Forschungsartikel

Intratumorale und peritumorale Merkmale zur Vorhersage der mikrovaskulären Invasion beim hepatozellulären Karzinom: Systematischer Review und Metaanalyse

0 Aufrufe

⸱

DOI:

10.3791/72288

⸱

25. September 2026

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

In diesem Artikel

Zusammenfassung

Diese systematische Übersichtsarbeit und Metaanalyse bewerten die diagnostische Leistungsfähigkeit radiomischer Modelle zur präoperativen Vorhersage der mikrovaskulären Invasion beim hepatozellulären Karzinom.

Zusammenfassung

Diese systematische Übersichtsarbeit und Metaanalyse bewertete die diagnostische Leistungsfähigkeit radiomikbasierter Modelle zur Vorhersage der mikrovaskulären Invasion (MVI) beim hepatozellulären Karzinom (HCC). Die MVI ist ein entscheidender prognostischer Faktor beim HCC und steht in starkem Zusammenhang mit einem frühen Rezidiv und einer verminderten Überlebensrate nach kurativer Therapie. Eine genaue präoperative Vorhersage der MVI bleibt unter Verwendung konventioneller klinischer und bildgebender Merkmale herausfordernd. Die Radiomik hat sich als vielversprechender Ansatz etabliert, da sie eine quantitative Analyse der Tumorheterogenität anhand medizinischer Bilddaten ermöglicht. Ziel dieser Studie war es, die diagnostische Leistungsfähigkeit radiomikbasierter Modelle zur Vorhersage der MVI beim HCC systematisch zu bewerten. Es wurde eine systematische Übersichtsarbeit und Metaanalyse durchgeführt, die 26 Studien mit CT- und MRT-basierten radiomikbasierten Modellen umfasste. Daten zur diagnostischen Leistung wurden extrahiert, und gepoolte Analysen wurden mittels Random-Effects-Modellen durchgeführt, ergänzt um Subgruppenanalysen nach Bildgebungsmodalität und Modelltyp. Insgesamt zeigten die Radiomikmodelle eine gute diagnostische Leistungsfähigkeit mit einer gepoolten AUC von 0,85 (95 % KI 0,82–0,88). Klinisch-radiomikbasierte Modelle erreichten eine höhere und konsistentere Leistung als reine Radiomikmodelle (MRT: 0,87 vs. 0,85; CT: 0,87 vs. 0,81). Bei den 3D-basierten Modellen betrug die gepoolte AUC 0,85 (95 % KI 0,82–0,88). Zusammenfassend zeigen radiomikbasierte Modelle eine vielversprechende Leistungsfähigkeit für die präoperative Vorhersage der MVI beim HCC, insbesondere wenn sie mit klinischen Variablen kombiniert werden. Dennoch weisen erhebliche Heterogenität und begrenzte externe Validierung auf die Notwendigkeit methodischer Standardisierung sowie prospektiver, multizentrischer Validierungsstudien vor einer klinischen Anwendung hin.

Einleitung

Das hepatozelluläre Karzinom (HCC) gehört weltweit zu den häufigsten malignen Erkrankungen und ist weiterhin eine der führenden Ursachen für krebsbedingte Sterblichkeit1. Die mikrovaskuläre Invasion (MVI) ist ein entscheidendes pathologisches Merkmal, das mit aggressivem Tumorgewebe assoziiert ist, und wird durchgängig mit einem frühen Rezidiv sowie einer verminderten Gesamtüberlebensrate nach Leberresektion oder -transplantation in Verbindung gebracht2,3,4. Die präoperative Identifizierung einer mikrovaskulären Invasion gestaltet sich jedoch nach wie vor schwierig, da sie erst durch die histopathologische Untersuchung resektierter oder explantierter Gewebeproben endgültig bestätigt werden kann. Daher müssen Behandlungsentscheidungen oft ohne direkte Kenntnis des MVI-Status getroffen werden. In der aktuellen klinischen Praxis werden indirekte Indikatoren weitgehend und hauptsächlich zur Abschätzung der Wahrscheinlichkeit einer MVI herangezogen, darunter Tumorgröße, Serumspiegel des Alpha-Fetoproteins5, das Vorhandensein von Satellitenherden sowie qualitative bildgebende Merkmale wie unregelmäßige Tumorränder, peritumorale Kontrastmittelaufnahme und das Fehlen einer Kapsel6.

Diese Faktoren sind auf Populationsebene mit mikroskopischer vaskulärer Invasion (MVI) assoziiert und fließen in die klinische Entscheidungsfindung ein; ihre Vorhersagegenauigkeit auf Ebene des einzelnen Patienten bleibt jedoch bescheiden7,8. Beispielsweise ist das serumgebundene Alpha-Fetoprotein nur bei einer Untergruppe von Patienten erhöht und weist eine mangelnde Spezifität auf, während bildgebende Merkmale von der Variabilität zwischen verschiedenen Beobachtern abhängen und von den Aufnahmeprotokollen sowie der Expertise der Auswerter beeinflusst werden9,10. Zudem ist die konventionelle bildbasierte Beurteilung weitgehend qualitativ und erfasst weder die räumliche Heterogenität der Tumorarchitektur noch die subtilen Veränderungen im Mikromilieu an der Grenzfläche von Tumor und Leber, die mit einer mikroskopischen vaskulären Invasion assoziiert sind11. Diese Einschränkungen verringern die Zuverlässigkeit der derzeitigen präoperativen Risikobewertung und verdeutlichen die Notwendigkeit robusterer und quantitativerer Ansätze. Die Radiomik, die eine Hochdurchsatzgewinnung bildbasierter Merkmale ermöglicht, bietet eine Möglichkeit, die intratumorale und peritumorale Heterogenität abzubilden, die möglicherweise der zugrundeliegenden Tumorbiologie entspricht12,13. Merkmale wie peritumorale arterielle Kontrastmittelaufnahme, unregelmäßige Ränder und Hypointensität in der hepatobiliären Phase sind mit MVI assoziiert, was die potenzielle Rolle quantitativer, bildbasierter Modelle untermauert14.

Die berichtete diagnostische Leistung war jedoch inkonsistent, teilweise aufgrund von Unterschieden in der Bildgebungsmodalität, den Aufnahmeprotokollen, den Segmentierungsmethoden und den Ansätzen zur Modellentwicklung. Zudem sind die meisten Studien retrospektiv und in Einzelzentren durchgeführt worden, und vergleichsweise wenige beinhalten eine unabhängige externe Validierung. Daher zielt diese systematische Übersichtsarbeit darauf ab, die diagnostische Genauigkeit radiomikbasierter Modelle, einschließlich auf MRT- und CT-basierten Modellen, für die präoperative Vorhersage einer mikrovaskulären Invasion beim hepatozellulären Karzinom zu bewerten und dabei die Daten getrennt nach Bildgebungsmodalität, Segmentierungsstrategie und Modelltyp darzustellen, um die Heterogenität der Bildgebungsansätze und der Modellentwicklung zu berücksichtigen.

Protokoll

Suchstrategie

Es wurden vier Datenquellen durchsucht, darunter PubMed (MEDLINE), Embase, Web of Science und die Cochrane Library, von Januar 2015 bis April 2026. Die Suchstrategie wurde durch Kombination dreier inhaltlicher Blöcke unter Verwendung boolescher Operatoren entwickelt: Begriffe im Zusammenhang mit der Erkrankung (hepatozelluläres Karzinom, HCC, Leberkrebs, hepatisches Karzinom), Begriffe zur Methodik (Radiomik, radiomisch, Texturanalyse, quantitative Bildgebung, bildgebender Biomarker) sowie Begriffe zum Ergebnis (mikrovaskuläre Invasion, MVI, vaskuläre Invasion, mikroskopische vaskuläre Invasion). Der PubMed-Suchbegriff lautete wie folgt: (("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]).

Studienauswahl

Alle abgerufenen Datensätze wurden in Rayyan (Qatar Computing Research Institute), eine webbasierte Plattform für systematische Übersichten, importiert, um Doppeleinträge zu entfernen und die Selektion durchzuführen. Zwei unabhängige Prüfer bewerteten alle Titel und Abstracts anhand der vorab festgelegten Eingabekriterien. Anschließend wurden die Volltextartikel beschafft und von denselben beiden Prüfern unabhängig voneinander hinsichtlich der endgültigen Aufnahme bewertet. Studien, die ausreichende Daten zur diagnostischen Leistung enthielten, um mindestens eine vorab festgelegte quantitative Synthese zu ermöglichen, waren berechtigt zur Aufnahme. Sofern verfügbar, wurden Daten zu echtpositiven, echtnegativen, falschpositiven und falschnegativen Ergebnissen für sekundäre Analysen zur diagnostischen Genauigkeit extrahiert. Unstimmigkeiten in jedem Stadium der Selektion wurden durch Diskussion geklärt, wobei im Falle fehlender Einigung ein dritter, erfahrener Prüfer als Schiedsrichter hinzugezogen wurde. Der Prozess der Studienselektion ist in einem PRISMA-Flussdiagramm zusammengefasst (Abbildung 1). Alle in dieser Studie verwendeten Werkzeuge und Plattformen sind in der Tabelle der Materialien aufgelistet.

Datenextraktion

Zwei Gutachter extrahierten unabhängig voneinander Daten aus allen eingeschlossenen Studien mithilfe eines standardisierten, erprobten Datenerfassungsformulars. Die extrahierten Angaben umfassten Studienmerkmale (erster Autor, Erscheinungsjahr, Land, Studiendesign, Rekrutierungszeitraum und Art der Institution), Patientenmerkmale (Stichprobengröße, mittleres oder medianes Alter, Geschlechtsverteilung, Prävalenz von MVI, Ätiologie der Lebererkrankung und Tumoreigenschaften), Bildgebungsmerkmale (Modalität, Scannertyp, Kontrastmittel und Bildgebungsphase), Radiomik-Methodik (Art des Segmentierungsgebiets; Breite des peritumoralen Randes, falls zutreffend; ROI-Abgrenzungsmethode; Segmentierungsdimensionalität), Modellmerkmale (Klassifikatorart und Validierungsstrategie) sowie Metriken zur diagnostischen Leistung (Fläche unter der Receiver-Operating-Characteristic-Kurve [AUC], Sensitivität, Spezifität, positiver Likelihood-Quotient, negativer Likelihood-Quotient und diagnostische Quotenverhältnisse). Falls Studien mehrere geeignete Modelle oder Kohorten berichteten, wurden die entsprechenden modell- oder kohortenspezifischen Schätzwerte extrahiert, die in den vorgegebenen quantitativen Analysen verwendet wurden. In den Tabellen 1 und 2 dienen Buchstaben als Suffixe (a–d), um diese Schätzwerte zu unterscheiden. Unstimmigkeiten zwischen den Gutachtern während der Datenerfassung wurden durch Konsens gelöst.

Qualitätsbewertung

Die methodische Qualität der eingeschlossenen Studien wurde anhand zweier komplementärer Werkzeuge bewertet. Das Risiko von Bias und Relevanzfragen wurde mit dem Instrument zur Qualitätsbewertung diagnostischer Testgenauigkeitsstudien 2 (QUADAS-2)15 beurteilt. Die methodische Qualität im Bereich Radiomics wurde mittels der Methodischen Radiomics-Skala (METRICS)16 evaluiert. Die Qualitätsbewertung wurde unabhängig durch zwei Prüfer durchgeführt, wobei Uneinigkeiten durch Konsens gelöst wurden. Die Ergebnisse werden narrativ und grafisch mithilfe von Zusammenfassungstabellen auf Domänenebene dargestellt.

Statistische Analyse

Die diskriminative Leistung wurde mithilfe der C-Statistik (Fläche unter der Receiver-Operating-Characteristic-Kurve [AUC]) zusammengefasst. Eine Metaanalyse der AUC-Werte mit zufälligen Effekten wurde unter Verwendung der Methode der eingeschränkten maximalen Likelihood durchgeführt, um die Variabilität zwischen den Studien zu berücksichtigen. Wenn nicht direkt angegeben, wurden Standardfehler aus veröffentlichten 95 %-Konfidenzintervallen abgeleitet; für Studien ohne Varianzschätzungen wurden Standardfehler mithilfe der Methode von Hanley und McNeil basierend auf der Anzahl positiver und negativer Fälle approximiert17. Zur Stabilisierung der Varianzen wurden die AUC-Werte vor der Metaanalyse logit-transformiert und für die Interpretation anschließend zurücktransformiert. Pooled Estimates wurden zusammen mit den entsprechenden 95 %-Konfidenzintervallen angegeben. Die Heterogenität zwischen den Studien wurde anhand der I2-Statistik bewertet, wobei Werte von 25 %, 50 % und 75 % geringe, moderate bzw. hohe Heterogenität repräsentierten. Die Studien wurden deskriptiv entweder als Tumor-allein- oder als Modelle eingeteilt, die sowohl Tumor- als auch peritumorale Regionen einbezogen. Eine separate quantitative Subgruppe ausschließlich für peritumorale Merkmale wurde nicht durchgeführt, da diese Kategorie nicht ausreichend vertreten war. Zusätzliche Subgruppenanalysen wurden entsprechend der Bildgebungsmodalität (CT versus MRT) und der Segmentierungsdimensionalität (2D versus 3D) durchgeführt. Weitere Analysen beschränkten sich auf extern validierte Modelle, um die Generalisierbarkeit zu beurteilen. Alle statistischen Analysen wurden mit der R-Software (Version 4.4.1) durchgeführt. Die folgenden R-Pakete wurden verwendet: meta  (Version 7.0-1) und metafor  (Version 4.6-0) für die Metaanalyse sowie dmetar  (Version 0.1.0) für ergänzende Funktionen. Pooled AUCs wurden mithilfe der metagen -Funktion mit dem Schätzer der eingeschränkten maximalen Likelihood berechnet. Zu den Modellparametern gehörte die Knapp-Hartung-Korrektur für Konfidenzintervalle. Der Analysecode ist als Zusatzdatei 2 verfügbar. Ein zweiseitiger p-Wert von weniger als 0,05 galt für alle Tests als statistisch signifikant.

Ergebnisse

Die Literatursuche ergab 368 Einträge, von denen 89 Duplikate waren. Nach Entfernung der Duplikate wurden 279 Einträge gescreent, und 26 Studien erfüllten die Einschlusskriterien (Abbildung 1). Durch manuelle Suche wurden keine weiteren Studien identifiziert.

Studienmerkmale

Die 26 eingeschlossenen Studien18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 waren überwiegend retrospektiv (25 von 26), wobei eine prospektive Studie durchgeführt wurde. Die meisten Studien wurden in China durchgeführt (23 Studien), die übrigen stammten aus Europa. Die Stichprobengrößen variierten erheblich zwischen den Studien, wobei die Trainingskohorten zwischen 66 und 461 Patienten umfassten und die Validierungskohorten zwischen 25 und 283 Patienten. Eine externe Validierung wurde in 9 Studien durchgeführt, während die Mehrheit (17 Studien) ausschließlich auf interne Validierung setzte. Die Magnetresonanztomographie (MRT) war die am häufigsten verwendete Modalität (17 Studien), gefolgt von der Computertomographie (CT) (10 Studien), wobei eine Studie sowohl CT als auch MRT kombinierte. Die meisten Studien verwendeten dreidimensionale Segmentierungsansätze (22 Studien), während zwei Studien explizit zweidimensionale Segmentierungen anwandten. Die beiden verbleibenden Studien (Referenzen 18 und 30) gaben ihre Segmentierungsdimensionalität nicht eindeutig an oder verwendeten einen hybriden Ansatz, der nicht zuverlässig kategorisiert werden konnte; diese beiden Studien wurden daher von der segmentierungsstratifizierten Subgruppenanalyse ausgeschlossen, blieben jedoch in der gesamten gepoolten Analyse enthalten. Die Segmentierungsstrategien unterschieden sich zwischen den Studien. Sechzehn Studien analysierten ausschließlich Tumorregionen, während 10 Studien sowohl Tumor- als auch peritumorale Regionen einbezogen, die typischerweise über feste radiale Ränder definiert wurden. Studien, die peritumorale Informationen berücksichtigten, wurden häufiger in späteren Jahren durchgeführt. Insgesamt wurden 26 Vorhersagemodelle in den eingeschlossenen Studien identifiziert. Die meisten Studien (15 von 26) entwickelten klinisch-radiomische Modelle, die radiomische Merkmale mit klinischen Variablen kombinierten, während 11 Studien ausschließlich radiomische Ansätze verwendeten (Tabelle 1). Die in den eingeschlossenen Studien berichteten Genauigkeit, Sensitivität, Spezifität sowie die entsprechenden Kontingenztabellendaten (TP, FP, FN, TN) sind in Tabelle 2 zusammengefasst.

Modellunterscheidung

In allen eingeschlossenen Studien zeigten radiomische Modelle eine gute diskriminative Leistungsfähigkeit zur Vorhersage der mikrovaskulären Invasion. Die gepoolte C-Statistik (AUC) aus dem Random-Effects-Modell betrug 0,85 (95 % KI 0,82–0,88) mit erheblicher Heterogenität zwischen den Studien (I2 = 77 %) (Abbildung 2). Bei einer Aufteilung nach Modelltyp wiesen Klinikoradiomik-Modelle im Vergleich zu rein radiomischen Modellen eine höhere und konsistentere diskriminative Leistung auf. Reine radiomische Modelle ergaben eine gepoolte AUC von 0,84 (95 % KI 0,78–0,88) mit erheblicher Heterogenität (I2 = 80 %) (Abbildung 2). Im Gegensatz dazu erreichten Modelle, die sowohl Radiomik- als auch klinische Variablen einbezogen, eine höhere gepoolte AUC von 0,87 (95 % KI 0,85–0,89) und wiesen deutlich geringere Heterogenität auf (I2 = 23 %) (Abbildung 2).

Unter den Studien mit 3D-Segmentierung (ergänzende Abbildung 1) betrug die gepoolte AUC 0,85 (95 % KI 0,82–0,88) mit erheblicher Heterogenität (I2 = 77,8 %). In der Subgruppenanalyse erreichten ausschließlich radiomische Modelle eine gepoolte AUC von 0,83 (95 % KI 0,78–0,88; I2 = 80,7 %), während klinikoradiomische Modelle eine höhere und konsistentere Leistung aufwiesen (AUC 0,87, 95 % KI 0,85–0,89; I2 = 15,1 %). Bei CT-basierten Studien (ergänzende Abbildung 2) lag die gepoolte AUC bei 0,83 (95 % KI 0,76–0,88), obwohl die Heterogenität hoch war (I2 = 88,6 %). Die Leistung variierte bei rein radiomischen Modellen deutlich (AUC 0,81, 95 % KI 0,70–0,89; I2 = 85,1 %), während Modelle, die klinische Variablen einbezogen, sowohl leistungsstärker als auch deutlich konsistenter waren (AUC 0,87, 95 % KI 0,83–0,90; I2 = 4,0 %). Bei MRT-basierten Studien (ergänzende Abbildung 3) war die Gesamtdiskriminierung leicht höher mit einer gepoolten AUC von 0,86 (95 % KI 0,83–0,89) und moderater Heterogenität (I2 = 57,6 %). Ein ähnliches Muster zeigte sich, wobei klinikoradiomische Modelle eine leicht bessere Leistung und geringere Variabilität aufwiesen (AUC 0,87, 95 % KI 0,84–0,90; I2 = 33,4 %) im Vergleich zu rein radiomischen Ansätzen (AUC 0,85, 95 % KI 0,79–0,89; I2 = 61,7 %).

Leistung bei der externen Validierung

Unter den extern validierten Modellen (n = 9) blieb die Gesamtdiskriminierungsleistung hoch. Die gepoolte AUC betrug 0,87 (95 % KI 0,82–0,91) mit moderater Heterogenität (I2 = 66 %) (ergänzende Abbildung 4). Die Subgruppenanalyse innerhalb der externen Validierungskohorten zeigte eine vergleichbare gepoolte Leistung zwischen den Modelltypen, jedoch Unterschiede in der Präzision. Allein auf Radiomik basierende Modelle erreichten eine gepoolte AUC von 0,87 (95 % KI 0,78–0,93), während klinisch-radiomische Modelle eine gepoolte AUC von 0,87 (95 % KI 0,83–0,91) aufwiesen.

Qualitätsbewertung

Die allgemeine methodische Qualität war moderat. Die Domänen „Referenzstandard“ und „Ablauf“ wiesen durchgängig ein geringes Risiko auf, da alle Studien die Histopathologie und angemessene Zeitintervalle zwischen Bildgebung und Chirurgie nutzten. Die Hauptquelle für Verzerrungen lag in der Domäne des Index-Tests, was hochdimensionale Radiomics- oder Deep-Learning-Modelle, eine begrenzte prospektive Festlegung der Modellierungsstrategien sowie inkonsistente Berichterstattung zur Reproduzierbarkeit widerspiegelt. Die Patientenauswahl war im Allgemeinen von geringem Risiko, obwohl Bedenken bei kleineren retrospektiven Kohorten aus einzelnen Zentren stärker ausgeprägt waren (Supplementary Table 1). Die bewertungsspezifische Einschätzung für Radiomics zeigte eine variable methodische Strenge (Supplementary Table 1). Während Bildgebungsprotokolle und Segmentierung in der Regel beschrieben wurden, waren Tests zur Reproduzierbarkeit und externe Validierungen seltener. Neuere multizentrische Studien wiesen verbesserte Studiendesigns und Validierungspraktiken auf, obwohl die Heterogenität der Methoden weiterhin beträchtlich blieb.

VERFÜGBARKEIT VON DATEN:

Alle während dieses systematischen Literaturreviews und der Metaanalyse generierten oder analysierten Daten sind in diesem veröffentlichten Artikel und den zugehörigen ergänzenden Informationsdateien enthalten. Die Suchstrategien für die Datenbankabfragen sind in der ergänzenden Datei 1 angegeben, und der R-Analysencode befindet sich in der ergänzenden Datei 2. Die extrahierten Daten auf Studienebene, die für die Zusammenfassung verwendet wurden, sind vollständig in Tabelle 1 und 2 dargestellt, und die detaillierten Ergebnisse der Qualitätsbewertung finden sich in der ergänzenden Tabelle 1. Für die Reproduktion der Ergebnisse sind keine weiteren Rohdatendateien zusätzlich zu diesen erforderlich.

figure-results-1
Abbildung 1: Flussdiagramm des Studienselektionsprozesses. Flussdiagramm zur Identifizierung, Sichtung, Eignungsprüfung und Einbeziehung von Studien mit Angabe der Anzahl der Datensätze in jeder Phase. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Forest-Plot der diagnostischen Leistung von Radiomik-Modellen zur Vorhersage von mikrovaskulären Invasionen. Dargestellt sind C-Statistiken (AUCs) auf Studienebene und gepoolte Werte mit 95 % Konfidenzintervallen, aufgeteilt nach Modelltyp. Es wurden Modelle mit zufälligen Effekten verwendet, wobei die Heterogenität anhand der I2-Statistik bewertet wurde. Klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 1: Merkmale der eingeschlossenen Studien. Zusammenfassung des Studiendesigns, der Population, der Bildgebungsmodalität, der Segmentierungsstrategie, des Modelltyps und des Validierungsansatzes. Die Suffixe (a–c) kennzeichnen mehrere Modelle oder Kohorten innerhalb einer einzelnen Studie. Abkürzungen: CT = Computertomographie; MRT = Magnetresonanztomographie. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Diagnostische Leistung von Radiomik-Modellen zur Vorhersage der mikrovaskulären Invasion. Studienebene Genauigkeit, Sensitivität, Spezifität und Kontingenzdaten (TP, FP, FN, TN) werden nach Modelltyp und Validierungsszenario dargestellt. Die Genauigkeit wurde gegebenenfalls neu berechnet. Suffixe (a–c) kennzeichnen mehrere Modelle oder Kohorten innerhalb derselben Studie. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Erweiterte Abbildung 1: Diagnostische Leistung von Radiomik-Modellen unter Verwendung der 3D-Segmentierung. Forest-Plot, der die C-Statistiken (AUCs) auf Studienebene und die gepoolten Ergebnisse für Studien zeigt, die 3D-Segmentierungsmethoden angewandt haben, aufgeschlüsselt nach Modelltyp (reine Radiomik vs. klinisch-radiomische Modelle). Die Analyse wurde durchgeführt, um zu beurteilen, ob die Merkmalsextraktion aus 3D-Volumendaten, die die räumliche Heterogenität umfassender erfasst, zu Leistungsunterschieden im Vergleich zur gesamten gepoolten Schätzung führt, und um die Heterogenität innerhalb jeder Subgruppe zu bewerten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Abbildung 2: Diagnostische Leistung von auf CT basierenden Radiomik-Modellen. Forest-Plot, der die C-Statistiken (AUCs) auf Studienebene und gepoolt für Studien zeigt, die die Computertomographie (CT) als bildgebende Modalität verwendeten, aufgeschlüsselt nach Modelltyp (reine Radiomik vs. klinische Radiomik). Diese Subgruppenanalyse wurde durchgeführt, um zu bewerten, ob CT-basierte Radiomik-Modelle eine vergleichbare diagnostische Leistung wie MRT-basierte Modelle erreichen, und um den Einfluss der Hinzunahme klinischer Variablen auf die Leistungskonsistenz innerhalb der CT-Studien zu beurteilen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Abbildung 3: Diagnostische Leistung von auf MRT basierenden Radiomik-Modellen. Forest-Plot, der die C-Statistiken (AUCs) auf Studienebene und gepoolt für Studien zeigt, die die Magnetresonanztomographie (MRT) als bildgebende Modalität verwendeten, aufgeschlüsselt nach Modelltyp (reine Radiomik vs. klinisch-radiomische Modelle). Diese Subgruppenanalyse wurde durchgeführt, um zu beurteilen, ob der überlegene Weichteilkontrast und die multiparametrische Fähigkeit der MRT zu einer höheren Diskriminierungsleistung bei der Vorhersage von MVI im Vergleich zu auf CT basierenden Modellen führt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Abbildung 4: Diagnostische Leistung extern validierter Modelle. Forest-Plot, der die C-Statistiken (AUCs) auf Studien- und Gesamtebene für Modelle zeigt, die einer externen Validierung in unabhängigen Kohorten unterzogen wurden, aufgeschlüsselt nach Modelltyp (reine Radiomik vs. klinisch-radiomik). Diese Analyse wurde speziell durchgeführt, um die Übertragbarkeit radiomikbasierter Modelle auf unabhängige Datensätze zu bewerten und zu prüfen, ob Leistungseinbußen auftreten, wenn die Modelle auf externe Populationen angewendet werden, was ein entscheidender Indikator für die klinische Anwendbarkeit ist. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 1: Qualitätsbewertung der eingeschlossenen Studien. Detaillierte Ergebnisse der methodischen Qualitätsbewertung mithilfe des QUADAS-2-Tools für jede eingeschlossene Studie. Die Tabelle zeigt die Einschätzungen zum Risiko einer Verzerrung und zu Bedenken hinsichtlich der Übertragbarkeit in vier Bereichen: Patientenauswahl, Index-Test, Referenzstandard sowie Ablauf und Zeitplanung. Jeder Bereich wird als „geringes Risiko“, „hohes Risiko“ oder „unklares Risiko“ eingestuft, wobei die Bewertungen durch spezifische, aus den einzelnen Studien entnommene Begründungen gestützt werden. Dies ermöglicht es den Lesern, die methodische Strenge der einzelnen Studien zu beurteilen und potenzielle Quellen von Verzerrungen zu identifizieren, die die gepoolten Schätzungen beeinflussen könnten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 1: Datenbanksuchstrategien. Alle Datenbanksuchstrategien sind in diesem Dokument zusammengefasst. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 2: R-Analysecode. Der in dieser Analyse verwendete Code ist in diesem Dokument enthalten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese systematische Übersichtsarbeit und Metaanalyse von 26 Studien ergab, dass radiomikbasierte Modelle eine gute, jedoch variable Leistung bei der präoperativen Vorhersage einer mikrovaskulären Invasion beim hepatozellulären Karzinom aufweisen, wobei die meisten AUC-Schätzungen zwischen etwa 0,80 und 0,90 liegen. Die diagnostische Genauigkeit war über die Studien hinweg im Allgemeinen moderat bis hoch, wobei Sensitivität und Spezifität typischerweise 70 % überstiegen, obwohl die Leistung nicht einheitlich war. Modelle, die klinische Variablen einbezogen, zeigten tendenziell eine konsistentere Diskriminierung und eine höhere Spezifität als reine Radiomik-Modelle. Außerdem wiesen MRT-basierte Ansätze eine leicht höhere Leistung als CT-basierte Modelle auf. Diese Ergebnisse sollten jedoch vor dem Hintergrund erheblicher Heterogenität zwischen den Studien sowie Unterschiede in Studiendesign, Bildgebungsprotokollen und Modellierungsstrategien interpretiert werden, die wahrscheinlich zur beobachteten Variabilität der Leistung beigetragen haben.

Mehrere frühere Metaanalysen haben Radiomik zur Vorhersage von MVI bei HCC bewertet. Eine Studie44 umfasste 13 Studien und berichtete über eine gepoolte AUC von 0,88 für auf MRT basierende Radiomik, wobei kombinierte Modelle Ansätze, die ausschließlich auf Radiomik basieren, übertrafen (AUC: 0,90 vs. 0,85). Eine weitere Studie45 analysierte 26 Studien mit insgesamt 3.539 Patienten mit solitärem HCC und berichtete eine gepoolte AUC von 0,85 (95 % KI 0,82–0,88) für Radiomik-Modelle. Die vorliegende Synthese erweitert diese Ergebnisse, indem sie eine höhere und konsistentere Leistung von klinisch-radiomischen Modellen (AUC 0,87) im Vergleich zu rein radiomikbasierten Modellen (AUC 0,84) aufzeigt und somit den zusätzlichen Nutzen der Integration klinischer Variablen unterstreicht. Außerdem liefern die getrennten Analysen nach Bildgebungsmodalität – mit einer besseren Leistung der MRT (0,86) gegenüber der CT (0,83) – präzisere Schätzungen als frühere Arbeiten. Eine weitere Metaanalyse durch eine Arbeitsgruppe46 schloss sowohl CT- als auch MRT-Studien ein, konzentrierte sich jedoch hauptsächlich auf die Risikostratifizierung statt auf den Vergleich von Modelltypen. Die vorliegende Studie baut auf früheren Arbeiten auf, indem sie radiomikbasierte und klinisch-radiomische Modelle über verschiedene Bildgebungsmodalitäten hinweg vergleicht und extern validierte Modelle separat bewertet. Diese schrittweisen Innovationen ermöglichen ein differenzierteres Verständnis der Leistungsfähigkeit von Radiomik-Modellen und geben klarere Anhaltspunkte für die zukünftige Modellentwicklung und klinische Umsetzung.

Die höhere und konsistentere Leistung, die bei Modellen beobachtet wurde, die klinische Variablen in dieser Metaanalyse einbezogen, stimmt mit der zugrundeliegenden Pathophysiologie der mikrovaskulären Invasion überein. Die mikrovaskuläre Invasion stellt eine Tumorausbreitung in kleine portalvenöse Äste am Tumorrands dar und geht häufig mit mikroskopischen Tumorthromben und Veränderungen der lokalen hepatischen Perfusion einher. Diese Veränderungen sind am Übergangsbereich zwischen Tumor und Leber deutlicher ausgeprägt als im Tumorkern, was erklärt, warum bildgebende Merkmale dieses Bereichs wiederholt mit MVI assoziiert sind. Beispielsweise wurden peritumorale arterielle Enhancementphänomene und Hypointensität in der hepatobiliären Phase mit einer verminderten portalvenösen Zuflussmenge sowie einer kompensatorischen arteriellen Hyperperfusion in Verbindung gebracht, die durch mikroskopische vaskuläre Obstruktion verursacht wird, während unregelmäßige oder nicht glatte Tumorgrenzen infiltratives Wachstum widerspiegeln, das über die sichtbare Tumorgrenze hinausreicht. Die quantitative Bildanalyse ermöglicht eine systematische Charakterisierung der Textur und Signalintensität innerhalb und um den Tumor herum und spiegelt zugrundeliegende Unterschiede in der Zelldichte, Nekrose und mikrovaskulären Struktur wider.

Diese Ergebnisse zeigen, dass bildgebende Merkmale allein für eine genaue Charakterisierung des Risikos einer mikrovaskulären Invasion nicht ausreichend sind. In den eingeschlossenen Studien zeigten ausschließlich radiomische Modelle eine erhebliche Heterogenität und eine leicht geringere Diskriminierungsleistung im Vergleich zu klinisch-radiomischen Modellen. Dies spiegelt wahrscheinlich wider, dass die mikrovaskuläre Invasion nicht allein durch lokale bildgebende Merkmale bestimmt wird, sondern auch durch die Tumorbiologie auf systemischer Ebene. Klinische Faktoren wie erhöhtes Alpha-Fetoprotein, größere Tumorgröße und eingeschränkte Leberfunktion sind gut etablierte Marker für Tumoraggressivität und wurden konsistent mit vaskulärer Invasion und früher Rezidivierung assoziiert. Größere Tumoren neigen stärker dazu, in benachbartes Mikrogefäße einzudringen, während ein erhöhtes AFP mit schlechterer Differenzierung und aggressiveren Phänotypen verknüpft ist. Die Integration dieser Variablen mit bildgebenden Merkmalen liefert daher komplementäre Informationen, indem lokale Hinweise auf mikroskopische Invasion mit breiteren Indikatoren für das Tumorverhalten kombiniert werden. Dies zeigt sich in der vorliegenden Analyse, in der klinisch-radiomische Modelle nicht nur höhere gepoolte AUCs erreichten, sondern auch deutlich geringere Heterogenität aufwiesen, was auf eine größere Stabilität über verschiedene Studiensettings hinweg hindeutet.

Die mechanistische Grundlage für den Vorhersagewert peritumoraler radiomischer Merkmale liegt in den pathophysiologischen Veränderungen, die mit MVI an der Tumor-Leber-Grenzfläche assoziiert sind. Die mikrovaskuläre Invasion beinhaltet Tumorzellembolien in portalen Venenästen in der Nähe des Tumorrands, was zu einer teilweisen oder vollständigen Obstruktion kleiner portalvenöser Venulen führt. Diese Obstruktion resultiert in einer verminderten portalvenösen Zufuhr zum peritumoralen Leberparenchym, verbunden mit kompensatorischer arterieller Hyperperfusion – ein Phänomen, das sich in der Bildgebung als peritumorale arterielle Kontrastmittelaufnahme oder Perfusionsheterogenität widerspiegelt. Außerdem induzieren mikroskopische Tumor-Thromben lokale entzündliche Reaktionen und verändern die Gewebemikroarchitektur, was durch radiomische Texturmerkmale erfasst werden kann, die Veränderungen in der zellulären Dichte, Nekrose und mikrovaskulären Dichte widerspiegeln. Pathologische Untersuchungen haben gezeigt, dass diese peritumoralen Veränderungen über die makroskopische Tumorgrenze hinausreichen, was eine biologische Begründung dafür liefert, peritumorale Regionen mit variierenden radialen Rändern in radiomische Modelle einzubeziehen. Die konsistente Assoziation zwischen peritumoralen Bildgebungsbefunden und MVI in den eingeschlossenen Studien beruht somit auf diesen zugrundeliegenden vaskulären und mikrostrukturellen Veränderungen und verleiht den quantitativen Bildgebungsergebnissen eine biologische Plausibilität.

Die leicht bessere Leistung, die bei MRT-basierten Modellen beobachtet wurde, stimmt auch mit bekannten Unterschieden in der Bildgebungsfähigkeit überein. Die MRT ermöglicht eine multiparametrische Beurteilung, wie beispielsweise Diffusion, Perfusion und hepatozytenspezifische Kontrastmittelaufnahme, die mit der Tumordifferenzierung und vaskulärer Invasion assoziiert sind45. Hypointensität in der hepatobiliären Phase und signalverändernde peritumorale Veränderungen sind in der MRT leichter nachweisbar. Diese Merkmale spiegeln eine beeinträchtigte Hepatozytenfunktion und veränderte Perfusion im Zusammenhang mit mikroskopischer Tumorausbreitung wider. Die CT stützt sich hauptsächlich auf Muster der Kontrastmittelanreicherung und ist gegenüber diesen Veränderungen weniger empfindlich. Dies könnte die stärkere Variabilität erklären, die bei CT-basierten Modellen beobachtet wurde.

Es ist erwähnenswert, dass sich die vorliegende Übersichtsarbeit auf die CT- und MRT-basierte Radiomik konzentrierte, da diese in der Literatur die vorherrschenden Modalitäten darstellen. Die Radiomik mittels PET/CT könnte jedoch einen komplementären Nutzen für die Vorhersage von mikrovaskulären Invasionen (MVI) bieten, indem sie den Tumormetabolismus, Hypoxie und die biologische Heterogenität charakterisiert – Merkmale, die allein durch die anatomische oder funktionelle MRT nicht erfasst werden. Erste Belege deuten darauf hin, dass metabolische Parameter wie der SUVmax und texturale Merkmale aus der PET mit der Tumoraggressivität und vaskulären Invasion korrelieren können. Dennoch ist die Evidenzbasis für die PET/CT-Radiomik bei der MVI-Vorhersage im Vergleich zu CT und MRT weiterhin begrenzt, sodass dieser Bereich zukünftigen Studien vorbehalten bleibt. Diese Ergebnisse haben Auswirkungen auf die klinische Praxis, insbesondere bei der präoperativen Beurteilung des hepatozellulären Karzinoms. Die präoperative Identifizierung einer mikrovaskulären Invasion bleibt schwierig und beeinflusst die Wahl zwischen Resektion, Transplantation oder lokoregionärer Therapie. Quantitative Bildgebungsmodelle, die klinische Variablen einbeziehen, könnten die Risikostratifizierung über routinemäßige Bildgebung und serologische Marker hinaus verbessern. Ein hohes vorhergesagtes Risiko könnte bei für eine Resektion in Betracht gezogenen Patienten breitere Resektionsränder oder eine engmaschigere postoperative Überwachung rechtfertigen. Ebenso könnte eine verbesserte Risikostratifizierung bei der Auswahl und Einordnung von Patienten hilfreich sein, insbesondere bei grenzwertigen Fällen unter Transplantationskandidaten.

Es ist wichtig anzumerken, dass zwar die diskriminative Leistung (AUC) im Mittelpunkt dieser Metaanalyse stand, Kalibrierung und klinische Nützlichkeit jedoch ebenso entscheidend für die Anwendbarkeit in der Praxis sind. Kalibrierungsmetriken – wie der Hosmer-Lemeshow-Test und Kalibrierungsdiagramme – bewerten die Übereinstimmung zwischen vorhergesagten und beobachteten Risiken und sind entscheidend für fundierte klinische Entscheidungen. Die Entscheidungskurvenanalyse bewertet den Nettovorteil der Anwendung eines Modells über verschiedene Risikoschwellen hinweg, was direkt auf die klinische Praxis Bezug nimmt. Unter den eingeschlossenen Studien berichtete jedoch nur eine Minderheit über Kalibrierungsmaße oder eine Entscheidungskurvenanalyse, was eine erhebliche Wissenslücke darstellt. Zukünftige Studien sollten die Berichterstattung dieser Metriken priorisieren, um die klinische Umsetzung zu erleichtern und sicherzustellen, dass Modellvorhersagen sowohl genau als auch handlungsrelevant sind.

Trotz der beobachteten vielversprechenden Leistung sind diese Modelle für den routinemäßigen klinischen Einsatz noch nicht bereit. Die meisten Studien waren retrospektiv und in Einzelzentren durchgeführt, wobei erhebliche Unterschiede in den Bildgebungsprotokollen, Segmentierungsmethoden und der Modellentwicklung bestanden. Die externe Validierung war begrenzt, und wenn sie durchgeführt wurde, waren die Validierungskohorten oft klein oder stammten aus ähnlichen Populationen. Nur wenige Studien untersuchten die Kalibrierung, klinische Nützlichkeit oder den Einfluss der Modellanwendung auf Behandlungsentscheidungen. Diese Einschränkungen sind in der Praxis von Bedeutung, wo Entscheidungen über Resektionsränder, Transplantationsfähigkeit und Intensität der Überwachung zuverlässige und verallgemeinerbare Risikoschätzungen erfordern. Zudem kann die Variabilität in der Bildakquise und -verarbeitung zwischen verschiedenen Zentren die Modellleistung und Reproduzierbarkeit beeinträchtigen und somit die Übertragung in die routinemäßige Versorgung weiter einschränken. Derzeit sollten diese Modelle als Ergänzung zu etablierten klinischen und bildgebenden Beurteilungen und nicht als eigenständige Werkzeuge betrachtet werden. Künftige Arbeiten sollten sich auf prospektive, multizentrische Validierungen, die Standardisierung von Bildgebungs- und Analysemethoden sowie die Bewertung der klinischen Nützlichkeit konzentrieren, einschließlich der Frage, ob der Einsatz dieser Modelle die Entscheidungsfindung und Patientenergebnisse verbessert.

Die vorliegende Studie weist mehrere Limitationen auf. Erstens war die geografische Verteilung stark verzerrt, da 23 von 26 Studien (88,5 %) in China und lediglich 3 aus europäischen Regionen stammten, was die Übertragbarkeit auf globale HCC-Populationen angesichts der etiologischen Unterschiede zwischen östlichem (virushepatitisbedingtem) und westlichem (metabolisch bedingtem) HCC erheblich einschränkt; eine formale Subgruppenanalyse nach Region konnte nicht zuverlässig durchgeführt werden, da die westliche Subgruppe die minimal erforderliche Stichprobengröße (≥10 Studien) nicht erreichte. Zweitens standen für mehrere Studien vollständige 2 × 2-Kontingenzdaten nicht zur Verfügung, und die Schwellenwertdefinitionen variierten erheblich; daher konzentrierte sich die primäre quantitative Synthese auf die AUC anstelle zusammengefasster, schwellenwertabhängiger diagnostischer Genauigkeitsmaße (wie im Abstract dargestellt), sodass eine umfassende Metaanalyse dieser Metriken über alle 26 eingeschlossenen Studien hinweg nicht durchführbar war. Der Grund hierfür war, dass mehrere Studien vollständige Kontingenztabellen wegließen und, noch wichtiger, erhebliche Heterogenität bezüglich der Schwellenwertdefinitionen zwischen den Studien bestand, wodurch eine unadjustierte Zusammenfassung dieser Metriken methodisch unzuverlässig gewesen wäre, ohne Schwelleneffekte zu berücksichtigen. Drittens konnten zusätzliche Subgruppenanalysen, stratifiziert nach Tumordurchmesser, Art des Kontrastmittels, Breite des peritumoralen Randes oder Klassifikator-Typ, aufgrund inkonsistenter Berichterstattung und unzureichender Stichprobengrößen in den Subgruppen (nur 1–3 Studien pro Klassifikator-Typ) nicht durchgeführt werden, was die Möglichkeit einschränkte, die Ursachen der erheblichen Heterogenität zwischen den Studien (I2 = 77 %) zu untersuchen. Viertens konnten die Autoren den Zusammenhang zwischen methodischer Qualität und Modellleistung mittels Meta-Regression nicht quantitativ untersuchen, da METRICS-Scores nicht in einem geeigneten Format für alle Studien verfügbar waren, die Zuweisung einer einzelnen QUADAS-2-Zusammenfassungskategorie per se subjektiv ist und eine Meta-Regression mit nur 26 Studien und mehreren Kovariaten unterdimensioniert und anfällig für Überanpassung wäre. Fünftens waren die meisten eingeschlossenen Studien retrospektiv angelegte Einzelzentrenstudien mit relativ kleinen Stichproben, und eine externe Validierung wurde lediglich in 9 von 26 Studien berichtet, wobei die meisten Validierungskohorten aus ähnlichen institutionellen Umfeldern stammten, was die Übertragbarkeit einschränkt. Variabilität in den Bildgebungsprotokollen, den Pipelines zur Merkmalsextraktion und den Ansätzen zur Modellentwicklung könnte die Reproduzierbarkeit weiter beeinträchtigen. Sechstens war die Berichterstattung über die diagnostische Leistung inkonsistent, da einige Studien vollständige Kontingenzdaten, Konfidenzintervalle für AUCs, Kalibrierungsmetriken oder Decision-Curve-Analysen wegließen – alles wesentliche Angaben zur Beurteilung der Anwendbarkeit im klinischen Alltag –, was eine bedeutende Wissenslücke darstellt. Trotz dieser Limitationen stützt die einheitliche Effektrichtung über alle eingeschlossenen Studien hinweg, mit radiomikbasierten Modellen, die eine gute diagnostische Leistung aufwiesen (gepoolte AUC 0,85, 95 %-KI 0,82–0,88), die Robustheit der Hauptbefunde; die höhere und konsistentere Leistung von klinisch-radiomikbasierten Modellen im Vergleich zu rein radiomikbasierten Modellen sowie die höhere ge pooledte AUC für MRT-basierte gegenüber CT-basierten Modellen liefert klinisch relevante Erkenntnisse für die zukünftige Modellentwicklung. Diese Limitationen verdeutlichen jedoch die Notwendigkeit prospektiver, multizentrischer Validierungsstudien mit standardisierten Bildgebungsprotokollen, vollständiger Berichterstattung über diagnostische Leistungsmetriken und systematischer Evaluierung von Kalibrierung und klinischem Nutzen, bevor diese Modelle in die routinemäßige klinische Praxis überführt werden können.

Offenlegungen

Die Autoren haben keine Interessenkonflikte. KI-unterstützte Werkzeuge wurden während der Korrekturdurchsicht zur Sprachbearbeitung, Überprüfung der Konsistenz und Formatierung der Abbildungen verwendet. Es wurden keine neuen Studiendaten generiert, und alle wissenschaftlichen Entscheidungen, Korrekturen und der endgültige Inhalt wurden von den Autoren geprüft und genehmigt, die die volle Verantwortung für den Artikel übernehmen.

Danksagungen

Diese Studie wurde unterstützt durch das Beijing Research Ward Excellence Program (BRWEP; Nr. BRWEP2024W032240102). 

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Cochrane-BibliothekWileyhttps://www.cochranelibrary.com/
Cochrane-BibliothekWileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
meta R-PaketCRANhttps://cran.r-project.org/package=meta
meta R-PaketCRANhttps://cran.r-project.org/package=meta
metafor R-PaketCRANhttps://cran.r-project.org/package=metafor
metafor R-PaketCRANhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Vorlage für PRISMA 2020-FlussdiagrammPRISMA-Gruppehttp://www.prisma-statement.org/
Mplus (falls verwendet)StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
Vorlage für PRISMA 2020-FlussdiagrammPRISMA-Gruppehttp://www.prisma-statement.org/
QUADAS-2-ToolCochranehttps://www.quadas.org/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
R-Software (Version 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
QUADAS-2-ToolCochranehttps://www.quadas.org/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
R-Software (Version 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
Web of ScienceClarivatehttps://www.webofscience.com/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
Web of ScienceClarivatehttps://www.webofscience.com/

Referenzen

  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.

Nachdrucke und Genehmigungen

Tags

Radiomics-Modellepräoperative VorhersageTumorheterogenitätdiagnostische LeistungCT-RadiomicsMRT-RadiomicsKlinikoradiomics-Modelle
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.