Artículo de investigación

Características intratumorales y peritumorales para la predicción de la invasión microvascular en el carcinoma hepatocelular: revisión sistemática y metanálisis

0 visualizaciones

⸱

DOI:

10.3791/72288

⸱

25 de septiembre de 2026

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

En este artículo

Resumen

Esta revisión sistemática y metaanálisis evalúan el rendimiento diagnóstico de los modelos basados en radiómica para la predicción preoperatoria de la invasión microvascular en el carcinoma hepatocelular.

Resumen

Esta revisión sistemática y metaanálisis evaluó el rendimiento diagnóstico de modelos basados en radiómica para predecir la invasión microvascular (MVI) en el carcinoma hepatocelular (HCC). La MVI es un determinante clave del pronóstico en el HCC, estrechamente asociada con recurrencia temprana y menor supervivencia tras un tratamiento curativo. La predicción precisa de la MVI antes de la cirugía sigue siendo un desafío utilizando características clínicas e imagenológicas convencionales. La radiómica ha surgido como un enfoque prometedor al permitir el análisis cuantitativo de la heterogeneidad tumoral a partir de imágenes médicas. Este estudio tuvo como objetivo evaluar sistemáticamente el rendimiento diagnóstico de modelos basados en radiómica para predecir la MVI en el HCC. Se realizó una revisión sistemática y un metaanálisis, que incluyeron 26 estudios que evaluaron modelos de radiómica basados en TC e IRM. Se extrajeron datos sobre el rendimiento diagnóstico y se realizaron análisis agrupados utilizando modelos de efectos aleatorios, con análisis de subgrupos según el tipo de modalidad de imagen y el tipo de modelo. En general, los modelos de radiómica mostraron un buen rendimiento diagnóstico, con un AUC agrupado de 0,85 (IC del 95 %: 0,82–0,88). Los modelos clinicoradiómicos lograron un rendimiento más alto y consistente que los modelos basados únicamente en radiómica (IRM: 0,87 frente a 0,85; TC: 0,87 frente a 0,81). Entre los modelos basados en 3D, el AUC agrupado fue de 0,85 (IC del 95 %: 0,82–0,88). En conclusión, los modelos basados en radiómica muestran un rendimiento prometedor para la predicción preoperatoria de la MVI en el HCC, especialmente cuando se combinan con variables clínicas. Sin embargo, la heterogeneidad considerable y la validación externa limitada destacan la necesidad de estandarización metodológica y validación prospectiva multicéntrica antes de su implementación clínica.

Introducción

El carcinoma hepatocelular (CHC) es una de las neoplasias más comunes en todo el mundo y sigue siendo una de las principales causas de mortalidad relacionada con el cáncer1. La invasión microvascular (IMV) es una característica patológica clave asociada con un comportamiento tumoral agresivo y se relaciona constantemente con la recurrencia temprana y la supervivencia global reducida tras la resección hepática o el trasplante2,3,4. Sin embargo, la identificación preoperatoria de la invasión microvascular sigue siendo un desafío, ya que solo puede confirmarse definitivamente mediante el examen histopatológico de muestras resecadas o explantadas. Como resultado, las decisiones terapéuticas a menudo deben tomarse sin conocimiento directo del estado de la IMV. En la práctica actual, se utilizan ampliamente y principalmente indicadores indirectos para estimar la probabilidad de IMV, incluyendo el tamaño del tumor, los niveles séricos de alfafetoproteína5, la presencia de nódulos satélites y características cualitativas de imágenes, como márgenes tumorales irregulares, realce peritumoral y ausencia de cápsula6.

Estos factores se asocian con la invasión microvascular (MVI) a nivel poblacional y se incorporan en la toma de decisiones clínicas; sin embargo, su precisión predictiva a nivel individual sigue siendo moderada7,8. Por ejemplo, la alfafetoproteína sérica solo está elevada en un subconjunto de pacientes y carece de especificidad, mientras que las características de las imágenes están sujetas a variabilidad interobservador y dependen de los protocolos de adquisición y de la experiencia del lector9,10. Además, la evaluación convencional mediante imágenes es principalmente cualitativa y no capta la heterogeneidad espacial de la arquitectura tumoral ni los sutiles cambios microambientales en la interfaz tumor-hígado que se asocian con la invasión vascular microscópica11. Estas limitaciones reducen la fiabilidad de la evaluación actual del riesgo preoperatorio y destacan la necesidad de enfoques más robustos y cuantitativos. La radiómica, que permite la extracción de alto rendimiento de características derivadas de imágenes, ofrece un medio para capturar la heterogeneidad intratumoral y peritumoral que podría reflejar la biología tumoral subyacente12,13. Características como el realce arterial peritumoral, márgenes irregulares e hipointensidad en la fase hepatobiliar se asocian con la MVI, lo que respalda el potencial papel de modelos cuantitativos basados en imágenes14.

Sin embargo, el rendimiento diagnóstico informado ha sido inconsistente, en parte debido a la variación en la modalidad de imagen, protocolos de adquisición, métodos de segmentación y enfoques de desarrollo de modelos. Además, la mayoría de los estudios son retrospectivos y se realizan en entornos de un solo centro, y relativamente pocos incluyen validación externa independiente. Por lo tanto, esta revisión sistemática tiene como objetivo evaluar la precisión diagnóstica de los modelos basados en radiómica, incluyendo modelos basados en MRI y en TC, para la predicción preoperatoria de la invasión microvascular en el carcinoma hepatocelular, presentando los datos por separado según la modalidad de imagen, la estrategia de segmentación y el tipo de modelo, para tener en cuenta la heterogeneidad en los enfoques de imagen y en el desarrollo de modelos.

Protocolo

Estrategia de búsqueda

Se realizaron búsquedas en cuatro fuentes de datos, incluyendo PubMed (MEDLINE), Embase, Web of Science y la Biblioteca Cochrane, desde enero de 2015 hasta abril de 2026. La estrategia de búsqueda se desarrolló combinando tres bloques conceptuales mediante operadores booleanos: términos relacionados con la enfermedad (carcinoma hepatocelular, HCC, cáncer de hígado, carcinoma hepático), términos relacionados con la metodología (radiómica, radiómico, análisis de textura, imagen cuantitativa, biomarcador por imágenes) y términos relacionados con el resultado (invasión microvascular, MVI, invasión vascular, invasión vascular microscópica). La cadena de búsqueda en PubMed fue la siguiente: (("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]).

Selección de los estudios

Todos los registros recuperados se importaron a Rayyan (Instituto de Investigación en Computación de Qatar), una plataforma web para revisiones sistemáticas, con el fin de eliminar duplicados y realizar la selección. Dos revisores independientes examinaron todos los títulos y resúmenes según los criterios de elegibilidad predefinidos. Posteriormente, se recuperaron los artículos completos y los mismos dos revisores los evaluaron de forma independiente para determinar la inclusión final. Los estudios que informaron datos suficientes de rendimiento diagnóstico para contribuir al menos a una síntesis cuantitativa preespecificada fueron elegibles. Cuando estaban disponibles, se extrajeron los datos de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos para análisis secundarios de precisión diagnóstica. Las discrepancias en cualquier etapa del cribado se resolvieron mediante discusión, con arbitraje de un tercer revisor senior cuando no se alcanzó consenso. El proceso de selección de estudios se resume en un diagrama de flujo PRISMA (Figura 1). Todas las herramientas y plataformas utilizadas para este estudio se enumeran en el Tabla de materiales.

Extracción de datos

Dos revisores extrajeron de forma independiente los datos de todos los estudios incluidos utilizando un formulario estandarizado y previamente probado para la extracción de datos. Los elementos extraídos incluyeron características del estudio (primer autor, año de publicación, país, diseño del estudio, período de reclutamiento y tipo de institución), características de los pacientes (tamaño de la muestra, edad media o mediana, distribución por sexo, prevalencia de invasión microvascular, etiología de la enfermedad hepática y características del tumor), características de la imagen (modalidad, tipo de escáner, agente de contraste y fase de la imagen), metodología de radiómica (tipo de región de segmentación; ancho del margen peritumoral cuando era aplicable; método de delimitación de la región de interés; dimensionalidad de la segmentación), características del modelo (tipo de clasificador y estrategia de validación) y métricas de rendimiento diagnóstico (área bajo la curva de la característica operativa del receptor [AUC], sensibilidad, especificidad, razón de verosimilitud positiva, razón de verosimilitud negativa y razón de odds diagnóstica). Cuando los estudios informaron múltiples modelos o cohortes elegibles, se extrajeron las estimaciones correspondientes a nivel de modelo o a nivel de cohorte utilizadas en los análisis cuantitativos preespecificados. Los sufijos (a-d) se utilizan en las Tablas 1 y 2 para distinguir estas estimaciones. Las discrepancias entre los revisores durante la extracción de datos se resolvieron por consenso.

Evaluación de la calidad

La calidad metodológica de los estudios incluidos se evaluó utilizando dos herramientas complementarias. El riesgo de sesgo y las preocupaciones sobre la aplicabilidad se evaluaron mediante la herramienta Calidad de Evaluación de Estudios de Exactitud Diagnóstica 2 (QUADAS-2)15. La calidad metodológica específica de la radiómica se evaluó utilizando la Puntuación Metodológica de Radiómica (METRICS)16. La evaluación de la calidad fue realizada independientemente por dos revisores, resolviéndose las discrepancias mediante consenso. Los resultados se presentan de forma narrativa y gráfica mediante tablas resumen a nivel de dominio.

Análisis estadístico

El rendimiento discriminativo se resumió mediante el estadístico C (área bajo la curva de característica operativa del receptor [AUC]). Se realizó un metaanálisis de efectos aleatorios de los valores de AUC utilizando el método de máxima verosimilitud restringida para tener en cuenta la variabilidad entre estudios. Cuando no se informaban directamente, los errores estándar se derivaron de los intervalos de confianza del 95 % publicados; para los estudios sin estimaciones de varianza, los errores estándar se aproximaron utilizando el método de Hanley y McNeil basado en el número de casos positivos y negativos17. Para estabilizar las varianzas, los valores de AUC se transformaron mediante la función logit antes del metaanálisis y se retrotransformaron para su interpretación. Las estimaciones agrupadas se presentaron junto con sus intervalos de confianza del 95 % correspondientes. La heterogeneidad entre estudios se evaluó mediante el estadístico I2, cuyos valores del 25 %, 50 % y 75 % representan heterogeneidad baja, moderada y alta, respectivamente. Los estudios se categorizaron descriptivamente como modelos basados únicamente en el tumor o como modelos que incorporaban tanto la región tumoral como la peritumoral. No se realizó un subgrupo cuantitativo separado exclusivamente para la región peritumoral porque esta categoría no estaba suficientemente representada. Se llevaron a cabo análisis de subgrupos adicionales según el modalidad de imagen (TC frente a RM) y la dimensionalidad de la segmentación (2D frente a 3D). Se realizaron análisis adicionales restringidos a modelos externamente validados para evaluar la generalización. Todos los análisis estadísticos se realizaron utilizando el software R (versión 4.4.1). Se utilizaron los siguientes paquetes de R: meta (versión 7.0-1) y metafor (versión 4.6-0) para el metaanálisis, y dmetar (versión 0.1.0) para funciones complementarias. Las AUC agrupadas se calcularon utilizando la función metagen con el estimador de máxima verosimilitud restringida. La configuración del modelo incluyó el ajuste de Knapp-Hartung para los intervalos de confianza. El código del análisis se proporciona como Archivo Suplementario 2. Se consideró estadísticamente significativo un valor p bilateral inferior a 0,05 para todas las pruebas.

Resultados

La búsqueda bibliográfica identificó 368 registros, de los cuales 89 eran duplicados. Tras eliminar los duplicados, se revisaron 279 registros y 26 estudios cumplieron con los criterios de inclusión (Figura 1). No se identificaron estudios adicionales mediante búsqueda manual.

Características del estudio

Los 26 estudios incluidos18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 fueron predominantemente retrospectivos (25 de 26), con un solo estudio prospectivo. La mayoría de los estudios se realizaron en China (23 estudios), mientras que el resto procedía de Europa. Los tamaños de las muestras variaron considerablemente entre los estudios, con cohortes de entrenamiento que incluyeron de 66 a 461 pacientes y cohortes de validación de 25 a 283 pacientes. La validación externa se realizó en 9 estudios, mientras que la mayoría (17 estudios) dependió únicamente de la validación interna. La resonancia magnética (RM) fue la modalidad más utilizada (17 estudios), seguida por la tomografía computarizada (TC) (10 estudios), con un estudio que integró ambas técnicas, TC y RM. La mayoría de los estudios aplicaron enfoques de segmentación tridimensional (22 estudios), mientras que dos estudios utilizaron explícitamente segmentación bidimensional. Los dos estudios restantes (referencias 18 y 30) no especificaron claramente su dimensionalidad de segmentación o emplearon un enfoque híbrido que no pudo clasificarse con confianza; por lo tanto, estos dos estudios se excluyeron del análisis subgrupal estratificado por segmentación, pero se mantuvieron en el análisis agrupado general. Las estrategias de segmentación variaron entre los estudios. Dieciséis estudios analizaron únicamente regiones tumorales, mientras que 10 incorporaron tanto regiones tumorales como peritumorales, definidas típicamente mediante márgenes radiales fijos. Los estudios que incluyeron información peritumoral se realizaron con mayor frecuencia en años posteriores. Se identificaron un total de 26 modelos de predicción en los estudios incluidos. La mayoría de los estudios (15 de 26) desarrollaron modelos clinicorradiómicos que integraron características radiómicas con variables clínicas, mientras que 11 estudios utilizaron enfoques exclusivamente basados en radiómica (Tabla 1). La precisión, sensibilidad, especificidad y los datos correspondientes de la tabla de contingencia (VP, FP, FN, VN) informados en los estudios incluidos se resumen en la Tabla 2.

Discriminación del modelo

En todos los estudios incluidos, los modelos basados en radiómica demostraron un buen rendimiento discriminativo para la predicción de la invasión microvascular. La estadística C agrupada (AUC) del modelo de efectos aleatorios fue de 0,85 (IC del 95 %: 0,82–0,88), con heterogeneidad sustancial entre estudios (I2 = 77 %) (Figura 2). Cuando se estratificaron por tipo de modelo, los modelos clinicoradiómicos mostraron un rendimiento discriminativo más alto y más consistente en comparación con los modelos basados únicamente en radiómica. Los modelos exclusivamente radiómicos arrojaron un AUC agrupado de 0,84 (IC del 95 %: 0,78–0,88), con heterogeneidad sustancial (I2 = 80 %) (Figura 2). En contraste, los modelos que incorporaron tanto variables de radiómica como clínicas alcanzaron un AUC agrupado más alto de 0,87 (IC del 95 %: 0,85–0,89) y mostraron una heterogeneidad notablemente menor (I2 = 23 %) (Figura 2).

Entre los estudios que utilizaron segmentación 3D (Figura suplementaria 1), el AUC agrupado fue de 0,85 (IC del 95 %: 0,82–0,88), con heterogeneidad sustancial (I2 = 77,8 %). En el análisis por subgrupos, los modelos basados únicamente en radiómica alcanzaron un AUC agrupado de 0,83 (IC del 95 %: 0,78–0,88; I2 = 80,7 %), mientras que los modelos de clinicoradiómica mostraron un desempeño más alto y más consistente (AUC 0,87, IC del 95 %: 0,85–0,89; I2 = 15,1 %). En los estudios basados en TC (Figura suplementaria 2), el AUC agrupado fue de 0,83 (IC del 95 %: 0,76–0,88), aunque la heterogeneidad fue alta (I2 = 88,6 %). El desempeño pareció variar considerablemente entre los modelos basados únicamente en radiómica (AUC 0,81, IC del 95 %: 0,70–0,89; I2 = 85,1 %), mientras que los modelos que incorporaron variables clínicas tuvieron un desempeño más alto y notablemente más consistente (AUC 0,87, IC del 95 %: 0,83–0,90; I2 = 4,0 %). En los estudios basados en RM (Figura suplementaria 3), la capacidad de discriminación general fue ligeramente mayor, con un AUC agrupado de 0,86 (IC del 95 %: 0,83–0,89) y heterogeneidad moderada (I2 = 57,6 %). Se observó un patrón similar, con modelos de clinicoradiómica que mostraron un desempeño marginalmente mejor y menor variabilidad (AUC 0,87, IC del 95 %: 0,84–0,90; I2 = 33,4 %) en comparación con los enfoques basados únicamente en radiómica (AUC 0,85, IC del 95 %: 0,79–0,89; I2 = 61,7 %).

Rendimiento de la validación externa

Entre los modelos validados externamente (n=9), el rendimiento discriminativo general se mantuvo alto. El AUC agrupado fue de 0,87 (IC del 95 %: 0,82–0,91), con heterogeneidad moderada (I2 = 66 %) (Figura Suplementaria 4). El análisis por subgrupos dentro de las cohortes de validación externa mostró un rendimiento agrupado comparable entre los tipos de modelos, pero diferencias en la precisión. Los modelos basados únicamente en radiómica alcanzaron un AUC agrupado de 0,87 (IC del 95 %: 0,78–0,93), mientras que los modelos clinicoradiómicos arrojaron un AUC agrupado de 0,87 (IC del 95 %: 0,83–0,91).

Evaluación de la calidad

La calidad metodológica general fue moderada. Los dominios de estándar de referencia y flujo presentaron consistentemente un riesgo bajo, ya que todos los estudios utilizaron histopatología e intervalos apropiados entre la imagenología y la cirugía. La principal fuente de sesgo fue el dominio de la prueba índice, que reflejó modelos radiómicos de alta dimensión o de aprendizaje profundo, una preespecificación limitada de las estrategias de modelado y una reportabilidad inconsistente de la reproducibilidad. La selección de pacientes fue generalmente de bajo riesgo, aunque las preocupaciones fueron mayores en cohortes retrospectivas más pequeñas de un solo centro (Supplementary Table 1). La evaluación específica de la radiómica mostró una rigurosidad metodológica variable (Supplementary Table 1). Aunque los protocolos de imagen y la segmentación se informaron típicamente, las pruebas de reproducibilidad y la validación externa fueron menos comunes. Estudios más recientes multicéntricos demostraron prácticas mejoradas de diseño y validación, aunque la heterogeneidad entre los métodos permaneció considerable.

DISPONIBILIDAD DE LOS DATOS:

Todos los datos generados o analizados durante esta revisión sistemática y metaanálisis se incluyen en este artículo publicado y sus archivos de información complementaria. Las estrategias de búsqueda en bases de datos se proporcionan en Archivo Suplementario 1, y el código de análisis en R se encuentra en Archivo Suplementario 2. Los datos a nivel de estudio extraídos utilizados para la agrupación se presentan completamente en Tablas 1 y 2, y los resultados detallados de la evaluación de calidad están en Tabla Suplementaria 1. No se requieren archivos adicionales de datos brutos más allá de estos para la reproducción de los hallazgos.

figure-results-1
Figura 1: Diagrama de flujo del proceso de selección de estudios. Diagrama de flujo de identificación, cribado, evaluación de elegibilidad e inclusión de estudios, con el número de registros en cada etapa. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-2
Figura 2: Gráfico forestal del rendimiento diagnóstico de los modelos de radiómica para predecir la invasión microvascular. Se muestran las estadísticas C (AUC) a nivel de estudio y agrupadas, con intervalos de confianza del 95%, estratificadas por tipo de modelo. Se utilizaron modelos de efectos aleatorios, y la heterogeneidad se evaluó mediante la estadística I2. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Características de los estudios incluidos. Resumen del diseño del estudio, población, modalidad de imagen, estrategia de segmentación, tipo de modelo y enfoque de validación. Los sufijos (a–c) indican múltiples modelos o cohortes dentro de un mismo estudio. Abreviaturas: CT = tomografía computarizada; MRI = imagen por resonancia magnética. Haga clic aquí para descargar esta tabla.

Tabla 2: Rendimiento diagnóstico de los modelos de radiómica para predecir la invasión microvascular. Se muestra, según el tipo de modelo y el entorno de validación, la precisión, sensibilidad, especificidad y los datos de contingencia (VP, FP, FN, VN) a nivel de estudio. La precisión se recalcularon cuando fue necesario. Los sufijos (a–c) indican múltiples modelos o cohortes dentro del mismo estudio. Haga clic aquí para descargar esta tabla.

Figura suplementaria 1: Rendimiento diagnóstico de los modelos de radiómica mediante segmentación 3D. Gráfico de bosque que muestra las estadísticas C (AUC) a nivel de estudio y agrupadas para estudios que aplicaron enfoques de segmentación 3D, estratificados por tipo de modelo (solo radiómica frente a clinicoradiómica). El análisis se realizó para evaluar si la extracción de características volumétricas 3D, que captura de manera más completa la heterogeneidad espacial, produce diferencias de rendimiento en comparación con la estimación agrupada general, y para evaluar la heterogeneidad dentro de cada subgrupo. Haga clic aquí para descargar este archivo.

Figura suplementaria 2: Rendimiento diagnóstico de los modelos de radiómica basados en TC. Gráfico de bosque que muestra las estadísticas C (AUC) a nivel de estudio y agrupadas para estudios que utilizaron la tomografía computarizada (TC) como modalidad de imagen, estratificados por tipo de modelo (solo radiómica frente a clinicoradiómica). Este análisis por subgrupos se realizó para evaluar si los modelos de radiómica basados en TC alcanzan un rendimiento diagnóstico comparable al de los modelos basados en RM, y para evaluar el impacto de la adición de variables clínicas sobre la consistencia del rendimiento dentro de los estudios con TC. Haga clic aquí para descargar este archivo.

Figura suplementaria 3: Rendimiento diagnóstico de los modelos de radiómica basados en resonancia magnética. Gráfico de bosque que muestra las estadísticas C (AUC) a nivel de estudio y agrupadas para estudios que utilizaron la resonancia magnética (RM) como modalidad de imagen, estratificados por tipo de modelo (solo radiómica frente a clinicoradiómica). Este análisis por subgrupos se realizó para evaluar si el mejor contraste de tejidos blandos y la capacidad multiparamétrica de la RM se traducen en un mayor rendimiento discriminativo para la predicción de la invasión microvascular (MVI) en comparación con los modelos basados en tomografía computarizada. Haga clic aquí para descargar este archivo.

Figura suplementaria 4: Rendimiento diagnóstico de modelos validados externamente. Gráfico de bosque que muestra las estadísticas C (AUC) a nivel de estudio y agrupadas para modelos que fueron sometidos a validación externa en cohortes independientes, estratificados por tipo de modelo (radiómica exclusiva frente a clinicoradiómica). Este análisis se realizó específicamente para evaluar la generalizabilidad de los modelos basados en radiómica a conjuntos de datos independientes y para determinar si se producen reducciones en el rendimiento cuando los modelos se aplican a poblaciones externas, lo cual es un indicador crítico de aplicabilidad clínica. Haga clic aquí para descargar este archivo.

Tabla suplementaria 1: Evaluación de la calidad de los estudios incluidos. Resultados detallados de la evaluación de calidad metodológica utilizando la herramienta QUADAS-2 para cada estudio incluido. La tabla presenta las calificaciones de riesgo de sesgo y de preocupación respecto a la aplicabilidad en cuatro dominios: selección de pacientes, prueba índice, estándar de referencia, y flujo y temporización. Cada dominio se califica como «riesgo bajo», «riesgo alto» o «riesgo incierto», con juicios respaldados por razones específicas extraídas de cada estudio. Esto permite a los lectores evaluar el rigor metodológico de los estudios individuales e identificar posibles fuentes de sesgo que podrían influir en las estimaciones agrupadas. Haga clic aquí para descargar este archivo.

Archivo complementario 1: Estrategias de búsqueda en bases de datos. Todas las estrategias de búsqueda en bases de datos se combinan en este documento. Haga clic aquí para descargar este archivo.

Archivo suplementario 2: Código de análisis en R. El código utilizado para realizar este análisis se incluye en este documento. Haga clic aquí para descargar este archivo.

Discusión

Esta revisión sistemática y metaanálisis de 26 estudios encontró que los modelos basados en radiómica muestran un rendimiento bueno, aunque variable, para la predicción preoperatoria de la invasión microvascular en el carcinoma hepatocelular, con la mayoría de las estimaciones de AUC oscilando entre aproximadamente 0,80 y 0,90. En general, la precisión diagnóstica fue moderada a alta, con sensibilidad y especificidad que normalmente superaron el 70 %, aunque el rendimiento no fue uniforme. Los modelos que incorporaron variables clínicas tendieron a mostrar una discriminación más consistente y una especificidad más alta que los modelos basados únicamente en radiómica. Además, los enfoques basados en RMN mostraron un rendimiento ligeramente superior al de los modelos basados en TC. Sin embargo, estos hallazgos deben interpretarse en el contexto de una heterogeneidad considerable entre estudios y diferencias en el diseño de los estudios, protocolos de imagen y estrategias de modelado, que probablemente contribuyeron a la variación observada en el rendimiento.

Varios metaanálisis previos han evaluado la radiómica para la predicción de la invasión microvascular (MVI) en el carcinoma hepatocelular (HCC). Un estudio44 incluyó 13 estudios y reportó un AUC agrupado de 0,88 para la radiómica basada en resonancia magnética (MRI), con modelos combinados que superaron a los enfoques exclusivamente basados en radiómica (AUC: 0,90 frente a 0,85). Otro estudio45 analizó 26 estudios que involucraron a 3.539 pacientes con HCC solitario y reportó un AUC agrupado de 0,85 (IC del 95 %: 0,82–0,88) para los modelos de radiómica. La presente síntesis amplía estos hallazgos al demostrar un rendimiento más alto y consistente para los modelos clinicoradiómicos (AUC 0,87) en comparación con los modelos exclusivamente basados en radiómica (AUC 0,84), destacando el valor incremental de la integración de variables clínicas. Además, los análisis separados por modalidad de imagen —mostrando que la MRI (0,86) supera a la TC (0,83)— proporcionan estimaciones más precisas que trabajos anteriores. Otra metaanálisis realizado por un grupo46 incluyó estudios de TC y MRI, pero se centró principalmente en la estratificación de riesgo más que en comparaciones entre tipos de modelos. El presente estudio amplía investigaciones previas al comparar modelos exclusivamente basados en radiómica y modelos clinicoradiómicos a través de diferentes modalidades de imagen, y al evaluar por separado los modelos validados externamente. Estas innovaciones progresivas ofrecen una comprensión más matizada del rendimiento de los modelos de radiómica y proporcionan orientaciones más claras para el desarrollo futuro de modelos y su traslación clínica.

El mayor rendimiento y más consistente observado en los modelos que incorporan variables clínicas en esta metaanálisis es coherente con la fisiopatología subyacente de la invasión microvascular. La invasión microvascular representa la diseminación tumoral hacia pequeñas ramas venosas portales en el margen del tumor, a menudo acompañada de trombos tumorales microscópicos y alteraciones en la perfusión hepática local. Estos cambios son más pronunciados en la interfaz tumor-hígado, más que en el núcleo del tumor, lo que explica por qué las características de imagen que reflejan esta región se asocian repetidamente con la MVI. Por ejemplo, el realce arterial peritumoral y la hipointensidad en la fase hepatobiliar se han relacionado con una entrada venosa portal reducida y una hiperperfusión arterial compensatoria causada por la obstrucción vascular microscópica, mientras que los márgenes tumorales irregulares o no lisos reflejan patrones de crecimiento infiltrativo que se extienden más allá del límite tumoral aparente. La caracterización cuantitativa mediante imágenes permite la descripción sistemática de la textura y la intensidad de señal dentro y alrededor del tumor, reflejando diferencias subyacentes en la densidad celular, la necrosis y la estructura microvascular.

Estos hallazgos indican que las características de imagen por sí solas son insuficientes para una caracterización precisa del riesgo de invasión microvascular. En los estudios incluidos, los modelos basados únicamente en radiómica mostraron una heterogeneidad sustancial y un rendimiento discriminatorio ligeramente inferior en comparación con los modelos clinicoradiómicos. Esto probablemente refleja el hecho de que la invasión microvascular no está determinada únicamente por características locales de imagen, sino también por la biología tumoral a nivel sistémico. Factores clínicos como la alfafetoproteína elevada, el mayor tamaño del tumor y la función hepática deteriorada son marcadores bien establecidos de agresividad tumoral y se han asociado consistentemente con invasión vascular y recurrencia temprana. Es más probable que los tumores de mayor tamaño invadan la microvasculatura adyacente, mientras que la AFP elevada se asocia con una diferenciación deficiente y fenotipos más agresivos. La integración de estas variables con las características de imagen proporciona, por tanto, información complementaria, combinando evidencia local de invasión microscópica con indicadores más amplios del comportamiento tumoral. Esto se refleja en el presente análisis, en el que los modelos clinicoradiómicos no solo alcanzaron AUCs agrupadas más altas, sino que también mostraron una heterogeneidad notablemente menor, lo que sugiere una mayor estabilidad en diferentes contextos de estudio.

La base mecanicista del valor predictivo de las características radiómicas peritumorales radica en los cambios fisiopatológicos asociados a la invasión microvascular (MVI) en la interfaz tumor-hígado. La invasión microvascular implica émbolos de células tumorales dentro de ramas venosas portales adyacentes al margen tumoral, lo que provoca la obstrucción parcial o completa de pequeñas vénulas portales. Esta obstrucción resulta en una reducción del flujo sanguíneo portal hacia el parénquima hepático peritumoral, con una hiperperfusión arterial compensatoria, un fenómeno que se refleja en las imágenes como realce arterial peritumoral o heterogeneidad de la perfusión. Además, los trombos tumorales microscópicos inducen respuestas inflamatorias locales y alteran la microarquitectura del tejido, cambios que pueden ser capturados mediante características texturales radiómicas que reflejan variaciones en la densidad celular, la necrosis y la densidad microvascular. Estudios patológicos han demostrado que estos cambios peritumorales se extienden más allá del límite macroscópico del tumor, lo que proporciona una justificación biológica para incorporar regiones peritumorales con márgenes radiales variables en modelos radiómicos. Por tanto, la asociación constante entre las características de imagen peritumorales y la MVI en los estudios incluidos se fundamenta en estas alteraciones vasculares y microestructurales subyacentes, otorgando plausibilidad biológica a los hallazgos cuantitativos de imagen.

El rendimiento ligeramente superior observado en los modelos basados en RM es también consistente con las diferencias conocidas en las capacidades de imagen. La RM permite una evaluación multiparamétrica, como la difusión, la perfusión y la captación de contraste específico de hepatocitos, que se asocian con la diferenciación tumoral y la invasión vascular45. La hipointensidad en la fase hepatobiliaria y los cambios de señal peritumorales se detectan más fácilmente mediante RM. Estas características reflejan una función hepatocitaria alterada y una perfusión modificada relacionada con la diseminación microscópica del tumor. La TC se basa principalmente en los patrones de realce con contraste. Es menos sensible a estos cambios. Esto podría explicar la mayor variabilidad observada en los modelos basados en TC.

Cabe señalar que la presente revisión se centró en la radiómica basada en TC y RM, ya que estas fueron las modalidades predominantes en la literatura. Sin embargo, la radiómica con PET/TC podría ofrecer un valor complementario para la predicción de la invasión microvascular al caracterizar el metabolismo tumoral, la hipoxia y la heterogeneidad biológica, características que no son captadas por la RM anatómica o funcional por sí sola. Evidencia emergente sugiere que parámetros metabólicos como el SUVmáx y características texturales provenientes de la PET podrían correlacionarse con la agresividad tumoral y la invasión vascular. No obstante, la base de evidencia para la radiómica con PET/TC en la predicción de la invasión microvascular sigue siendo limitada en comparación con la TC y la RM, y esta área requiere mayor investigación en estudios futuros. Estos hallazgos tienen implicaciones para la práctica clínica, particularmente en la evaluación preoperatoria del carcinoma hepatocelular. La identificación preoperatoria de la invasión microvascular sigue siendo difícil y afecta la selección de resección, trasplante o terapia locorregional. Los modelos de imagen cuantitativos que incorporan variables clínicas podrían mejorar la estratificación del riesgo más allá de la imagenología rutinaria y los marcadores séricos. Un riesgo predicho alto podría justificar márgenes más amplios o un seguimiento postoperatorio más estrecho en pacientes considerados para resección. De manera similar, una mejor estratificación del riesgo podría ser útil para las decisiones de selección y inclusión, particularmente en casos límite entre candidatos al trasplante.

Es importante señalar que, aunque el rendimiento discriminativo (AUC) fue el enfoque principal de esta meta-análisis, la calibración y la utilidad clínica son igualmente esenciales para la aplicabilidad en la práctica real. Las métricas de calibración, como la prueba de Hosmer-Lemeshow y las gráficas de calibración, evalúan la concordancia entre los riesgos predichos y observados, y son fundamentales para la toma de decisiones clínicas informadas. El análisis de la curva de decisión evalúa el beneficio neto del uso de un modelo a través de diferentes umbrales de riesgo, lo que resulta directamente relevante para la práctica clínica. Sin embargo, entre los estudios incluidos, solo una minoría informó medidas de calibración o análisis de la curva de decisión, lo que representa una brecha significativa de conocimiento. Los estudios futuros deberían priorizar la presentación de estas métricas para facilitar la traducción clínica y asegurar que las predicciones del modelo sean tanto precisas como aplicables.

A pesar del rendimiento prometedor observado, estos modelos aún no están listos para su uso clínico rutinario. La mayoría de los estudios fueron retrospectivos y se realizaron en entornos de un solo centro, con una variación considerable en los protocolos de imagen, métodos de segmentación y desarrollo del modelo. La validación externa fue limitada, y cuando se llevó a cabo, las cohortes de validación a menudo eran pequeñas o provenían de poblaciones similares. Pocos estudios evaluaron la calibración, la utilidad clínica o el impacto del uso del modelo en las decisiones terapéuticas. Estas limitaciones son importantes en la práctica, donde las decisiones sobre márgenes de resección, elegibilidad para trasplante e intensidad de vigilancia requieren estimaciones de riesgo confiables y generalizables. Además, la variabilidad en la adquisición y el procesamiento de imágenes entre centros puede afectar el rendimiento y la reproducibilidad del modelo, limitando aún más su traslación al cuidado rutinario. En la actualidad, estos modelos deben considerarse complementos a la evaluación clínica e imagenológica establecida, y no como herramientas independientes. Los trabajos futuros deben centrarse en la validación prospectiva y multicéntrica, la estandarización de los métodos de imagen y análisis, y la evaluación de la utilidad clínica, incluyendo si el uso de estos modelos mejora la toma de decisiones y los resultados en los pacientes.

Este estudio tiene varias limitaciones. En primer lugar, la distribución geográfica fue muy desigual, con 23 de los 26 estudios (88,5 %) realizados en China y solo 3 provenientes de regiones europeas, lo que limita considerablemente la generalización a las poblaciones mundiales de carcinoma hepatocelular (CHC), dadas las diferencias etiológicas entre el CHC del Este (relacionado con hepatitis viral) y el del Oeste (relacionado con factores metabólicos); además, no fue posible realizar de forma confiable un análisis subgrupal formal por región, ya que el subgrupo occidental no cumplió con el tamaño muestral mínimo requerido (≥10 estudios). En segundo lugar, en varios estudios no se dispuso de datos completos de tablas de contingencia 2 × 2, y las definiciones de umbral variaron considerablemente; por ello, la síntesis cuantitativa principal se centró en el área bajo la curva (AUC), en lugar de en medidas agrupadas de precisión diagnóstica dependientes del umbral (como se indica en el Resumen), por lo que no fue factible realizar un metaanálisis integral de estas métricas en los 26 estudios incluidos. Esto se debió a que varios estudios omitieron tablas de contingencia completas y, más importante aún, a la marcada heterogeneidad en las definiciones de umbral entre los estudios, lo que hace metodológicamente poco confiable cualquier agrupación no ajustada de estas métricas sin tener en cuenta los efectos del umbral. En tercer lugar, no fue posible realizar análisis subgrupales adicionales estratificados por diámetro tumoral, tipo de agente de contraste, ancho del margen peritumoral o tipo de clasificador, debido a la falta de uniformidad en los informes y a tamaños muestrales insuficientes en los subgrupos (solo 1–3 estudios por tipo de clasificador), lo que limita la capacidad de explorar las fuentes de la marcada heterogeneidad entre estudios (I2 = 77 %). En cuarto lugar, los autores no pudieron examinar cuantitativamente la asociación entre la calidad metodológica y el rendimiento del modelo mediante metarregresión, ya que las puntuaciones METRICS no estaban disponibles en un formato adecuado para todos los estudios, asignar una única categoría resumen de QUADAS-2 es inherentemente subjetivo, y una metarregresión con solo 26 estudios y múltiples covariables tendría baja potencia estadística y estaría propensa al sobreajuste. En quinto lugar, la mayoría de los estudios incluidos fueron retrospectivos, monocéntricos y con tamaños muestrales relativamente pequeños, y solo 9 de los 26 estudios informaron validación externa, con la mayoría de las cohortes de validación procedentes de entornos institucionales similares, lo que limita la generalización. La variabilidad en los protocolos de imagen, en las vías de extracción de características y en los enfoques de desarrollo del modelo podría afectar aún más la reproducibilidad. En sexto lugar, la presentación del rendimiento diagnóstico fue inconsistente, ya que algunos estudios omitieron datos completos de tablas de contingencia, intervalos de confianza para las AUC, métricas de calibración o análisis de curvas de decisión, todos ellos esenciales para evaluar la aplicabilidad en la práctica clínica real, lo que representa una importante brecha de conocimiento. A pesar de estas limitaciones, la dirección consistente del efecto en todos los estudios incluidos, con modelos basados en radiómica que muestran un buen rendimiento diagnóstico (AUC agrupada de 0,85, IC del 95 % 0,82–0,88), respalda la solidez de los hallazgos principales; el mayor y más consistente rendimiento de los modelos clinicoradiómicos en comparación con los modelos basados únicamente en radiómica, junto con la mayor AUC agrupada observada en modelos basados en RM frente a los basados en TC, proporciona información clínicamente relevante para orientar el desarrollo futuro de modelos. Sin embargo, estas limitaciones subrayan la necesidad de estudios de validación prospectivos y multicéntricos con protocolos de imagen estandarizados, informes completos de métricas de rendimiento diagnóstico y evaluación sistemática de la calibración y utilidad clínica antes de que estos modelos puedan implementarse en la práctica clínica habitual.

Divulgaciones

Los autores no tienen conflictos de intereses. Se utilizaron herramientas asistidas por inteligencia artificial durante la corrección de pruebas para la edición del lenguaje, la verificación de coherencia y el formato de las figuras. No se generaron nuevos datos de estudio, y todas las decisiones científicas, correcciones y el contenido final fueron revisados y aprobados por los autores, quienes asumen toda la responsabilidad sobre el artículo.

Agradecimientos

Este estudio fue apoyado por el Programa de Excelencia del Distrito de Investigación de Beijing (BRWEP; N.º BRWEP2024W032240102). 

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Biblioteca CochraneWileyhttps://www.cochranelibrary.com/
Biblioteca CochraneWileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
paquete meta para RCRANhttps://cran.r-project.org/package=meta
paquete meta para RCRANhttps://cran.r-project.org/package=meta
paquete metafor para RCRANhttps://cran.r-project.org/package=metafor
paquete metafor para RCRANhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Plantilla del diagrama de flujo PRISMA 2020Grupo PRISMAhttp://www.prisma-statement.org/
Mplus (si se utiliza)StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)Biblioteca Nacional de Medicinahttps://pubmed.ncbi.nlm.nih.gov/
Plantilla del diagrama de flujo PRISMA 2020Grupo PRISMAhttp://www.prisma-statement.org/
Herramienta QUADAS-2Cochranehttps://www.quadas.org/
PubMed (MEDLINE)Biblioteca Nacional de Medicinahttps://pubmed.ncbi.nlm.nih.gov/
Software R (versión 4.4.1)Foundation for Statistical Computinghttps://www.r-project.org/
Herramienta QUADAS-2Cochranehttps://www.quadas.org/
RayyanInstituto de Investigación de Computación de Qatarhttps://www.rayyan.ai/
Software R (versión 4.4.1)Foundation for Statistical Computinghttps://www.r-project.org/
Web of ScienceClarivatehttps://www.webofscience.com/
RayyanInstituto de Investigación de Computación de Qatarhttps://www.rayyan.ai/
Web of ScienceClarivatehttps://www.webofscience.com/

Referencias

  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.

Reimpresiones y permisos

Etiquetas

Modelos de radiómicapredicción preoperatoriaheterogeneidad tumoralrendimiento diagnósticoradiómica por TCradiómica por RMmodelos clinicoradiómicos
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.