Onderzoeksartikel

Intratumorale en peritumorale kenmerken voor het voorspellen van microvasculaire invasie bij hepatocellulair carcinoom: systematische review en meta-analyse

0 weergaven

⸱

DOI:

10.3791/72288

⸱

25 september 2026

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

In dit artikel

Samenvatting

Deze systematische review en meta-analyse evalueren de diagnostische prestaties van radiomics-gebaseerde modellen voor de preoperatieve voorspelling van microvasculaire invasie bij hepatocellulair carcinoom.

Samenvatting

Deze systematische review en meta-analyse evalueerde de diagnostische prestaties van radiomics-gebaseerde modellen voor het voorspellen van microvasculaire invasie (MVI) bij hepatocellulair carcinoom (HCC). MVI is een belangrijke bepalende factor voor de prognose bij HCC en is sterk geassocieerd met vroege recidieven en een verminderde overleving na curatieve behandeling. Nauwkeurige preoperatieve voorspelling van MVI blijft uitdagend met behulp van conventionele klinische en beeldvormende kenmerken. Radiomics is naar voren gekomen als een veelbelovende benadering door kwantitatieve analyse van tumorheterogeniteit op basis van medische beeldvorming mogelijk te maken. Deze studie had als doel de diagnostische prestaties van radiomics-gebaseerde modellen voor het voorspellen van MVI bij HCC systematisch te evalueren. Er werd een systematische review en meta-analyse uitgevoerd, waarbij 26 studies werden inbegrepen die CT- en MRI-gebaseerde radiomics-modellen evalueerden. Gegevens over de diagnostische prestaties werden geëxtraheerd en gepoolde analyses werden uitgevoerd met random-effects modellen, met subgroepanalyses naar beeldvormingsmodaliteit en modeltype. Over het algemeen vertoonden radiomics-modellen een goede diagnostische prestatie, met een gepoolde AUC van 0,85 (95% BI 0,82–0,88). Clinicoradiomics-modellen behaalden hogere en consistentere prestaties dan modellen die uitsluitend op radiomics waren gebaseerd (MRI: 0,87 vs 0,85; CT: 0,87 vs 0,81). Onder de 3D-gebaseerde modellen was de gepoolde AUC 0,85 (95% BI 0,82–0,88). Concluderend vertonen radiomics-gebaseerde modellen veelbelovende prestaties voor de preoperatieve voorspelling van MVI bij HCC, vooral wanneer deze worden gecombineerd met klinische variabelen. Echter, aanzienlijke heterogeniteit en beperkte externe validatie benadrukken de noodzaak van methodologische standaardisatie en prospectieve multicentrische validatie vóór klinische implementatie.

Inleiding

Hepatocellulair carcinoom (HCC) behoort tot de meest voorkomende maligniteiten wereldwijd en blijft een leidende oorzaak van kankergerelateerde mortaliteit1. Microvasculaire invasie (MVI) is een belangrijk pathologisch kenmerk dat geassocieerd wordt met agressief tumorgedrag en is consistent gekoppeld aan vroege recidieven en een verminderde algehele overleving na leverresectie of transplantatie2,3,4. De preoperatieve identificatie van microvasculaire invasie blijft echter uitdagend, omdat deze alleen definitief kan worden bevestigd via histopathologisch onderzoek van geresecteerde of geëxplanteerde specimens. Bijgevolg moeten behandelbeslissingen vaak worden genomen zonder directe kennis van de MVI-status. In de huidige praktijk worden indirecte indicatoren op grote schaal en voornamelijk gebruikt om de waarschijnlijkheid van MVI in te schatten, waaronder tumorgrootte, serum alfa-foetoproteïnespiegels5, de aanwezigheid van satellietnoduli en kwalitatieve beeldkenmerken zoals onregelmatige tumormarges, peritumorale aankleuring en de afwezigheid van een capsule6.

Deze factoren zijn op populatieniveau geassocieerd met MVI en worden meegewogen in de klinische besluitvorming; hun voorspellende nauwkeurigheid op het niveau van de individuele patiënt blijft echter bescheiden7,8. Zo is het serum alpha-fetoproteïne slechts bij een subset van patiënten verhoogd en is het niet specifiek, terwijl beeldkenmerken onderhevig zijn aan interobservervariabiliteit en afhankelijk zijn van acquisitieprotocollen en de expertise van de beoordelaar9,10. Bovendien is conventionele beeldbeoordeling grotendeels kwalitatief en legt deze de ruimtelijke heterogeniteit van de tumorarchitectuur of de subtiele micro-omgevingsveranderingen op de tumor-leverinterface die geassocieerd zijn met microscopische vasculaire invasie niet vast11. Deze beperkingen verminderen de betrouwbaarheid van de huidige preoperatieve risicobeoordeling en benadrukken de noodzaak van robuustere en kwantitatieve benaderingen. Radiomics, dat high-throughput extractie van uit beelden afgeleide kenmerken mogelijk maakt, biedt een manier om intratumorale en peritumorale heterogeniteit vast te leggen die de onderliggende tumorbiologie kan weerspiegelen12,13. Kenmerken zoals peritumorale arteriële aankleuring, onregelmatige marges en hypointensiteit in de hepatobiliaire fase zijn geassocieerd met MVI, wat de potentiële rol van kwantitatieve modellen gebaseerd op beeldvorming ondersteunt14.

De gerapporteerde diagnostische prestaties zijn echter inconsistent geweest, mede door variaties in beeldvormingsmodaliteit, acquisitieprotocollen, segmentatiemethoden en benaderingen voor modelontwikkeling. Bovendien zijn de meeste studies retrospectief en uitgevoerd in single-center settings, en slechts een klein aantal bevat een onafhankelijke externe validatie. Daarom beoogt deze systematische review de diagnostische accuratesse van radiomics-gebaseerde modellen, inclusief MRI- en CT-gebaseerde modellen, te evalueren voor de preoperatieve voorspelling van microvasculaire invasie bij hepatocellulair carcinoom, waarbij de gegevens afzonderlijk worden gepresenteerd op basis van beeldvormingsmodaliteit, segmentatiestrategie en modeltype om rekening te houden met de heterogeniteit in beeldvormingsbenaderingen en modelontwikkeling.

Protocol

Zoekstrategie

Er is gezocht in vier databronnen, waaronder PubMed (MEDLINE), Embase, Web of Science en de Cochrane Library, voor de periode van januari 2015 tot april 2026. De zoekstrategie werd ontwikkeld door drie conceptuele blokken te combineren met behulp van Booleaanse operatoren: termen gerelateerd aan de ziekte (hepatocellular carcinoma, HCC, liver cancer, hepatic carcinoma), termen gerelateerd aan de methodologie (radiomics, radiomic, texture analysis, quantitative imaging, imaging biomarker) en termen gerelateerd aan de uitkomst (microvascular invasion, MVI, vascular invasion, microscopic vascular invasion). De PubMed-zoekstring was als volgt: (("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]).

Studieselectie

Alle opgehaalde records werden geïmporteerd in Rayyan (Qatar Computing Research Institute), een webgebaseerd platform voor systematische reviews, voor het verwijderen van duplicaten en screening. Twee onafhankelijke reviewers screenden alle titels en abstracts op basis van de vooraf gedefinieerde in- en uitsluitingscriteria. Vervolgens werden de volledige teksten van de artikelen opgehaald en onafhankelijk beoordeeld door dezelfde twee reviewers voor definitieve inclusie. Studies die voldoende gegevens over de diagnostische prestaties rapporteerden om bij te dragen aan ten minste één vooraf gespecificeerde kwantitatieve synthese, kwamen in aanmerking. Indien beschikbaar werden gegevens over terecht-positieven, terecht-negatieven, fout-positieven en fout-negatieven geëxtraheerd voor secundaire analyses van de diagnostische accuratesse. Onenigheid in elke fase van de screening werd opgelost via overleg, waarbij een derde senior reviewer optrad als arbiter wanneer geen consensus kon worden bereikt. Het proces van studieselectie is samengevat in een PRISMA-stroomdiagram (Figuur 1). Alle instrumenten en platforms die voor deze studie zijn gebruikt, staan vermeld in de Tabel met Materialen.

Data-extractie

Twee beoordelaars hebben onafhankelijk gegevens geëxtraheerd uit alle opgenomen studies met behulp van een gestandaardiseerd en gepiloteerd data-extractieformulier. De geëxtraheerde items omvatten studiekenmerken (eerste auteur, publicatiejaar, land, studiedesign, wervingsperiode en type instelling), patiëntkenmerken (steekproefgrootte, gemiddelde of mediane leeftijd, geslachtsverdeling, prevalentie van MVI, etiologie van de leveraandoening en tumorkenmerken), beeldvormingskenmerken (modaliteit, type scanner, contrastmiddel en beeldvormingsfase), radiomics-methodologie (type segmentatieregio; peritumorale margebreedte indien van toepassing; ROI-afbakkingsmethode; segmentatiedimensionaliteit), modelkenmerken (type classifier en validatiestrategie) en diagnostische prestatiematen (oppervlakte onder de receiver operating characteristic-curve [AUC], sensitiviteit, specificiteit, positieve likelihood ratio, negatieve likelihood ratio en diagnostische odds ratio). In gevallen waarin studies meerdere geschikte modellen of cohorten rapporteerden, werden de overeenkomstige schattingen op model- of cohortniveau geëxtraheerd die werden gebruikt in de vooraf gespecificeerde kwantitatieve analyses. Suffixen (a-d) worden in Tabel 1 en 2 gebruikt om deze schattingen te onderscheiden. Verschillen tussen de beoordelaars tijdens de data-extractie werden via consensus opgelost.

Kwaliteitsbeoordeling

De methodologische kwaliteit van de geïncludeerde studies werd geëvalueerd aan de hand van twee complementaire instrumenten. Het risico op bias en zorgen over de toepasbaarheid werden beoordeeld met behulp van de Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) tool15. De op radiomics gerichte methodologische kwaliteit werd beoordeeld met de Methodological Radiomics Score (METRICS)16. De kwaliteitsbeoordeling werd onafhankelijk uitgevoerd door twee reviewers, waarbij meningsverschillen via consensus werden opgelost. De resultaten worden narratief en grafisch gepresenteerd met behulp van samenvattende tabellen op domeinniveau.

Statistische analyse

De discriminatieve prestaties werden samengevat met behulp van de C-statistiek (oppervlakte onder de receiver operating characteristic-curve [AUC]). Een random-effects meta-analyse van de AUC-waarden werd uitgevoerd met de restricted maximum likelihood-methode om rekening te houden met de variabiliteit tussen studies. Wanneer deze niet direct werden gerapporteerd, werden standaardfouten afgeleid uit gepubliceerde 95% betrouwbaarheidsintervallen; voor studies zonder variantieschattingen werden standaardfouten benaderd met de methode van Hanley en McNeil op basis van het aantal positieve en negatieve gevallen17. Om varianties te stabiliseren, werden AUC-waarden logit-getransformeerd voorafgaand aan de meta-analyse en teruggetransformeerd voor interpretatie. Gepoolde schattingen werden gepresenteerd met de overeenkomstige 95% betrouwbaarheidsintervallen. Heterogeniteit tussen studies werd beoordeeld met de I2-statistiek, waarbij waarden van 25%, 50% en 75% respectievelijk stonden voor lage, matige en hoge heterogeniteit. Studies werden beschrijvend gecategoriseerd als tumor-only of als modellen waarin zowel tumor- als peritumorale regio's waren opgenomen. Een aparte kwantitatieve subgroepanalyse voor peritumoral-only werd niet uitgevoerd omdat deze categorie onvoldoende vertegenwoordigd was. Aanvullende subgroepanalyses werden uitgevoerd op basis van beeldvormingsmodaliteit (CT versus MRI) en segmentatiedimensionaliteit (2D versus 3D). Aanvullende analyses werden uitgevoerd waarbij de beperking lag bij extern gevalideerde modellen om de generaliseerbaarheid te beoordelen. Alle statistische analyses werden uitgevoerd met R-software (versie 4.4.1). De volgende R-pakketten werden gebruikt: meta (versie 7.0-1) en metafor (versie 4.6-0) voor de meta-analyse, en dmetar (versie 0.1.0) voor aanvullende functies. Gepoolde AUC's werden berekend met de metagen -functie met de restricted maximum likelihood-estimator. De modelinstellingen omvatten de Knapp-Hartung-correctie voor betrouwbaarheidsintervallen. De analysecode is beschikbaar als Aanvullend Bestand 2. Een tweezijdige p-waarde van minder dan 0,05 werd voor alle tests als statistisch significant beschouwd.

Resultaten

De literatuurzoekopdracht leverde 368 records op, waarvan er 89 duplicaten waren. Na het verwijderen van de duplicaten werden 279 records gescreend, waarvan 26 studies voldeden aan de inclusiecriteria (Figuur 1). Er werden geen aanvullende studies geïdentificeerd via handmatig zoeken.

Studiekenmerken

De 26 geïncludeerde studies18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 waren hoofdzakelijk retrospectief (25 van de 26), met één prospectieve studie. De meeste studies werden uitgevoerd in China (23 studies), terwijl de rest afkomstig was uit Europa. De steekproefgroottes varieerden aanzienlijk tussen de studies, waarbij de trainingscohorten varieerden van 66 tot 461 patiënten en de validatiecohorten van 25 tot 283 patiënten. Externe validatie werd uitgevoerd in 9 studies, terwijl de meerderheid (17 studies) uitsluitend vertrouwde op interne validatie. Magnetische resonantie-imaging (MRI) was de meest gebruikte modaliteit (17 studies), gevolgd door computertomografie (CT) (10 studies), waarbij één studie zowel CT als MRI integreerde. De meeste studies pasten driedimensionale segmentatiebenaderingen toe (22 studies), terwijl twee studies expliciet gebruikmaakten van tweedimensionale segmentatie. De overige twee studies (referenties 18 en 30) specificeerden hun segmentatiedimensionaliteit niet duidelijk of hanteerden een hybride benadering die niet met zekerheid kon worden gecategoriseerd; deze twee studies werden daarom uitgesloten van de op segmentatie gestratificeerde subgroepanalyse, maar bleven behouden in de algemene gepoolde analyse. Segmentatiestrategieën varieerden per studie. Zestien studies analyseerden uitsluitend tumorregio's, terwijl 10 studies zowel tumor- als peritumorale regio's incorporeerden, die doorgaans werden gedefinieerd met vaste radiale marges. Studies waarin peritumorale informatie was opgenomen, werden vaker in latere jaren uitgevoerd. In totaal werden er 26 voorspellingsmodellen geïdentificeerd in de geïncludeerde studies. De meeste studies (15 van de 26) ontwikkelden clinicoradiomics-modellen waarbij radiomische kenmerken werden geïntegreerd met klinische variabelen, terwijl 11 studies uitsluitend radiomics-benaderingen gebruikten (Tabel 1). De gerapporteerde accuratesse, sensitiviteit, specificiteit en de bijbehorende gegevens uit de kruistabellen (TP, FP, FN, TN) in de geïncludeerde studies zijn samengevat in Tabel 2.

Modeldiscriminatie

In alle opgenomen studies vertoonden radiomics-gebaseerde modellen een goede discriminerende prestatie voor de voorspelling van microvasculaire invasie. De gepoolde C-statistiek (AUC) uit het random-effects model was 0,85 (95% BI 0,82–0,88), met aanzienlijke heterogeniteit tussen de studies (I2 = 77%) (Figuur 2). Wanneer gestratificeerd naar modeltype, vertoonden clinicoradiomics-modellen een hogere en consistentere discriminerende prestatie in vergelijking met modellen die uitsluitend gebaseerd waren op radiomics. Alleen radiomics-gebaseerde modellen leverden een gepoolde AUC op van 0,84 (95% BI 0,78–0,88), met aanzienlijke heterogeniteit (I2 = 80%) (Figuur 2). Daarentegen behaalden modellen waarin zowel radiomics- als klinische variabelen waren opgenomen een hogere gepoolde AUC van 0,87 (95% BI 0,85–0,89) en vertoonden zij een merkbaar lagere heterogeniteit (I2 = 23%) (Figuur 2).

Onder de studies die gebruikmaakten van 3D-segmentatie (Supplementary Figure 1) was de gepoolde AUC 0,85 (95% BI 0,82–0,88), met aanzienlijke heterogeniteit (I2 = 77,8%). In de subgroepanalyse behaalden modellen die uitsluitend op radiomics waren gebaseerd een gepoolde AUC van 0,83 (95% BI 0,78–0,88; I2 = 80,7%), terwijl clinicoradiomics-modellen een hogere en consistentere prestatie vertoonden (AUC 0,87, 95% BI 0,85–0,89; I2 = 15,1%). In CT-gebaseerde studies (Supplementary Figure 2) was de gepoolde AUC 0,83 (95% BI 0,76–0,88), hoewel de heterogeniteit hoog was (I2 = 88,6%). De prestaties leken aanzienlijk te variëren bij modellen die uitsluitend op radiomics waren gebaseerd (AUC 0,81, 95% BI 0,70–0,89; I2 = 85,1%), terwijl modellen waarin klinische variabelen waren opgenomen zowel beter presteerden als merkbaar consistenter waren (AUC 0,87, 95% BI 0,83–0,90; I2 = 4,0%). In MRI-gebaseerde studies (Supplementary Figure 3) was de algehele discriminatie iets hoger, met een gepoolde AUC van 0,86 (95% BI 0,83–0,89) en matige heterogeniteit (I2 = 57,6%). Een vergelijkbaar patroon werd waargenomen, waarbij clinicoradiomics-modellen een marginaal betere prestatie en een verminderde variabiliteit vertoonden (AUC 0,87, 95% BI 0,84–0,90; I2 = 33,4%) vergeleken met benaderingen die uitsluitend op radiomics waren gebaseerd (AUC 0,85, 95% BI 0,79–0,89; I2 = 61,7%).

Prestaties van de externe validatie

Onder de extern gevalideerde modellen (n=9) bleef de algehele discriminatieve prestatie hoog. De gepoolde AUC was 0,87 (95% BI 0,82–0,91), met matige heterogeniteit (I2 = 66%) (Aanvullende figuur 4). Subgroepanalyse binnen de externe validatiecohorten toonde vergelijkbare gepoolde prestaties tussen modeltypen, maar verschillen in precisie. Radiomics-modellen alleen behaalden een gepoolde AUC van 0,87 (95% BI 0,78–0,93), terwijl clinicoradiomics-modellen een gepoolde AUC van 0,87 (95% BI 0,83–0,91) opleverden.

Kwaliteitsbeoordeling

De algehele methodologische kwaliteit was matig. De domeinen referentiestandaard en flow vertoonden consistent een laag risico, waarbij alle studies histopathologie en passende intervallen tussen beeldvorming en chirurgie gebruikten. De belangrijkste bron van bias was het domein van de indexonderzoek, wat een weerspiegeling was van hoogdimensionale radiomics- of deep learning-modellen, beperkte vooraf vastgestelde modelleringsstrategieën en inconsistente rapportage over de reproduceerbaarheid. De patiëntselectie vertoonde over het algemeen een laag risico, hoewel de zorgen groter waren bij kleinere retrospectieve cohorten uit één centrum (Aanvullende Tabel 1). De specifiek op radiomics gerichte beoordeling toonde een variabele methodologische strengheid (Aanvullende Tabel 1). Hoewel beeldvormingsprotocollen en segmentatie doorgaans werden gerapporteerd, kwamen reproduceerbaarheidstests en externe validatie minder vaak voor. Recentere multicentrische studies vertoonden verbeterde ontwerp- en validatiepraktijken, hoewel de heterogeniteit tussen de methoden aanzienlijk bleef.

DATA BESCHIKBAARHEID:

Alle gegevens die tijdens deze systematische review en meta-analyse zijn gegenereerd of geanalyseerd, zijn opgenomen in dit gepubliceerde artikel en de bijbehorende aanvullende informatiebestanden. De zoekstrategieën voor de database zijn opgenomen in  Aanvullend Bestand 1, en de R-analysecode staat in Aanvullend Bestand 2. De geëxtraheerde gegevens op studieniveau die voor de pooling zijn gebruikt, worden volledig gepresenteerd in Tabel 1 en 2, en de gedetailleerde resultaten van de kwaliteitsbeoordeling staan in Aanvullende Tabel 1. Voor de reproductie van de bevindingen zijn geen aanvullende ruwe databestanden buiten deze bestanden vereist.

figure-results-1
Figuur 1: Stroomschema van het proces voor de selectie van studies. Stroomschema van de identificatie, screening, beoordeling van geschiktheid en inclusie van studies, met het aantal records in elke fase. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Forest plot van de diagnostische prestaties van radiomics-modellen voor het voorspellen van microvasculaire invasie. C-statistieken (AUC's) op studieniveau en gepoolde C-statistieken met 95% betrouwbaarheidsintervallen worden getoond, gestratificeerd naar modeltype. Er werden random-effects modellen gebruikt, waarbij heterogeniteit werd beoordeeld met de I2 statistiek. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Kenmerken van de geïncludeerde studies. Samenvatting van het studie-ontwerp, de populatie, de beeldvormingsmodaliteit, de segmentatiestrategie, het modeltype en de validatieaanpak. Achtervoegsels (a–c) duiden op meerdere modellen of cohorten binnen één enkele studie. Afkortingen: CT = computertomografie; MRI = magnetische resonantie-imaging. Klik hier om deze tabel te downloaden.

Tabel 2: Diagnostische prestaties van radiomics-modellen voor het voorspellen van microvasculaire invasie. Nauwkeurigheid op studieniveau, sensitiviteit, specificiteit en contingentiegegevens (TP, FP, FN, TN) worden weergegeven per modeltype en validatie-instelling. De nauwkeurigheid is waar nodig opnieuw berekend. Suffixen (a–c) duiden meerdere modellen of cohorten binnen dezelfde studie aan. Klik hier om deze tabel te downloaden.

Aanvullende Figuur 1: Diagnostische prestaties van radiomics-modellen met gebruik van 3D-segmentatie. Forest plot die de C-statistieken (AUC's) op studieniveau en de gepoolde C-statistieken laat zien voor studies die 3D-segmentatiebenaderingen hebben toegepast, gestratificeerd naar modeltype (alleen radiomics versus clinicoradiomics). De analyse is uitgevoerd om vast te stellen of 3D-volumetrische kenmerkextractie, die ruimtelijke heterogeniteit uitgebreider vastlegt, prestatieverschillen oplevert in vergelijking met de totale gepoolde schatting, en om de heterogeniteit binnen elke subgroep te evalueren. Klik hier om dit bestand te downloaden.

Aanvullende figuur 2: Diagnostische prestaties van CT-gebaseerde radiomics-modellen. Forest plot die de C-statistieken (AUC's) op studieniveau en de gepoolde C-statistieken laat zien voor studies die computertomografie (CT) als beeldvormingsmodaliteit gebruikten, gestratificeerd naar modeltype (alleen radiomics vs. clinicoradiomics). Deze subgroepanalyse is uitgevoerd om te evalueren of CT-gebaseerde radiomics-modellen een vergelijkbare diagnostische prestatie leveren als MRI-gebaseerde modellen, en om de impact van het toevoegen van klinische variabelen op de consistentie van de prestaties binnen CT-studies te beoordelen. Klik hier om dit bestand te downloaden.

Aanvullende figuur 3: Diagnostische prestaties van MRI-gebaseerde radiomics-modellen. Forest plot die de C-statistieken (AUC's) op studieniveau en de gepoolde C-statistieken (AUC's) weergeeft voor studies waarin magnetic resonance imaging (MRI) als beeldvormingsmodaliteit werd gebruikt, gestratificeerd naar modeltype (alleen radiomics vs. clinicoradiomics). Deze subgroepanalyse werd uitgevoerd om te beoordelen of het superieure weke-delencontrast en de multiparametrische mogelijkheden van MRI resulteren in een hogere discriminatieve prestatie voor de voorspelling van MVI in vergelijking met CT-gebaseerde modellen. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 4: Diagnostische prestaties van extern gevalideerde modellen. Forest plot die de C-statistieken (AUC's) op studieniveau en de gepoolde C-statistieken weergeeft voor modellen die extern zijn gevalideerd in onafhankelijke cohorten, gestratificeerd naar modeltype (alleen radiomics vs. clinicoradiomics). Deze analyse is specifiek uitgevoerd om de generaliseerbaarheid van radiomics-gebaseerde modellen naar onafhankelijke datasets te evalueren en om vast te stellen of er prestatieverminderingen optreden wanneer modellen worden toegepast op externe populaties, wat een kritische indicator is voor de klinische toepasbaarheid. Klik hier om dit bestand te downloaden.

Aanvullende tabel 1: Kwaliteitsbeoordeling van de geïncludeerde studies. Gedetailleerde resultaten van de methodologische kwaliteitsbeoordeling met behulp van de QUADAS-2-tool voor elke geïncludeerde studie. De tabel presenteert beoordelingen van het risico op bias en zorgen over de toepasbaarheid over vier domeinen: patiëntselectie, indexonderzoek, referentiestandaard, en flow en timing. Elk domein wordt beoordeeld als "laag risico," "hoog risico," of "onduidelijk risico," waarbij de oordelen worden ondersteund door specifieke redenen die uit elke studie zijn geëxtraheerd. Dit stelt lezers in staat om de methodologische strengheid van individuele studies te evalueren en potentiële bronnen van bias te identificeren die de gepoolde schattingen kunnen beïnvloeden. Klik hier om dit bestand te downloaden.

Aanvullend bestand 1: Strategieën voor databaseonderzoek. Alle strategieën voor het databaseonderzoek zijn in dit document samengevoegd. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: R-analysecode. De code die is gebruikt om deze analyse uit te voeren, is in dit document opgenomen. Klik hier om dit bestand te downloaden.

Discussie

Deze systematische review en meta-analyse van 26 studies wees uit dat op radiomics gebaseerde modellen een goede, maar variabele prestatie vertonen voor de preoperatieve voorspelling van microvasculaire invasie bij hepatocellulair carcinoom, waarbij de meeste AUC-schattingen variëren tussen ongeveer 0,80 en 0,90. Over de studies heen was de diagnostische nauwkeurigheid over het algemeen matig tot hoog, waarbij de sensitiviteit en specificiteit doorgaans boven de 70% lagen, hoewel de prestaties niet uniform waren. Modellen waarin klinische variabelen waren opgenomen, vertoonden over het algemeen een consistentere discriminatie en een hogere specificiteit dan modellen die uitsluitend op radiomics waren gebaseerd. Daarnaast vertoonden MRI-gebaseerde benaderingen een iets hogere prestatie dan CT-gebaseerde modellen. Deze bevindingen moeten echter worden geïnterpreteerd in de context van aanzienlijke heterogeniteit tussen de studies en verschillen in onderzoeksopzet, beeldvormingsprotocollen en modelleringsstrategieën, wat waarschijnlijk heeft bijgedragen aan de waargenomen variatie in prestaties.

Verschillende eerdere meta-analyses hebben radiomics geëvalueerd voor de voorspelling van MVI bij HCC. Eén studie44 omvatte 13 studies en rapporteerde een gepoold AUC van 0,88 voor MRI-gebaseerde radiomics, waarbij gecombineerde modellen beter presteerden dan benaderingen die enkel op radiomics waren gebaseerd (AUC: 0,90 vs 0,85). Een andere studie45 analyseerde 26 studies met 3.539 patiënten met solitaire HCC en rapporteerde een gepoold AUC van 0,85 (95% BI 0,82–0,88) voor radiomics-modellen. De huidige synthese breidt deze bevindingen uit door aan te tonen dat clinicoradiomics-modellen (AUC 0,87) een hogere en consistëntere prestatie leveren vergeleken met modellen die enkel op radiomics zijn gebaseerd (AUC 0,84), wat de incrementele waarde van de integratie van klinische variabelen benadrukt. Bovendien bieden de afzonderlijke analyses per beeldvormingsmodaliteit — waaruit blijkt dat MRI (0,86) beter presteert dan CT (0,83) — nauwkeurigere schattingen dan eerder werk. Een andere meta-analyse door een groep46 omvatte zowel CT- als MRI-studies, maar richtte zich primair op risicostratificatie in plaats van vergelijkingen tussen modeltypen. De huidige studie breidt eerder werk uit door radiomics-only en clinicoradiomics-modellen over verschillende beeldvormingsmodaliteiten te vergelijken en door extern gevalideerde modellen afzonderlijk te evalueren. Deze incrementele innovaties zorgen voor een genuanceerder begrip van de prestaties van radiomics-modellen en bieden duidelijkere richtlijnen voor toekomstige modelontwikkeling en klinische translatie.

De hogere en consistentere prestaties die werden waargenomen in modellen waarin klinische variabelen waren opgenomen in deze meta-analyse, komen overeen met de onderliggende pathofysiologie van microvasculaire invasie. Microvasculaire invasie vertegenwoordigt tumorverspreiding naar kleine portalveneuze takken aan de tumormarge, vaak vergezeld door microscopische tumortrombi en veranderingen in de lokale hepatische perfusie. Deze veranderingen zijn het meest uitgesproken op de interface tussen de tumor en de lever dan wel binnen de tumorkern, wat verklaart waarom beeldvormingskenmerken die deze regio reflecteren herhaaldelijk worden geassocieerd met MVI. Zo zijn peritumorale arteriële aankleuring en hypointensiteit in de hepatobiliaire fase gekoppeld aan een verminderde portalveneuze instroom en compensatoire arteriële hyperperfusie veroorzaakt door microscopische vasculaire obstructie, terwijl onregelmatige of niet-gladde tumormarges wijzen op infiltratieve groeipatronen die zich uitstrekken voorbij de schijnbare tumorgrens. Kwantitatieve beeldvorming maakt systematische karakterisering van textuur en signaalintensiteit binnen en rond de tumor mogelijk, wat de onderliggende verschillen in celldichtheid, necrose en microvasculaire structuur reflecteert.

Deze bevindingen geven aan dat beeldvormingskenmerken alleen onvoldoende zijn voor een nauwkeurige karakterisering van het risico op microvasculaire invasie. In de opgenomen studies vertoonden modellen die uitsluitend op radiomics waren gebaseerd aanzienlijke heterogeniteit en een iets lagere discriminatieve prestatie in vergelijking met clinicoradiomics-modellen. Dit weerspiegelt waarschijnlijk het feit dat microvasculaire invasie niet uitsluitend wordt bepaald door lokale beeldvormingskenmerken, maar ook door de tumobiologie op systemisch niveau. Klinische factoren zoals een verhoogd alpha-fetoproteïne, een grotere tumoromvang en een verslechterde leverfunctie zijn gevestigde markers voor tumoragressiviteit en zijn consequent geassocieerd met vasculaire invasie en vroege recidive. Grotere tumoren hebben een grotere neiging om de aangrenzende microvasculatuur binnen te dringen, terwijl een verhoogd AFP wordt geassocieerd met een slechtere differentiatie en agressievere fenotypen. De integratie van deze variabelen met beeldvormingskenmerken biedt daarom complementaire informatie, waarbij lokale bewijzen van microscopische invasie worden gecombineerd met bredere indicatoren van het tumorgedrag. Dit komt naar voren in de huidige analyse, waarbij clinicoradiomics-modellen niet alleen hogere gepoolde AUC's behaalden, maar ook een aanzienlijk lagere heterogeniteit vertoonden, wat wijst op een grotere stabiliteit over verschillende studie-instellingen.

De mechanistische basis voor de voorspellende waarde van peritumorale radiomische kenmerken ligt in de pathofysiologische veranderingen die geassocieerd zijn met MVI op het grensvlak tussen de tumor en de lever. Microvasculaire invasie omvat embolieën van tumorcellen binnen portaalveneuze takken nabij de tumormarge, wat leidt tot gedeeltelijke of volledige obstructie van kleine portaalvenulen. Deze obstructie resulteert in een verminderde portaalveneuze instroom naar het peritumorale leverparenchym, met compensatoire arteriële hyperperfusie—een fenomeen dat op beeldvorming zichtbaar is als peritumorale arteriële enhancement of perfusieheterogeniteit. Daarnaast induceren microscopische tumortromben lokale ontstekingsreacties en veranderen ze de weefselmicroarchitectuur, wat kan worden vastgelegd door radiomische textuurkenmerken die veranderingen in celldichtheid, necrose en microvasculaire dichtheid weerspiegelen. Pathologische studies hebben aangetoond dat deze peritumorale veranderingen zich uitstrekken voorbij de macroscopische tumorgrens, wat een biologische rechtvaardiging biedt voor het opnemen van peritumorale regio's met variërende radiale marges in radiomische modellen. De consistente associatie tussen peritumorale beeldvormingskenmerken en MVI in de included studies is derhalve gebaseerd op deze onderliggende vasculaire en microstructurele veranderingen, wat biologische plausibiliteit geeft aan de kwantitatieve beeldvormingsbevindingen.

De iets hogere prestaties die werden waargenomen bij MRI-gebaseerde modellen, zijn consistent met bekende verschillen in beeldvormingscapaciteit. MRI maakt multiparametrische beoordeling mogelijk, zoals diffusie, perfusie en hepatocyt-specifieke contrastopname, die geassocieerd zijn met tumordifferentiatie en vasculaire invasie45. Hypointensiteit in de hepatobiliaire fase en peritumorale signaalveranderingen worden gemakkelijker gedetecteerd op MRI. Deze kenmerken weerspiegelen een verminderde hepatocytfunctie en een veranderde perfusie gerelateerd aan microscopische tumorverspreiding. CT vertrouwt voornamelijk op contrastversterkingspatronen en is minder gevoelig voor deze veranderingen. Dit kan de grotere variabiliteit verklaren die werd waargenomen in CT-gebaseerde modellen.

Het is vermeldenswaard dat de huidige review zich richtte op radiomics op basis van CT en MRI, aangezien dit de dominante modaliteiten in de literatuur waren. Echter kan PET/CT-radiomics aanvullende waarde bieden voor de voorspelling van MVI door het karakteriseren van het tumormetabolisme, hypoxie en biologische heterogeniteit—kenmerken die niet uitsluitend door anatomische of functionele MRI worden vastgelegd. Opkomend bewijs suggereert dat metabole parameters zoals SUVmax en textuurkenmerken van PET kunnen correleren met tumoragressiviteit en vasculaire invasie. Desondanks blijft de bewijslast voor PET/CT-radiomics bij de voorspelling van MVI beperkt in vergelijking met CT en MRI, en dit gebied verdient verder onderzoek in toekomstige studies. Deze bevindingen hebben implicaties voor de klinische praktijk, in het bijzonder bij de preoperatieve beoordeling van hepatocellulair carcinoom. De preoperatieve identificatie van microvasculaire invasie blijft moeilijk en beïnvloedt de keuze voor resectie, transplantatie of locoregionale therapie. Kwantitatieve beeldvormingsmodellen waarin klinische variabelen zijn opgenomen, kunnen de risicostratificatie verbeteren ten opzichte van routinematige beeldvorming en serummarkers. Een hoog voorspeld risico kan pleiten voor ruimere marges of nauwere postoperatieve surveillance bij patiënten die in aanmerking komen voor resectie. Evenzo kan een verbeterde risicostratificatie nuttig zijn voor selectie- en wachtlijstbeslissingen, met name in grensgevallen bij transplantatiekandidaten.

Het is belangrijk om op te merken dat hoewel de discriminatieve prestatie (AUC) de primaire focus van deze meta-analyse was, kalibratie en klinisch nut even essentieel zijn voor de toepasbaarheid in de praktijk. Kalibratiemetrieken — zoals de Hosmer-Lemeshow-toets en kalibratieplots — beoordelen de overeenstemming tussen voorspelde en waargenomen risico's en zijn cruciaal voor een geïnformeerde klinische besluitvorming. Decision curve-analyse evalueert het netto voordeel van het gebruik van een model over verschillende risicodrempels, wat direct relevant is voor de klinische praktijk. Echter, van de included studies rapporteerde slechts een minderheid kalibratiematen of een decision curve-analyse, wat een aanzienlijke kennishiaat vertegenwoordigt. Toekomstige studies zouden prioriteit moeten geven aan het rapporteren van deze metrieken om de klinische translatie te vergemakkelijken en om ervoor te zorgen dat modelvoorspellingen zowel accuraat als bruikbaar zijn.

Ondanks de waargenomen veelbelovende prestaties zijn deze modellen nog niet klaar voor routinematig klinisch gebruik. De meeste studies waren retrospectief en werden uitgevoerd in single-center settings, met aanzienlijke variatie in beeldvormingsprotocollen, segmentatiemethoden en modelontwikkeling. Externe validatie was beperkt en wanneer deze werd uitgevoerd, waren de validatiecohorten vaak klein of afkomstig van vergelijkbare populaties. Weinig studies evalueerden de kalibratie, het klinisch nut of de impact van het modelgebruik op behandelbeslissingen. Deze beperkingen zijn van belang in de praktijk, waar beslissingen over resectiemarges, geschiktheid voor transplantatie en de intensiteit van surveillance betrouwbare en generaliseerbare risicoschattingen vereisen. Daarnaast kan variabiliteit in beeldacquisitie en -verwerking tussen centra de modelprestaties en reproduceerbaarheid beïnvloeden, wat de vertaling naar de routinezorg verder beperkt. Momenteel moeten deze modellen worden beschouwd als aanvullingen op de gevestigde klinische en beeldvormende beoordeling in plaats van als stand-alone instrumenten. Toekomstig werk moet zich richten op prospectieve, multicenter validatie, standaardisatie van beeldvormings- en analysemethoden en evaluatie van het klinisch nut, inclusief de vraag of het gebruik van deze modellen de besluitvorming en patiëntuitkomsten verbetert.

Deze studie kent verschillende beperkingen. Ten eerste was de geografische spreiding sterk scheefgetrokken, waarbij 23 van de 26 studies (88,5%) in China werden uitgevoerd en slechts 3 in Europese regio's. Dit beperkt de generaliseerbaarheid naar mondiale HCC-populaties aanzienlijk, gezien de etiologische verschillen tussen oostelijke (viraal hepatitis-gerelateerde) en westerse (metabolisme-gerelateerde) HCC. Bovendien kon een formele subgroepanalyse per regio niet betrouwbaar worden uitgevoerd, omdat de westerse subgroep niet voldeed aan de minimale vereiste steekproefomvang (≥10 studies). Ten tweede waren volledige 2 × 2 contingentiedata voor verschillende studies niet beschikbaar en varieerden de drempelwaarden aanzienlijk; daarom richtte de primaire kwantitatieve synthese zich op de AUC in plaats van op gepoolde, drempelwaarde-afhankelijke maten voor diagnostische nauwkeurigheid (zoals gepresenteerd in de samenvatting). Een uitgebreide meta-analyse van deze metrieken over alle 26 opgenomen studies was niet haalbaar. Dit kwam doordat verschillende studies volledige contingentietabellen weglieten en, belangrijker nog, er aanzienlijke heterogeniteit bestond in de definities van drempelwaarden tussen de studies, waardoor elke ongecorrigeerde pooling van deze metrieken methodologisch onbetrouwbaar zou zijn zonder rekening te houden met drempeleffecten. Ten derde konden aanvullende subgroepanalyses, gestratificeerd naar tumordiameter, type contrastmiddel, breedte van de peritumorale marge of type classifier, niet worden uitgevoerd vanwege inconsistente rapportage en onvoldoende steekproefomvang binnen de subgroepen (slechts 1–3 studies per type classifier), wat de mogelijkheid beperkte om de bronnen van de aanzienlijke heterogeniteit tussen de studies (I2= 77%) te onderzoeken. Ten vierde konden de auteurs de associatie tussen methodologische kwaliteit en modelprestaties niet kwantitatief onderzoeken via meta-regressie, aangezien METRICS-scores voor alle studies niet in een geschikt formaat beschikbaar waren, het toewijzen van een enkele QUADAS-2 samenvattingscategorie inherent subjectief is, en meta-regressie met slechts 26 studies en meerdere covariaten onvoldoende statistische kracht zou hebben en gevoelig zou zijn voor overfitting. Ten vijfde waren de meeste opgenomen studies retrospectieve, single-center studies met relatief kleine steekproeven, en externe validatie werd slechts in 9 van de 26 studies gerapporteerd, waarbij de meeste validatiecohorten afkomstig waren uit vergelijkbare institutionele settings, wat de generaliseerbaarheid beperkt. Variabiliteit in beeldgevingsprotocollen, feature extraction pipelines en benaderingen voor modelontwikkeling kunnen de reproduceerbaarheid verder beïnvloeden. Ten zesde was de rapportage van de diagnostische prestaties inconsistent; sommige studies lieten volledige contingentiedata, betrouwbaarheidsintervallen voor AUC's, kalibratiemetrieken of decision curve-analyse weg—allemaal essentieel voor het beoordelen van de toepasbaarheid in de praktijk—wat een aanzienlijke lacune in de kennis vormt. Ondanks deze beperkingen ondersteunt de consistente effectrichting in alle opgenomen studies, waarbij radiomics-gebaseerde modellen een goede diagnostische prestatie vertoonden (gepoolde AUC 0,85, 95% BI 0,82–0,88), de robuustheid van de belangrijkste bevindingen; de hogere en consistentere prestaties van clinicoradiomics-modellen vergeleken met radiomics-only modellen, samen met de hogere gepoolde AUC waargenomen voor MRI-gebaseerde modellen ten opzichte van CT-gebaseerde modellen, biedt klinisch relevante inzichten om toekomstige modelontwikkeling te sturen. Deze beperkingen onderstrepen echter de noodzaak voor prospectieve, multicenter validatiestudies met gestandaardiseerde beeldgevingsprotocollen, volledige rapportage van diagnostische prestatiemetrieken en systematische evaluatie van kalibratie en klinisch nut voordat deze modellen kunnen worden vertaald naar de routinematige klinische praktijk.

Openbaarmakingen

De auteurs hebben geen belangenconflicten. AI-ondersteunde tools zijn gebruikt tijdens de correctie van het bewijs voor taalredactie, consistentiecontrole en de opmaak van figuren. Er zijn geen nieuwe onderzoeksgegevens gegenereerd, en alle wetenschappelijke beslissingen, correcties en de uiteindelijke inhoud zijn beoordeeld en goedgekeurd door de auteurs, die de volledige verantwoordelijkheid voor het artikel dragen.

Dankbetuigingen

Deze studie werd ondersteund door het Beijing Research Ward Excellence Program (BRWEP; No. BRWEP2024W032240102). 

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
meta R-pakketCRANhttps://cran.r-project.org/package=meta
meta R-pakketCRANhttps://cran.r-project.org/package=meta
metafor R-pakketCRANhttps://cran.r-project.org/package=metafor
metafor R-pakketCRANhttps://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 stroomdiagramsjabloonPRISMA Grouphttp://www.prisma-statement.org/
Mplus (indien gebruikt)StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
PRISMA 2020 stroomdiagramsjabloonPRISMA Grouphttp://www.prisma-statement.org/
QUADAS-2 instrumentCochranehttps://www.quadas.org/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
R-software (versie 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
QUADAS-2 instrumentCochranehttps://www.quadas.org/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
R-software (versie 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/

Referenties

  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.

Herprints en machtigingen

Tags

Radiomics-modellenpreoperatieve voorspellingtumorheterogeniteitdiagnostische prestatiesCT-radiomicsMRI-radiomicsclinicoradiomics-modellen
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.