung32. Durch die hochdurchsatzfähige Extraktion und Analyse von Textur-, morphologischen und Intensitätsmerkmalen aus dem gesamten Tumorareal kann die Radiomik diese räumliche Heterogenität umfassender erfassen und möglicherweise den proliferativen Tumorstatus besser widerspiegeln33. Darüber hinaus zeigte diese Studie, dass radiomikbasierte Ansätze auf Grundlage von Ultraschallmodalitäten eine hohe gepoolte AUC von 0,92 aufweisen, was jedoch konservativ interpretiert werden sollte, anstatt sie als direkte Überlegenheit gegenüber der MRT anzusehen. Diese Unterscheidung ist wichtig, da sich die Konfidenzintervalle (CIs) dieser beiden Modalitäten überlappen und die geringere Anzahl an Ultraschallkohorten (n = 5) naturgemäß die Vorhersageintervalle im SROC-Diagramm verbreitert.

Anstatt eine Überlegenheit zu belegen, verdeutlichen diese Ergebnisse die einzigartigen, modalitätsspezifischen Stärken verschiedener bildgebender Plattformen. Die diagnostische Leistungsfähigkeit ultraschallbasierter Radiomik könnte mit der Empfindlichkeit der kontrastverstärkten Ultraschalluntersuchung bei der Erfassung der mikrovaskulären Perfusion und Hämodynamik zusammenhängen, funktionelle Informationen, die eng mit der zellulären proliferativen Aktivität assoziiert sind34. Obwohl sowohl ultraschall- als auch MRT-basierte Radiomik ein vielversprechendes diagnostisches Potenzial zeigen, sind weitere groß angelegte, direkte Vergleichsstudien erforderlich, um ihre jeweilige klinische Positionierung vollständig zu definieren. Obwohl die begrenzte Anzahl an CT-basierten Studien eine Metaanalyse ausschloss, zeigten Einzelstudien ebenfalls einen günstigen diagnostischen Trend mit berichteten AUC-Werten zwischen 0,836 und 0,903. Dies deutet auf den potenziellen klinischen Nutzen radiomischer Merkmale aus verschiedenen bildgebenden Quellen hin. Die Radiomik der kontrastverstärkten CT könnte makroskopische hämodynamische Veränderungen und räumliche Dichteunterschiede erfassen, die mit einer mikrovaskulären Umgestaltung und einer schnellen Tumorzellproliferation assoziiert sind. Diese qualitativen Ergebnisse legen nahe, dass aus der CT abgeleitete Texturmerkmale ein potenzielles Anwendungsgebiet für die nichtinvasive Ki-67-Charakterisierung besitzen, insbesondere in klinischen Szenarien, in denen die multiphasische CT die primäre bildgebende Modalität für das HCC-Screening und -Management darstellt.

Es ist bemerkenswert, dass diese Studie mehrere Schlüsselfaktoren identifiziert hat, die die diagnostische Leistung der Modelle beeinflussen könnten. Erstens könnte die Variation der Ki-67-Expressions-Schwellenwerte eine bedeutende Quelle der Heterogenität darstellen. Obwohl das Modell in der Untergruppe mit einem Schwellenwert >10 % eine leicht höhere Spezifität und AUC aufwies, unterschied sich die Leistung zwischen den beiden Untergruppen nicht signifikant, und die klinische Bedeutung dieser Unterschiede bleibt ungewiss. Derzeit fehlt eine standardisierte Definition für einen hohen Ki-67-Ausdruck35. Weitere Studien sind erforderlich, um einheitliche Kriterien zu etablieren und den Einfluss unterschiedlicher Schwellenwerte auf die Vorhersagegenauigkeit radiomischer Modelle weiter zu validieren. Zweitens beeinflusst die Wahl der Bildgebungsmodalität die Merkmalsextraktion und Modellerstellung erheblich. Die multiparametrische Bildgebungsfähigkeit der MRT und die dynamischen Kontrastmittelaufnahmeeigenschaften der Ultraschalluntersuchung liefern ergänzende biologische Informationen für die Modelle. Schließlich hatte auch die Wahl des Vorhersagemodell-Algorithmus Auswirkungen auf die Leistung. Logistische Regressionsmodelle sind aufgrund ihrer Interpretierbarkeit und Stabilität derzeit dominierend. Einige wenige Studien, die maschinelle Lernalgorithmen (z. B. SVMs) verwendeten, berichteten jedoch über außergewöhnlich hohe AUC-Werte, was darauf hindeutet, dass komplexere nichtlineare Modelle möglicherweise besser geeignet sind, die komplexen Zusammenhänge zwischen hochdimensionalen bildbasierten Merkmalen und der Ki-67-Expression zu erschließen. Dennoch ist die Anzahl solcher Studien begrenzt, und ihre Ergebnisse bedürfen weiterer Validierung.

Obwohl der zusammenfassende AUC-Wert von 0,90 auf eine hohe gepoolte diagnostische Leistung hinweist, ist aufgrund der erheblichen Heterogenität bezüglich Sensitivität und Spezifität Vorsicht geboten, da die Schätzungen Mittelwerte widerspiegeln und keinen universell reproduzierbaren klinischen Parameter darstellen. Das bivariate Random-Effects-Modell berücksichtigt die Varianz zwischen den Studien, beseitigt jedoch nicht die klinischen und technischen Unterschiede zwischen ihnen. Radiomics-Workflows sind empfindlich gegenüber Variationen in den Bildgebungsprotokollen, Rekonstruktionsalgorithmen und Scanner-Hardware, und Unterschiede in der Magnetfeldstärke, Schichtdicke sowie Ultraschallsystemen könnten zur beobachteten Heterogenität beigetragen haben. Die Einhaltung der Image Biomarker Standardization Initiative ist wichtig, um die technische Reproduzierbarkeit zu verbessern36. Standardisierte Vorverarbeitungsschritte, einschließlich isotroper Voxel-Resampling und Intensitätsnormalisierung, zusammen mit der Harmonisierung der extrahierten Merkmale nach der Extraktion37, könnten die Übertragbarkeit zwischen verschiedenen Zentren verbessern. Künftige prospektive Studien sollten diese methodischen Harmonisierungsschritte priorisieren.

Um die Lücke zwischen methodologischer Forschung und klinischer Anwendbarkeit zu schließen, ist es entscheidend, den zusätzlichen Nutzen radiomischer Modelle im Vergleich zu konventionellen klinischen und bildgebenden Biomarkern zu definieren. Derzeit etablierte Prädiktoren wie das Serumspiegel des Alpha-Fetoproteins sowie die makroskopische Tumormorphologie, einschließlich Tumorgröße und Randstatus, sind Standardbestandteile der klinischen Entscheidungsfindung beim hepatozellulären Karzinom (HCC)38. Diese konventionellen Marker spiegeln jedoch hauptsächlich die systemische Tumormasse oder makrostrukturelle Veränderungen wider. Im Gegensatz dazu extrahiert die Radiomik hochdimensionale, subvisuelle digitale Merkmale, die die räumliche Heterogenität auf Pixel-Ebene quantifizieren und biologisch mit zellulärer Proliferation und Gewebedichte verknüpft sind. Der primäre Wert der Radiomik liegt nicht im Ersatz bestehender klinischer diagnostischer Standards, sondern in ihrer synergistischen Integration. Frühere Befunde zeigten, dass prädiktive Modelle, die radiomische Signaturen mit konventionellen klinischen Risikofaktoren kombinieren, durchgängig bessere Ergebnisse liefern als Modelle, die ausschließlich auf klinischen oder rein radiomischen Parametern basieren18,22. In klinischen Arbeitsabläufen könnte dieser integrierte Ansatz als nichtinvasives Werkzeug zur Risikostratifizierung dienen. Beispielsweise könnte ein kombiniertes klinisch-radiomisches Modell bei Patienten mit unklaren klinischen Befunden die präoperative Einschätzung der Ki-67-Expression präzisieren und damit die weitere Diagnostik und Therapieplanung unterstützen; bevor solche Modelle klinische Entscheidungen leiten, ist eine prospektive Validierung erforderlich.

Die klinische Übertragung wird außerdem durch Überanpassung in hochdimensionalen Merkmalsräumen, begrenzte unabhängige multizentrische externe Validierung und eingeschränkte Modellinterpretierbarkeit eingeschränkt. Die meisten eingeschlossenen Studien verwendeten die logistische Regression, während eine geringe Anzahl nichtlineare Ansätze des maschinellen Lernens oder des Deep Learnings nutzte. Die hohen AUC-Werte, die in diesen explorativen Kohorten berichtet wurden, legen nahe, dass fortgeschrittene Modelle weitere Untersuchungen rechtfertigen, doch die geringe Anzahl an Studien belegt weder eine Obergrenze der Leistungsfähigkeit noch eine Überlegenheit gegenüber der logistischen Regression. Ansätze der erklärlichen künstlichen Intelligenz könnten die Interpretierbarkeit zukünftiger Modelle verbessern. Diese Metaanalyse kombinierte ausschließlich Radiomik-Modelle und klinisch-radiomische Kombinationsmodelle, was die aktuelle Literatur widerspiegelt, jedoch methodische Heterogenität einführt. Zukünftige Studien sollten diese Ansätze getrennt berichten und sie extern validieren.

Die vorliegende Studie weist ebenfalls mehrere Limitationen auf. Erstens stammten die eingeschlossenen Kohorten nahezu ausschließlich aus chinesischen Institutionen, was zu potenziellen geografischen und ätiologischen Verzerrungen führen kann. Da die Pathogenese des hepatozellulären Karzinoms (HCC) in Ostasien überwiegend durch eine chronische Infektion mit dem Hepatitis-B-Virus geprägt ist, während in westlichen Populationen Hepatitis-C-Virus, Alkoholmissbrauch und nichtalkoholische Steatohepatitis häufiger vorkommen, bleibt die klinische Übertragbarkeit dieser auf Radiomik basierenden Modelle auf andere globale Gesundheitsversorgungskontexte noch vollständig zu überprüfen. Zweitens waren die eingeschlossenen Studien überwiegend retrospektiv angelegt und meist einzentrig; obwohl die QUADAS-2-Bewertung ein insgesamt geringes Bias-Risiko anzeigte, sind weiterhin ein Selektionsbias und ein Messbias möglich. Die Interpretationskriterien für Ki-67 waren zwischen den Studien nicht vollständig einheitlich, und die gewählten Cutoff-Werte variierten erheblich (zwischen 10 % und 50 %). Obwohl die Subgruppen-Schätzungen ähnlich waren, könnte diese Variabilität dennoch die Vergleichbarkeit der Ergebnisse beeinträchtigen. Außerdem wurden Unterschiede in den Scannereinstellungen, Schichtdicken und Rekonstruktionsalgorithmen zwischen verschiedenen Bildgebungsgeräten nicht standardisiert oder korrigiert. Obwohl Radiomik-Analyse-Pipelines typischerweise Schritte zur Merkmalstandardisierung beinhalten, stellen inkonsistente Bildaufnahmeprotokolle weiterhin eine zentrale Herausforderung dar, die die Reproduzierbarkeit der Merkmale und die Generalisierbarkeit der Modelle beeinträchtigt. Schließlich beschränkte die Einbeziehung zu weniger Studien mit maschinellen Lernmodellen die vergleichenden Schlussfolgerungen hinsichtlich der Überlegenheit verschiedener Algorithmen. Zukünftige groß angelegte, prospektive multizentrische Studien sind erforderlich. Auf der Grundlage einheitlicher Protokolle zur Bildakquise und standardisierter Ki-67-Nachweisverfahren sollten diese Studien prädiktive Modelle weiter untersuchen, die klinische und radiomische Merkmale integrieren, sowie fortschrittlichere Deep-Learning-Architekturen einsetzen, um die Translation der Radiomik von der methodischen Forschung hin zu einem klinisch nützlichen Instrument zu unterstützen.

Diese Metaanalyse fasst die derzeitigen Belege zur Radiomik zur Vorhersage der Ki-67-Expression bei HCC zusammen. Radiomische Modelle zeigten eine hohe aggregierte diagnostische Leistung, jedoch schränken erhebliche Heterogenität zwischen den Studien, vorwiegend retrospektive Einzelzentren-Designs und begrenzte externe Validierung die klinische Interpretierbarkeit ein. Die Ergebnisse unterstützen die weitere Untersuchung der Radiomik als potenzielle Ergänzung zur pathologischen Beurteilung; sie belegen jedoch nicht die klinische Nützlichkeit. Prospektive, multizentrische Studien unter Verwendung standardisierter Bildgebung und Ki-67-Bewertung sind erforderlich, um Übertragbarkeit und klinische Anwendbarkeit zu evaluieren.

Offenlegungen

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Review ManagerNordic Cochrane CentreVersion 5.3Bewertung und Abbildung des Bias-Risikos
StataStataCorpVersion 16.0Diagnostische Metaanalyse unter Verwendung des midas-Moduls

Referenzen

  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.

Nachdrucke und Genehmigungen

Tags

Radiomics-Modelleradiomische Merkmalediagnostische LeistungMagnetresonanztomographieUltraschall-Radiomicslogistische Regression
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.