연구 논문

간세포암의 미세혈관 침범 예측을 위한 종양 내 및 종양 주변 특징: 체계적 문헌고찰 및 메타분석

0 조회수

⸱

DOI:

10.3791/72288

⸱

2026년 9월 25일

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

이 논문에서

요약

본 체계적 문헌고찰 및 메타분석에서는 간세포암의 미세혈관 침범에 대한 수술 전 예측을 위한 라디오믹스 기반 모델의 진단 성능을 평가합니다.

초록

본 체계적 문헌고찰 및 메타분석에서는 간세포암(HCC)의 미세혈관 침범(MVI)을 예측하기 위한 라디오믹스 기반 모델의 진단 성능을 평가하였습니다. MVI는 HCC 예후의 핵심 결정 요인이며, 근치적 치료 후 조기 재발 및 생존율 감소와 밀접한 관련이 있습니다. 기존의 임상 및 영상 특징만을 이용한 MVI의 정확한 수술 전 예측은 여전히 어려운 과제로 남아 있습니다. 라디오믹스는 의료 영상에서 종양의 이질성을 정량적으로 분석할 수 있게 함으로써 유망한 접근 방식으로 부상했습니다. 본 연구의 목적은 HCC에서 MVI를 예측하는 라디오믹스 기반 모델의 진단 성능을 체계적으로 평가하는 것이었습니다. CT 및 MRI 기반 라디오믹스 모델을 평가한 26편의 연구를 포함하여 체계적 문헌고찰 및 메타분석을 수행하였습니다. 진단 성능 데이터를 추출하였으며, 영상 양상 및 모델 유형별 하위 그룹 분석을 포함하여 랜덤 효과 모델을 이용한 통합 분석을 실시하였습니다. 전반적으로 라디오믹스 모델은 통합 AUC 0.85 (95% CI 0.82–0.88)로 우수한 진단 성능을 보였습니다. 임상-라디오믹스 결합 모델은 라디오믹스 단독 모델보다 더 높고 일관된 성능을 나타냈습니다 (MRI: 0.87 vs 0.85; CT: 0.87 vs 0.81). 3D 기반 모델의 통합 AUC는 0.85 (95% CI 0.82–0.88)였습니다. 결론적으로, 라디오믹스 기반 모델은 특히 임상 변수와 결합되었을 때 HCC의 MVI 수술 전 예측에 있어 유망한 성능을 보여줍니다. 그러나 상당한 이질성과 제한적인 외부 검증 결과는 임상 적용에 앞서 방법론적 표준화와 전향적 다기관 검증이 필요함을 시사합니다.

서론

간세포암(HCC)은 전 세계적으로 가장 흔한 악성 종양 중 하나이며 암 관련 사망의 주요 원인으로 남아 있습니다1. 미세혈관 침범(MVI)은 공격적인 종양 행동과 관련된 핵심적인 병리학적 특징이며, 간 절제술 또는 이식 후 조기 재발 및 전체 생존율 감소와 일관되게 연관되어 있습니다2,3,4. 하지만 미세혈관 침범은 절제되거나 적출된 검체의 조직병리학적 검사를 통해서만 확진할 수 있기 때문에 수술 전 식별에 어려움이 있습니다. 결과적으로, MVI 상태에 대한 직접적인 정보 없이 치료 결정이 내려지는 경우가 많습니다. 현재 임상에서는 종양 크기, 혈청 알파-태아단백(alpha-fetoprotein) 수치5, 위성 결절의 존재, 그리고 불규칙한 종양 경계, 종양 주변 조영 증강, 피막 부재와 같은 정성적 영상 특징을 포함한 간접 지표들이 MVI 가능성을 추정하는 데 널리 주로 사용됩니다6.

이러한 요인들은 집단 수준에서 MVI와 관련이 있으며 임상적 의사결정에 반영되지만, 개별 환자 수준에서의 예측 정확도는 여전히 낮습니다7,8. 예를 들어, 혈청 alpha-fetoprotein은 일부 환자군에서만 상승하며 특이도가 부족한 반면, 영상 특징은 관찰자 간 변동성이 있으며 획득 프로토콜과 판독자의 숙련도에 따라 달라집니다9,10. 또한, 전통적인 영상 평가는 주로 정성적이며, 종양 구조의 공간적 이질성이나 미세 혈관 침범과 관련된 종양-간 경계면의 미세한 미세환경 변화를 포착하지 못합니다11. 이러한 한계는 현재의 수술 전 위험 평가의 신뢰도를 떨어뜨리며, 더 강력하고 정량적인 접근 방식의 필요성을 강조합니다. 영상 유래 특징의 고처리량 추출을 가능하게 하는 라디오믹스(Radiomics)는 기저 종양 생물학을 반영할 수 있는 종양 내 및 종양 주변의 이질성을 포착하는 수단을 제공합니다12,13. 종양 주변 동맥 강화, 불규칙한 경계, 간담도기 저신호강도와 같은 특징들은 MVI와 관련이 있으며, 이는 영상 기반 정량 모델의 잠재적 역할을 뒷받침합니다14.

그러나 보고된 진단 성능은 영상 양식, 획득 프로토콜, 분할 방법 및 모델 개발 접근 방식의 차이로 인해 부분적으로 일관성이 없었습니다. 또한, 대부분의 연구가 후향적이며 단일 센터 환경에서 수행되었고, 독립적인 외부 검증을 포함한 연구는 상대적으로 적습니다. 따라서 본 체계적 문헌고찰은 간세포암의 미세혈관 침범에 대한 수술 전 예측을 위해 MRI 및 CT 기반 모델을 포함한 라디오믹스 기반 모델의 진단 정확도를 평가하는 것을 목표로 하며, 영상 접근 방식과 모델 개발의 이질성을 고려하여 영상 양식, 분할 전략 및 모델 유형에 따라 데이터를 구분하여 제시하고자 합니다.

프로토콜

검색 전략

2015년 1월부터 2026년 4월까지 PubMed (MEDLINE), Embase, Web of Science 및 Cochrane Library를 포함한 4가지 데이터 소스를 검색하였다. 검색 전략은 불리언 연산자를 사용하여 세 가지 개념적 블록을 조합하여 개발하였다: 질환 관련 용어(hepatocellular carcinoma, HCC, liver cancer, hepatic carcinoma), 방법론 관련 용어(radiomics, radiomic, texture analysis, quantitative imaging, imaging biomarker), 그리고 결과 관련 용어(microvascular invasion, MVI, vascular invasion, microscopic vascular invasion)이다. PubMed 검색식은 다음과 같다: (("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]).

연구 선택

검색된 모든 레코드는 중복 제거 및 스크리닝을 위해 웹 기반 체계적 문헌고찰 플랫폼인 Rayyan(카타르 컴퓨팅 연구소)으로 가져왔습니다. 두 명의 독립적인 검토자가 사전 정의된 선정 기준에 따라 모든 제목과 초록을 스크리닝했습니다. 그 후 전체 텍스트 논문을 확보하여 동일한 두 명의 검토자가 최종 포함 여부를 독립적으로 평가했습니다. 최소 하나 이상의 사전 지정된 정량적 합성 분석에 기여할 수 있을 만큼 충분한 진단 성능 데이터를 보고한 연구를 선정 대상으로 하였습니다. 가능한 경우, 2차 진단 정확도 분석을 위해 진양성, 진음성, 위양성 및 위음성 데이터를 추출했습니다. 스크리닝의 모든 단계에서 발생한 의견 불일치는 논의를 통해 해결하였으며, 합의에 도달하지 못한 경우에는 제3의 선임 검토자가 중재하였습니다. 연구 선정 과정은 PRISMA 흐름도(그림 1)에 요약되어 있습니다. 본 연구에 사용된 모든 도구와 플랫폼은 재료 표에 나열되어 있습니다.

데이터 추출

두 명의 검토자가 표준화되고 사전 테스트를 거친 데이터 추출 양식을 사용하여 포함된 모든 연구에서 독립적으로 데이터를 추출했습니다. 추출 항목에는 연구 특성(제1저자, 출판 연도, 국가, 연구 설계, 모집 기간 및 기관 유형), 환자 특성(표본 크기, 평균 또는 중앙값 연령, 성별 분포, MVI 유병률, 간 질환의 원인 및 종양 특성), 영상 특성(양상, 스캐너 유형, 조영제 및 영상 단계), 라디오믹스 방법론(분할 영역 유형, 해당되는 경우 종양 주변 여백 너비, ROI 획정 방법, 분할 차원), 모델 특성(분류기 유형 및 검증 전략), 그리고 진단 성능 지표(수신자 조작 특성 곡선 아래 면적 [AUC], 민감도, 특이도, 양성 가능도 비, 음성 가능도 비 및 진단 오즈비)가 포함되었습니다. 연구에서 여러 개의 적격 모델이나 코호트를 보고한 경우, 사전에 지정된 정량적 분석에 사용된 해당 모델 수준 또는 코호트 수준의 추정치를 추출했습니다. 이러한 추정치를 구분하기 위해 표 1과 2에 접미사(a-d)를 사용했습니다. 데이터 추출 과정에서 검토자 간의 불일치는 합의를 통해 해결했습니다.

품질 평가

포함된 연구들의 방법론적 품질은 두 가지 상호 보완적인 도구를 사용하여 평가되었습니다. 바이어스 위험 및 적용 가능성 문제는 Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) 도구15를 사용하여 평가되었습니다. 라디오믹스 특화 방법론적 품질은 Methodological Radiomics Score (METRICS)16를 사용하여 평가되었습니다. 품질 평가는 두 명의 검토자가 독립적으로 수행하였으며, 의견 불일치는 합의를 통해 해결하였습니다. 결과는 서술적으로 제시되었으며, 도메인 수준의 요약 표를 사용하여 그래픽으로 나타내었습니다.

통계 분석

판별 성능은 C 통계량(수신자 조작 특성 곡선 아래 면적 [AUC])을 사용하여 요약하였다. 연구 간 변동성을 고려하기 위해 제한 최대 우도법(restricted maximum likelihood method)을 사용하여 AUC 값의 랜덤 효과 메타 분석을 수행하였다. 표준 오차가 직접 보고되지 않은 경우, 발표된 95% 신뢰 구간으로부터 유도하였으며, 분산 추정치가 없는 연구의 경우 양성 및 음성 사례 수를 기반으로 한 Hanley 및 McNeil 방법을 사용하여 표준 오차를 근사하였다17. 분산을 안정화하기 위해 메타 분석 전 AUC 값을 로짓 변환(logit-transformed)하였으며, 해석을 위해 다시 역변환하였다. 통합 추정치는 해당 95% 신뢰 구간과 함께 제시되었다. 연구 간 이질성은 I2 통계량을 사용하여 평가하였으며, 25%, 50%, 75%의 값은 각각 낮은, 중간 및 높은 이질성을 나타낸다. 연구들은 종양 단독 모델 또는 종양과 종양 주변 영역을 모두 포함하는 모델로 기술적으로 분류되었다. 종양 주변 영역 단독 정량적 하위 그룹 분석은 해당 범주의 표본 수가 충분하지 않아 수행하지 않았다. 추가 하위 그룹 분석은 영상 방식(CT 대 MRI) 및 분할 차원(2D 대 3D)에 따라 수행되었다. 일반화 가능성을 평가하기 위해 외부 검증된 모델로 제한하여 추가 분석을 수행하였다. 모든 통계 분석은 R 소프트웨어(version 4.4.1)를 사용하여 수행되었다. 사용된 R 패키지는 다음과 같다: meta (version 7.0-1) 및 metafor (version 4.6-0)를 메타 분석에,  dmetar (version 0.1.0)를 보조 기능에 사용하였다. 통합 AUC는 제한 최대 우도 추정량을 사용하는  metagen 함수를 사용하여 계산하였다. 모델 설정에는 신뢰 구간을 위한 Knapp-Hartung 보정이 포함되었다. 분석 코드는 Supplementary File 2로 제공된다. 모든 검정에서 양측 p-값이 0.05 미만인 경우를 통계적으로 유의한 것으로 간주하였다.

결과

문헌 검색을 통해 368개의 기록이 식별되었으며, 그 중 89개는 중복된 기록이었다. 중복 제거 후 279개의 기록을 선별하였으며, 26개의 연구가 선정 기준을 충족하였다(그림 1). 수동 검색을 통해 추가로 식별된 연구는 없었다.

연구 특성

포함된 26편의 연구18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43는 대부분 후향적 연구(26편 중 25편)였으며, 전향적 연구는 1편이었다. 대부분의 연구는 중국(23편)에서 수행되었고, 나머지는 유럽에서 진행되었다. 표본 크기는 연구마다 상당히 차이가 있었으며, 훈련 코호트는 66~461명의 환자, 검증 코호트는 25~283명의 환자로 구성되었다. 9편의 연구에서 외부 검증을 수행한 반면, 대다수(17편)는 내부 검증에만 의존했다. 영상 진단법으로는 자기공명영상(MRI)이 가장 많이 사용되었으며(17편), 컴퓨터단층촬영(CT)이 그 뒤를 이었다(10편). 한 연구에서는 CT와 MRI를 모두 통합하여 사용했다. 대부분의 연구는 3차원 분할 접근법을 적용했으나(22편), 2편의 연구에서는 명시적으로 2차원 분할을 사용했다. 나머지 2편의 연구(문헌 18 및 30)는 분할 차원을 명확하게 명시하지 않았거나 확신할 수 없을 정도로 혼합된 접근법을 사용했기 때문에, 분할 기반 하위 그룹 분석에서는 제외되었으나 전체 통합 분석에는 포함되었다. 분할 전략은 연구마다 다양했다. 16편의 연구에서는 종양 영역만 분석한 반면, 10편의 연구에서는 일반적으로 고정된 방사형 마진을 사용하여 정의한 종양 및 종양 주변 영역을 모두 포함했다. 종양 주변 정보를 포함한 연구는 최근 연도에 더 빈번하게 수행되었다. 포함된 연구 전체에서 총 26개의 예측 모델이 확인되었다. 대부분의 연구(26편 중 15편)는 라디오믹스 특징과 임상 변수를 통합한 임상-라디오믹스(clinicoradiomics) 모델을 개발했으며, 11편의 연구는 라디오믹스 단독 접근법을 사용했다(표 1). 포함된 연구들의 보고된 정확도, 민감도, 특이도 및 이에 해당하는 분할표 데이터(TP, FP, FN, TN)는 표 2에 요약되어 있다.

모델 판별

포함된 모든 연구에서 라디오믹스 기반 모델은 미세혈관 침범 예측에 대해 우수한 판별 성능을 보였다. 랜덤 효과 모델의 통합 C-통계량(AUC)은 0.85(95% CI 0.82–0.88)였으며, 연구 간 이질성은 상당했다(I2 = 77%) (그림 2). 모델 유형별로 층화 분석했을 때, 임상-라디오믹스 모델은 라디오믹스 단독 모델에 비해 더 높고 일관된 판별 성능을 나타냈다. 라디오믹스 단독 모델의 통합 AUC는 0.84(95% CI 0.78–0.88)였으며, 상당한 이질성을 보였다(I2 = 80%) (그림 2). 반면, 라디오믹스와 임상 변수를 모두 통합한 모델은 더 높은 통합 AUC인 0.87(95% CI 0.85–0.89)을 달성했으며, 이질성이 현저히 낮게 나타났다(I2 = 23%) (그림 2).

3D 분할(3D segmentation)을 이용한 연구들 중에서부록 그림 1), 통합 AUC는 0.85(95% CI 0.82–0.88)였으며, 상당한 이질성을 보였다(I2 = 77.8%). 하위 그룹 분석에서, 라디오믹스 단독 모델은 0.83의 통합 AUC(95% CI 0.78–0.88; I2 = 80.7%)인 반면, 임상-라디오믹스(clinicoradiomics) 모델은 더 높고 일관된 성능을 보였다 (AUC 0.87, 95% CI 0.85–0.89; I2 = 15.1%). CT 기반 연구에서 (부록 그림 2), 통합 AUC는 0.83(95% CI 0.76–0.88)이었으나, 이질성은 높았다(I2 = 88.6%). 라디오믹스 단독 모델들 간에는 성능의 차이가 상당히 큰 것으로 나타났다 (AUC 0.81, 95% CI 0.70–0.89; I2 = 85.1%)였던 반면, 임상 변수를 포함한 모델들은 성능이 더 높았으며 특히 더 일관된 결과를 보였다 (AUC 0.87, 95% CI 0.83–0.90; I2 = 4.0%). MRI 기반 연구에서 (보충 그림 3), 전반적인 판별력은 통합 AUC 0.86 (95% CI 0.83–0.89)으로 약간 더 높았으며, 중간 정도의 이질성 (I2 = 57.6%). 이와 유사한 패턴이 관찰되었으며, 클리니코라디오믹스(clinicoradiomics) 모델은 약간 더 우수한 성능과 감소된 변동성을 보였다 (AUC 0.87, 95% CI 0.84–0.90; I2 = 33.4%)는 라디오믹스 단독 접근 방식(AUC 0.85, 95% CI 0.79–0.89; I2 = 61.7%).

외부 검증 성능

외부 검증 모델(n=9) 중 전반적인 판별 성능은 높게 유지되었다. 통합 AUC는 0.87 (95% CI 0.82–0.91)이었으며, 중간 정도의 이질성을 보였다(I2 = 66%) (부록 그림 4). 외부 검증 코호트 내의 하위 그룹 분석 결과, 모델 유형 간의 통합 성능은 비슷했으나 정밀도에서는 차이가 나타났다. 라디오믹스 단독 모델의 통합 AUC는 0.87 (95% CI 0.78–0.93)이었으며, 임상-라디오믹스 모델의 통합 AUC는 0.87 (95% CI 0.83–0.91)이었다.

품질 평가

전반적인 방법론적 품질은 보통 수준이었다. 기준 표준 및 흐름 영역은 일관되게 낮은 위험도를 보였으며, 모든 연구에서 조직병리학적 검사와 적절한 영상-수술 간격을 사용하였다. 편향의 주요 원인은 지표 검사 영역이었으며, 이는 고차원 라디오믹스 또는 딥러닝 모델, 모델링 전략의 사전 정의 부족, 그리고 재현성 보고의 불일치를 반영하였다. 환자 선택은 일반적으로 낮은 위험도였으나, 소규모 단일 센터 후향적 코호트에서는 우려 사항이 더 많았다 (부록 표 1). 라디오믹스 특화 평가에서는 방법론적 엄격함이 가변적인 것으로 나타났다 (부록 표 1). 영상 프로토콜과 분할(segmentation)은 일반적으로 보고되었으나, 재현성 테스트와 외부 검증은 덜 일반적이었다. 보다 최근의 다기관 연구들은 개선된 설계 및 검증 관행을 보여주었으나, 방법 간의 이질성은 여전히 상당했다.

데이터 가용성:

본 체계적 문헌고찰 및 메타분석 과정에서 생성되거나 분석된 모든 데이터는 본 논문 및 보충 정보 파일에 포함되어 있습니다. 데이터베이스 검색 전략은  보충 파일 1에 제공되었으며, R 분석 코드는 보충 파일 2에 수록되어 있습니다. 풀링(pooling)에 사용된 추출된 연구 수준 데이터는 표 1과 2에 모두 제시되어 있으며, 상세한 품질 평가 결과는 보충 표 1에 기재되어 있습니다. 결과의 재현을 위해 이 외에 추가로 필요한 원시 데이터 파일은 없습니다.

figure-results-1
그림 1: 연구 선정 과정의 흐름도. 각 단계별 레코드 수를 포함한 연구 식별, 스크리닝, 적격성 평가 및 포함 과정의 흐름도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-2
그림 2: 미세혈관 침범 예측을 위한 라디오믹스 모델의 진단 성능 포레스트 플롯.모델 유형별로 층화된 연구 수준 및 통합 C-통계량(AUC)과 95% 신뢰구간이 표시되어 있다. 랜덤 효과 모델이 사용되었으며, 이질성은 I2 통계량을 사용하여 평가되었다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

표 1: 포함된 연구들의 특성. 연구 설계, 대상 집단, 영상 기법, 분할 전략, 모델 유형 및 검증 방법의 요약. 접미사(a–c)는 단일 연구 내의 다중 모델 또는 코호트를 나타냄. 약어: CT = 컴퓨터 단층촬영; MRI = 자기공명영상. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: 미세혈관 침범 예측을 위한 라디오믹스 모델의 진단 성능. 모델 유형 및 검증 설정에 따른 연구 수준의 정확도, 민감도, 특이도 및 분할표 데이터(TP, FP, FN, TN)를 나타냅니다. 필요한 경우 정확도를 재계산하였습니다. 접미사(a–c)는 동일 연구 내의 여러 모델 또는 코호트를 나타냅니다. 여기를 클릭하여 이 표를 다운로드하십시오.

보충 그림 1: 3D 분할을 이용한 라디오믹스 모델의 진단 성능. 3D 분할 접근법을 적용한 연구들에 대해 모델 유형(라디오믹스 단독 vs. 임상-라디오믹스)별로 층화하여 연구 수준 및 통합 C-통계량(AUC)을 나타낸 포레스트 플롯이다. 공간적 이질성을 더 포괄적으로 포착하는 3D 체적 특징 추출이 전체 통합 추정치와 비교하여 성능 차이를 나타내는지 평가하고, 각 하위 그룹 내의 이질성을 평가하기 위해 분석을 수행하였다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 2: CT 기반 라디오믹스 모델의 진단 성능. 영상 모달리티로 컴퓨터 단층촬영(CT)을 사용한 연구들에 대하여 모델 유형(라디오믹스 단독 vs. 임상-라디오믹스 결합)별로 층화하여 분석한 연구 수준 및 통합 C-통계량(AUC)을 나타내는 포레스트 플롯이다. 본 하위 그룹 분석은 CT 기반 라디오믹스 모델이 MRI 기반 모델과 유사한 진단 성능을 달성하는지 평가하고, CT 연구 내에서 임상 변수의 추가가 성능 일관성에 미치는 영향을 분석하기 위해 수행되었다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 3: MRI 기반 라디오믹스 모델의 진단 성능. 영상 양식으로 자기공명영상(MRI)을 사용한 연구들에 대해 모델 유형(라디오믹스 전용 vs. 임상-라디오믹스)별로 층화하여 연구 수준 및 통합 C-통계량(AUC)을 나타낸 포레스트 플롯이다. 본 하위 그룹 분석은 MRI의 우수한 연부 조직 대조도 및 다매개변수 능력이 CT 기반 모델과 비교하여 MVI 예측에 있어 더 높은 판별 성능으로 이어지는지 평가하기 위해 수행되었다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 4: 외부 검증 모델의 진단 성능. 독립적 코호트에서 외부 검증을 거친 모델의 연구 수준 및 통합 C-통계량(AUC)을 모델 유형(라디오믹스 전용 vs. 임상-라디오믹스)별로 층화하여 나타낸 포레스트 도표입니다. 이 분석은 라디오믹스 기반 모델의 독립적 데이터셋에 대한 일반화 가능성을 평가하고, 모델을 외부 인구 집단에 적용했을 때 성능 저하가 발생하는지 확인하기 위해 특별히 수행되었으며, 이는 임상 적용 가능성을 판단하는 결정적인 지표입니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 1: 포함된 연구의 품질 평가. 포함된 각 연구에 대해 QUADAS-2 도구를 사용하여 수행한 방법론적 품질 평가의 상세 결과입니다. 이 표는 환자 선정, 지표 검사, 표준 참조 검사, 흐름 및 타이밍의 4가지 영역에 걸친 편향 위험 및 적용 가능성 우려 등급을 보여줍니다. 각 영역은 "낮은 위험", "높은 위험" 또는 "불분명한 위험"으로 평가되며, 각 연구에서 추출한 구체적인 근거를 바탕으로 판단하였습니다. 이를 통해 독자는 개별 연구의 방법론적 엄밀성을 평가하고, 통합 추정치에 영향을 미칠 수 있는 잠재적인 편향 요인을 식별할 수 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 1: 데이터베이스 검색 전략. 모든 데이터베이스 검색 전략이 이 문서에 통합되어 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2: R 분석 코드. 본 분석을 실행하는 데 사용된 코드가 이 문서에 포함되어 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

26건의 연구를 대상으로 한 이번 체계적 문헌고찰 및 메타분석 결과, 라디오믹스 기반 모델은 간세포암의 미세혈관 침범에 대한 수술 전 예측에서 양호하지만 가변적인 성능을 보였으며, 대부분의 AUC 추정치는 약 0.80에서 0.90 사이로 나타났습니다. 연구 전반에 걸쳐 진단 정확도는 일반적으로 중간에서 높은 수준이었으며, 민감도와 특이도는 통상적으로 70%를 초과했으나 성능이 균일하지는 않았습니다. 임상 변수를 통합한 모델은 라디오믹스 단독 모델보다 더 일관된 판별력과 더 높은 특이도를 보이는 경향이 있었습니다. 또한, MRI 기반 접근 방식이 CT 기반 모델보다 약간 더 높은 성능을 보였습니다. 다만, 이러한 결과는 연구 간의 상당한 이질성과 연구 설계, 영상 프로토콜 및 모델링 전략의 차이를 고려하여 해석해야 하며, 이러한 요인들이 관찰된 성능 편차의 원인이 된 것으로 보입니다.

여러 이전 메타 분석에서 HCC의 MVI 예측을 위한 라디오믹스를 평가했습니다. 한 연구44에서는 13개의 연구를 포함하여 MRI 기반 라디오믹스의 통합 AUC가 0.88임을 보고했으며, 결합 모델이 라디오믹스 단독 접근 방식보다 우수한 성능을 보였습니다(AUC: 0.90 vs 0.85). 또 다른 연구45에서는 단일 HCC 환자 3,539명이 포함된 26개의 연구를 분석하여 라디오믹스 모델의 통합 AUC가 0.85(95% CI 0.82–0.88)임을 보고했습니다. 본 종합 분석은 라디오믹스 단독 모델(AUC 0.84)에 비해 임상-라디오믹스 모델(AUC 0.87)이 더 높고 일관된 성능을 보임을 입증함으로써 이러한 결과들을 확장하며, 임상 변수 통합의 증분 가치를 강조합니다. 나아가, 영상 양상별 개별 분석을 통해 MRI(0.86)가 CT(0.83)보다 우수한 성능을 보임을 나타냄으로써 이전 연구보다 더 정밀한 추정치를 제공합니다. 한 연구 그룹46의 다른 메타 분석에서는 CT와 MRI 연구를 모두 포함했으나, 모델 유형 비교보다는 주로 위험 층화에 집중했습니다. 본 연구는 영상 양상 전반에 걸쳐 라디오믹스 단독 모델과 임상-라디오믹스 모델을 비교하고 외부 검증된 모델을 별도로 평가함으로써 이전 연구를 확장합니다. 이러한 단계적 혁신은 라디오믹스 모델 성능에 대한 더 세밀한 이해를 제공하며, 향후 모델 개발 및 임상 적용을 위한 더 명확한 지침을 제시합니다.

본 메타 분석에서 임상 변수를 포함한 모델들이 더 높고 일관된 성능을 보인 것은 미세혈관 침범의 근본적인 병태생리와 일치합니다. 미세혈관 침범은 종양 경계부의 작은 문맥 분지 내로 종양이 퍼지는 것을 의미하며, 이는 종종 미세 종양 혈전 및 국소 간 관류의 변화를 동반합니다. 이러한 변화는 종양 중심부보다는 종양-간 인터페이스에서 가장 두드러지며, 이는 이 영역을 반영하는 영상학적 특징들이 MVI와 반복적으로 연관되는 이유를 설명합니다. 예를 들어, 종양 주변 동맥 강화와 간담도기 저신호강도는 미세 혈관 폐쇄로 인한 문맥 유입 감소와 보상적 동맥 과관류와 관련이 있으며, 불규칙하거나 매끄럽지 않은 종양 경계는 외견상 종양 경계를 넘어 확장되는 침윤성 성장 패턴을 반영합니다. 정량적 영상 기법을 통해 종양 내부 및 주변의 질감과 신호 강도를 체계적으로 특성화할 수 있으며, 이는 세포 밀도, 괴사 및 미세혈관 구조의 근본적인 차이를 반영합니다.

이러한 결과는 영상 특징만으로는 미세혈관 침범 위험을 정확하게 특성화하기에 불충분함을 나타냅니다. 포함된 연구 전반에서 라디오믹스 단독 모델은 임상-라디오믹스 모델에 비해 상당한 이질성을 보였으며 판별 성능은 약간 더 낮았습니다. 이는 미세혈관 침범이 국소적인 영상 특성뿐만 아니라 전신 수준의 종양 생물학에 의해서도 결정된다는 사실을 반영하는 것으로 보입니다. 상승된 alpha-fetoprotein, 더 큰 종양 크기, 손상된 간 기능과 같은 임상적 요인들은 종양 공격성의 잘 알려진 지표이며, 혈관 침범 및 조기 재발과 일관된 연관성이 있는 것으로 밝혀졌습니다. 종양의 크기가 클수록 인접한 미세혈관을 침범할 가능성이 높으며, AFP 수치의 상승은 낮은 분화도 및 더 공격적인 표현형과 관련이 있습니다. 따라서 이러한 변수들을 영상 특징과 통합하면 현미경적 침범의 국소적 증거와 종양 행동의 광범위한 지표가 결합되어 상호 보완적인 정보를 제공하게 됩니다. 이는 본 분석 결과에도 반영되어, 임상-라디오믹스 모델이 더 높은 통합 AUC를 달성했을 뿐만 아니라 현저히 낮은 이질성을 보여 서로 다른 연구 환경에서도 더 큰 안정성을 나타냈습니다.

종양 주변 라디오믹스 특징의 예측 가치에 대한 기전적 근거는 종양-간 계면에서 MVI와 관련된 병태생리학적 변화에 있습니다. 미세혈관 침범은 종양 경계에 인접한 문맥 분지 내의 종양 세포 색전증을 포함하며, 이는 작은 문맥 소정맥의 부분적 또는 완전한 폐쇄로 이어집니다. 이러한 폐쇄는 종양 주변 간 실질로 유입되는 문맥 혈류의 감소를 초래하며, 이에 대한 보상 작용으로 동맥 과관류가 발생하는데, 이 현상은 영상에서 종양 주변 동맥 조영 증강 또는 관류 불균질성으로 나타납니다. 또한, 미세 종양 혈전은 국소 염증 반응을 유발하고 조직 미세구조를 변화시키며, 이는 세포 밀도, 괴사 및 미세혈관 밀도의 변화를 반영하는 라디오믹스 텍스처 특징을 통해 포착될 수 있습니다. 병리학적 연구들은 이러한 종양 주변 변화가 육안적 종양 경계를 넘어 확장된다는 것을 입증하였으며, 이는 다양한 방사형 마진의 종양 주변 영역을 라디오믹스 모델에 통합하는 생물학적 근거를 제공합니다. 따라서 포함된 연구들에서 나타난 종양 주변 영상 특징과 MVI 사이의 일관된 연관성은 이러한 기저의 혈관 및 미세구조적 변화에 근거하며, 이는 정량적 영상 소견에 생물학적 타당성을 부여합니다.

MRI 기반 모델에서 관찰된 약간 더 높은 성능은 이미 알려진 영상 진단 능력의 차이와도 일치합니다. MRI는 확산, 관류 및 간세포 특이적 조영제 섭취와 같은 다중 파라미터 평가가 가능하며, 이러한 요소들은 종양 분화 및 혈관 침범과 관련이 있습니다45. 간담도기 저신호강도와 종양 주변의 신호 변화는 MRI에서 더 쉽게 검출됩니다. 이러한 특징들은 미세 종양 확산과 관련된 간세포 기능 저하 및 관류 변화를 반영합니다. CT는 주로 조영 증강 패턴에 의존하므로 이러한 변화에 대한 민감도가 낮습니다. 이는 CT 기반 모델에서 관찰된 더 큰 변동성을 설명하는 요인이 될 수 있습니다.

본 리뷰는 문헌상에서 주된 양상이었던 CT 및 MRI 기반의 라디오믹스에 집중했다는 점에 주목할 필요가 있습니다. 그러나 PET/CT 라디오믹스는 종양 대사, 저산소증 및 생물학적 이질성을 특성화함으로써 MVI 예측에 보완적인 가치를 제공할 수 있으며, 이러한 특징들은 해부학적 또는 기능적 MRI만으로는 포착되지 않습니다. 최근의 증거들은 SUVmax와 같은 대사 매개변수와 PET의 질감 특징이 종양의 공격성 및 혈관 침범과 상관관계가 있을 수 있음을 시사합니다. 그럼에도 불구하고 MVI 예측에서 PET/CT 라디오믹스의 근거 기반은 CT 및 MRI에 비해 여전히 제한적이며, 이 분야는 향후 연구에서 추가적인 조사가 필요합니다. 이러한 결과는 임상 실무, 특히 간세포암의 수술 전 평가에 시사하는 바가 큽니다. 미세혈관 침범의 수술 전 식별은 여전히 어려우며, 이는 절제술, 이식 또는 국소 지역 치료의 선택에 영향을 미칩니다. 임상 변수를 통합한 정량적 영상 모델은 일상적인 영상 및 혈청 마커 이상의 위험 성층화를 개선할 수 있습니다. 예측된 위험도가 높을 경우, 절제술 고려 대상 환자에게 더 넓은 절제연 확보나 더 면밀한 수술 후 추적 관찰을 지원할 수 있습니다. 마찬가지로, 개선된 위험 성층화는 특히 이식 후보자 중 경계선상에 있는 사례의 선택 및 대기 명단 등록 결정에 도움이 될 수 있습니다.

본 메타분석의 주된 초점은 판별 성능(AUC)이었으나, 실제 임상 적용을 위해서는 보정(calibration)과 임상적 유용성이 동일하게 중요하다는 점에 유의해야 합니다. Hosmer-Lemeshow 검정 및 보정 곡선과 같은 보정 지표는 예측 위험도와 관찰된 위험도 간의 일치도를 평가하며, 이는 정보에 기반한 임상적 의사결정에 매우 중요합니다. 결정 곡선 분석(Decision curve analysis)은 다양한 위험 임계값에 따라 모델을 사용했을 때의 순 이익을 평가하며, 이는 임상 실무와 직접적인 관련이 있습니다. 그러나 포함된 연구들 중 보정 측정치나 결정 곡선 분석을 보고한 연구는 소수에 불과했으며, 이는 상당한 지식 공백을 나타냅니다. 향후 연구에서는 임상적 전환을 촉진하고 모델의 예측이 정확하면서도 실행 가능하도록 이러한 지표의 보고를 우선시해야 합니다.

유망한 성능이 관찰되었음에도 불구하고, 이러한 모델들은 아직 일상적인 임상 사용에 준비된 상태가 아닙니다. 대부분의 연구는 회고적으로 진행되었으며 단일 센터 환경에서 수행되었고, 영상 프로토콜, 분할 방법 및 모델 개발에 상당한 차이가 있었습니다. 외부 검증은 제한적이었으며, 검증이 수행된 경우에도 검증 코호트의 규모가 작거나 유사한 인구 집단에서 도출된 경우가 많았습니다. 보정, 임상적 유용성 또는 모델 사용이 치료 결정에 미치는 영향을 평가한 연구는 거의 없었습니다. 이러한 한계는 절제 마진, 이식 적격성 및 감시 강도에 관한 결정에 신뢰할 수 있고 일반화 가능한 위험 추정치가 필요한 실제 의료 현장에서 중요하게 작용합니다. 또한, 센터 간 영상 획득 및 처리의 가변성은 모델 성능과 재현성에 영향을 미쳐 일상적인 진료로의 전환을 더욱 제한할 수 있습니다. 현재로서는 이러한 모델들을 독립적인 도구가 아닌, 기존의 임상 및 영상 평가의 보조 수단으로 간주해야 합니다. 향후 연구는 전향적 다기관 검증, 영상 및 분석 방법의 표준화, 그리고 이러한 모델의 사용이 의사 결정과 환자 결과 개선에 기여하는지를 포함한 임상적 유용성 평가에 집중해야 합니다.

본 연구에는 몇 가지 한계점이 있습니다. 첫째, 지리적 분포가 크게 편중되어 26개 연구 중 23개(88.5%)가 중국에서 수행되었고 유럽 지역 연구는 3개에 불과했습니다. 이는 동양(바이러스성 간염 관련)과 서양(대사 관련) HCC의 병인론적 차이를 고려할 때 전 세계 HCC 인구로의 일반화 가능성을 상당히 제한하며, 서양 하위 그룹이 최소 필요 표본 크기(10개 연구 이상)를 충족하지 못해 지역별 공식 하위 그룹 분석을 신뢰성 있게 수행할 수 없었습니다. 둘째, 여러 연구에서 완전한 2 × 2 분할표 데이터를 사용할 수 없었고 임계값 정의가 상당히 다양했습니다. 따라서 기본 정량적 합성은 (초록에 제시된 것처럼) 통합된 임계값 의존적 진단 정확도 측정치가 아닌 AUC에 집중했으며, 포함된 26개 전체 연구에 대해 이러한 지표들의 종합적인 메타 분석을 수행하는 것은 불가능했습니다. 이는 일부 연구에서 완전한 분할표를 누락했기 때문이며, 더 중요한 점은 연구 간 임계값 정의의 이질성이 상당하여 임계값 효과를 고려하지 않은 이러한 지표들의 단순 통합은 방법론적으로 신뢰할 수 없었기 때문입니다. 셋째, 보고 내용의 불일치와 하위 그룹별 불충분한 표본 크기(분류기 유형당 1~3개 연구만 해당)로 인해 종양 직경, 조영제 유형, 종양 주변 마진 너비 또는 분류기 유형에 따른 추가 하위 그룹 분석을 수행할 수 없었으며, 이로 인해 상당한 연구 간 이질성(I2= 77%)의 원인을 탐색하는 능력이 제한되었습니다. 넷째, 모든 연구에 대해 METRICS 점수가 적절한 형식으로 제공되지 않았고, 단일 QUADAS-2 요약 범주를 할당하는 것은 본질적으로 주관적이며, 26개의 연구와 다수의 공변량을 이용한 메타 회귀 분석은 통계적 검정력이 부족하고 과적합될 가능성이 높기 때문에 메타 회귀 분석을 통해 방법론적 품질과 모델 성능 간의 연관성을 정량적으로 조사할 수 없었습니다. 다섯째, 포함된 대부분의 연구가 상대적으로 소규모 표본을 가진 후향적 단일 센터 연구였으며, 외부 검증은 26개 연구 중 9개에서만 보고되었고 대부분의 검증 코호트가 유사한 기관 환경에서 도출되어 일반화 가능성이 제한되었습니다. 영상 프로토콜, 특징 추출 파이프라인 및 모델 개발 접근 방식의 가변성이 재현성에 추가적인 영향을 미칠 수 있습니다. 여섯째, 일부 연구에서 완전한 분할표 데이터, AUC에 대한 신뢰 구간, 보정 지표 또는 결정 곡선 분석(실제 임상 적용 가능성을 평가하는 데 필수적인 요소들)을 누락하는 등 진단 성능 보고가 일관되지 않았으며, 이는 상당한 지식 공백을 의미합니다. 이러한 한계에도 불구하고, 라디오믹스 기반 모델이 우수한 진단 성능(통합 AUC 0.85, 95% CI 0.82–0.88)을 보여준 모든 포함 연구에서 효과의 방향성이 일관되게 나타났다는 점은 주요 결과의 견고함을 뒷받침합니다. 라디오믹스 단독 모델보다 임상-라디오믹스 모델의 성능이 더 높고 일관적이었다는 점과 CT 기반 모델보다 MRI 기반 모델에서 더 높은 통합 AUC가 관찰되었다는 점은 향후 모델 개발을 안내하는 임상적으로 의미 있는 통찰력을 제공합니다. 그러나 이러한 한계점들은 이 모델들이 일상적인 임상 진료로 전환되기 전에 표준화된 영상 프로토콜, 진단 성능 지표의 완전한 보고, 보정 및 임상적 유용성에 대한 체계적인 평가를 갖춘 전향적 다기관 검증 연구가 필요함을 강조합니다.

공개 사항

저자들은 이해상충 관계가 없습니다. 언어 교정, 일관성 확인 및 그림 서식 지정을 위한 교정 단계에서 AI 보조 도구가 사용되었습니다. 새로운 연구 데이터는 생성되지 않았으며, 모든 과학적 결정, 수정 및 최종 내용은 저자들의 검토와 승인을 거쳤으며, 저자들이 해당 논문에 대해 모든 책임을 집니다.

감사의 글

본 연구는 Beijing Research Ward Excellence Program (BRWEP; No. BRWEP2024W032240102)의 지원을 받아 수행되었습니다. 

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
meta R 패키지CRANhttps://cran.r-project.org/package=meta
meta R 패키지CRANhttps://cran.r-project.org/package=meta
metafor R 패키지CRANhttps://cran.r-project.org/package=metafor
metafor R 패키지CRANhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
PRISMA 2020 흐름도 템플릿PRISMA Grouphttp://www.prisma-statement.org/
Mplus (사용 시)StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
PRISMA 2020 흐름도 템플릿PRISMA Grouphttp://www.prisma-statement.org/
QUADAS-2 도구Cochranehttps://www.quadas.org/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
R 소프트웨어 (version 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
QUADAS-2 도구Cochranehttps://www.quadas.org/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
R 소프트웨어 (version 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
Web of ScienceClarivatehttps://www.webofscience.com/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
Web of ScienceClarivatehttps://www.webofscience.com/

참고문헌

  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.

재인쇄 및 허가

태그

라디오믹스 모델수술 전 예측종양 이질성진단 성능CT 라디오믹스MRI 라디오믹스임상-라디오믹스 모델
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.