Artykuł badawczy

Cechy wewnątrzguza i okołoguzowe w przewidywaniu inwazji mikro naczyniowej w raku hepatokomórkowym: przegląd systematyczny i metaanaliza

0 wyświetleń

⸱

DOI:

10.3791/72288

⸱

25 września 2026

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

W tym artykule

Podsumowanie

Niniejszy przegląd systematyczny i metaanaliza oceniają wydajność diagnostyczną modeli opartych na radiomice w przedoperacyjnym przewidywaniu naciekania mikronaczyniowego w raku hepatokomórkowym.

Streszczenie

Niniejszy przegląd systematyczny i metaanaliza oceniły wydajność diagnostyczną modeli opartych na radiomice w przewidywaniu naciekania mikro naczyniowego (MVI) w raku hepatokomórkowym (HCC). MVI jest kluczowym czynnikiem rokowniczym w HCC, silnie związanym z wczesnym nawrotem i zmniejszoną przeżywalnością po leczeniu radykalnym. Dokładne przedoperacyjne przewidywanie MVI z wykorzystaniem konwencjonalnych cech klinicznych i obrazowych pozostaje wyzwaniem. Radiomika wyłoniła się jako obiecujące podejście, umożliwiając ilościową analizę heterogeniczności guza na podstawie obrazowania medycznego. Celem niniejszego badania była systematyczna ocena wydajności diagnostycznej modeli opartych na radiomice w przewidywaniu MVI w HCC. Przeprowadzono przegląd systematyczny i metaanalizę, obejmującą 26 badań oceniających modele radiomiczne oparte na CT i MRI. Wyekstrahowano dane dotyczące wydajności diagnostycznej i przeprowadzono analizy zbiorcze z wykorzystaniem modeli efektów losowych, wraz z analizami podgrup według modalności obrazowania i typu modelu. Ogólnie modele radiomiczne wykazały dobrą wydajność diagnostyczną, z łącznym AUC wynoszącym 0,85 (95% CI 0,82–0,88). Modele kliniczno-radiomiczne osiągnęły wyższą i bardziej spójną wydajność niż modele oparte wyłącznie na radiomice (MRI: 0,87 vs 0,85; CT: 0,87 vs 0,81). Wśród modeli opartych na 3D łączna wartość AUC wyniosła 0,85 (95% CI 0,82–0,88). Podsumowując, modele oparte na radiomice wykazują obiecującą wydajność w przedoperacyjnym przewidywaniu MVI w HCC, szczególnie gdy są łączone ze zmiennymi klinicznymi. Jednak znaczna heterogeniczność i ograniczona walidacja zewnętrzna podkreślają potrzebę standaryzacji metodologicznej oraz prospektywnej walidacji wieloośrodkowej przed wdrożeniem klinicznym.

Wprowadzenie

Rakciekomórkowy wątroby (HCC) należy do najczęstszych nowotworów złośliwych na świecie i pozostaje główną przyczyną śmiertelności związanej z rakiem1. Inwazja mikro naczyniowa (MVI) jest kluczową cechą patologiczną związaną z agresywnym przebiegiem guza i jest konsekwentnie łączona z wczesnym nawrotem oraz obniżeniem przeżywalności całkowitej po resekcji lub transplantacji wątroby2,3,4. Jednak przedoperacyjne zidentyfikowanie inwazji mikro naczyniowej pozostaje trudne, ponieważ może ona zostać ostatecznie potwierdzona jedynie w badaniu histopatologicznym wyciętych lub wypreparowanych preparatów. W rezultacie decyzje terapeutyczne często muszą być podejmowane bez bezpośredniej wiedzy o statusie MVI. W obecnej praktyce do oceny prawdopodobieństwa wystąpienia MVI powszechnie i głównie wykorzystuje się wskaźniki pośrednie, w tym wielkość guza, poziom alfa-fetoproteiny w surowicy5, obecność guzków satelitarnych oraz jakościowe cechy obrazowania, takie jak nieregularne brzegi guza, wzmocnienie okołoguzowe i brak torebki6.

Czynniki te są powiązane z MVI na poziomie populacyjnym i są uwzględniane w procesach podejmowania decyzji klinicznych; jednak ich dokładność prognostyczna na poziomie indywidualnego pacjenta pozostaje umiarkowana7,8. Na przykład poziom alfa-fetoproteiny w surowicy jest podwyższony tylko u części pacjentów i charakteryzuje się niską swoistością, podczas gdy cechy obrazowe podlegają zmienności międzyobserwatorowej i zależą od protokołów akwizycji oraz doświadczenia opisującego9,10. Ponadto konwencjonalna ocena obrazowa jest w dużej mierze jakościowa i nie oddaje przestrzennej heterogeniczności architektury guza ani subtelnych zmian mikrośrodowiskowych na styku guz-wątroba, które są związane z mikroskopową inwazją naczyniową11. Ograniczenia te zmniejszają wiarygodność obecnej przedoperacyjnej oceny ryzyka i podkreślają potrzebę zastosowania bardziej solidnych i ilościowych podejść. Radiomika, która umożliwia wysokoprzepustową ekstrakcję cech pochodzących z obrazowania, stanowi sposób uchwycenia heterogeniczności wewnątrz- i wokółguzowej, która może odzwierciedlać podstawową biologię nowotworu12,13. Cechy takie jak okołoguzowe wzmocnienie tętnicze, nieregularne brzegi i hipointensywność w fazie hepatobiliarnej są powiązane z MVI, co potwierdza potencjalną rolę ilościowych modeli opartych na obrazowaniu14.

Zgłaszana wydajność diagnostyczna była jednak niespójna, częściowo ze względu na różnice w modalnościach obrazowania, protokołach akwizycji, metodach segmentacji oraz podejściach do opracowywania modeli. Ponadto większość badań ma charakter retrospektywny i została przeprowadzona w pojedynczych ośrodkach, a stosunkowo niewiele z nich obejmuje niezależną walidację zewnętrzną. W związku z tym celem niniejszego przeglądu systematycznego jest ocena dokładności diagnostycznej modeli opartych na radiomice, w tym modeli opartych na MRI i CT, w przedoperacyjnym przewidywaniu naciekania mikronaczyniowego w raku hepatokomórkowym, z osobnym przedstawieniem danych w zależności od modalności obrazowania, strategii segmentacji i rodzaju modelu, aby uwzględnić heterogeniczność podejść do obrazowania i opracowywania modeli.

Protokół

Strategia wyszukiwania

Przeszukano cztery źródła danych, w tym PubMed (MEDLINE), Embase, Web of Science oraz Cochrane Library, w okresie od stycznia 2015 do kwietnia 2026 roku. Strategię wyszukiwania opracowano poprzez połączenie trzech bloków koncepcyjnych za pomocą operatorów logicznych: terminów związanych z chorobą (hepatocellular carcinoma, HCC, liver cancer, hepatic carcinoma), terminów związanych z metodologią (radiomics, radiomic, texture analysis, quantitative imaging, imaging biomarker) oraz terminów związanych z wynikiem (microvascular invasion, MVI, vascular invasion, microscopic vascular invasion). Ciąg wyszukiwania w bazie PubMed był następujący: (("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]).

Wybór badań

Wszystkie odnalezione rekordy zostały zaimportowane do Rayyan (Qatar Computing Research Institute), internetowej platformy do przeglądów systematycznych, w celu usunięcia duplikatów i przeprowadzenia przesiewu. Dwóch niezależnych recenzentów dokonało przesiewu wszystkich tytułów i streszczeń zgodnie z uprzednio określonymi kryteriami kwalifikowalności. Następnie pobrano pełne teksty artykułów, które zostały niezależnie ocenione przez tych samych dwóch recenzentów pod kątem ostatecznego włączenia do analizy. Kwalifikowano badania raportujące wystarczające dane dotyczące wydajności diagnostycznej, aby mogły one wnieść wkład do co najmniej jednej z określonych wcześniej syntez ilościowych. W przypadku dostępności, do wtórnych analiz dokładności diagnostycznej wyodrębniano dane dotyczące wyników prawdziwie dodatnich, prawdziwie ujemnych, fałszywie dodatnich oraz fałszywie ujemnych. Rozbieżności na dowolnym etapie przesiewania rozstrzygano w drodze dyskusji, a w sytuacjach braku konsensusu ostateczną decyzję podejmował trzeci, starszy recenzent. Proces wyboru badań został podsumowany w schemacie blokowym PRISMA (Rysunek 1). Wszystkie narzędzia i platformy wykorzystane w niniejszym badaniu są wymienione w Tabela materiałów.

Ekstrakcja danych

Dwoje recenzentów niezależnie wyekstrahowało dane ze wszystkich uwzględnionych badań, korzystając ze zestandaryzowanego, przetestowanego formularza ekstrakcji danych. Wyekstrahowane elementy obejmowały charakterystykę badania (pierwszy autor, rok publikacji, kraj, projekt badania, okres rekrutacji oraz typ instytucji), charakterystykę pacjentów (wielkość próby, średni lub medianowy wiek, rozkład płci, częstość występowania MVI, etiologię choroby wątroby oraz charakterystykę guza), charakterystykę obrazowania (modalność, typ skanera, środek kontrastowy i faza obrazowania), metodologię radiomiczną (typ regionu segmentacji; szerokość marginesu peritumoralnego, jeśli dotyczy; metoda wyznaczania ROI; wymiarowość segmentacji), charakterystykę modelu (typ klasyfikatora i strategia walidacji) oraz wskaźniki wydajności diagnostycznej (pole pod krzywą charakterystyki operacyjnej odbiornika [AUC], czułość, swoistość, dodatni iloraz wiarygodności, ujemny iloraz wiarygodności oraz diagnostyczny iloraz szans). W przypadku, gdy w badaniach zgłoszono wiele kwalifikujących się modeli lub kohort, wyekstrahowano odpowiadające im oszacowania na poziomie modelu lub kohorty, wykorzystane w wcześniej określonych analizach ilościowych. Przyrostki (a-d) zostały użyte w Tabelach 1 i 2 w celu rozróżnienia tych oszacowań. Rozbieżności między recenzentami podczas ekstrakcji danych były rozstrzygane drogą konsensusu.

Ocena jakości

Jakość metodologiczna włączonych badań została oceniona przy użyciu dwóch uzupełniających narzędzi. Ryzyko błędu oraz kwestie stosowalności oceniono za pomocą narzędzia Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2)15. Jakość metodologiczną specyficzną dla radiomiki oceniono przy użyciu skali Methodological Radiomics Score (METRICS)16. Ocena jakości została przeprowadzona niezależnie przez dwóch recenzentów, a rozbieżności rozstrzygano drogą konsensusu. Wyniki przedstawiono w formie opisowej oraz graficznej z wykorzystaniem tabel podsumowujących na poziomie domen.

Analiza statystyczna

Wydajność dyskryminacyjną podsumowano za pomocą statystyki C (pole pod krzywą charakterystyki operacyjnej odbiornika [AUC]). Przeprowadzono metaanalizę efektów losowych dla wartości AUC, stosując metodę ograniczonej maksymalnej wiarygodności w celu uwzględnienia zmienności międzybadaniowej. W przypadkach, gdy nie podano ich bezpośrednio, błędy standardowe wyliczono z opublikowanych 95% przedziałów ufności; dla badań bez szacunków wariancji błędy standardowe przybliżono metodą Hanleya i McNeila na podstawie liczby przypadków pozytywnych i negatywnych17. Aby ustabilizować wariancje, wartości AUC poddano transformacji logitowej przed metaanalizą, a następnie transformacji odwrotnej w celu interpretacji. Połączone szacunki przedstawiono wraz z odpowiadającymi im 95% przedziałami ufności. Heterogeniczność międzybadaniową oceniono za pomocą statystyki I2, gdzie wartości 25%, 50% i 75% oznaczały odpowiednio niską, umiarkowaną i wysoką heterogeniczność. Badania skategoryzowano opisowo jako obejmujące tylko guz lub modele uwzględniające zarówno obszary guzowe, jak i okołoguzowe. Nie przeprowadzono oddzielnej ilościowej analizy podgrupy obejmującej wyłącznie obszary okołoguzowe, ponieważ kategoria ta nie była wystarczająco reprezentowana. Dodatkowe analizy podgrup przeprowadzono według modalności obrazowania (TK versus MRI) oraz wymiarowości segmentacji (2D versus 3D). Przeprowadzono dodatkowe analizy ograniczone do modeli walidowanych zewnętrznie w celu oceny generalizowalności. Wszystkie analizy statystyczne wykonano przy użyciu oprogramowania R (wersja 4.4.1). Wykorzystano następujące pakiety R: meta (wersja 7.0-1) i metafor (wersja 4.6-0) do metaanalizy oraz dmetar (wersja 0.1.0) do funkcji uzupełniających. Połączone wartości AUC obliczono za pomocą funkcji metagen z estymatorem ograniczonej maksymalnej wiarygodności. Ustawienia modelu obejmowały korektę Knappa-Hartunga dla przedziałów ufności. Kod analizy został udostępniony jako Plik uzupełniający 2. Dla wszystkich testów za statystycznie istotną uznano dwustronną wartość p mniejszą niż 0,05.

Wyniki

Przegląd literatury pozwolił na zidentyfikowanie 368 rekordów, z czego 89 było duplikatami. Po usunięciu duplikatów przeanalizowano 279 rekordów, a 26 badań spełniło kryteria włączenia (Rysunek 1). Nie zidentyfikowano żadnych dodatkowych badań za pomocą ręcznego przeszukiwania.

Charakterystyka badania

W 26 uwzględnionych badaniach18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 przeważały badania retrospektywne (25 z 26), przy jednym badaniu prospektywnym. Większość badań przeprowadzono w Chinach (23 badania), a pozostałe pochodziły z Europy. Wielkości prób znacznie różniły się między badaniami, przy czym kohorty treningowe liczyły od 66 do 461 pacjentów, a kohorty walidacyjne od 25 do 283 pacjentów. Walidację zewnętrzną przeprowadzono w 9 badaniach, natomiast większość (17 badań) opierała się wyłącznie na walidacji wewnętrznej. Najczęściej stosowaną metodą obrazowania był rezonans magnetyczny (MRI) (17 badań), a następnie tomografia komputerowa (CT) (10 badań), przy czym jedno badanie integrowało zarówno CT, jak i MRI. W większości badań zastosowano podejścia do segmentacji trójwymiarowej (22 badania), podczas gdy dwa badania jawnie wykorzystywały segmentację dwuwymiarową. Pozostałe dwa badania (referencje 18 i 30) nie określiły jasno wymiarowości segmentacji lub zastosowały podejście hybrydowe, którego nie można było jednoznacznie zaklasyfikować; te dwa badania zostały zatem wykluczone z analizy podgrup stratyfikowanej według segmentacji, ale pozostały w ogólnej analizie zbiorczej. Strategie segmentacji różniły się w zależności od badania. Szesnaście badań analizowało wyłącznie obszary guza, natomiast 10 uwzględniało zarówno obszary guza, jak i peritumoralne, zazwyczaj definiowane przy użyciu stałych marginesów radialnych. Badania uwzględniające informacje peritumoralne były częściej prowadzone w późniejszych latach. W uwzględnionych badaniach zidentyfikowano łącznie 26 modeli predykcyjnych. Większość badań (15 z 26) opracowała modele kliniczno-radiomiczne, integrujące cechy radiomiczne ze zmiennymi klinicznymi, podczas gdy 11 badań zastosowało podejścia oparte wyłącznie na radiomice (Tabela 1). Raportowana dokładność, czułość, swoistość oraz odpowiadające im dane z tabel kontyngencji (TP, FP, FN, TN) w uwzględnionych badaniach zostały podsumowane w Tabeli 2.

Dyskryminacja modelu

We wszystkich analizowanych badaniach modele oparte na radiomice wykazały dobrą zdolność dyskryminacyjną w przewidywaniu naciekania mikro naczyniowego. Połączony statystyk C (AUC) z modelu efektów losowych wyniósł 0,85 (95% CI 0,82–0,88), przy znacznej heterogeniczności międzybadawczej (I2 = 77%) (Rysunek 2). Po stratyfikacji według rodzaju modelu, modele kliniczno-radiomiczne wykazały wyższą i bardziej spójną zdolność dyskryminacyjną w porównaniu z modelami opartymi wyłącznie na radiomice. Modele oparte wyłącznie na radiomice dały połączoną wartość AUC wynoszącą 0,84 (95% CI 0,78–0,88), przy znacznej heterogeniczności (I2 = 80%) (Rysunek 2). Z kolei modele uwzględniające zarówno zmienne radiomiczne, jak i kliniczne osiągnęły wyższą połączoną wartość AUC wynoszącą 0,87 (95% CI 0,85–0,89) i wykazały wyraźnie niższą heterogeniczność (I2 = 23%) (Rysunek 2).

W badaniach wykorzystujących segmentację 3D (Rysunek uzupełniający 1) skumulowana wartość AUC wyniosła 0,85 (95% CI 0,82–0,88), przy znacznej heterogeniczności (I2 = 77,8%). W analizie podgrup modele oparte wyłącznie na radiomice osiągnęły skumulowaną wartość AUC na poziomie 0,83 (95% CI 0,78–0,88; I2 = 80,7%), podczas gdy modele kliniczno-radiomiczne wykazały wyższą i bardziej spójną wydajność (AUC 0,87, 95% CI 0,85–0,89; I2 = 15,1%). W badaniach opartych na tomografii komputerowej (CT) (Rysunek uzupełniający 2) skumulowana wartość AUC wyniosła 0,83 (95% CI 0,76–0,88), choć heterogeniczność była wysoka (I2 = 88,6%). Wydajność wydawała się znacznie różnić w przypadku modeli opartych wyłącznie na radiomice (AUC 0,81, 95% CI 0,70–0,89; I2 = 85,1%), natomiast modele uwzględniające zmienne kliniczne charakteryzowały się zarówno wyższą wydajnością, jak i zauważalnie większą spójnością (AUC 0,87, 95% CI 0,83–0,90; I2 = 4,0%). W badaniach opartych na rezonansie magnetycznym (MRI) (Rysunek uzupełniający 3) ogólna dyskryminacja była nieco wyższa, ze skumulowaną wartością AUC 0,86 (95% CI 0,83–0,89) i umiarkowaną heterogenicznością (I2 = 57,6%). Zaobserwowano podobny wzorzec, w którym modele kliniczno-radiomiczne wykazywały nieznacznie lepszą wydajność i mniejszą zmienność (AUC 0,87, 95% CI 0,84–0,90; I2 = 33,4%) w porównaniu do podejść opartych wyłącznie na radiomice (AUC 0,85, 95% CI 0,79–0,89; I2 = 61,7%).

Wydajność walidacji zewnętrznej

Wśród modeli poddanych zewnętrznej walidacji (n=9) ogólna zdolność dyskryminacyjna pozostała wysoka. Połączona wartość AUC wyniosła 0,87 (95% CI 0,82–0,91), przy umiarkowanej heterogeniczności (I2 = 66%) (Rycina uzupełniająca 4). Analiza podgrup w kohortach zewnętrznej walidacji wykazała porównywalną połączoną wydajność między typami modeli, lecz różnice w precyzji. Modele oparte wyłącznie na radiomice osiągnęły połączone AUC na poziomie 0,87 (95% CI 0,78–0,93), natomiast modele kliniczno-radiomiczne uzyskały połączone AUC wynoszące 0,87 (95% CI 0,83–0,91).

Ocena jakości

Ogólna jakość metodologiczna była umiarkowana. Domeny standardu referencyjnego i przepływu (flow) wiązały się konsekwentnie z niskim ryzykiem błędu, ponieważ we wszystkich badaniach zastosowano histopatologię oraz odpowiednie odstępy czasowe między badaniem obrazowym a operacją. Głównym źródłem błędu była domena testu indeksowego, co odzwierciedlało zastosowanie wysokowymiarowych modeli radiomicznych lub uczenia głębokiego, ograniczoną uprzednią specyfikację strategii modelowania oraz niespójne raportowanie powtarzalności. Wybór pacjentów był zazwyczaj obarczony niskim ryzykiem, choć wątpliwości były większe w przypadku mniejszych, retrospektywnych kohort jednocentrycznych (Tabela uzupełniająca 1). Ocena specyficzna dla radiomiki wykazała zmienny rygor metodologiczny (Tabela uzupełniająca 1). Mimo że protokoły obrazowania i segmentacja były zazwyczaj raportowane, testowanie powtarzalności i walidacja zewnętrzna występowały rzadziej. Nowsze badania wieloośrodkowe wykazały poprawę w zakresie projektu badań i praktyk walidacyjnych, choć heterogeniczność metod pozostała znacząca.

DOSTĘPNOŚĆ DANYCH:

Wszystkie dane wygenerowane lub przeanalizowane podczas niniejszego przeglądu systematycznego i metaanalizy zostały zawarte w opublikowanym artykule oraz w plikach z informacjami uzupełniającymi. Strategie wyszukiwania w bazach danych przedstawiono w  Pliku uzupełniającym 1, a kod analizy w programie R znajduje się w Pliku uzupełniającym 2. Wyekstrahowane dane na poziomie poszczególnych badań, wykorzystane do analizy zbiorczej, są w pełni przedstawione w Tabelach 1 i 2, natomiast szczegółowe wyniki oceny jakości znajdują się w Tabeli uzupełniającej 1. Do odtworzenia wyników nie są wymagane żadne dodatkowe pliki z surowymi danymi poza wymienionymi.

figure-results-1
Rycina 1: Schemat blokowy procesu wyboru badań. Schemat blokowy identyfikacji, przesiewania, oceny kwalifikowalności i włączenia badań, z podaniem liczby rekordów na każdym etapie. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-2
Rysunek 2: Wykres leśny wydajności diagnostycznej modeli radiomicznych w przewidywaniu naciekania mikro naczyniowego. Przedstawiono statystyki C (AUC) na poziomie poszczególnych badań oraz połączone statystyki C wraz z 95% przedziałami ufności, z podziałem na typ modelu. Zastosowano modele efektów losowych, a heterogeniczność oceniono za pomocą statystyki I2. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 1: Charakterystyka włączonych badań. Podsumowanie projektu badania, populacji, metody obrazowania, strategii segmentacji, typu modelu oraz podejścia do walidacji. Przyrostki (a–c) wskazują na zastosowanie wielu modeli lub kohort w ramach jednego badania. Skróty: CT = tomografia komputerowa; MRI = obrazowanie rezonansem magnetycznym. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Tabela 2: Wydajność diagnostyczna modeli radiomicznych w przewidywaniu naciekania mikro naczyniowego. Dokładność na poziomie badania, czułość, swoistość oraz dane dotyczące zależności (TP, FP, FN, TN) są przedstawione w podziale na typ modelu i ustawienia walidacji. W razie potrzeby dokonano przeliczenia dokładności. Sufiksy (a–c) oznaczają wiele modeli lub kohort w ramach tego samego badania. Kliknij tutaj, aby pobrać tę tabelę.

Rysunek uzupełniający 1: Wydajność diagnostyczna modeli radiomicznych z wykorzystaniem segmentacji 3D. Wykres leśny przedstawiający statystyki C (AUC) na poziomie poszczególnych badań oraz wartość zbiorczą dla badań, w których zastosowano podejścia do segmentacji 3D, z podziałem na typ modelu (wyłącznie radiomika vs. klinicoradiomika). Analizę przeprowadzono w celu oceny, czy ekstrakcja cech wolumetrycznych 3D, która w bardziej kompleksowy sposób oddaje heterogeniczność przestrzenną, prowadzi do różnic w wydajności w porównaniu z ogólną wartością zbiorczą, oraz w celu oceny heterogeniczności w obrębie każdej podgrupy. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 2: Wydajność diagnostyczna modeli radiomicznych opartych na TK. Wykres leśny przedstawiający statystyki C (AUC) na poziomie poszczególnych badań oraz połączone, dla badań, w których wykorzystano tomografię komputerową (TK) jako metodę obrazowania, z podziałem na typ modelu (wyłącznie radiomika vs klinikoradiomika). Ta analiza podgrup została przeprowadzona w celu oceny, czy modele radiomiczne oparte na TK osiągają wydajność diagnostyczną porównywalną z modelami opartymi na MRI oraz aby ocenić wpływ dodania zmiennych klinicznych na spójność wydajności w obrębie badań z wykorzystaniem TK. Kliknij tutaj, aby pobrać ten plik.

Rycina uzupełniająca 3: Wydajność diagnostyczna modeli radiomicznych opartych na MRI. Wykres leśny przedstawiający statystyki C (AUC) na poziomie poszczególnych badań oraz wartości zbiorcze dla badań, w których zastosowano obrazowanie rezonansem magnetycznym (MRI) jako metodę obrazowania, z podziałem na typ modelu (wyłącznie radiomika vs radiomika kliniczna). Ta analiza podgrup została przeprowadzona w celu oceny, czy lepszy kontrast tkanek miękkich i możliwości multiparametryczne MRI przekładają się na wyższą zdolność dyskryminacyjną w przewidywaniu MVI w porównaniu z modelami opartymi na TK. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 4: Wydajność diagnostyczna modeli zwalidowanych zewnętrznie. Wykres leśny przedstawiający statystyki C (AUC) na poziomie poszczególnych badań oraz statystyki zbiorcze dla modeli poddanych walidacji zewnętrznej w niezależnych kohortach, z podziałem na typ modelu (wyłącznie radiomika vs klinikoradiomika). Analizę tę przeprowadzono specjalnie w celu oceny możliwości generalizacji modeli opartych na radiomice na niezależne zbiory danych oraz w celu ustalenia, czy występuje spadek wydajności podczas stosowania modeli w populacjach zewnętrznych, co stanowi krytyczny wskaźnik przydatności klinicznej. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Ocena jakości uwzględnionych badań.Szczegółowe wyniki oceny jakości metodologicznej z wykorzystaniem narzędzia QUADAS-2 dla każdego uwzględnionego badania. Tabela przedstawia oceny ryzyka błędu (risk-of-bias) oraz kwestie związane z możliwością zastosowania (applicability concerns) w czterech domenach: wybór pacjentów, test indeksowy, standard referencyjny oraz przepływ i czas. Każda domena jest oceniana jako „niskie ryzyko”, „wysokie ryzyko” lub „niejasne ryzyko”, a oceny są poparte konkretnymi uzasadnieniami zaczerpniętymi z każdego badania. Pozwala to czytelnikom ocenić rygor metodologiczny poszczególnych badań i zidentyfikować potencjalne źródła błędów, które mogą wpłynąć na oszacowania zbiorcze. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Strategie przeszukiwania baz danych.W niniejszym dokumencie zestawiono wszystkie strategie przeszukiwania baz danych. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Kod analizy w programie R. Kod wykorzystany do przeprowadzenia tej analizy znajduje się w tym dokumencie. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

W niniejszym przeglądzie systematycznym i metaanalizie 26 badań stwierdzono, że modele oparte na radiomice wykazują dobrą, choć zróżnicowaną, skuteczność w przedoperacyjnym przewidywaniu naciekania mikro naczyniowego w raku wątrobowokomórkowym, przy czym większość szacunków AUC mieści się w przedziale od około 0,80 do 0,90. W analizowanych badaniach dokładność diagnostyczna była zazwyczaj umiarkowana do wysokiej, a czułość i swoistość zazwyczaj przekraczały 70%, choć skuteczność nie była jednolita. Modele uwzględniające zmienne kliniczne wykazywały tendencję do bardziej spójnej dyskryminacji i wyższej swoistości niż modele oparte wyłącznie na radiomice. Ponadto podejścia oparte na MRI wykazały nieco wyższą skuteczność niż modele oparte na CT. Wyniki te należy jednak interpretować w kontekście znacznej heterogeniczności międzybadawczej oraz różnic w projektach badań, protokołach obrazowania i strategiach modelowania, co prawdopodobnie przyczyniło się do zaobserwowanych różnic w skuteczności.

Kilka wcześniejszych metaanaliz oceniało radiomikę w przewidywaniu MVI w HCC. Jedno badanie44 objęło 13 publikacji i wykazało skumulowaną wartość AUC wynoszącą 0,88 dla radiomiki opartej na MRI, przy czym modele łączone osiągały lepsze wyniki niż podejścia oparte wyłącznie na radiomice (AUC: 0,90 vs 0,85). Inne badanie45 przeanalizowało 26 prac obejmujących 3 539 pacjentów z solitarnym HCC i wykazało skumulowaną wartość AUC wynoszącą 0,85 (95% CI 0,82–0,88) dla modeli radiomicznych. Niniejsza synteza rozszerza te ustalenia, wykazując wyższą i bardziej spójną wydajność modeli kliniczno-radiomicznych (AUC 0,87) w porównaniu z modelami opartymi wyłącznie na radiomice (AUC 0,84), co podkreśla dodatkową wartość integracji zmiennych klinicznych. Ponadto, oddzielne analizy z podziałem na modalność obrazowania — wykazujące, że MRI (0,86) wypada lepiej niż CT (0,83) — dostarczają dokładniejszych szacunków niż wcześniejsze prace. Kolejna metaanaliza przeprowadzona przez inną grupę46 obejmowała badania CT i MRI, lecz koncentrowała się głównie na stratyfikacji ryzyka, a nie na porównaniach typów modeli. Niniejsze badanie rozszerza dotychczasowe prace poprzez porównanie modeli opartych wyłącznie na radiomice oraz modeli kliniczno-radiomicznych w różnych modalnościach obrazowania, a także poprzez oddzielną ocenę modeli zwalidowanych zewnętrznie. Te stopniowe innowacje zapewniają bardziej niuansowe zrozumienie wydajności modeli radiomicznych i oferują jaśniejsze wytyczne dla przyszłego rozwoju modeli oraz ich translacji klinicznej.

Wyższa i bardziej spójna wydajność zaobserwowana w modelach uwzględniających zmienne kliniczne w tej metaanalizie jest zgodna z patofizjologią naciekania mikro naczyniowego. Naciekanie mikro naczyniowe polega na rozprzestrzenianiu się guza do małych gałęzi żyły wrotnej na marginesie guza, często z towarzyszącymi mikroskopijnymi zakrzepami nowotworowymi oraz zmianami w lokalnym ukrwieniu wątroby. Zmiany te są najbardziej wyraźne na styku guza i wątroby, a nie w samym rdzeniu guza, co wyjaśnia, dlaczego cechy obrazowania odzwierciedlające ten obszar są wielokrotnie wiązane z MVI. Na przykład, okoguźne wzmocnienie tętnicze oraz hipointensywność w fazie hepatobiliarnej powiązano ze zmniejszonym napływem żylnym z żyły wrotnej i kompensacyjną hiperperfuzją tętniczą spowodowaną mikroskopijną niedrożnością naczyniową, natomiast nieregularne lub niesmożone marginesy guza odzwierciedlają infiltracyjne wzorce wzrostu, które wykraczają poza widoczną granicę guza. Ilościowe obrazowanie umożliwia systematyczną charakterystykę tekstury i intensywności sygnału w obrębie i wokół guza, co odzwierciedla różnice w gęstości komórkowej, martwicy oraz strukturze mikro naczyniowej.

Wyniki te wskazują, że same cechy obrazowania są niewystarczające do dokładnej charakterystyki ryzyka naciekania mikro naczyniowego. W analizowanych badaniach modele oparte wyłącznie na radiomice wykazały znaczną heterogenność i nieco niższą zdolność dyskryminacyjną w porównaniu z modelami kliniczno-radiomicznymi. Prawdopodobnie odzwierciedla to fakt, że naciekanie mikro naczyniowe nie jest determinowane wyłącznie przez lokalne cechy obrazowe, lecz także przez biologię guza na poziomie systemowym. Czynniki kliniczne, takie jak podwyższony poziom alfa-fetoproteiny, większy rozmiar guza oraz upośledzona funkcja wątroby, są uznanymi markerami agresywności nowotworu i są konsekwentnie kojarzone z naciekaniem naczyniowym oraz wczesnym nawrotem. Większe guzy częściej naciekają sąsiednie mikro naczynia, natomiast podwyższony poziom AFP wiąże się z gorszym zróżnicowaniem i bardziej agresywnymi fenotypami. Integracja tych zmiennych z cechami obrazowymi dostarcza zatem uzupełniających informacji, łącząc lokalne dowody mikroskopijnego naciekania z szerszymi wskaźnikami zachowania guza. Przejawia się to w niniejszej analizie, w której modele kliniczno-radiomiczne nie tylko osiągnęły wyższe skumulowane wartości AUC, ale także wykazały znacznie niższą heterogenność, co sugeruje większą stabilność w różnych warunkach badawczych.

Mechanistyczna podstawa wartości prognostycznej peritumorystycznych cech radiomicznych tkwi w zmianach patofizjologicznych związanych z MVI na styku guza i wątroby. Inwazja mikronaczyniowa obejmuje zatory komórek nowotworowych w obrębie odgałęzień żyły wrotnej sąsiadujących z brzegiem guza, co prowadzi do częściowej lub całkowitej niedrożności małych żyłek wrotnych. Niedrożność ta skutkuje zmniejszonym napływem żylnym z układu wrotnego do peritumorystycznego miąższu wątroby, przy jednoczesnej kompensacyjnej hiperperfuzji tętniczej — zjawisku tym przejawiającym się w obrazowaniu jako peritumorystyczne wzmocnienie tętnicze lub heterogeniczność perfuzji. Ponadto mikroskopijne zakrzepy nowotworowe wywołują miejscowe reakcje zapalne i zmieniają mikroarchitekturę tkanki, co może zostać uchwycone przez radiomiczne cechy tekstury odzwierciedlające zmiany w gęstości komórkowej, nekrozie i gęstości mikronaczyniowej. Badania patomorfologiczne wykazały, że zmiany peritumorystyczne wykraczają poza makroskopową granicę guza, co stanowi biologiczne uzasadnienie dla włączania obszarów peritumorystycznych o różnych marginesach radialnych do modeli radiomicznych. Spójny związek między obrazowymi cechami peritumorystycznymi a MVI w analizowanych badaniach opiera się zatem na tych podstawowych zmianach naczyniowych i mikrostrukturalnych, co nadaje biologiczne prawdopodobieństwo ilościowym wynikom obrazowania.

Nieco wyższa skuteczność zaobserwowana w modelach opartych na MRI jest również zgodna ze znanymi różnicami w możliwościach obrazowania. MRI umożliwia ocenę multiparametryczną, taką jak dyfuzja, perfuzja i swoisty dla hepatocytów wychwyt kontrastu, które są powiązane z różnicowaniem guza i naciekaniem naczyniowym45. Hipointensywność w fazie hepatobiliarnej oraz zmiany sygnału okoguza są łatwiej wykrywalne w MRI. Cechy te odzwierciedlają upośledzoną funkcję hepatocytów i zaburzoną perfuzję związaną z mikroskopowym rozprzestrzenianiem się guza. CT opiera się głównie na wzorcach wzmocnienia kontrastowego. Jest ono mniej czułe na te zmiany. Może to wyjaśniać większą zmienność zaobserwowaną w modelach opartych na CT.

Warto zauważyć, że niniejszy przegląd skupił się na radiomice opartej na CT i MRI, ponieważ były to dominujące modalności w literaturze. Jednak radiomika PET/CT może oferować uzupełniającą wartość w przewidywaniu MVI poprzez charakteryzację metabolizmu guza, hipoksji i heterogeniczności biologicznej — cech, których nie obejmuje samo obrazowanie anatomiczne lub funkcjonalne MRI. Pojawiające się dowody sugerują, że parametry metaboliczne, takie jak SUVmax, oraz cechy teksturalne z PET mogą korelować z agresywnością guza i inwazją naczyniową. Niemniej jednak baza dowodów dla radiomiki PET/CT w przewidywaniu MVI pozostaje ograniczona w porównaniu z CT i MRI, a obszar ten wymaga dalszych badań w przyszłych studiach. Wyniki te mają znaczenie dla praktyki klinicznej, szczególnie w ocenie przedoperacyjnej raka wątrobowokomórkowego. Przedoperacyjna identyfikacja inwazji mikronaczyniowej pozostaje trudna i wpływa na wybór resekcji, transplantacji lub terapii miejscowej. Ilościowe modele obrazowania, które uwzględniają zmienne kliniczne, mogą poprawić stratyfikację ryzyka ponad rutynowe obrazowanie i markery surowicze. Wysokie przewidywane ryzyko może uzasadniać zastosowanie szerszych marginesów lub ściślejszego nadzoru pooperacyjnego u pacjentów rozważanych do resekcji. Podobnie, poprawiona stratyfikacja ryzyka może być pomocna w decyzjach dotyczących wyboru i wpisania na listę oczekujących, szczególnie w przypadkach granicznych u kandydatów do transplantacji.

Należy zauważyć, że choć głównym celem tej metaanalizy była wydajność dyskryminacyjna (AUC), kalibracja i użyteczność kliniczna są równie istotne dla zastosowań w rzeczywistych warunkach. Metryki kalibracji — takie jak test Hosmera-Lemeshow oraz wykresy kalibracyjne — oceniają zgodność między ryzykiem przewidywanym a obserwowanym i są kluczowe dla podejmowania świadomych decyzji klinicznych. Analiza krzywej decyzyjnej ocenia korzyść netto z zastosowania modelu przy różnych progach ryzyka, co ma bezpośrednie znaczenie dla praktyki klinicznej. Jednakże, spośród włączonych badań, tylko mniejszość raportowała miary kalibracji lub analizę krzywej decyzyjnej, co stanowi znaczną lukę w wiedzy. Przyszłe badania powinny priorytetowo traktować raportowanie tych metryk, aby ułatwić translację kliniczną i zapewnić, że przewidywania modelu są zarówno dokładne, jak i możliwe do zastosowania w praktyce.

Pomimo zaobserwowanych obiecujących wyników, modele te nie są jeszcze gotowe do rutynowego zastosowania klinicznego. Większość badań miała charakter retrospektywny i była przeprowadzana w pojedynczych ośrodkach, przy znacznych różnicach w protokołach obrazowania, metodach segmentacji oraz opracowaniu modeli. Walidacja zewnętrzna była ograniczona, a w przypadkach, gdy ją przeprowadzono, kohorty walidacyjne były często niewielkie lub pochodziły z podobnych populacji. Niewiele badań oceniało kalibrację, użyteczność kliniczną lub wpływ zastosowania modelu na decyzje terapeutyczne. Ograniczenia te są istotne w praktyce, gdzie decyzje dotyczące marginesów resekcji, kwalifikacji do przeszczepu oraz intensywności nadzoru wymagają wiarygodnych i uogólnialnych szacunków ryzyka. Ponadto zmienność w akwizycji i przetwarzaniu obrazów pomiędzy ośrodkami może wpływać na wydajność i powtarzalność modelu, co dodatkowo ogranicza jego wdrożenie do rutynowej opieki. Obecnie modele te należy traktować jako uzupełnienie uznanych ocen klinicznych i obrazowych, a nie jako samodzielne narzędzia. Przyszłe prace powinny skupić się na prospektywnej walidacji wieloośrodkowej, standaryzacji metod obrazowania i analitycznych oraz ocenie użyteczności klinicznej, w tym sprawdzeniu, czy stosowanie tych modeli poprawia proces podejmowania decyzji i wyniki pacjentów.

Niniejsze badanie posiada kilka ograniczeń. Po pierwsze, rozkład geograficzny był silnie przesunięty, gdyż 23 z 26 badań (88,5%) przeprowadzono w Chinach i tylko 3 w regionach europejskich, co znacznie ogranicza możliwość generalizacji wyników na globalną populację pacjentów z HCC, biorąc pod uwagę różnice etiologiczne między HCC w krajach wschodnich (związanym z wirusowym zapaleniem wątroby) a zachodnich (związanym z zaburzeniami metabolicznymi); formalna analiza podgrup według regionów nie mogła zostać wiarygodnie przeprowadzona, ponieważ podgrupa zachodnia nie spełniła minimalnego wymaganego rozmiaru próby (≥10 badań). Po drugie, dla kilku badań niedostępne były pełne dane z tabel kontyngencji 2 × 2, a definicje progów znacząco się różniły; w związku z tym główna synteza ilościowa skupiła się na AUC, a nie na zbiorczych miarach dokładności diagnostycznej zależnych od progu (jak przedstawiono w streszczeniu), ponieważ kompleksowa metaanaliza tych wskaźników dla wszystkich 26 włączonych badań nie była możliwa. Wynikało to z faktu, że w kilku badaniach pominięto pełne tabele kontyngencji, a co ważniejsze, wystąpiła znaczna heterogeniczność w definicjach progów pomiędzy badaniami, co sprawia, że jakiekolwiek nieskorygowane łączenie tych wskaźników byłoby metodologicznie niewiarygodne bez uwzględnienia efektów progowych. Po trzecie, nie można było przeprowadzić dodatkowych analiz podgrup w podziale na średnicę guza, rodzaj środka kontrastowego, szerokość marginesu okołoguzowego lub typ klasyfikatora ze względu na niespójne raportowanie i niewystarczające rozmiary próbek w podgrupach (tylko 1–3 badania na typ klasyfikatora), co ograniczyło możliwość zbadania źródeł znacznej heterogeniczności między badaniami (I2= 77%). Po czwarte, autorzy nie mogli ilościowo zbadać związku między jakością metodologiczną a wydajnością modelu za pomocą metaregresji, ponieważ wyniki METRICS nie były dostępne w odpowiednim formacie dla wszystkich badań, przypisanie pojedynczej kategorii podsumowującej QUADAS-2 jest z natury subiektywne, a metaregresja przy zaledwie 26 badaniach i wielu współzmiennych byłaby zbyt mało czuła i podatna na przeuczenie (overfitting). Po piąte, większość włączonych badań miała charakter retrospektywnych badań jednocentrowych z relatywnie małymi rozmiarami próbek, a walidację zewnętrzną zgłoszono tylko w 9 z 26 badań, przy czym większość kohort walidacyjnych pochodziła z podobnych ośrodków instytucjonalnych, co ogranicza generalizację. Zmienność protokołów obrazowania, potoków ekstrakcji cech oraz podejść do opracowania modelu może dodatkowo wpływać na powtarzalność. Po szóste, raportowanie wydajności diagnostycznej było niespójne, a niektóre badania pomijały pełne dane kontyngencji, przedziały ufności dla AUC, wskaźniki kalibracji lub analizę krzywych decyzyjnych — wszystkie one są niezbędne do oceny przydatności w rzeczywistej praktyce — co stanowi znaczną lukę w wiedzy. Mimo tych ograniczeń, spójny kierunek efektu we wszystkich włączonych badaniach, w których modele oparte na radiomice wykazały dobrą wydajność diagnostyczną (zbiorcze AUC 0.85, 95% CI 0.82–0.88), potwierdza wiarygodność głównych wniosków; wyższa i bardziej spójna wydajność modeli kliniczno-radiomicznych w porównaniu z modelami opartymi wyłącznie na radiomice, wraz z wyższym zbiorczym AUC zaobserwowanym dla modeli opartych na MRI niż na CT, dostarcza klinicznie istotnych informacji, które mogą ukierunkować przyszły rozwój modeli. Jednakże ograniczenia te podkreślają potrzebę przeprowadzenia prospektywnych, wieloośrodkowych badań walidacyjnych ze zstandaryzowanymi protokołami obrazowania, pełnym raportowaniem wskaźników wydajności diagnostycznej oraz systematyczną oceną kalibracji i użyteczności klinicznej, zanim modele te zostaną wprowadzone do rutynowej praktyki klinicznej.

Oświadczenia

Autorzy nie mają żadnych konfliktów interesów. Podczas korekty językowej wykorzystano narzędzia wspomagane przez AI w celu redakcji językowej, sprawdzenia spójności oraz formatowania rycin. Nie wygenerowano nowych danych badawczych, a wszystkie decyzje naukowe, poprawki i ostateczna treść zostały zweryfikowane i zatwierdzone przez autorów, którzy ponoszą pełną odpowiedzialność za artykuł.

Podziękowania

Niniejsze badanie było wspierane przez Beijing Research Ward Excellence Program (BRWEP; nr BRWEP2024W032240102). 

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
Cochrane LibraryWileyhttps://www.cochranelibrary.com/
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
pakiet meta RCRANhttps://cran.r-project.org/package=meta
pakiet meta RCRANhttps://cran.r-project.org/package=meta
pakiet metafor RCRANhttps://cran.r-project.org/package=metafor
pakiet metafor RCRANhttps://cran.r-project.org/package=metafor
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/microsoft-365/excel
Szablon schematu blokowego PRISMA 2020PRISMA Grouphttp://www.prisma-statement.org/
Mplus (jeśli użyto)StatModelhttps://www.statmodel.com/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
Szablon schematu blokowego PRISMA 2020PRISMA Grouphttp://www.prisma-statement.org/
Narzędzie QUADAS-2Cochranehttps://www.quadas.org/
PubMed (MEDLINE)National Library of Medicinehttps://pubmed.ncbi.nlm.nih.gov/
Oprogramowanie R (wersja 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
Narzędzie QUADAS-2Cochranehttps://www.quadas.org/
RayyanQatar Computing Research Institutehttps://www.rayyan.ai/
Oprogramowanie R (wersja 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/

Bibliografia

  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.

Przedruki i uprawnienia

Tagi

Modele radiomicznepredykcja przedoperacyjnaheterogenność guzawydajność diagnostycznaradiomika TKradiomika MRImodele kliniczno-radiomiczne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.