מאמר מחקר

מאפיינים תוך-גידוליים וסביב-גידוליים לניבוי פלישה מיקרו-וסקולרית בקרצינומה של התאי הכבדיים: סקירה שיטתית ומטא-אנליזה

0 צפיות

⸱

DOI:

10.3791/72288

⸱

25 בספטמבר 2026

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

במאמר זה

סיכום

סקירה שיטתית ומטא-אנליזה זו מעריכות את הביצועים האבחנתיים של מודלים מבוססי רדיומיקה לחיזוי טרום-ניתוחי של פלישה מיקרו-וסקולרית בקרצינומה של התאי הכבדיים.

תקציר

סקירה שיטתית ומטא-אנליזה זו העריכו את הביצועים האבחנתיים של מודלים מבוססי רדיאומיקה לניבוי פלישה מיקרו-וסקולרית (MVI) בקרצינומה של התאי הכבדיים (HCC). MVI היא גורם קריטי בקביעת הפרוגנוזה ב-HCC, והיא קשורה באופן הדוק לחזרה מוקדמת של המחלה ולהישרדות מופחתת לאחר טיפול ריפואי. ניבוי מדויק של MVI לפני ניתוח נותר מאתגר באמצעות מאפיינים קליניים ודימוייים קונבנציונליים. הרדיאומיקה הגיחה כגישה מבטיחה המאפשרת ניתוח כמותי של הטרוגניות הגידול מדימות רפואית. מחקר זה נועד להעריך באופן שיטתי את הביצועים האבחנתיים של מודלים מבוססי רדיאומיקה לניבוי MVI ב-HCC. נערכו סקירה שיטתית ומטא-אנליזה, שכללו 26 מחקרים שהעריכו מודלים רדיאומיים המבוססים על CT ו-MRI. נתונים על ביצועים אבחנתיים חולצו, ובוצעו ניתוחים מאוחדים באמצעות מודלים של השפעות אקראיות, עם ניתוחי תתי-קבוצות לפי מודליות הדימוי וסוג המודל. באופן כללי, מודלים רדיאומיים הדגימו ביצועים אבחנתיים טובים, עם AUC מאוחד של 0.85 (95% CI 0.82–0.88). מודלים קליניו-רדיאומיים השיגו ביצועים גבוהים ועקביים יותר ממודלים רדיאומיים בלבד (MRI: 0.87 לעומת 0.85; CT: 0.87 לעומת 0.81). בקרב מודלים מבוססי תלת-ממד (3D), ה-AUC המאוחד היה 0.85 (95% CI 0.82–0.88). לסיכום, מודלים מבוססי רדיאומיקה מראים ביצועים מבטיחים לניבוי של MVI ב-HCC לפני ניתוח, במיוחד כאשר הם משולבים עם משתנים קליניים. עם זאת, הטרוגניות ניכרת ותיקוף חיצוני מוגבל מדגישים את הצורך בסטנדרטיזציה מתודולוגית ובתיקוף פרוספקטיבי רב-מרכזי לפני יישום קליני.

מבוא

סרטן תאי הכבד (HCC) הוא אחד מהגידולים הממאירים השכיחים ביותר ברחבי העולם ונותר גורם מוביל לתמותה הקשורה לסרטן1. פלישה מיקרו-וסקולרית (MVI) היא מאפיין פתולוגי מרכזי הקשור להתנהגות גידולית אגרסיבית, והיא קשורה באופן עקבי להישנות מוקדמת ולהפחתה בהישרדות הכוללת לאחר כריתת כבד או השתלה2,3,4. עם זאת, זיהוי של פלישה מיקרו-וסקולרית לפני הניתוח נותר מאתגר, שכן ניתן לאשש אותה באופן סופי רק בבדיקה היסטופתולוגית של דגימות שנכרתו או הוצאו מהגוף. כתוצאה מכך, לעיתים קרובות יש לקבל החלטות טיפוליות ללא ידיעה ישירה על סטטוס ה-MVI. בפרקטיקה הנוכחית, נעשה שימוש נרחב בעיקר במדדים עקיפים כדי להעריך את הסבירות ל-MVI, כולל גודל הגידול, רמות alpha-fetoprotein בנסיוב5, נוכחות של מודולים לוויניים, ומאפייני דימות איכותיים כגון שולי גידול לא סדירים, הגברה פרי-טומורלית והיעדר קפסולה6.

גורמים אלו קשורים ל-MVI ברמת האוכלוסייה ומקולטים בתהליכי קבלת החלטות קליניות; עם זאת, הדיוק החזוי שלהם ברמת החולה הבודד נותר צנוע7,8. לדוגמה, רמות alpha-fetoprotein בסרום מוגברות רק בחלק מהחולים וסובלות מחוסר ספציפיות, בעוד שמאפייני דימות כפופים לשונות בין בוחנים ותלויים בפרוטוקולי הרכישה ובמומחיות הקורא9,10. בנוסף, הערכת דימות קונבנציונלית היא ברובה איכותנית ואינה לוכדת את ההטרוגניות המרחבית של ארכיטקטורת הגידול או את השינויים המיקרוסביבתיים העדינים בממשק שבין הגידול לכבד הקשורים לפלישה וסקולרית מיקרוסקופית11. מגבלות אלו מפחיתות את המהימנות של הערכת הסיכונים הפרי-אופרטיבית הנוכחית ומדגישות את הצורך בגישות חזקות וכמותיות יותר. רדיאומיקה (Radiomics), המאפשרת מיצוי של מאפיינים נגזרים מדימות בתפוקה גבוהה, מספקת אמצעי ללכידת הטרוגניות תוך-גידולית וסביב-גידולית שעשויה לשקף את הביולוגיה הבסיסית של הגידול12,13. מאפיינים כגון הגברה עורקית סביב-גידולית, שוליים לא סדירים והיפואינטנסיות בשלב ההפטוביליארי קשורים ל-MVI, דבר התומך בתפקיד הפוטנציאלי של מודלים כמותיים מבוססי דימות14.

עם זאת, הביצועים האבחנתיים שדווחו היו לא עקביים, בין השאר בשל שונות במודליות הדימות, בפרוטוקולי הרכישה, בשיטות הסגמנטציה ובגישות לפיתוח המודלים. בנוסף, מרבית המחקרים הם רטרוספקטיביים ונערכו במסגרות של מרכז בודד, ומעטים יחסית כוללים תיקוף חיצוני עצמאי. לכן, סקירה שיטתית זו שואפת להעריך את הדיוק האבחנתי של מודלים מבוססי רדיאומיקה, כולל מודלים מבוססי MRI ו-CT, לחיזוי טרום-ניתוחי של פלישה מיקרו-וסקולרית בקרצינומה של תאי הכבד, תוך הצגת הנתונים בנפרד בהתאם למודליות הדימות, אסטרטגיית הסגמנטציה וסוג המודל כדי להתחשב בהטרוגניות בגישות הדימות ובפיתוח המודלים.

פרוטוקול

אסטרטגיית חיפוש

חיפוש בוצע בארבעה מקורות נתונים, כולל PubMed (MEDLINE), Embase, Web of Science ו-Cochrane Library, מתחילת ינואר 2015 ועד אפריל 2026. אסטרטגיית החיפוש פותחה על ידי שילוב של שלושה בלוקים מושגיים באמצעות אופרטורים בוליאניים: מונחים הקשורים למחלה (hepatocellular carcinoma, HCC, סרטן כבד, hepatic carcinoma), מונחים הקשורים למתודולוגיה (radiomics, radiomic, ניתוח מרקם, דימות כמותי, סמן ביולוגי של דימות), ומונחים הקשורים לתוצאה (microvascular invasion, MVI, פלישה וסקולרית, פלישה וסקולרית מיקרוסקופית). מחרוזת החיפוש ב-PubMed הייתה כדלקמן: (("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]).

בחירת מחקרים

כל הרשומות שנשלפו יובאו ל-Rayyan (מכון קטר למחקר מחשוב), פלטפורמה מבוססת רשת לסקירות שיטתיות, לצורך הסרת כפילויות וסינון. שני סוקרים עצמאיים סיננו את כל הכותרות והתקצירים בהתאם לקריטריוני ההבדיקה שהוגדרו מראש. לאחר מכן נשלפו מאמרים בטקסט מלא, ואלו הוערכו באופן עצמאי על ידי אותם שני סוקרים לצורך הכללה סופית. מחקרים שדיווחו על נתוני ביצועים אבחנתיים מספיקים כדי לתרום לפחות לסנתזה כמותית אחת שהוגדרה מראש היו כשירים. כאשר היו זמינים, נתונים על תוצאות חיוביות אמיתיות, שליליות אמיתיות, חיוביות שגויות ושליליות שגויות הופקו לצורך ניתוחי דיוק אבחנתי משניים. מחלוקות בכל שלב של הסינון נפתרו באמצעות דיון, ובמקרה שלא הושג קונסנסיס, התבצעה בוררות על ידי סוקר בכיר שלישי. תהליך בחירת המחקרים מסוכם בתרשים זרימה של PRISMA (איור 1). כל הכלים והפלטפורמות ששימשו במחקר זה מפורטים ב- טבלת חומרים.

חילוץ נתונים

שני סוקרים חילצו באופן עצמאי נתונים מכל המחקרים שנכללו באמצעות טופס חילוץ נתונים סטנדרטי שעבר פיילוט. הפריטים שחולצו כללו מאפייני מחקר (מחבר ראשון, שנת פרסום, מדינה, עיצוב המחקר, תקופת הגיוס וסוג המוסד), מאפייני מטופלים (גודל מדגם, גיל ממוצע או חציוני, התפלגות מינית, שכיחות MVI, אטיולוגיה של מחלת כבד ומאפייני גידול), מאפייני דימות (מודליות, סוג סורק, חומר ניגוד ושלב הדימות), מתודולוגיית רדיאומיקה (סוג אזור הסגמנטציה; רוחב שוליים פרי-טומורליים במידת הרלוונטיות; שיטת הגדרת ה-ROI; ממדיות הסגמנטציה), מאפייני מודל (סוג מסווג ואסטרטגיית תיקוף), ומדדי ביצועים אבחנתיים (שטח תחת העקומה של מאפייני תפעול המקלט [AUC], רגישות, סגוליות, יחס סבירות חיובי, יחס סבירות שלילי ויחס סיכויים אבחנתי). במקרים שבהם מחקרים דיווחו על מספר מודלים או קהלות מתאימים, חולצו האומדנים הרלוונטיים ברמת המודל או ברמת הקהלה ששימשו בניתוחים הכמותיים שהוגדרו מראש. סיומות (a-d) משמשות בטבלאות 1 ו-2 כדי להבדיל בין אומדנים אלה. סתירות בין הסוקרים במהלך חילוץ הנתונים נפתרו באמצעות הגעה להסכמה.

הערכת איכות

האיכות המתודולוגית של המחקרים שנכללו הוערכה באמצעות שני כלים משלימים. סיכון להטיה וחששות לגבי applicable נבחנו באמצעות כלי ה-Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2)15. איכות מתודולוגית ספציפית לרדיאומיקה נבחנה באמצעות ה-Methodological Radiomics Score (METRICS)16. הערכת האיכות בוצעה באופן עצמאי על ידי שני סוקרים, כאשר מחלוקות נפתרו באמצעות הסכמה. התוצאות מוצגות באופן נרטיבי וגרפי באמצעות טבלאות סיכום ברמת הדומיין.

ניתוח סטטיסטי

ביצועי ההבחנה סוכמו באמצעות ה-C statistic (השטח תחת עקומת מאפייני operating characteristic של המקלט [AUC]). מטא-אנליזה של השפעות אקראיות (random-effects) של ערכי AUC בוצעה באמצעות שיטת ה-restricted maximum likelihood כדי להתחשב בשונות בין המחקרים. כאשר לא דווחו ישירות, טעויות תקן נגזרו מרווחי סמך של 95% שפורסמו; עבור מחקרים ללא הערכות שונות, טעויות תקן אושרכו באמצעות השיטה של Hanley and McNeil בהתבסס על מספר המקרים החיוביים והשליליים17. כדי לייצב שונויות, ערכי AUC עברו טרנספורמציית logit לפני המטא-אנליזה והוחזרו לערכם המקורי לצורך פרשנות. הערכות מאוחדות (Pooled estimates) הוצגו עם רווחי סמך של 95% תואמים. הטרוגניות בין המחקרים הוערכה באמצעות נתון I2, כאשר ערכים של 25%, 50% ו-75% ייצגו הטרוגניות נמוכה, בינונית וגבוהה, בהתאמה. מחקרים סווגו באופן תיאורי ככאלה העוסקים בגידול בלבד או כמודלים המשלבים הן את אזור הגידול והן את האזורים הפרי-גידוליים (peritumoral). לא בוצע ניתוח תת-קבוצות כמותי נפרד עבור אזורים פרי-גידוליים בלבד מכיוון שקטגוריה זו לא הייתה מיוצגת מספיק. ניתוחי תת-קבוצות נוספים בוצעו לפי שיטת הדימות (CT לעומת MRI) וממדי הסגמנטציה (2D לעומת 3D). ניתוחים נוספים בוצעו תוך הגבלה למודלים שעברו תיקוף חיצוני כדי להעריך את יכולת ההכללה. כל הניתוחים הסטטיסטיים בוצעו באמצעות תוכנת R (גרסה 4.4.1). חבילות ה-R הבאות שימשו לניתוח: meta (גרסה 7.0-1) ו- metafor (גרסה 4.6-0) עבור המטא-אנליזה, ו- dmetar (גרסה 0.1.0) עבור פונקציות משלימות. ערכי AUC מאוחדים חושבו באמצעות פונקציית  metagen  עם אומדן restricted maximum likelihood. הגדרות המודל כללו את התאמת Knapp-Hartung עבור רווחי הסמך. קוד הניתוח מסופק כ-Supplementary File 2. ערך p דו-זנבי של פחות מ-0.05 נחשב למשמעותי סטטיסטית עבור כל הבדיקות.

תוצאות

חיפוש הספרות העלה 368 רשומות, מתוכן 89 היו כפילויות. לאחר הסרת הכפילויות, נסרקו 279 רשומות, ו-26 מחקרים עמדו בקריטריוני ההכללה (איור 1). לא זוהו מחקרים נוספים באמצעות חיפוש ידני.

מאפייני המחקר

26 המחקרים שנכללו18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 היו ברובם רטרוספקטיביים (25 מתוך 26), עם מחקר פרוספקטיבי אחד. רוב המחקרים נערכו בסין (23 מחקרים), והשאר מקורם באירופה. גודלי המדגמים השתנו במידה ניכרת בין המחקרים, כאשר קבוצות האימון נעות בין 66 ל-461 חולים וקבוצות התיקוף בין 25 ל-283 חולים. תיקוף חיצוני בוצע ב-9 מחקרים, בעוד שרובם (17 מחקרים) הסתמכו אך ורק על תיקוף פנימי. דימות בתהודה מגנטית (MRI) היה המודליות שנמצאה בשימוש השכיח ביותר (17 מחקרים), ואחריה טומוגרפיה ממוחשבת (CT) (10 מחקרים), כאשר מחקר אחד שילב הן CT והן MRI. מרבית המחקרים יישמו גישות של סגמנטציה תלת-ממדית (22 מחקרים), בעוד ששני מחקרים השתמשו במפורש בסגמנטציה דו-ממדית. שני המחקרים הנותרים (מקורות 18 ו-30) לא הגדירו בבירור את ממדי הסגמנטציה שלהם או השתמשו בגישה היברידית שלא ניתן היה לסווגה בוודאות; לכן, שני מחקרים אלה הוצאו מניתוח תת-הקבוצות המרובד לפי סגמנטציה, אך נותרו בניתוח המאוחד הכולל. אסטרטגיות הסגמנטציה השתנו בין המחקרים. שישה-עשר מחקרים ניתחו אזורים של הגידול בלבד, בעוד ש-10 שילבו הן את הגידול והן אזורים פרי-גידוליים, שהוגדרו בדרך כלל באמצעות שוליים רדיאליים קבועים. מחקרים ששילבו מידע פרי-גידולי נערכו בתדירות גבוהה יותר בשנים מאוחרות יותר. סך של 26 מודלי חיזוי זוהו במחקרים שנכללו. רוב המחקרים (15 מתוך 26) פיתחו מודלים קליניו-רדיאומיים המשלבים מאפיינים רדיאומיים עם משתנים קליניים, בעוד ש-11 מחקרים השתמשו בגישות רדיאומיות בלבד (Table 1). הדיוק, הרגישות, הסגוליות ונתוני טבלת הסמיכות התואמים (TP, FP, FN, TN) שדווחו במחקרים שנכללו מסוכמים ב-Table 2.

הבחנה בין מודלים

בכל המחקרים שנכללו, מודלים המבוססים על רדיאומיקה הפגינו ביצועי הבחנה טובים לחיזוי של פלישה מיקרו-וסקולרית. ה-C-statistic (AUC) המאוחד ממודל האפקטים האקראיים היה 0.85 (95% CI 0.82–0.88), עם הטרוגניות משמעותית בין המחקרים (I2 = 77%) (איור 2). כאשר בוצעו חלוקה לשכבות לפי סוג המודל, מודלים של קליניקו-רדיאומיקה הפגינו ביצועי הבחנה גבוהים ועקביים יותר בהשוואה למודלים של רדיאומיקה בלבד. מודלים של רדיאומיקה בלבד הניבו AUC מאוחד של 0.84 (95% CI 0.78–0.88), עם הטרוגניות משמעותית (I2 = 80%) (איור 2). לעומת זאת, מודלים ששילבו גם משתני רדיאומיקה וגם משתנים קליניים השיגו AUC מאוחד גבוה יותר של 0.87 (95% CI 0.85–0.89) והראו הטרוגניות נמוכה באופן ניכר (I2 = 23%) (איור 2).

בקרב מחקרים שהשתמשו בסגמנטציה תלת-ממדית (Supplementary Figure 1), ה-AUC המאחד היה 0.85 (95% CI 0.82–0.88), עם הטרוגניות משמעותית (I2 = 77.8%). בניתוח תתי-קבוצות, מודלים המבוססים על רדיאומיקה בלבד הגיעו ל-AUC מאחד של 0.83 (95% CI 0.78–0.88; I2 = 80.7%), בעוד שמודלים של קליניקו-רדיאומיקה הדגימו ביצועים גבוהים ועקביים יותר (AUC 0.87, 95% CI 0.85–0.89; I2 = 15.1%). במחקרים המבוססים על CT (Supplementary Figure 2), ה-AUC המאחד היה 0.83 (95% CI 0.76–0.88), אם כי ההטרוגניות הייתה גבוהה (I2 = 88.6%). נראה כי הביצועים השתנו באופן משמעותי בין מודלים של רדיאומיקה בלבד (AUC 0.81, 95% CI 0.70–0.89; I2 = 85.1%), בעוד שמודלים המשלבים משתנים קליניים הראו ביצועים גבוהים יותר ועקביות ניכרת יותר (AUC 0.87, 95% CI 0.83–0.90; I2 = 4.0%). במחקרים המבוססים על MRI (Supplementary Figure 3), יכולת ההבחנה הכללית הייתה גבוהה מעט יותר, עם AUC מאחד של 0.86 (95% CI 0.83–0.89) והטרוגניות מתונה (I2 = 57.6%). דפוס דומה נצפה גם כאן, כאשר מודלים של קליניקו-רדיאומיקה הראו ביצועים טובים יותר במקצת ושונות מופחתת (AUC 0.87, 95% CI 0.84–0.90; I2 = 33.4%) בהשוואה לגישות של רדיאומיקה בלבד (AUC 0.85, 95% CI 0.79–0.89; I2 = 61.7%).

ביצועי תיקוף חיצוני

בקרב מודלים שעברו תיקוף חיצוני (n=9), ביצועי ההבחנה הכוללים נותרו גבוהים. ה-AUC המאוחד היה 0.87 (רווח סמך 95% 0.82–0.91), עם הטרוגניות מתונה (I2 = 66%) (איור משלים 4ניתוח תתי-קבוצות בתוך קהלות תיקוף חיצוניות הראה ביצועים מאוחדים דומים בין סוגי המודלים, אך הבדלים בדיוק. מודלים המבוססים על רדיאומיקה בלבד השיגו AUC מאוחד של 0.87 (רווח ברתקודה של 95%: 0.78–0.93), בעוד שמודלים קליניקו-רדיאומיים הניבו AUC מאוחד של 0.87 (רווח ברתקודה של 95%: 0.83–0.91).

הערכת איכות

האיכות המתודולוגית הכוללת הייתה בינונית. תחומי סטנדרט הייחוס (reference standard) והזרימה (flow) היו בעלי סיכון נמוך באופן עקבי, כאשר כל המחקרים השתמשו בהיסטופתולוגיה ובמרווחי זמן מתאימים בין ההדמיה לניתוח. המקור העיקרי להטיה היה תחום בדיקת האינדקס (index test), המשקף מודלים של רדיאומיקה רב-ממדית או למידה עמוקה, הגדרה מוקדמת מוגבלת של אסטרטגיות המידול ודיווח לא עקבי על הדירות (reproducibility). בחירת המטופלים הייתה בדרך כלל בעלת סיכון נמוך, אם כי החששות היו גבוהים יותר בקוהורטות רטרוספקטיביות קטנות יותר ממרכז יחיד (טבלה נלווית 1). הערכה ספציפית לרדיאומיקה הראתה קפדנות מתודולוגית משתנה (טבלה נלווית 1). בעוד שפרוטוקולי הדמיה וסגמנטציה דווחו בדרך כלל, בדיקות הדירות ותיקוף חיצוני היו פחות נפוצים. מחקרים רב-מרכזיים עדכניים יותר הדגימו שיפור בעיצוב ובשיטות התיקוף, אם כי ההטרוגניות בין השיטות נותרה משמעותית.

זמינות נתונים:

כל הנתונים שהופקו או נותחו במהלך סקירה שיטתית ומטא-אנליזה זו כלולים במאמר זה ובקבצי המידע המשלים שלו. אסטרטגיות החיפוש במאגרי המידע מופיעות ב קובץ משלים 1, וקוד ניתוח ה-R נמצא בקובץ משלים 2. הנתונים שהופקו מרמת המחקר ושימשו לאיחוד מוצגים במלואם בטבלאות 1 ו2, ותוצאות הערכת האיכות המפורטות מופיעות בטבלה משלימה 1. לא נדרשים קבצי נתונים גולמיים נוספים מעבר לאלה לצורך שחזור הממצאים.

figure-results-1
איור 1: תרשים זרימה של תהליך בחירת המחקרים. תרשים זרימה של זיהוי מחקרים, סינון, הערכת התאמה והכללה, עם מספר הרשומות בכל שלב. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-2
איור 2: תרשים יער (Forest plot) של ביצועים אבחנאיים של מודלים של רדיאומיקה לניבוי פלישה מיקרו-וסקולרית. מוצגים נתוני C-statistics (AUCs) ברמת המחקר ובניתוח מאוחד עם רווחי סמך של 95%, בחלוקה לפי סוג המודל. נעשה שימוש במודלים של השפעות אקראיות, כאשר ההטרוגניות הוערכה באמצעות נתוני I2. אנא לחץ כאן להצגת גרסה מורחבת של איור זה.

טבלה 1: מאפיינים של המחקרים שנכללו. סיכום של עיצוב המחקר, האוכלוסייה, שיטת הדימות, אסטרטגיית הסגמנטציה, סוג המודל וגישת התיקוף. סיומות (a–c) מציינות מספר מודלים או קוהורטות בתוך מחקר בודד. קיצורים: CT = computed tomography; MRI = magnetic resonance imaging. אנא לחצו כאן כדי להוריד טבלה זו.

טבלה 2: ביצועים אבחנתיים של מודלים של רדיומיקה לחיזוי פלישה מיקרו-וסקולרית. דיוק ברמת המחקר, רגישות, סגוליות ונתוני התניה (TP, FP, FN, TN) מוצגים לפי סוג המודל והגדרת התיקוף. הדיוק חושב מחדש במידת הצורך. סופיות (a–c) מציינות מודלים או קוהורטות מרובות בתוך אותו מחקר. אנא לחצו כאן כדי להוריד טבלה זו.

איור משלים 1: ביצועים אבחנתיים של מודלים של רדיאומיקה באמצעות סגמנטציה תלת-ממדית.תרשים יער (Forest plot) המציג את נתוני ה-C-statistics (AUCs) ברמת המחקר ובסיכום משוקלל עבור מחקרים שיישמו גישות של סגמנטציה תלת-ממדית, בחלוקה לפי סוג המודל (רדיאומיקה בלבד לעומת קליניקו-רדיאומיקה). הניתוח בוצע כדי לבחון האם חילוץ מאפיינים נפחיים בתלת-ממד, הלוכד הטרוגניות מרחבית באופן מקיף יותר, מניב הבדלים בביצועים בהשוואה לאומדן המשוקלל הכללי, וכדי להעריך את ההטרוגניות בתוך כל תת-קבוצה. אנא לחץ כאן להורדת קובץ זה.

איור משלים 2: ביצועים אבחנתיים של מודלי רדיאומיקה מבוססי CT. תרשים יער (Forest plot) המציג את נתוני ה-C-statistics (AUCs) ברמת המחקר ובצורה מאוחדת עבור מחקרים שהשתמשו בטומוגרפיה ממוחשבת (CT) כשיטת ההדמיה, בחלוקה לפי סוג המודל (רדיאומיקה בלבד לעומת קליניקו-רדיאומיקה). ניתוח תת-קבוצות זה בוצע כדי להעריך האם מודלי רדיאומיקה מבוססי CT משיגים ביצועים אבחנתיים דומים למודלים מבוססי MRI, וכדי לבחון את ההשפעה של הוספת משתנים קליניים על עקביות הביצועים בתוך מחקרי ה-CT. אנא לחצו כאן להורדת הקובץ.

איור משלים 3: ביצועים אבחנתיים של מודלים רדיומיים מבוססי MRI.תרשים יער (Forest plot) המציג את נתוני ה-C-statistics (AUCs) ברמת המחקר ובניתוח מאוחד עבור מחקרים שהשתמשו בדימות תהודה מגנטית (MRI) כשיטת הדימות, בחלוקה לפי סוג המודל (רדיומיה בלבד לעומת קליניקו-רדיומיה). ניתוח תת-קבוצות זה בוצע כדי להעריך האם הניגודיות העדיפה של רקמות רכות והיכולת הרב-פרמטרית של MRI מתרגמות לביצועי הבחנה גבוהים יותר לחיזוי MVI בהשוואה למודלים מבוססי CT. אנא לחצו כאן להורדת הקובץ.

איור משלים 4: ביצועים אבחנתיים של מודלים שעברו תיקוף חיצוני.תרשים יער (Forest plot) המציג את ה-C-statistics (AUCs) ברמת המחקר ובצורה מאוחדת עבור מודלים שעברו תיקוף חיצוני בקוהורטות בלתי תלויות, בחלוקה לפי סוג המודל (רדיאומיקה בלבד לעומת קליניקו-רדיאומיקה). ניתוח זה בוצע במיוחד כדי להעריך את יכולת ההכללה של מודלים מבוססי רדיאומיקה למאגרי נתונים בלתי תלויים, וכדי לבחון האם חלה ירידה בביצועים כאשר המודלים מוחלים על אוכלוסיות חיצוניות, מה שמהווה אינדיקטור קריטי לישימות קלינית. אנא לחץ כאן כדי להוריד קובץ זה.

טבלה נלווית 1: הערכת איכות של המחקרים שנכללו. תוצאות מפורטות של הערכת האיכות המתודולוגית באמצעות כלי ה-QUADAS-2 עבור כל מחקר שנכלל. הטבלה מציגה דירוגי סיכון להטיה וחששות לגבי ישימות בארבעה תחומים: בחירת מטופלים, הבדיקה הנבדקת (index test), התקן הייחוס (reference standard), וזרימה ותזמון. כל תחום מדורג כ"סיכון נמוך", "סיכון גבוה" או "סיכון לא ברור", כאשר השיפוטים נתמכים בסיבות ספציפיות שהופקו מכל מחקר. דבר זה מאפשר לקוראים להעריך את הדיוק המתודולוגי של מחקרים בודדים ולזהות מקורות פוטנציאליים להטיות שעשויות להשפיע על האומדנים המאוחדים. אנא לחצו כאן להורדת קובץ זה.

קובץ משלים 1: אסטרטגיות לחיפוש במאגרי נתונים. כל אסטרטגיות החיפוש במאגרי הנתונים מאוגדות במסמך זה. אנא לחצו כאן להורדת הקובץ.

קובץ נלווה 2: קוד ניתוח ב-R. הקוד ששימש להרצת ניתוח זה כלול במסמך זה. נא לחץ כאן להורדת קובץ זה.

דיון

סקירה שיטתית ומטא-אנליזה זו של 26 מחקרים מצאה כי מודלים המבוססים על רדיאומיקה מפגינים ביצועים טובים, אך משתנים, לניבוי טרום-ניתוחי של פלישה מיקרו-וסקולרית בקרצינומה של התאים הכבדיים, כאשר רוב הערכות ה-AUC נעות בין כ-0.80 ל-0.90. במחקרים השונים, הדיוק האבחנתי היה בדרך כלל בינוני עד גבוה, כאשר הרגישות והסגוליות עלו בדרך כלל על 70%, אם כי הביצועים לא היו אחידים. מודלים ששילבו משתנים קליניים נטו להפגין אפליה עקבית יותר וסגוליות גבוהה יותר ממודלים המבוססים על רדיאומיקה בלבד. בנוסף, גישות המבוססות על MRI הראו ביצועים גבוהים מעט יותר ממודלים המבוססים על CT. עם זאת, יש לפרש ממצאים אלו בהקשר של הטרוגניות משמעותית בין המחקרים והבדלים במבנה המחקר, בפרוטוקולי ההדמיה ובאסטרטגיות המידול, אשר ככל הנראה תרמו לשונות שנצפתה בביצועים.

מספר מטא-אנליזות קודמות העריכו את השימוש ברדיאומיקה לניבוי MVI ב-HCC. מחקר אחד44 שכלל 13 מחקרים דיווח על AUC משולב של 0.88 עבור רדיאומיקה המבוססת על MRI, כאשר מודלים משולבים הראו ביצועים טובים יותר מגישות המבוססות על רדיאומיקה בלבד (AUC: 0.90 לעומת 0.85). מחקר אחר45 ניתח 26 מחקרים שכללו 3,539 חולים עם HCC בודד ודיווח על AUC משולב של 0.85 (95% CI 0.82–0.88) עבור מודלים רדיאומיים. הסינתזה הנוכחית מרחיבה ממצאים אלו על ידי הדגמת ביצועים גבוהים ועקביים יותר עבור מודלים של קליניקו-רדיאומיקה (AUC 0.87) בהשוואה למודלים של רדיאומיקה בלבד (AUC 0.84), דבר המדגיש את הערך המוסף של שילוב משתנים קליניים. יתרה מכך, הניתוחים הנפרדים לפי שיטת ההדמיה — המראים כי MRI (0.86) מנצח את CT (0.83) — מספקים הערכות מדויקות יותר מעבודות קודמות. מטא-אנליזה נוספת שבוצעה על ידי קבוצה46 כללה מחקרים המבוססים הן על CT והן על MRI, אך התמקדה בעיקר בסיווג סיכונים ולא בהשוואה בין סוגי המודלים. המחקר הנוכחי מרחיב עבודות קודמות על ידי השוואה בין מודלים של רדיאומיקה בלבד למודלים של קליניקו-רדיאומיקה על פני שיטות הדמיה שונות, ובאמצעות הערכה נפרדת של מודלים שעברו תיקוף חיצוני. חידושים תוספתיים אלו מספקים הבנה מורכבת יותר של ביצועי מודלים רדיאומיים ומציעים הנחיה ברורה יותר לפיתוח מודלים עתידיים וליישום קליני.

הביצועים הגבוהים והעקביים יותר שנצפו במודלים המשלבים משתנים קליניים במטא-אנליזה זו עולים בקנה אחד עם הפתופיזיולוגיה הבסיסית של פלישה מיקרו-וסקולרית (microvascular invasion). פלישה מיקרו-וסקולרית מייצגת התפשטות של הגידול אל תוך ענפים קטנים של הווריד הפורטלי בשולי הגידול, ולעיתים קרובות היא מלווה בתסמילי גידול מיקרוסקופיים ובשינויים בפרפוזיה הכבדית המקומית. שינויים אלו בולטים יותר בממשק שבין הגידול לכבד מאשר בליבת הגידול, מה שמסביר מדוע מאפייני דימות המשקפים אזור זה מקושרים שוב ושוב ל-MVI. לדוגמה, הגברה עורקית פרי-טומורלית והיפואינטנסיות בשלב ההפטובליארי נקשרו להפחתה בזרימה של הווריד הפורטלי ולהיפר-פרפוזיה עורקית מפצה הנגרמת מחסימה וסקולרית מיקרוסקופית, בעוד ששולי גידול לא סדירים או לא חלקים משקפים דפוסי צמיחה אינפילטרטיביים החורגים מעבר לגבול הגידול הנראה. דימות כמותי מאפשר אפיון שיטתי של הטקסטורה ועצימות האות בתוך ומסביב לגידול, המשקפים הבדלים בבסיס הצפיפות התאית, הנמק והמבנה המיקרו-וסקולרי.

ממצאים אלו מעידים כי מאפייני דימוג בלבד אינם מספיקים לאפיון מדויק של הסיכון לפלישה מיקרו-וסקולרית (microvascular invasion). במכלול המחקרים שנכללו, מודלים המבוססים על רדיומיקה בלבד הראו הטרוגניות ניכרת וביצועי הבחנה נמוכים מעט בהשוואה למודלים קליניו-רדיומיים. סביר שהדבר משקף את העובדה שהפלישה המיקרו-וסקולרית אינה נקבעת אך ורק על ידי מאפייני דימוג מקומיים, אלא גם על ידי הביולוגיה של הגידול ברמה הסיסטמית. גורמים קליניים כגון רמות גבוהות של alpha-fetoprotein, גודל גידול גדול יותר ותפקוד כבד פגום הם סמנים מוכרים לאגרסיביות של הגידול, והם נמצאו באופן עקבי קשורים לפלישה וסקולרית ולהישנות מוקדמת. גידולים גדולים יותר נוטים יותר לפלוש למערכת כלי הדם המיקרוסקופית הסמוכה, בעוד ש-AFP גבוה קשור לדיפרנציאציה גרועה יותר ולפנוטיפים אגרסיביים יותר. לכן, שילוב משתנים אלו עם מאפייני דימוג מספק מידע משלים, המקשר בין ראיות מקומיות לפלישה מיקרוסקופית לבין אינדיקטורים רחבים יותר להתנהגות הגידול. דבר זה בא לידי ביטוי בניתוח הנוכחי, שבו מודלים קליניו-רדיומיים לא רק השיגו ערכי pooled AUC גבוהים יותר, אלא גם הראו הטרוגניות נמוכה משמעותית, מה שמרמז על יציבות רבה יותר בין הגדרות מחקר שונות.

הבסיס המכניסטי לערך הניבוי של מאפיינים רדיומיים פרי-גידוליים טמון בשינויים הפתופיזיולוגיים הקשורים ל-MVI בממשק שבין הגידול לכבד. פלישה מיקרו-וסקולרית כוללת אמבולי של תאי גידול בתוך ענפי ורידי השער הסמוכים לשולי הגידול, מה שמוביל לחסימה חלקית או מלאה של ורידוני שער קטנים. חסימה זו גורמת להפחתה בזרימה הוורידית של השער אל פרנכימת הכבד הפרי-גידולית, עם היפר-פרפוזיה עורקית מפצה — תופעה המשתקפת בדימות כהגברה עורקית פרי-גידולית או כהטרוגניות בפרפוזיה. בנוסף, תסמימי גידול מיקרוסקופיים מעוררים תגובות דלקתיות מקומיות ומשנים את המיקרו-ארכיטקטורה של הרקמה, דבר שעשוי להיתפס על ידי מאפייני מרקם רדיומיים המשקפים שינויים בצפיפות התאים, בנמק ובצפיפות המיקרו-וסקולרית. מחקרים פתולוגיים הדגימו כי שינויים פרי-גידוליים אלה חורגים מעבר לגבול הגס של הגידול, מה שמספק רציונל ביולוגי לשילוב אזורים פרי-גידוליים עם שוליים רדיאליים משתנים במודלים רדיומיים. הקשר העקבי בין מאפייני דימות פרי-גידוליים לבין MVI במחקרים שנכללו מבוסס, אם כן, על שינויים וסקולריים ומיקרו-סטרוקטורליים אלו, מה שמעניק סבירות ביולוגית לממצאי הדימות הכמותיים.

הביצועים הגבוהים מעט שנצפו במודלים המבוססים על MRI עולים בקנה אחד עם הבדלים ידועים ביכולות ההדמיה. MRI מאפשר הערכה מולטי-פרמטרית, כגון דיפוזיה, פרפוזיה וספיגת ניגוד ספציפית להפטוציטים, הקשורות להבחנה גידולית ולפלישה וסקולרית45. היפואינטנסיות בשלב ההפטוביליארי ושינויים באות מסביב לגידול מזוהים בקלות רבה יותר ב-MRI. מאפיינים אלו משקפים תפקוד לקוי של ההפטוציטים ופרפוזיה משונה הקשורה להתפשטות מיקרוסקופית של הגידול. CT מסתמך בעיקר על דפוסי הגברה של חומר ניגוד, והוא פחות רגיש לשינויים אלו. דבר זה עשוי להסביר את השונות הגדולה יותר שנצפתה במודלים המבוססים על CT.

ראוי לציין כי סקירה זו התמקדה ברדיאומיקה מבוססת CT ו-MRI, כיוון שאלו היו המודליות השולטות בספרות. עם זאת, רדיאומיקה של PET/CT עשויה להציע ערך משלים לחיזוי MVI על ידי אפיון חילוף החומרים של הגידול, היפוקסיה והטרוגניות ביולוגית — מאפיינים שאינם נלכדים על ידי MRI אנטומי או תפקודי לבדו. ראיות מתהוות מצביעות על כך שפרמטרים מטבוליים כגון SUVmax ומאפייני טקסטורה מ-PET עשויים להיות במתאם עם תוקפניות הגידול ופלישה וסקולרית. למרות זאת, בסיס הראיות לרדיאומיקה של PET/CT בחיזוי MVI נותר מוגבל בהשוואה ל-CT ו-MRI, ותחום זה מחייב חקירה נוספת במחקרים עתידיים. לממצאים אלו יש השלכות על הפרקטיקה הקלינית, במיוחד בהערכה הפרה-אופרטיבית של קרצינומה של התאי הכבדיים. זיהוי פרה-אופרטיבי של פלישה מיקרו-וסקולרית נותר קשה ומשפיע על הבחירה בין כריתה, השתלה או טיפול לוקו-רגיונלי. מודלים של דימות כמותי המשלבים משתנים קליניים עשויים לשפר את סיווג הסיכונים מעבר לדימות שגרתי וסממנים בנסיוב. סיכון חזוי גבוה עשוי לתמוך בשוליים רחבים יותר או במעקב פוסט-אופרטיבי צמידי יותר בחולים הנשקלים לכריתה. באופן דומה, סיווג סיכונים משופר עשוי לסייע בהחלטות על בחירה והכללה ברשימות המתנה, במיוחד במקרים גבוליים של מועמדים להשתלה.

חשוב לציין כי אף שביצועים מבחינים (AUC) היוו את המוקד העיקרי של מטא-אנליזה זו, כיול ותועלת קלינית חיוניים באותה מידה ליישום בעולם האמיתי. מדדי כיול — כגון מבחן Hosmer-Lemeshow וגרפי כיול — מעריכים את ההתאמה בין סיכונים חזויים לסיכונים נצפים והם קריטיים לקבלת החלטות קליניות מושכלות. ניתוח עקומת החלטה (Decision curve analysis) מעריך את התועלת נטו של שימוש במודל על פני ספי סיכון שונים, דבר הרלוונטי ישירות לפרקטיקה הקלינית. עם זאת, מבין המחקרים שנכללו, רק מיעוט דיווח על מדדי כיול או ניתוח עקומת החלטה, מה שמהווה פער ידע משמעותי. מחקרים עתידיים צריכים לתת עדיפות לדיווח על מדדים אלו כדי להקל על התרגום לקליניקה ולהבטיח שתחזיות המודל יהיו הן מדויקות והן ישימות.

למרות הביצועים המבטיחים שנצפו, מודלים אלו עדיין אינם מוכנים לשימוש קליני שגרתי. מרבית המחקרים היו רטרוספקטיביים ונערכו במרכזים בודדים, עם שונות ניכרת בפרוטוקולי ההדמיה, בשיטות הסגמנטציה ובפיתוח המודלים. תיקוף חיצוני היה מוגבל, וכאשר בוצע, קהלי התיקוף היו לרוב קטנים או נגזרו מאוכלוסיות דומות. מחקרים מעטים העריכו כיול, תועלת קלינית או את ההשפעה של השימוש במודל על החלטות טיפוליות. מגבלות אלו הן משמעותיות בפרקטיקה, שבה החלטות בנוגע לשוליים של כריתה, התאמה להשתלה ועצימות המעקב דורשות הערכות סיכון מהימנות וניתנות להכללה. בנוסף, שונות ברכישת התמונות ובעיבודן בין מרכזים שונים עשויה להשפיע על ביצועי המודל ועל השחזוריות שלו, מה שמגביל עוד יותר את המעבר לטיפול שגרתי. נכון לעכשיו, יש להתייחס למודלים אלו כתוספת להערכה קלינית והדמייתית מבוססת ולא ככלים עצמאיים. עבודות עתידיות צריכות להתמקד בתיקוף פרוספקטיבי רב-מרכזי, בסטנדרטיזציה של שיטות ההדמיה והניתוח, ובהערכה של התועלת הקלינית, כולל השאלה האם שימוש במודלים אלו משפר את קבלת ההחלטות ואת תוצאות המטופלים.

למחקר זה מספר מגבלות. ראשית, ההתפלגות הגיאוגרפית הייתה מוטה מאוד, כאשר 23 מתוך 26 מחקרים (88.5%) נערכו בסין ורק 3 מאזורים אירופיים, דבר המגביל באופן משמעותי את היכולת להכליל את הממצאים על אוכלוסיות HCC גלובליות בהינתן ההבדלים האטיולוגיים בין HCC מזרחי (הקשור לדלקת כבד נגיפית) למערבי (הקשור למטבוליזם), ולא ניתן היה לבצע ניתוח תתי-קבוצות פורמלי לפי אזור באופן מהימן מכיוון שתת-הקבוצה המערבית לא עמדה בגודל המדגם המינימלי הנדרש (≥10 מחקרים). שנית, נתונים מלאים של טבלת שכיחות (contingency data) של 2 × 2 לא היו זמינים עבור מספר מחקרים, והגדרות הסף השתנו באופן משמעותי; לכן, הסינתזה הכמותית העיקרית התמקדה ב-AUC ולא במדדי דיוק אבחנתיים משולבים התלויים בסף (כפי שמוצג בתקציר), שכן מטא-אנליזה מקיפה של מדדים אלו על פני כל 26 המחקרים שנכללו לא הייתה ישימה. זאת משום שמספר מחקרים השמיטו טבלאות שכיחות מלאות, וחשוב מכך, הייתה הטרוגניות משמעותית בהגדרות הסף בין המחקרים, מה שהפך כל איחוד לא מתוקנן של מדדים אלו לבלתי מהימן מבחינה מתודולוגית ללא התחשבות בהשפעות הסף. שלישית, לא ניתן היה לבצע ניתוחי תתי-קבוצות נוספים בשכבות של קוטר הגידול, סוג חומר הניגוד, רוחב השוליים הפרי-טומורליים או סוג המסווג (classifier) בשל דיווחים לא עקביים וגדלי מדגם לא מספיקים בין תתי-הקבוצות (רק 1–3 מחקרים לכל סוג מסווג), מה שהגביל את היכולת לבחון את מקורות ההטרוגניות המשמעותית בין המחקרים (I2= 77%). רביעית, המחברים לא יכלו לבחון כמותית את הקשר בין האיכות המתודולוגית לביצועי המודל באמצעות מטא-רגרסיה, כיוון שציוני METRICS לא היו זמינים בפורמט מתאים עבור כל המחקרים, הקצאת קטגוריית סיכום בודדת של QUADAS-2 היא סובייקטיבית מטבעה, ומטא-רגרסיה עם 26 מחקרים בלבד ומספר משתנים מסביבים (covariates) הייתה חסרת עוצמה ונוטה להתאמת יתר (overfitting). חמישית, מרבית המחקרים שנכללו היו מחקרים רטרוספקטיביים של מרכז בודד עם גדלי מדגם קטנים יחסית, ותיקוף חיצוני דווח רק ב-9 מתוך 26 מחקרים, כאשר מרבית קבוצות התיקוף נגזרו מהגדרות מוסדיות דומות, דבר המגביל את יכולת ההכללה. שונות בפרוטוקולי ההדמיה, בתהליכי חילוץ המאפיינים (feature extraction pipelines) ובגישות לפיתוח המודלים עשויה להשפיע עוד יותר על השחזור. שישית, הדיווח על הביצועים האבחנתיים היה לא עקבי, כאשר חלק מהמחקרים השמיטו נתוני שכיחות מלאים, רווחי סמך עבור AUC, מדדי כיול או ניתוח עקומות החלטה (decision curve analysis) — כולם חיוניים להערכת הישימות בעולם האמיתי — דבר המייצג פער ידע משמעותי. למרות מגבלות אלו, הכיוון העקבי של האפקט בכל המחקרים שנכללו, כאשר מודלים מבוססי רדיאומיקה הפגינו ביצועים אבחנתיים טובים (pooled AUC 0.85, 95% CI 0.82–0.88), תומך בחסונו של הממצאים העיקריים; הביצועים הגבוהים והעקביים יותר של מודלים קליניקו-רדיאומיים בהשוואה למודלים של רדיאומיקה בלבד, יחד עם ה-pooled AUC הגבוה יותר שנצפה למודלים מבוססי MRI לעומת מודלים מבוססי CT, מספקים תובנות בעלות משמעות קלינית להנחיית פיתוח מודלים עתידיים. עם זאת, מגבלות אלו מדגישות את הצורך במחקרי תיקוף פרוספקטיביים ורב-מרכזיים עם פרוטוקולי הדמיה סטנדרטיים, דיווח מלא של מדדי ביצועים אבחנתיים והערכה שיטתית של כיול ותועלת קלינית לפני שניתן יהיה לתרגם מודלים אלו לפרקטיקה קלינית שגרתית.

גילויים

למחברים אין ניגודי עניינים. נעשה שימוש בכלים מבוססי בינה מלאכותית במהלך תיקון ההגהה לצורך עריכת שפה, בדיקת עקביות ועיצוב דמויות. לא הופקו נתונים חדשים מהמחקר, וכל ההחלטות המדעיות, התיקונים והתוכן הסופי נבחנו ואושרו על ידי המחברים, הנושאים באחריות מלאה למאמר.

תודות

מחקר זה נתמך על ידי תוכנית המצוינות של מחלקת המחקר בבייג'ינג (BRWEP; מספר BRWEP2024W032240102). 

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
ספריית קוקרייןWileyhttps://www.cochranelibrary.com/
ספר קוקרייןWileyhttps://www.cochranelibrary.com/
אמבייסאלסווירhttps://www.embase.com/
Embaseאלסווירhttps://www.embase.com/
meta חבילת Rקראןhttps://cran.r-project.org/package=meta
meta חבילת Rקראןhttps://cran.r-project.org/package=meta
חבילת R metaforCRANhttps://cran.r-project.org/package=metafor
חבילת metafor של Rקראןhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
תבנית דיאגרמת זרימה PRISMA 2020קבוצת PRISMAhttp://www.prisma-statement.org/
Mplus (אם נעשה שימוש)סטטמודלhttps://www.statmodel.com/
פאבמד (מדליין)הספרייה הלאומית לרפואהhttps://pubmed.ncbi.nlm.nih.gov/
תבנית דיאגרמת זרימה PRISMA 2020קבוצת PRISMAhttp://www.prisma-statement.org/
כלי QUADAS-2קוקראןhttps://www.quadas.org/
פאבמד (מדליין)הספרייה הלאומית לרפואהhttps://pubmed.ncbi.nlm.nih.gov/
R תוכנה (גרסה 4.4.1)הקרן לרישום סטטיסטי, ריווןhttps://www.r-project.org/
כלי QUADAS-2קוקרןhttps://www.quadas.org/
רייאןמכון מחקר מחשוב קטרhttps://www.rayyan.ai/
R תוכנה (גרסה 4.4.1)הקרן לרישום סטטיסטיhttps://www.r-project.org/
Web of Scienceקלאריווייטhttps://www.webofscience.com/
רייאןמכון מחקר לחישוביות של קטארhttps://www.rayyan.ai/
Web of Scienceקלאריוויטhttps://www.webofscience.com/

מקורות

  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.

הדפסות חוזרות והרשאות

תגיות

מודלים של רדיאומיקהחיזוי טרום-ניתוחיהטרוגניות של גידולביצועים אבחנתייםרדיאומיקה של CTרדיאומיקה של MRIמודלים של קליניקו-רדיאומיקה
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.