Caractéristiques intratumorales et péritumorales pour la prédiction de l'invasion microvasculaire dans le carcinome hépatocellulaire : revue systématique et méta-analyse

Benqi Zhao; Yibei Yu; Yuling Yang; Lixue Wang; Jie Li

doi:10.3791/72288

Article de recherche

Caractéristiques intratumorales et péritumorales pour la prédiction de l'invasion microvasculaire dans le carcinome hépatocellulaire : revue systématique et méta-analyse

0 vues

⸱

DOI :

10.3791/72288

⸱

25 septembre 2026

Benqi Zhao¹ , Yibei Yu¹ , Yuling Yang¹ , Lixue Wang¹ , Jie Li¹

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

Dans cet article

Résumé

Cette revue systématique et méta-analyse évaluent les performances diagnostiques des modèles fondés sur la radiomique pour la prédiction préopératoire de l'invasion microvasculaire dans le carcinome hépatocellulaire.

Résumé

Cette revue systématique et méta-analyse a évalué les performances diagnostiques des modèles fondés sur la radiomique pour prédire l'invasion microvasculaire (MVI) dans le carcinome hépatocellulaire (HCC). L'invasion microvasculaire est un facteur déterminant clé du pronostic dans l'HCC, fortement associée à une récidive précoce et à une survie réduite après un traitement curatif. La prédiction précise de l'MVI avant la chirurgie reste difficile à l'aide des caractéristiques cliniques et d'imagerie conventionnelles. La radiomique s'est imposée comme une approche prometteuse en permettant une analyse quantitative de l'hétérogénéité tumorale à partir des images médicales. Cette étude visait à évaluer systématiquement les performances diagnostiques des modèles basés sur la radiomique pour prédire l'MVI dans l'HCC. Une revue systématique et une méta-analyse ont été réalisées, incluant 26 études évaluant des modèles de radiomique basés sur le scanner (CT) et l'IRM. Les données sur les performances diagnostiques ont été extraites, et des analyses regroupées ont été effectuées à l'aide de modèles à effets aléatoires, avec des analyses de sous-groupes selon le mode d'imagerie et le type de modèle. Dans l'ensemble, les modèles de radiomique ont démontré de bonnes performances diagnostiques, avec une AUC regroupée de 0,85 (IC 95 % 0,82–0,88). Les modèles clinicoradiomiques ont obtenu des performances plus élevées et plus homogènes que les modèles de radiomique seule (IRM : 0,87 contre 0,85 ; CT : 0,87 contre 0,81). Parmi les modèles basés sur la 3D, l'AUC regroupée était de 0,85 (IC 95 % 0,82–0,88). En conclusion, les modèles basés sur la radiomique montrent des performances prometteuses pour la prédiction préopératoire de l'MVI dans l'HCC, particulièrement lorsqu'ils sont combinés à des variables cliniques. Toutefois, une hétérogénéité considérable et une validation externe limitée soulignent la nécessité d'une standardisation méthodologique et d'une validation prospective multicentrique avant toute application clinique.

Introduction

Le carcinome hépatocellulaire (CHC) fait partie des tumeurs malignes les plus fréquentes dans le monde et demeure une cause majeure de mortalité liée au cancer¹. L'invasion microvasculaire (IMV) est une caractéristique pathologique clé associée à un comportement tumoral agressif et est régulièrement associée à une récidive précoce et à une survie globale réduite après une résection hépatique ou une transplantation²^,³^,⁴. Toutefois, l'identification préopératoire de l'invasion microvasculaire reste difficile, car elle ne peut être confirmée de façon définitive que par un examen histopathologique des prélèvements résectés ou explantés. En conséquence, les décisions thérapeutiques doivent souvent être prises sans connaissance directe du statut de l'IMV. Dans la pratique actuelle, des indicateurs indirects sont largement et principalement utilisés pour estimer la probabilité d'une IMV, notamment la taille de la tumeur, les taux sériques d'alpha-foetoprotéine⁵, la présence de nodules satellites et des caractéristiques d'imagerie qualitatives telles que des marges tumorales irrégulières, un rehaussement péri-tumoral et l'absence de capsule⁶.

Ces facteurs sont associés à l'envahissement microvasculaire au niveau de la population et sont intégrés à la prise de décision clinique ; toutefois, leur précision prédictive au niveau individuel reste modeste⁷^,⁸. Par exemple, l'alpha-foetoprotéine sérique est élevée uniquement chez un sous-groupe de patients et manque de spécificité, tandis que les caractéristiques d'imagerie sont sujettes à une variabilité inter-observateurs et dépendent des protocoles d'acquisition et de l'expertise des lecteurs⁹^,¹⁰. De plus, l'évaluation conventionnelle par imagerie est principalement qualitative et ne rend pas compte de l'hétérogénéité spatiale de l'architecture tumorale ni des changements subtils du microenvironnement à l'interface tumeur-foie, qui sont associés à l'envahissement vasculaire microscopique¹¹. Ces limites réduisent la fiabilité de l'évaluation préopératoire actuelle du risque et soulignent le besoin d'approches plus robustes et quantitatives. La radiomique, qui permet l'extraction à haut débit de caractéristiques dérivées des images, offre un moyen de capturer l'hétérogénéité intratumorale et péri-tumorale pouvant refléter la biologie tumorale sous-jacente¹²^,¹³. Des caractéristiques telles que l'hyperfixation artérielle péri-tumorale, les marges irrégulières et l'hypointensité en phase hépatobiliaire sont associées à l'envahissement microvasculaire, soutenant le rôle potentiel de modèles quantitatifs basés sur l'imagerie¹⁴.

Cependant, les performances diagnostiques rapportées ont été inconstantes, en partie en raison des variations des modalités d'imagerie, des protocoles d'acquisition, des méthodes de segmentation et des approches de développement des modèles. De plus, la plupart des études sont rétrospectives et menées dans des centres uniques, et relativement peu incluent une validation externe indépendante. Cette revue systématique a donc pour objectif d'évaluer la précision diagnostique des modèles basés sur la radiomique, y compris les modèles basés sur l'IRM et la TDM, pour la prédiction préopératoire de l'invasion microvasculaire dans le carcinome hépatocellulaire, en présentant les données séparément selon la modalité d'imagerie, la stratégie de segmentation et le type de modèle, afin de tenir compte de l'hétérogénéité des approches d'imagerie et du développement des modèles.

Protocole

Stratégie de recherche

Quatre sources de données ont été consultées, notamment PubMed (MEDLINE), Embase, Web of Science et la Bibliothèque Cochrane, de janvier 2015 à avril 2026. La stratégie de recherche a été élaborée en combinant trois blocs conceptuels à l’aide d’opérateurs booléens : des termes liés à la maladie (carcinome hépatocellulaire, HCC, cancer du foie, carcinome hépatique), des termes liés à la méthodologie (radiomique, radiomique, analyse de texture, imagerie quantitative, biomarqueur d’imagerie) et des termes liés au résultat (invasion microvasculaire, MVI, invasion vasculaire, invasion microscopique des vaisseaux). La requête de recherche dans PubMed était la suivante : (("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]).

Sélection des études

Tous les enregistrements récupérés ont été importés dans Rayyan (Qatar Computing Research Institute), une plateforme en ligne dédiée aux revues systématiques, afin de supprimer les doublons et effectuer le tri. Deux examinateurs indépendants ont évalué séparément tous les titres et résumés selon les critères d'éligibilité prédéfinis. Les articles complets ont ensuite été obtenus et évalués indépendamment par les deux mêmes examinateurs en vue de leur inclusion finale. Les études rapportant des données suffisantes sur la performance diagnostique permettant de contribuer à au moins une synthèse quantitative prédéfinie étaient éligibles. Lorsque disponibles, les données vrais positifs, vrais négatifs, faux positifs et faux négatifs ont été extraites pour des analyses secondaires de précision diagnostique. Les désaccords survenus à n'importe quelle étape du tri ont été résolus par discussion, avec recours à un troisième examinateur senior en cas d'absence de consensus. Le processus de sélection des études est résumé dans un diagramme de flux PRISMA (Figure 1). Tous les outils et plateformes utilisés pour cette étude sont répertoriés dans le Tableau du matériel.

Extraction des données

Deux évaluateurs ont extrait indépendamment les données de toutes les études incluses à l’aide d’un formulaire standardisé et testé préalablement pour l’extraction de données. Les éléments extraits comprenaient les caractéristiques des études (premier auteur, année de publication, pays, conception de l’étude, période de recrutement et type d’établissement), les caractéristiques des patients (taille de l’échantillon, âge moyen ou médian, répartition selon le sexe, prévalence de l’IMV, étiologie de la maladie hépatique et caractéristiques tumorales), les caractéristiques d’imagerie (modalité, type de scanner, agent de contraste et phase d’imagerie), la méthodologie de radiomique (type de région de segmentation ; largeur de la marge périlésionnelle, le cas échéant ; méthode de délimitation de la ROI ; dimensionnalité de la segmentation), les caractéristiques du modèle (type de classificateur et stratégie de validation) ainsi que les mesures de performance diagnostique (aire sous la courbe de la caractéristique de fonctionnement du récepteur [AUC], sensibilité, spécificité, rapport de vraisemblance positif, rapport de vraisemblance négatif et rapport de cotes diagnostique). Lorsque des études rapportaient plusieurs modèles ou cohortes admissibles, les estimations correspondantes au niveau du modèle ou de la cohorte utilisées dans les analyses quantitatives prédéfinies étaient extraites. Des suffixes (a-d) sont utilisés dans les tableaux 1 et 2 pour distinguer ces estimations. Les divergences entre les évaluateurs durant l’extraction des données ont été résolues par consensus.

Évaluation de la qualité

La qualité méthodologique des études incluses a été évaluée à l'aide de deux outils complémentaires. Le risque de biais et les préoccupations liées à l'applicabilité ont été évalués à l'aide de l'outil Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2)¹⁵. La qualité méthodologique spécifique à la radiomique a été évaluée à l'aide du score méthodologique de radiomique (Methodological Radiomics Score, METRICS)¹⁶. L'évaluation de la qualité a été réalisée indépendamment par deux relecteurs, les désaccords étant résolus par consensus. Les résultats sont présentés de manière narrative et graphique à l'aide de tableaux récapitulatifs par domaine.

Analyse statistique

La performance discriminante a été résumée à l'aide de la statistique C (surface sous la courbe ROC [AUC]). Une méta-analyse à effets aléatoires des valeurs d'AUC a été réalisée en utilisant la méthode du maximum de vraisemblance restreint afin de tenir compte de la variabilité entre les études. Lorsqu'elles n'étaient pas directement indiquées, les erreurs standard ont été déduites des intervalles de confiance à 95 % publiés ; pour les études ne disposant pas d'estimations de variance, les erreurs standard ont été approchées à l'aide de la méthode de Hanley et McNeil, fondée sur le nombre de cas positifs et négatifs¹⁷. Afin de stabiliser les variances, les valeurs d'AUC ont été transformées selon la fonction logit avant la méta-analyse, puis restituées à l'échelle initiale pour l'interprétation. Les estimations regroupées ont été présentées avec leurs intervalles de confiance à 95 % correspondants. L'hétérogénéité entre les études a été évaluée à l'aide de la statistique I², les valeurs de 25 %, 50 % et 75 % représentant respectivement une faible, modérée et forte hétérogénéité. Les études ont été catégorisées de manière descriptive selon qu'elles étaient basées uniquement sur la tumeur ou sur des modèles intégrant à la fois la tumeur et les régions périviscentes. Une sous-groupe quantitative distincte pour les régions périviscentes seules n'a pas été réalisée, car cette catégorie n'était pas suffisamment représentée. Des analyses supplémentaires de sous-groupes ont été menées selon le mode d'imagerie (TDM versus IRM) et la dimensionnalité de la segmentation (2D versus 3D). D'autres analyses ont été effectuées en restreignant l'échantillon aux modèles validés externement afin d'évaluer la généralisabilité. Toutes les analyses statistiques ont été réalisées à l'aide du logiciel R (version 4.4.1). Les packages R suivants ont été utilisés : meta (version 7.0-1) et metafor (version 4.6-0) pour la méta-analyse, et dmetar (version 0.1.0) pour les fonctions supplémentaires. Les AUC regroupées ont été calculées à l'aide de la fonction metagen avec l'estimateur du maximum de vraisemblance restreint. Les paramètres du modèle incluaient l'ajustement de Knapp-Hartung pour les intervalles de confiance. Le code d'analyse est fourni en Fichier Supplémentaire 2. Une valeur-p bilatérale inférieure à 0,05 a été considérée comme statistiquement significative pour tous les tests.

Résultats

La recherche bibliographique a identifié 368 références, dont 89 étaient des doublons. Après suppression des doublons, 279 références ont été examinées, et 26 études ont satisfait aux critères d'inclusion (Figure 1). Aucune autre étude n'a été identifiée par recherche manuelle.

Caractéristiques de l'étude

Les 26 études incluses¹⁸^,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 étaient principalement rétrospectives (25 sur 26), avec une seule étude prospective. La majorité des études ont été menées en Chine (23 études), les autres provenant d'Europe. Les tailles d'échantillons variaient considérablement selon les études, les cohortes d'apprentissage allant de 66 à 461 patients et les cohortes de validation de 25 à 283 patients. Une validation externe a été réalisée dans 9 études, tandis que la majorité (17 études) s'est appuyée uniquement sur une validation interne. L'imagerie par résonance magnétique (IRM) était la modalité la plus fréquemment utilisée (17 études), suivie par la tomodensitométrie (TDM) (10 études), une étude combinant à la fois TDM et IRM. La plupart des études ont appliqué des approches de segmentation tridimensionnelles (22 études), tandis que deux études ont explicitement utilisé une segmentation bidimensionnelle. Les deux études restantes (références 18 et 30) n'ont pas clairement précisé leur dimensionnalité de segmentation ou ont utilisé une approche hybride impossible à catégoriser avec certitude ; ces deux études ont donc été exclues de l'analyse de sous-groupe stratifiée par segmentation, mais sont restées incluses dans l'analyse globale regroupée. Les stratégies de segmentation variaient d'une étude à l'autre. Seize études ont analysé uniquement les régions tumorales, tandis que 10 ont intégré à la fois les régions tumorales et péri-tumorales, généralement définies à l'aide de marges radiales fixes. Les études intégrant des informations péri-tumorales ont été plus fréquemment menées au cours des années les plus récentes. Un total de 26 modèles de prédiction ont été identifiés parmi les études incluses. La majorité des études (15 sur 26) ont développé des modèles clinico-radiomiques intégrant des caractéristiques radiomiques avec des variables cliniques, tandis que 11 études ont utilisé des approches basées uniquement sur la radiomique (Tableau 1). La précision, la sensibilité, la spécificité rapportées, ainsi que les données correspondantes des tableaux de contingence (VP, FP, FN, VN) dans les études incluses sont résumées dans le Tableau 2.

Discrimination du modèle

Dans l'ensemble des études incluses, les modèles fondés sur la radiomique ont démontré une bonne performance discriminante pour la prédiction de l'envahissement microvasculaire. La statistique C globée (AUC) issue du modèle à effets aléatoires était de 0,85 (IC 95 % : 0,82–0,88), avec une hétérogénéité importante entre les études (I² = 77 %) (Figure 2). Lorsqu'on les stratifie selon le type de modèle, les modèles clinicoradiomiques présentent une performance discriminante plus élevée et plus homogène comparés aux modèles reposant uniquement sur la radiomique. Les modèles fondés uniquement sur la radiomique ont donné une AUC globée de 0,84 (IC 95 % : 0,78–0,88), avec une hétérogénéité importante (I² = 80 %) (Figure 2). En revanche, les modèles intégrant à la fois la radiomique et des variables cliniques ont atteint une AUC globée plus élevée de 0,87 (IC 95 % : 0,85–0,89) et ont montré une hétérogénéité nettement plus faible (I² = 23 %) (Figure 2).

Parmi les études utilisant la segmentation 3D (Figure supplémentaire 1), l'AUC regroupée était de 0,85 (IC à 95 % : 0,82–0,88), avec une hétérogénéité importante (I² = 77,8 %). Dans l'analyse par sous-groupe, les modèles basés uniquement sur la radiomique ont atteint une AUC regroupée de 0,83 (IC à 95 % : 0,78–0,88 ; I² = 80,7 %), tandis que les modèles clinicoradiomiques ont montré une performance plus élevée et plus homogène (AUC 0,87, IC à 95 % : 0,85–0,89 ; I² = 15,1 %). Dans les études basées sur le scanner (Figure supplémentaire 2), l'AUC regroupée était de 0,83 (IC à 95 % : 0,76–0,88), bien que l'hétérogénéité fût élevée (I² = 88,6 %). La performance semblait varier considérablement selon les modèles basés uniquement sur la radiomique (AUC 0,81, IC à 95 % : 0,70–0,89 ; I² = 85,1 %), tandis que les modèles intégrant des variables cliniques présentaient à la fois une meilleure performance et une plus grande cohérence (AUC 0,87, IC à 95 % : 0,83–0,90 ; I² = 4,0 %). Dans les études basées sur l'IRM (Figure supplémentaire 3), la discrimination globale était légèrement supérieure, avec une AUC regroupée de 0,86 (IC à 95 % : 0,83–0,89) et une hétérogénéité modérée (I² = 57,6 %). Un schéma similaire a été observé, les modèles clinicoradiomiques affichant une performance marginalement meilleure et une variabilité réduite (AUC 0,87, IC à 95 % : 0,84–0,90 ; I² = 33,4 %) par rapport aux approches basées uniquement sur la radiomique (AUC 0,85, IC à 95 % : 0,79–0,89 ; I² = 61,7 %).

Performance de la validation externe

Parmi les modèles validés externement (n = 9), la performance globale de discrimination est restée élevée. La superficie sous la courbe (AUC) regroupée était de 0,87 (IC à 95 % : 0,82–0,91), avec une hétérogénéité modérée (I² = 66 %) (Figure supplémentaire 4). Une analyse en sous-groupes au sein des cohortes de validation externe a montré une performance regroupée comparable entre les types de modèles, mais des différences en termes de précision. Les modèles basés uniquement sur la radiomique ont atteint une AUC regroupée de 0,87 (IC à 95 % : 0,78–0,93), tandis que les modèles clinicoradiomiques ont donné une AUC regroupée de 0,87 (IC à 95 % : 0,83–0,91).

Évaluation de la qualité

La qualité méthodologique globale était modérée. Les domaines du standard de référence et du flux présentaient un risque constamment faible, tous les études ayant utilisé l'histopathologie et des intervalles appropriés entre l'imagerie et la chirurgie. La principale source de biais concernait le domaine du test indice, reflétant des modèles de radiomique en haute dimension ou d'apprentissage profond, une pré-spécification limitée des stratégies de modélisation et une communication incohérente de la reproductibilité. La sélection des patients était généralement à faible risque, bien que des préoccupations plus importantes aient été soulevées dans les cohortes rétrospectives plus petites et monocentriques (Tableau supplémentaire 1). L'évaluation spécifique à la radiomique a révélé une rigueur méthodologique variable (Tableau supplémentaire 1). Bien que les protocoles d'imagerie et la segmentation soient généralement rapportés, les tests de reproductibilité et la validation externe étaient moins fréquents. Les études multicentriques plus récentes ont montré des pratiques de conception et de validation améliorées, bien que l'hétérogénéité entre les méthodes reste importante.

DISPONIBILITÉ DES DONNÉES :

Toutes les données générées ou analysées lors de cette revue systématique et méta-analyse sont incluses dans cet article publié et ses fichiers d'informations supplémentaires. Les stratégies de recherche dans les bases de données sont fournies dans le fichier supplémentaire 1, et le code d'analyse R se trouve dans le fichier supplémentaire 2. Les données au niveau des études extraites utilisées pour le regroupement sont entièrement présentées dans les tableaux 1 et 2, et les résultats détaillés de l'évaluation de la qualité figurent dans le tableau supplémentaire 1. Aucun fichier de données brutes supplémentaire au-delà de ceux-ci n'est nécessaire pour reproduire les résultats.

figure-results-1
Figure 1 : Schéma du processus de sélection des études. Schéma du processus d'identification, de tri, d'évaluation de l'éligibilité et d'inclusion des études, avec le nombre d'enregistrements à chaque étape. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

figure-results-2
Figure 2 : Graphique en forêt de la performance diagnostique des modèles de radiomique pour la prédiction de l'envahissement microvasculaire. Les statistiques C (AUC) au niveau des études et agrégées, avec leurs intervalles de confiance à 95 %, sont présentées, stratifiées par type de modèle. Des modèles à effets aléatoires ont été utilisés, la heterogénéité étant évaluée à l’aide de la statistique I². Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 1 : Caractéristiques des études incluses. Résumé de la conception de l'étude, de la population, de la modalité d'imagerie, de la stratégie de segmentation, du type de modèle et de l'approche de validation. Les suffixes (a–c) indiquent plusieurs modèles ou cohortes au sein d'une même étude. Abréviations : CT = tomographie computérisée ; IRM = imagerie par résonance magnétique. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Performance diagnostique des modèles de radiomique pour prédire l'invasion microvasculaire. La précision au niveau des études, la sensibilité, la spécificité et les données de contingence (VP, FP, FN, VN) sont indiquées selon le type de modèle et le cadre de validation. La précision a été recalculée le cas échéant. Les suffixes (a–c) indiquent plusieurs modèles ou cohortes au sein de la même étude. Veuillez cliquer ici pour télécharger ce tableau.

Figure supplémentaire 1 : Performance diagnostique des modèles de radiomique utilisant la segmentation 3D. Graphique en forêt montrant les statistiques C (AUC) au niveau des études et regroupées pour les études ayant utilisé des approches de segmentation 3D, stratifiées par type de modèle (radiomique uniquement par rapport à clinico-radiomique). L'analyse a été réalisée afin d'évaluer si l'extraction de caractéristiques volumétriques 3D, qui capture de manière plus complète l'hétérogénéité spatiale, entraîne des différences de performance par rapport à l'estimation globale regroupée, et pour évaluer l'hétérogénéité au sein de chaque sous-groupe. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2 : Performance diagnostique des modèles de radiomique basés sur le scanner. Graphique en forêt montrant les statistiques C (AUC) au niveau des études et combinées pour les études ayant utilisé la tomodensitométrie (scanner) comme modalité d'imagerie, stratifiées selon le type de modèle (radiomique uniquement par rapport à clinico-radiomique). Cette analyse de sous-groupe a été réalisée afin d'évaluer si les modèles de radiomique basés sur le scanner atteignent une performance diagnostique comparable à celle des modèles basés sur l'IRM, et d'analyser l'impact de l'ajout de variables cliniques sur la cohérence des performances au sein des études utilisant le scanner. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 3 : Performance diagnostique des modèles de radiomique basés sur l'IRM. Graphique en forêt montrant les statistiques C (AUC) au niveau des études et combinées pour les études ayant utilisé l'imagerie par résonance magnétique (IRM) comme modalité d'imagerie, stratifiées selon le type de modèle (radiomique seul versus clinicoradiomique). Cette analyse de sous-groupe a été réalisée afin d'évaluer si le contraste tissulaire supérieur et les capacités multiparamétriques de l'IRM se traduisent par une performance discriminante plus élevée pour la prédiction de l'envahissement microvasculaire (MVI), par comparaison avec les modèles basés sur le scanner (TDM). Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 4 : Performance diagnostique des modèles validés externement. Graphique en forêt montrant les statistiques C (AUC) au niveau des études et combinées pour les modèles ayant fait l'objet d'une validation externe dans des cohortes indépendantes, stratifiés selon le type de modèle (radiomique uniquement par rapport à clinico-radiomique). Cette analyse a été réalisée spécifiquement afin d'évaluer la généralisabilité des modèles basés sur la radiomique à des jeux de données indépendants et d'apprécier si une baisse de performance se produit lorsque les modèles sont appliqués à des populations externes, ce qui constitue un indicateur essentiel de leur applicabilité clinique. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 1 : Évaluation de la qualité des études incluses. Résultats détaillés de l'évaluation de la qualité méthodologique à l'aide de l'outil QUADAS-2 pour chacune des études incluses. Le tableau présente les évaluations de risque de biais et de préoccupations relatives à l'applicabilité dans quatre domaines : sélection des patients, test indice, référence standard, et flux et chronologie. Chaque domaine est évalué comme « risque faible », « risque élevé » ou « risque incertain », les jugements étant étayés par des motifs spécifiques extraits de chaque étude. Cela permet aux lecteurs d'évaluer la rigueur méthodologique de chaque étude individuelle et d'identifier les sources potentielles de biais pouvant influencer les estimations regroupées. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1 : Stratégies de recherche dans les bases de données. Toutes les stratégies de recherche dans les bases de données sont regroupées dans ce document. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : Code d'analyse R. Le code utilisé pour effectuer cette analyse est inclus dans ce document. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Cette revue systématique et méta-analyse de 26 études a révélé que les modèles fondés sur la radiomique présentent une performance bonne, mais variable, pour la prédiction préopératoire de l'invasion microvasculaire dans le carcinome hépatocellulaire, la majorité des estimations de la surface sous la courbe (AUC) se situant approximativement entre 0,80 et 0,90. Dans l'ensemble des études, la précision diagnostique était généralement modérée à élevée, avec des sensibilité et spécificité dépassant typiquement 70 %, bien que la performance n'ait pas été uniforme. Les modèles intégrant des variables cliniques ont tendance à montrer une discrimination plus cohérente et une spécificité plus élevée que les modèles fondés uniquement sur la radiomique. De plus, les approches basées sur l'IRM ont montré une performance légèrement supérieure à celle des modèles basés sur le scanner. Toutefois, ces résultats doivent être interprétés en tenant compte d'une hétérogénéité importante entre les études ainsi que des différences dans la conception des études, les protocoles d'imagerie et les stratégies de modélisation, qui ont probablement contribué à la variation observée des performances.

Plusieurs méta-analyses antérieures ont évalué la radiomique pour la prédiction de l'envahissement microvasculaire (MVI) dans le carcinome hépatocellulaire (HCC). Une étude⁴⁴ a inclus 13 travaux et a rapporté une AUC regroupée de 0,88 pour la radiomique basée sur l'IRM, les modèles combinés surpassant les approches basées uniquement sur la radiomique (AUC : 0,90 contre 0,85). Une autre étude⁴⁵ a analysé 26 études portant sur 3 539 patients atteints d'un HCC solitaire et a rapporté une AUC regroupée de 0,85 (IC 95 % : 0,82–0,88) pour les modèles de radiomique. La synthèse actuelle prolonge ces résultats en démontrant une performance plus élevée et plus homogène pour les modèles clinicoradiomiques (AUC 0,87) par rapport aux modèles de radiomique seule (AUC 0,84), soulignant la valeur ajoutée de l'intégration des variables cliniques. En outre, les analyses distinctes selon la modalité d'imagerie — montrant une performance supérieure de l'IRM (0,86) par rapport à la TDM (0,83) — fournissent des estimations plus précises que les travaux antérieurs. Une autre méta-analyse menée par une équipe⁴⁶ a inclus des études utilisant la TDM et l'IRM, mais s'est principalement concentrée sur la stratification du risque plutôt que sur la comparaison des types de modèles. La présente étude prolonge les travaux antérieurs en comparant les modèles de radiomique seule et les modèles clinicoradiomiques selon les modalités d'imagerie et en évaluant séparément les modèles validés externement. Ces innovations progressives permettent une compréhension plus fine de la performance des modèles de radiomique et offrent des orientations plus claires pour le développement futur des modèles et leur traduction clinique.

Les performances plus élevées et plus constantes observées dans les modèles intégrant des variables cliniques dans cette méta-analyse sont conformes à la physiopathologie sous-jacente de l'envahissement microvasculaire. L'envahissement microvasculaire correspond à la dissémination tumorale dans les petites branches veineuses porteuses au niveau de la marge tumorale, souvent accompagnée de thrombus tumoraux microscopiques et de modifications de la perfusion hépatique locale. Ces modifications sont plus marquées à l'interface tumeur-foie qu'au sein du centre tumoral, ce qui explique pourquoi les caractéristiques d'imagerie reflétant cette région sont régulièrement associées à l'EMV. Par exemple, l'hyperfixation artérielle péri-tumorale et l'hypointensité en phase hépatobiliaire ont été associées à une diminution de l'afflux veineux porte et à une hyperperfusion artérielle compensatoire provoquée par une obstruction vasculaire microscopique, tandis que des marges tumorales irrégulières ou non lisses reflètent des schémas de croissance infiltrants s'étendant au-delà de la limite apparente de la tumeur. L'imagerie quantitative permet une caractérisation systématique de la texture et de l'intensité du signal au sein et autour de la tumeur, reflétant les différences sous-jacentes en densité cellulaire, nécrose et structure microvasculaire.

Ces résultats indiquent que les caractéristiques d'imagerie seules sont insuffisantes pour une caractérisation précise du risque d'invasion microvasculaire. Dans les études incluses, les modèles basés uniquement sur la radiomique ont montré une hétérogénéité importante et une performance discriminante légèrement inférieure par rapport aux modèles clinicoradiomiques. Ceci reflète probablement le fait que l'invasion microvasculaire n'est pas déterminée uniquement par des caractéristiques locales d'imagerie, mais aussi par la biologie tumorale à un niveau systémique. Des facteurs cliniques tels qu'une alpha-foetoprotéine élevée, une taille tumorale plus importante et une fonction hépatique altérée sont des marqueurs bien établis de l'agressivité tumorale et ont été régulièrement associés à l'invasion vasculaire et à une récidive précoce. Les tumeurs de plus grande taille ont davantage tendance à envahir la microvasculature adjacente, tandis qu'une AFP élevée est associée à une différenciation plus faible et à des phénotypes plus agressifs. L'intégration de ces variables avec les caractéristiques d'imagerie fournit donc des informations complémentaires, combinant des preuves locales d'invasion microscopique avec des indicateurs plus larges du comportement tumoral. Ce constat se retrouve dans l'analyse actuelle, où les modèles clinicoradiomiques ont non seulement atteint des AUC regroupées plus élevées, mais ont également montré une hétérogénéité nettement plus faible, suggérant une plus grande stabilité dans différents contextes d'étude.

La base mécanistique de la valeur prédictive des caractéristiques radiomiques péri-tumorales réside dans les modifications physiopathologiques associées à l'invasion microvasculaire (MVI) à l'interface tumeur-foie. L'invasion microvasculaire implique la présence d'embols cellulaires tumoraux dans les branches veineuses porte adjacentes à la marge tumorale, entraînant une obstruction partielle ou complète des petites veinules porte. Cette obstruction provoque une diminution de l'afflux veineux porte vers le parenchyme hépatique péri-tumoral, accompagnée d'une hyperperfusion artérielle compensatoire — un phénomène qui se traduit en imagerie par un rehaussement artériel péri-tumoral ou une hétérogénéité de la perfusion. Par ailleurs, les thrombus tumoraux microscopiques induisent des réponses inflammatoires locales et modifient la microarchitecture tissulaire, modifications qui peuvent être capturées par des caractéristiques texturales radiomiques reflétant des changements dans la densité cellulaire, la nécrose et la densité microvasculaire. Des études histopathologiques ont démontré que ces modifications péri-tumorales s'étendent au-delà des limites macroscopiques de la tumeur, fournissant ainsi une justification biologique à l'intégration de régions péri-tumorales avec des marges radiales variables dans les modèles radiomiques. La corrélation constante observée entre les caractéristiques d'imagerie péri-tumorales et l'IMV dans les études incluses repose donc sur ces altérations vasculaires et microstructurales sous-jacentes, conférant une plausibilité biologique aux résultats quantitatifs obtenus par imagerie.

Les performances légèrement supérieures observées dans les modèles basés sur l'IRM sont également cohérentes avec les différences connues en matière de capacités d'imagerie. L'IRM permet une évaluation multiparamétrique, telle que la diffusion, la perfusion et la capture de contraste spécifique aux hépatocytes, qui sont associées à la différenciation tumorale et à l'invasion vasculaire⁴⁵. L'hypointensité en phase hépatobiliaire et les modifications du signal péri-tumoralal sont plus facilement détectées en IRM. Ces caractéristiques reflètent une fonction hépatocytaire altérée et des modifications de la perfusion liées à la dissémination microscopique de la tumeur. La TDM repose principalement sur les profils de rehaussement contrasté. Elle est moins sensible à ces modifications. Cela pourrait expliquer la plus grande variabilité observée dans les modèles basés sur la TDM.

Il convient de noter que la présente revue s'est concentrée sur la radiomique basée sur le scanner et l'IRM, car il s'agit des modalités prédominantes dans la littérature. Toutefois, la radiomique en TEP/Scanner pourrait offrir une valeur complémentaire pour la prédiction de l'invasion microvasculaire en caractérisant le métabolisme tumoral, l'hypoxie et l'hétérogénéité biologique—des caractéristiques non capturées par l'IRM anatomique ou fonctionnelle seule. Des données récentes suggèrent que des paramètres métaboliques tels que la SUVmax et les caractéristiques texturales provenant de la TEP pourraient être corrélés à l'agressivité tumorale et à l'invasion vasculaire. Néanmoins, la base de données concernant la radiomique en TEP/Scanner pour la prédiction de l'invasion microvasculaire reste limitée par rapport à celle du scanner et de l'IRM, et ce domaine mérite d'être davantage exploré dans des études futures. Ces résultats ont des implications pour la pratique clinique, notamment dans l'évaluation préopératoire du carcinome hépatocellulaire. L'identification préopératoire de l'invasion microvasculaire reste difficile et influence le choix entre résection, transplantation ou traitement locorégional. Les modèles d'imagerie quantitative intégrant des variables cliniques pourraient améliorer la stratification du risque par rapport aux examens d'imagerie de routine et aux marqueurs sériques. Un risque prédit élevé pourrait justifier des marges chirurgicales plus larges ou une surveillance postopératoire plus étroite chez les patients envisagés pour une résection. De même, une meilleure stratification du risque pourrait être utile pour les décisions de sélection et d'inscription, en particulier dans les cas limites chez les candidats à la greffe.

Il est important de noter que, bien que la performance discriminante (AUC) ait été le principal objectif de cette méta-analyse, la calibration et l'utilité clinique sont tout aussi essentielles pour une applicabilité en conditions réelles. Les métriques de calibration—telles que le test de Hosmer-Lemeshow et les courbes de calibration—évaluent l'accord entre les risques prédits et observés et sont cruciales pour une prise de décision clinique éclairée. L'analyse de la courbe de décision évalue le bénéfice net de l'utilisation d'un modèle à différents seuils de risque, ce qui présente une pertinence directe pour la pratique clinique. Toutefois, parmi les études incluses, seule une minorité ont rapporté des mesures de calibration ou une analyse de la courbe de décision, ce qui représente un important manque de connaissances. Les études futures devraient accorder la priorité à la communication de ces métriques afin de faciliter la traduction clinique et de s'assurer que les prédictions du modèle soient à la fois précises et exploitables.

Malgré les performances prometteuses observées, ces modèles ne sont pas encore prêts à être utilisés couramment en clinique. La plupart des études étaient rétrospectives et menées dans des centres uniques, avec des variations importantes dans les protocoles d'imagerie, les méthodes de segmentation et le développement des modèles. La validation externe était limitée, et lorsqu'elle était réalisée, les cohortes de validation étaient souvent de petite taille ou provenaient de populations similaires. Peu d'études ont évalué la calibration, l'utilité clinique ou l'impact de l'utilisation des modèles sur les décisions thérapeutiques. Ces limitations sont importantes en pratique, où les décisions concernant les marges de résection, l'éligibilité à la transplantation et l'intensité de la surveillance nécessitent des estimations de risque fiables et généralisables. De plus, la variabilité dans l'acquisition et le traitement des images entre les centres peut affecter la performance et la reproductibilité des modèles, limitant davantage leur intégration dans les soins courants. Pour l'instant, ces modèles doivent être considérés comme des outils complémentaires aux évaluations cliniques et d'imagerie établies, et non comme des outils autonomes. Les travaux futurs devraient se concentrer sur une validation prospective et multicentrique, la standardisation des méthodes d'imagerie et d'analyse, ainsi que l'évaluation de l'utilité clinique, notamment pour déterminer si l'utilisation de ces modèles améliore la prise de décision et les résultats pour les patients.

Cette étude présente plusieurs limites. Premièrement, la répartition géographique était fortement biaisée, avec 23 des 26 études (88,5 %) réalisées en Chine et seulement 3 provenant de régions européennes, ce qui limite considérablement la généralisabilité aux populations mondiales de carcinome hépatocellulaire (CHC), étant donné les différences étiologiques entre les CHC d'origine orientale (liés aux hépatites virales) et occidentale (liés aux troubles métaboliques), et une analyse formelle par sous-groupe selon la région n'a pas pu être réalisée de manière fiable, car le sous-groupe occidental ne satisfaisait pas à la taille d'échantillon minimale requise (≥10 études). Deuxièmement, les données complètes de tableaux de contingence 2 × 2 n'étaient pas disponibles pour plusieurs études, et les seuils utilisés variaient considérablement ; par conséquent, la synthèse quantitative principale s'est concentrée sur l'AUC plutôt que sur des mesures agrégées de précision diagnostique dépendantes du seuil (comme indiqué dans le résumé), rendant impossible une méta-analyse complète de ces métriques sur l'ensemble des 26 études incluses. En effet, plusieurs études omettaient les tableaux de contingence complets, et surtout, il existait une hétérogénéité importante dans les définitions des seuils entre les études, ce qui rend méthodologiquement peu fiable tout regroupement non ajusté de ces métriques sans tenir compte des effets liés au seuil. Troisièmement, des analyses supplémentaires par sous-groupes stratifiées selon le diamètre tumoral, le type d'agent de contraste, la largeur de la marge péri-tumorale ou le type de classificateur n'ont pas pu être effectuées en raison d'une communication incohérente et de tailles d'échantillon insuffisantes dans les sous-groupes (seulement 1 à 3 études par type de classificateur), limitant ainsi la capacité à explorer les sources de l'importante hétérogénéité entre études (I² = 77 %). Quatrièmement, les auteurs n'ont pas pu examiner quantitativement l'association entre la qualité méthodologique et la performance du modèle par méta-régression, car les scores METRICS n'étaient pas disponibles dans un format adéquat pour toutes les études, l'attribution d'une catégorie synthétique unique selon QUADAS-2 étant intrinsèquement subjective, et une méta-régression avec seulement 26 études et plusieurs covariables serait sous-alimentée et sujette au surajustement. Cinquièmement, la plupart des études incluses étaient rétrospectives, monocentriques et avaient des tailles d'échantillon relativement faibles, et une validation externe n'a été rapportée que dans 9 des 26 études, avec des cohortes de validation majoritairement issues de contextes institutionnels similaires, ce qui limite la généralisabilité. La variabilité des protocoles d'imagerie, des pipelines d'extraction des caractéristiques et des approches de développement des modèles pourrait également nuire à la reproductibilité. Sixièmement, la présentation des performances diagnostiques était incohérente, certaines études omettant les données complètes de tableaux de contingence, les intervalles de confiance pour les AUC, les métriques de calibration ou l'analyse des courbes de décision — tous éléments essentiels pour évaluer l'applicabilité en pratique clinique réelle — ce qui constitue un important manque de connaissances. Malgré ces limites, le sens constant de l'effet observé dans toutes les études incluses, avec des modèles basés sur la radiomique montrant une bonne performance diagnostique (AUC agrégée de 0,85, IC 95 % : 0,82–0,88), soutient la robustesse des résultats principaux ; la performance supérieure et plus homogène des modèles clinicoradiomiques par rapport aux modèles basés uniquement sur la radiomique, ainsi que l'AUC agrégée plus élevée observée pour les modèles basés sur l'IRM par rapport à ceux basés sur le scanner, fournissent des informations cliniquement pertinentes pour orienter le développement futur des modèles. Toutefois, ces limites soulignent la nécessité d'études de validation prospectives et multicentriques, utilisant des protocoles d'imagerie standardisés, une communication complète des métriques de performance diagnostique, et une évaluation systématique de la calibration et de l'utilité clinique avant que ces modèles puissent être intégrés à la pratique clinique courante.

Déclarations de divulgation

Les auteurs déclarent ne pas avoir de conflits d'intérêts. Des outils assistés par intelligence artificielle ont été utilisés lors de la correction finale pour la révision linguistique, la vérification de la cohérence et la mise en forme des figures. Aucune nouvelle donnée d'étude n'a été générée, et toutes les décisions scientifiques, corrections et le contenu final ont été examinés et approuvés par les auteurs, qui assument l'entière responsabilité de l'article.

Remerciements

Cette étude a été soutenue par le programme d'excellence de recherche de Pékin (BRWEP ; n° BRWEP2024W032240102).

Matériaux

Liste des matériaux utilisés dans cet article
Nom	Entreprise	Numéro de catalogue
Bibliothèque Cochrane	Wiley	https://www.cochranelibrary.com/
Bibliothèque Cochrane	Wiley	https://www.cochranelibrary.com/
Embase	Elsevier	https://www.embase.com/
Embase	Elsevier	https://www.embase.com/
package R meta	CRAN	https://cran.r-project.org/package=meta
package R meta	CRAN	https://cran.r-project.org/package=meta
package R metafor	CRAN	https://cran.r-project.org/package=metafor
package R metafor	CRAN	https://cran.r-project.org/package=metafor
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/microsoft-365/excel
Modèle de diagramme de flux PRISMA 2020	Groupe PRISMA	http://www.prisma-statement.org/
Mplus (si utilisé)	StatModel	https://www.statmodel.com/
PubMed (MEDLINE)	Bibliothèque nationale de médecine	https://pubmed.ncbi.nlm.nih.gov/
Modèle de diagramme de flux PRISMA 2020	Groupe PRISMA	http://www.prisma-statement.org/
Outil QUADAS-2	Cochrane	https://www.quadas.org/
PubMed (MEDLINE)	Bibliothèque nationale de médecine	https://pubmed.ncbi.nlm.nih.gov/
Logiciel R (version 4.4.1)	Fondation R pour l'informatique statistique	https://www.r-project.org/
Outil QUADAS-2	Cochrane	https://www.quadas.org/
Rayyan	Institut de recherche en informatique du Qatar	https://www.rayyan.ai/
Logiciel R (version 4.4.1)	Fondation R pour l'informatique statistique	https://www.r-project.org/
Web of Science	Clarivate	https://www.webofscience.com/
Rayyan	Institut de recherche en informatique du Qatar	https://www.rayyan.ai/
Web of Science	Clarivate	https://www.webofscience.com/

Références

Villanueva A. Hepatocellular Carcinoma. N Engl J Med. 2019;380(15):1450-1462.
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.
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.
Tabrizian P, et al. Recurrence of hepatocellular cancer after resection: patterns, treatments, and prognosis. Ann Surg. 2015;261(5):947-955.
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.
Renzulli M, et al. Can Current Preoperative Imaging Be Used to Detect Microvascular Invasion of Hepatocellular Carcinoma? Radiology. 2016;279(2):432-442.
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.
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.
Hanif H, et al. Update on the applications and limitations of alpha-fetoprotein for hepatocellular carcinoma. World J Gastroenterol. 2022;28(2):216-229.
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.
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.
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.
Kocak B, et al. Quality of radiomics research: comprehensive analysis of 1574 unique publications from 89 reviews. European Radiology. 2025;35(4):1980-1992.
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.
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.
Kocak B, et al. METhodological RadiomICs Score (METRICS): a quality scoring tool for radiomics research endorsed by EuSoMII. Insights Imaging. 2024;15(1):8.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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).
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.
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.
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.
Xia TY, et al. Predicting Microvascular Invasion in Hepatocellular Carcinoma Using CT-based Radiomics Model. Radiology. 2023;307(4):e222729.
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.
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.
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.
Zeng J, et al. Multiparametric dual-energy computed tomography radiomics for predicting microvascular invasion in hepatocellular carcinoma. BMC Med Imaging. 2025;25(1):520.
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.
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.
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.
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.
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.
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.
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.
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.

Réimpressions et autorisations

Étiquettes

Modèles de radiomique Prédiction préopératoire Hétérogénéité tumorale Performance diagnostique Radiomique par TDM Radiomique par IRM Modèles clinicoradiomiques