Исследовательская статья

Интратуморальные и перитуморальные характеристики для прогнозирования микрососудистой инвазии при гепатоцеллюлярном раке: систематический обзор и метаанализ

0 просмотров

⸱

DOI:

10.3791/72288

⸱

25 сентября 2026 г.

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

В этой статье

Краткое содержание

В данном систематическом обзоре и метаанализе оценивается диагностическая эффективность моделей на основе радиомики для предоперационного прогнозирования микрососудистой инвазии при гепатоцеллюлярной карциноме.

Аннотация

В данном систематическом обзоре и метаанализе оценивалась диагностическая эффективность моделей на основе радиомики для прогнозирования микрососудистой инвазии (MVI) при гепатоцеллюлярной карциноме (ГЦК). MVI является ключевым прогностическим фактором при ГЦК, тесно связанным с ранним рецидивированием и снижением выживаемости после радикального лечения. Точное предоперационное прогнозирование MVI с использованием стандартных клинических данных и характеристик визуализации остается сложной задачей. Радиомика стала перспективным подходом, позволяющим проводить количественный анализ гетерогенности опухоли по медицинским изображениям. Целью данного исследования была систематическая оценка диагностической эффективности радиомиксных моделей для прогнозирования MVI при ГЦК. Был проведен систематический обзор и метаанализ, включивший 26 исследований, в которых оценивались радиомиксные модели на основе КТ и МРТ. Были извлечены данные о диагностической эффективности и проведен суммарный анализ с использованием моделей со случайными эффектами, а также подгрупповой анализ по модальности визуализации и типу модели. В целом радиомиксные модели продемонстрировали хорошую диагностическую эффективность с суммарным значением AUC 0,85 (95% ДИ 0,82–0,88). Клинико-радиомиксные модели показали более высокую и стабильную эффективность, чем модели, основанные только на радиомике (МРТ: 0,87 против 0,85; КТ: 0,87 против 0,81). Среди моделей на основе 3D-реконструкции суммарное значение AUC составило 0,85 (95% ДИ 0,82–0,88). В заключение следует отметить, что модели на основе радиомики демонстрируют многообещающую эффективность для предоперационного прогнозирования MVI при ГЦК, особенно в сочетании с клиническими переменными. Однако значительная гетерогенность и ограниченная внешняя валидация подчеркивают необходимость методологической стандартизации и проспективной многоцентровой валидации перед внедрением в клиническую практику.

Введение

Гепатоцеллюлярная карцинома (ГЦК) входит в число наиболее распространенных злокачественных новообразований в мире и остается одной из основных причин смертности от рака1. Микрососудистая инвазия (МСИ) является ключевым патологическим признаком, связанным с агрессивным поведением опухоли, и неизменно коррелирует с ранним рецидивированием и снижением общей выживаемости после резекции или трансплантации печени2,3,4. Однако предоперационное выявление микрососудистой инвазии остается сложной задачей, так как она может быть окончательно подтверждена только при гистопатологическом исследовании резецированных или эксплантированных образцов. В результате решения о лечении часто приходится принимать без прямых знаний о статусе МСИ. В современной практике для оценки вероятности МСИ широко и преимущественно используются косвенные показатели, включая размер опухоли, уровень альфа-фетопротеина в сыворотке крови5, наличие сателлитных узлов, а также качественные признаки визуализации, такие как неровные края опухоли, перитуморальное усиление и отсутствие капсулы6.

Эти факторы ассоциированы с MVI на популяционном уровне и используются при принятии клинических решений; однако их прогностическая точность на уровне отдельного пациента остается умеренной7,8. Например, уровень сывороточного альфа-фетопротеина повышен лишь у части пациентов и не обладает специфичностью, в то время как признаки при визуализации подвержены межоператорской вариабельности и зависят от протоколов получения изображений и опыта интерпретатора9,10. Кроме того, стандартная оценка по данным визуализации носит преимущественно качественный характер и не позволяет зафиксировать пространственную гетерогенность архитектуры опухоли или тонкие микросредовые изменения на границе опухоли и печени, которые ассоциированы с микроскопической сосудистой инвазией11. Эти ограничения снижают надежность текущей предоперационной оценки рисков и подчеркивают необходимость в более надежных и количественных подходах. Радиомика, позволяющая осуществлять высокопроизводительное извлечение признаков из изображений, предоставляет возможность фиксировать внутриопухолевую и периопухолевую гетерогенность, которая может отражать базовую биологию опухоли12,13. Такие признаки, как периопухолевое артериальное усиление, неровные края и гипоинтенсивность в гепатобилиарную фазу, ассоциированы с MVI, что подтверждает потенциальную роль количественных моделей на основе визуализации14.

Однако сообщаемые показатели диагностической эффективности были противоречивыми, отчасти из-за различий в методах визуализации, протоколах сбора данных, методах сегментации и подходах к разработке моделей. Кроме того, большинство исследований являются ретроспективными и проводятся в рамках одного центра, и сравнительно немногие включают независимую внешнюю валидацию. Таким образом, целью данного систематического обзора является оценка диагностической точности моделей на основе радиомики, включая модели на базе МРТ и КТ, для предоперационного прогнозирования микрососудистой инвазии при гепатоцеллюлярной карциноме, с разделением данных по методу визуализации, стратегии сегментации и типу модели, чтобы учесть неоднородность подходов к визуализации и разработке моделей.

Протокол

Стратегия поиска

Был проведен поиск по четырем источникам данных, включая PubMed (MEDLINE), Embase, Web of Science и Cochrane Library, за период с января 2015 года по апрель 2026 года. Стратегия поиска была разработана путем объединения трех концептуальных блоков с помощью булевых операторов: терминов, относящихся к заболеванию (hepatocellular carcinoma, HCC, liver cancer, hepatic carcinoma), терминов, относящихся к методологии (radiomics, radiomic, texture analysis, quantitative imaging, imaging biomarker), и терминов, относящихся к исходу (microvascular invasion, MVI, vascular invasion, microscopic vascular invasion). Поисковый запрос для PubMed был следующим: (("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]).

Отбор исследований

Все полученные записи были импортированы в Rayyan (Qatar Computing Research Institute), веб-платформу для проведения систематических обзоров, для удаления дубликатов и скрининга. Два независимых рецензента провели скрининг всех названий и аннотаций на соответствие заранее определенным критериям приемлемости. Затем были получены полнотекстовые статьи, которые те же два рецензента независимо оценили для окончательного включения в обзор. Приемлемыми считались исследования, содержащие достаточные данные о диагностической эффективности для участия как минимум в одном заранее определенном количественном синтезе. При наличии извлекались данные об истинно-положительных, истинно-отрицательных, ложно-положительных и ложно-отрицательных результатах для вторичного анализа диагностической точности. Разногласия на любом этапе скрининга разрешались путем обсуждения, а в случаях, когда консенсус не был достигнут, решение принимал третий старший рецензент. Процесс отбора исследований обобщен в блок-схеме PRISMA (Рисунок 1). Все инструменты и платформы, использованные в данном исследовании, перечислены в Таблице материалов.

Извлечение данных

Два рецензента независимо извлекали данные из всех включенных исследований, используя стандартизированную, апробированную форму извлечения данных. Извлекаемые элементы включали характеристики исследования (первый автор, год публикации, страна, дизайн исследования, период набора участников и тип учреждения), характеристики пациентов (размер выборки, средний или медианный возраст, распределение по полу, распространенность MVI, этиология заболевания печени и характеристики опухоли), характеристики визуализации (модальность, тип сканера, контрастное вещество и фаза визуализации), методологию радиомики (тип области сегментации; ширина перитуморального края, если применимо; метод определения ROI; размерность сегментации), характеристики модели (тип классификатора и стратегия валидации), а также показатели диагностической эффективности (площадь под ROC-кривой [AUC], чувствительность, специфичность, отношение положительного правдоподобия, отношение отрицательного правдоподобия и отношение диагностических шансов). В случаях, когда в исследованиях сообщалось о нескольких подходящих моделях или когортах, извлекались соответствующие оценки на уровне модели или когорты, использованные в заранее определенных количественных анализах. В Таблицах 1 и 2 используются суффиксы (a-d) для разграничения этих оценок. Расхождения между рецензентами в процессе извлечения данных разрешались путем достижения консенсуса.

Оценка качества

Методологическое качество включенных исследований оценивали с помощью двух взаимодополняющих инструментов. Риск систематической ошибки и вопросы применимости анализировали с использованием инструмента Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2)15. Методологическое качество специфично для радиомики оценивали с помощью Methodological Radiomics Score (METRICS)16. Оценка качества проводилась двумя рецензентами независимо, разногласия разрешались путем достижения консенсуса. Результаты представлены в описательном виде и графически с помощью сводных таблиц по доменам.

Статистический анализ

Дискриминационная способность была обобщена с помощью C-статистики (площадь под ROC-кривой [AUC]). Для учета вариабельности между исследованиями был проведен метаанализ значений AUC с использованием метода ограниченного максимального правдоподобия (restricted maximum likelihood method) с эффектами случайного распределения. В случаях, когда стандартные ошибки не были указаны напрямую, они вычислялись на основе опубликованных 95% доверительных интервалов; для исследований без оценок дисперсии стандартные ошибки аппроксимировались по методу Hanley и McNeil на основе количества положительных и отрицательных случаев17. Для стабилизации дисперсии значения AUC подвергались логит-преобразованию перед метаанализом и обратному преобразованию для интерпретации. Объединенные оценки были представлены с соответствующими 95% доверительными интервалами. Гетерогенность между исследованиями оценивалась с помощью статистики I2, где значения 25%, 50% и 75% соответствовали низкой, умеренной и высокой гетерогенности соответственно. Исследования были описательно разделены на категорию «только опухоль» и модели, включающие как опухолевые, так и перитуморальные области. Отдельный количественный анализ подгруппы «только перитуморальные области» не проводился, так как эта категория была недостаточно представлена. Дополнительные анализы в подгруппах проводились в зависимости от метода визуализации (КТ или МРТ) и размерности сегментации (2D или 3D). Дополнительные анализы были проведены с ограничением только внешне валидированными моделями для оценки обобщающей способности. Все статистические анализы выполнялись с использованием программного обеспечения R (версия 4.4.1). Были использованы следующие пакеты R: meta (версия 7.0-1) и metafor (версия 4.6-0) для метаанализа, а также dmetar (версия 0.1.0) для вспомогательных функций. Объединенные значения AUC рассчитывались с помощью функции metagen с использованием оценки ограниченного максимального правдоподобия. Настройки модели включали поправку Кнаппа-Хартунга (Knapp-Hartung adjustment) для доверительных интервалов. Код анализа представлен в Дополнительном файле 2. Для всех тестов статистически значимым считалось двустороннее значение p < 0,05.

Результаты

В результате литературного поиска было выявлено 368 записей, из которых 89 оказались дубликатами. После удаления дубликатов было проанализировано 279 записей, и 26 исследований соответствовали критериям включения (Рисунок 1). Дополнительных исследований в ходе ручного поиска выявлено не было.

Характеристики исследования

26 включенных исследований18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43 были преимущественно ретроспективными (25 из 26), при этом одно исследование было проспективным. Большинство работ было проведено в Китае (23 исследования), остальные — в Европе. Размер выборки значительно варьировался в зависимости от исследования: обучающие когорты насчитывали от 66 до 461 пациента, а валидационные — от 25 до 283 пациентов. Внешняя валидация проводилась в 9 исследованиях, тогда как в большинстве (17 исследований) полагались исключительно на внутреннюю валидацию. Наиболее часто используемым методом визуализации была магнитно-резонансная томография (МРТ) (17 исследований), за которой следовала компьютерная томография (КТ) (10 исследований), при этом в одном исследовании сочетались КТ и МРТ. В большинстве работ применялись методы трехмерной сегментации (22 исследования), в то время как в двух исследованиях эксплицитно использовалась двухмерная сегментация. В оставшихся двух исследованиях (ссылки 18 и 30) размерность сегментации не была четко указана или применялся гибридный подход, который невозможно было однозначно классифицировать; поэтому эти два исследования были исключены из анализа подгрупп по типу сегментации, но остались в общем объединенном анализе. Стратегии сегментации различались в разных исследованиях. В шестнадцати работах анализировались только области опухоли, тогда как в 10 исследованиях учитывались как опухолевые, так и перитуморальные области, которые обычно определялись с использованием фиксированных радиальных отступов. Исследования, включающие перитуморальную информацию, чаще проводились в более поздние годы. Всего в рамках включенных исследований было выявлено 26 прогностических моделей. В большинстве работ (15 из 26) были разработаны клинико-радиомные модели, объединяющие радиомные признаки с клиническими переменными, в то время как в 11 исследованиях использовались подходы, основанные только на радиомике (Таблица 1). Данные об сообщенной точности, чувствительности, специфичности и соответствующие данные таблиц сопряженности (ИСТ, ЛП, ЛО, ИО) по всем включенным исследованиям обобщены в Таблице 2.

Различение моделей

Во всех включенных исследованиях модели на основе радиомики продемонстрировали хорошую дискриминационную способность при прогнозировании микрососудистой инвазии. Объединенный C-статистика (AUC) согласно модели со случайными эффектами составил 0.85 (95% ДИ 0.82–0.88) при значительной межисследовательской гетерогенности (I2 = 77%) (Рисунок 2). При стратификации по типу модели клинико-радиомические модели продемонстрировали более высокую и стабильную дискриминационную способность по сравнению с моделями, основанными только на радиомике. Модели, основанные только на радиомике, дали объединенный AUC 0.84 (95% ДИ 0.78–0.88) при значительной гетерогенности (I2 = 80%) (Рисунок 2). Напротив, модели, включающие как радиомические, так и клинические переменные, достигли более высокого объединенного AUC 0.87 (95% ДИ 0.85–0.89) и показали заметно более низкую гетерогенность (I2 = 23%) (Рисунок 2).

Среди исследований с использованием 3D-сегментации (Дополнительный рисунок 1) суммарный показатель AUC составил 0,85 (95% ДИ 0,82–0,88) при значительной неоднородности (I2 = 77,8%). При анализе в подгруппах модели, основанные только на радиомике, достигли суммарного AUC 0,83 (95% ДИ 0,78–0,88; I2 = 80,7%), тогда как клинико-радиомические модели продемонстрировали более высокую и стабильную эффективность (AUC 0,87, 95% ДИ 0,85–0,89; I2 = 15,1%). В исследованиях на основе КТ (Дополнительный рисунок 2) суммарный AUC составил 0,83 (95% ДИ 0,76–0,88), хотя неоднородность была высокой (I2 = 88,6%). Эффективность существенно варьировала для моделей, основанных только на радиомике (AUC 0,81, 95% ДИ 0,70–0,89; I2 = 85,1%), в то время как модели, включающие клинические переменные, оказались как более эффективными, так и заметно более стабильными (AUC 0,87, 95% ДИ 0,83–0,90; I2 = 4,0%). В исследованиях на основе МРТ (Дополнительный рисунок 3) общая разделительная способность была несколько выше: суммарный AUC составил 0,86 (95% ДИ 0,83–0,89) при умеренной неоднородности (I2 = 57,6%). Наблюдалась аналогичная тенденция: клинико-радиомические модели показали незначительно лучшую эффективность и меньшую вариабельность (AUC 0,87, 95% ДИ 0,84–0,90; I2 = 33,4%) по сравнению с подходами, основанными только на радиомике (AUC 0,85, 95% ДИ 0,79–0,89; I2 = 61,7%).

Результаты внешней валидации

Среди внешне валидированных моделей (n=9) общая дискриминационная способность оставалась высокой. Объединенный показатель AUC составил 0,87 (95% ДИ 0,82–0,91) при умеренной гетерогенности (I2 = 66%) (Дополнительный рисунок 4). Анализ подгрупп в когортах внешней валидации показал сопоставимую объединенную эффективность различных типов моделей, однако точность различалась. Модели, основанные только на радиомике, достигли объединенного AUC 0,87 (95% ДИ 0,78–0,93), тогда как клинико-радиомические модели дали объединенный AUC 0,87 (95% ДИ 0,83–0,91).

Оценка качества

Общее качество методологии было умеренным. Домены референтного стандарта и потока пациентов последовательно характеризовались низким риском, так как во всех исследованиях использовалась гистопатология и соответствующие интервалы между визуализацией и хирургическим вмешательством. Основным источником систематической ошибки был домен индексного теста, что отражало использование многомерных радиомиксных моделей или моделей глубокого обучения, ограниченное предварительное определение стратегий моделирования и противоречивую отчетность о воспроизводимости. Отбор пациентов в целом характеризовался низким риском, хотя опасения были выше в небольших ретроспективных когортах из одного центра (Дополнительная таблица 1). Специфическая оценка радиомики показала переменную строгость методологии (Дополнительная таблица 1). Хотя протоколы визуализации и сегментации обычно описывались, тестирование воспроизводимости и внешняя валидация встречались реже. Более recent многоцентровые исследования продемонстрировали улучшенные методы планирования и валидации, хотя гетерогенность методов оставалась значительной.

ДОСТУПНОСТЬ ДАННЫХ:

Все данные, полученные или проанализированные в ходе данного систематического обзора и метаанализа, включены в эту опубликованную статью и файлы с дополнительной информацией. Стратегии поиска по базам данных представлены в  Дополнительном файле 1, а код анализа в R приведен в Дополнительном файле 2. Извлеченные данные на уровне отдельных исследований, использованные для объединения, полностью представлены в Таблицах 1 и 2, а подробные результаты оценки качества приведены в Дополнительной таблице 1. Для воспроизведения полученных результатов дополнительные файлы с необработанными данными не требуются.

figure-results-1
Рисунок 1: Блок-схема процесса отбора исследований. Блок-схема идентификации, скрининга, оценки соответствия критериям и включения исследований с указанием количества записей на каждом этапе. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-2
Рисунок 2: Форест-график диагностической эффективности радиомиксных моделей для прогнозирования микрососудистой инвазии. Представлены C-статистики (AUC) на уровне отдельных исследований и объединенный показатель с 95% доверительными интервалами, стратифицированные по типу модели. Использовались модели со случайными эффектами, а неоднородность оценивалась с помощью статистики I2. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 1: Характеристики включенных исследований. Сводка по дизайну исследования, популяции, методу визуализации, стратегии сегментации, типу модели и подходу к валидации. Индексы (a–c) указывают на наличие нескольких моделей или когорт в рамках одного исследования. Сокращения: CT = компьютерная томография; MRI = магнитно-резонансная томография. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Диагностическая эффективность радиомиксных моделей для прогнозирования микрососудистой инвазии. Точность, чувствительность, специфичность и данные таблицы сопряженности (ИП, ЛП, ПН, ОН) на уровне исследования представлены по типу модели и условиям валидации. В необходимых случаях точность была пересчитана. Индексы (a–c) обозначают несколько моделей или когорт в рамках одного исследования. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Дополнительный рисунок 1: Диагностическая эффективность радиомиксных моделей с использованием 3D-сегментации. Форест-график, отображающий C-статистику (AUC) на уровне отдельных исследований и совокупный показатель для исследований, в которых применялись подходы 3D-сегментации, в стратификации по типу модели (только радиомиксные против клинико-радиомиксных). Анализ был проведен с целью определить, приводит ли извлечение объемных 3D-признаков, которые более полно отражают пространственную неоднородность, к различиям в эффективности по сравнению с общим совокупным показателем, а также для оценки неоднородности внутри каждой подгруппы. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 2: Диагностическая эффективность радиомиксных моделей на основе КТ. Форест-график, демонстрирующий C-статистику (AUC) на уровне отдельных исследований и совокупный показатель для исследований, в которых в качестве метода визуализации использовалась компьютерная томография (КТ), в стратификации по типу модели (только радиомиксные против клинико-радиомиксных). Данный анализ в подгруппе был проведен с целью оценки того, достигают ли радиомиксные модели на основе КТ диагностической эффективности, сравнимой с моделями на основе МРТ, а также для оценки влияния добавления клинических переменных на согласованность результатов в исследованиях с применением КТ. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 3: Диагностическая эффективность радиомиксных моделей на основе МРТ. Форест-график, отображающий C-статистику (AUC) на уровне отдельных исследований и совокупный показатель для исследований, в которых в качестве метода визуализации использовалась магнитно-резонансная томография (МРТ), в стратификации по типу модели (только радиомиксные против клинико-радиомиксных). Данный анализ в подгруппе был проведен с целью оценки того, приводит ли более высокая контрастность мягких тканей и мультипараметрические возможности МРТ к повышению дискриминационной способности при прогнозировании MVI по сравнению с моделями на основе КТ. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 4: Диагностическая эффективность внешне валидированных моделей. Форест-график, демонстрирующий C-статистику (AUC) на уровне отдельных исследований и совокупный показатель для моделей, прошедших внешнюю валидацию в независимых когортах, в зависимости от типа модели (только радиомика или клинико-радиомика). Данный анализ был проведен специально для оценки обобщающей способности радиомикс-моделей при применении к независимым наборам данных и для определения того, происходит ли снижение эффективности при применении моделей к внешним популяциям, что является критическим показателем клинической применимости. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1: Оценка качества включенных исследований. Подробные результаты оценки методологического качества каждого включенного исследования с использованием инструмента QUADAS-2. В таблице представлены оценки риска систематической ошибки и проблем с применимостью по четырем областям: отбор пациентов, индексный тест, референтный стандарт, а также последовательность и сроки проведения. Каждая область оценивается как «низкий риск», «высокий риск» или «неопределенный риск», при этом каждое суждение подкреплено конкретными причинами, извлеченными из соответствующего исследования. Это позволяет читателям оценить методологическую строгость отдельных исследований и выявить потенциальные источники систематической ошибки, которые могут повлиять на совокупные оценки. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1: Стратегии поиска в базах данных. Все стратегии поиска в базах данных объединены в этом документе. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Код анализа в R. Код, использованный для проведения данного анализа, приведен в этом документе. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В данном систематическом обзоре и метаанализе 26 исследований было установлено, что модели на основе радиомики демонстрируют хорошие, но вариабельные результаты при предоперационном прогнозировании микрососудистой инвазии при гепатоцеллюлярной карциноме, при этом большинство оценок AUC находилось в диапазоне примерно от 0,80 до 0,90. В различных исследованиях диагностическая точность в целом была от умеренной до высокой, а чувствительность и специфичность обычно превышали 70%, хотя показатели были неоднородными. Модели, включающие клинические переменные, имели тенденцию к более стабильной дискриминации и более высокой специфичности по сравнению с моделями, основанными только на радиомике. Кроме того, подходы на основе МРТ показали несколько более высокую эффективность, чем модели на основе КТ. Однако эти результаты следует интерпретировать с учетом значительной межгрупповой неоднородности и различий в дизайне исследований, протоколах визуализации и стратегиях моделирования, что, вероятно, способствовало наблюдаемой вариативности результатов.

В нескольких предыдущих метаанализах оценивалась эффективность радиомики для прогнозирования MVI при ГЦК. В одном исследовании44 были рассмотрены 13 работ, в которых сообщалось об объединенном значении AUC 0,88 для радиомики на основе МРТ, при этом комбинированные модели превосходили подходы, основанные только на радиомике (AUC: 0,90 против 0,85). В другом исследовании45 были проанализированы 26 работ с участием 3 539 пациентов с солитарным ГЦК, и сообщалось об объединенном значении AUC 0,85 (95% CI 0,82–0,88) для радиомических моделей. Настоящий синтез расширяет эти выводы, демонстрируя более высокую и стабильную эффективность клинико-радиомических моделей (AUC 0,87) по сравнению с моделями только на основе радиомики (AUC 0,84), что подчеркивает дополнительную ценность интеграции клинических переменных. Кроме того, раздельный анализ по модальностям визуализации, показавший превосходство МРТ (0,86) над КТ (0,83), дает более точные оценки, чем в предыдущих работах. Другой метаанализ, проведенный группой исследователей46, включал исследования как КТ, так и МРТ, но был сосредоточен преимущественно на стратификации рисков, а не на сравнении типов моделей. Данное исследование дополняет предыдущие работы путем сравнения моделей только на основе радиомики и клинико-радиомических моделей для различных модальностей визуализации, а также путем отдельной оценки внешне валидированных моделей. Эти постепенные инновации обеспечивают более детальное понимание эффективности радиомических моделей и дают более четкие рекомендации для будущей разработки моделей и их внедрения в клиническую практику.

Более высокие и стабильные показатели эффективности, наблюдаемые в моделях с включением клинических переменных в данном метаанализе, согласуются с патофизиологией микрососудистой инвазии. Микрососудистая инвазия представляет собой распространение опухоли в мелкие ветви воротной вены по периферии опухоли, что часто сопровождается образованием микроскопических опухолевых тромбов и изменением локальной перфузии печени. Эти изменения наиболее выражены на границе раздела опухоли и печени, а не в центре опухоли, что объясняет, почему признаки визуализации, отражающие состояние этой области, неоднократно связывают с MVI. Например, перитуморальное артериальное усиление и гипоинтенсивность в гепатобилиарную фазу связаны со снижением притока крови по воротной вене и компенсаторной артериальной гиперперфузией, вызванной микроскопической обструкцией сосудов, в то время как неровные или негладкие края опухоли отражают инфильтративный характер роста, выходящий за видимые границы новообразования. Количественная визуализация позволяет систематически характеризовать текстуру и интенсивность сигнала внутри и вокруг опухоли, что отражает различия в плотности клеток, степени некроза и структуре микрососудов.

Эти результаты указывают на то, что одних только особенностей визуализации недостаточно для точной характеристики риска микрососудистой инвазии. В включенных исследованиях модели, основанные исключительно на радиомике, продемонстрировали существенную гетерогенность и несколько более низкую дискриминационную способность по сравнению с клинико-радиомиксными моделями. Это, вероятно, отражает тот факт, что микрососудистая инвазия определяется не только локальными характеристиками визуализации, но и биологией опухоли на системном уровне. Клинические факторы, такие как повышенный уровень альфа-фетопротеина, больший размер опухоли и нарушение функции печени, являются общепризнанными маркерами агрессивности опухоли и последовательно ассоциируются с сосудистой инвазией и ранним рецидивом. Опухоли большего размера с большей вероятностью прорастают в прилегающие микрососуды, в то время как повышенный уровень AFP связан с более низкой дифференцировкой и более агрессивными фенотипами. Таким образом, интеграция этих переменных с особенностями визуализации предоставляет дополнительную информацию, сочетая локальные признаки микроскопической инвазии с более широкими индикаторами поведения опухоли. Это находит отражение в настоящем анализе, где клинико-радиомиксные модели не только достигли более высоких совокупных значений AUC, но и продемонстрировали заметно меньшую гетерогенность, что указывает на большую стабильность в различных условиях исследований.

Механистическая основа прогностической ценности перитуморальных радиомических признаков заключается в патофизиологических изменениях, связанных с MVI на границе опухоли и печени. Микрососудистая инвазия характеризуется наличием эмболов опухолевых клеток в ветвях портальной вены, прилегающих к краю опухоли, что приводит к частичной или полной обструкции мелких портальных венул. Эта обструкция вызывает снижение портального притока к перитуморальной паренхиме печени с компенсаторной артериальной гиперперфузией — явлением, которое на изображениях проявляется как перитуморальное артериальное усиление или гетерогенность перфузии. Кроме того, микроскопические опухолевые тромбы индуцируют локальные воспалительные реакции и изменяют микроархитектонику тканей, что может быть зафиксировано радиомическими признаками текстуры, отражающими изменения плотности клеток, некроза и микрососудистой плотности. Патологоанатомические исследования показали, что эти перитуморальные изменения выходят за пределы макроскопической границы опухоли, что дает биологическое обоснование для включения в радиомические модели перитуморальных зон с различными радиальными отступами. Таким образом, устойчивая связь между перитуморальными особенностями визуализации и MVI в рассматриваемых исследованиях основана на этих базовых сосудистых и микроструктурных изменениях, что придает биологическую достоверность количественным результатам визуализации.

Чуть более высокая эффективность, наблюдаемая в моделях на основе МРТ, также согласуется с известными различиями в возможностях визуализации. МРТ позволяет проводить мультипараметрическую оценку, включая диффузию, перфузию и специфический захват контраста гепатоцитами, которые связаны с дифференцировкой опухоли и сосудистой инвазией45. Гипоинтенсивность в гепатобилиарную фазу и изменения сигнала вокруг опухоли легче обнаруживаются при МРТ. Эти особенности отражают нарушение функции гепатоцитов и изменение перфузии, связанные с микроскопическим распространением опухоли. КТ в основном полагается на паттерны контрастного усиления и менее чувствительна к этим изменениям. Это может объяснять большую вариабельность, наблюдаемую в моделях на основе КТ.

Стоит отметить, что настоящий обзор был сосредоточен на радиомике на основе КТ и МРТ, поскольку эти модальности преобладали в литературе. Однако радиомика ПЭТ/КТ может предложить дополнительную ценность для прогнозирования MVI за счет характеристики метаболизма опухоли, гипоксии и биологической неоднородности — признаков, которые не фиксируются только анатомической или функциональной МРТ. Появляющиеся данные свидетельствуют о том, что такие метаболические параметры, как SUVmax, и текстурные признаки ПЭТ могут коррелировать с агрессивностью опухоли и сосудистой инвазией. Тем не менее, доказательная база применения радиомики ПЭТ/КТ для прогнозирования MVI остается ограниченной по сравнению с КТ и МРТ, и эта область требует дальнейшего изучения в будущих исследованиях. Эти результаты имеют значение для клинической практики, в частности, при предоперационной оценке гепатоцеллюлярной карциномы. Предоперационное выявление микрососудистой инвазии остается сложной задачей и влияет на выбор метода резекции, трансплантации или локорегионарной терапии. Количественные модели визуализации, включающие клинические переменные, могут улучшить стратификацию рисков по сравнению с рутинной визуализацией и сывороточными маркерами. Высокий прогнозируемый риск может стать основанием для расширения границ резекции или более тщательного послеоперационного наблюдения у пациентов, которым показано хирургическое вмешательство. Аналогично, улучшенная стратификация рисков может быть полезна при принятии решений о выборе и включении в список ожидания, особенно в пограничных случаях среди кандидатов на трансплантацию.

Важно отметить, что хотя основным направлением данного метаанализа была дискриминационная способность (AUC), калибровка и клиническая полезность в равной степени важны для применимости в реальных условиях. Метрики калибровки, такие как тест Хосмера-Лемешоу и калибровочные кривые, позволяют оценить соответствие между прогнозируемыми и наблюдаемыми рисками и имеют критическое значение для принятия обоснованных клинических решений. Анализ кривых принятия решений позволяет оценить чистую выгоду от использования модели при различных порогах риска, что непосредственно относится к клинической практике. Однако среди включенных исследований лишь в немногих были представлены показатели калибровки или анализ кривых принятия решений, что представляет собой значительный пробел в знаниях. В будущих исследованиях следует уделять приоритетное внимание отчетности по этим метрикам для облегчения внедрения в клиническую практику и обеспечения того, чтобы прогнозы моделей были как точными, так и практически применимыми.

Несмотря на наблюдаемую многообещающую эффективность, эти модели еще не готовы к рутинному клиническому применению. Большинство исследований были ретроспективными и проводились в рамках одного центра, при этом наблюдались значительные различия в протоколах визуализации, методах сегментации и разработке моделей. Внешняя валидация была ограниченной, а если она и проводилась, то валидационные когорты зачастую были небольшими или сформированными из схожих популяций. В немногих исследованиях оценивались калибровка, клиническая полезность или влияние использования моделей на решения о лечении. Эти ограничения имеют важное значение на практике, где решения относительно границ резекции, пригодности к трансплантации и интенсивности наблюдения требуют надежных и обобщаемых оценок риска. Кроме того, вариабельность сбора и обработки изображений в разных центрах может влиять на эффективность и воспроизводимость моделей, что дополнительно ограничивает их внедрение в рутинную медицинскую помощь. В настоящее время данные модели следует рассматривать как дополнение к установленным методам клинической и визуализационной оценки, а не как самостоятельные инструменты. Будущие работы должны быть сосредоточены на проспективной многоцентровой валидации, стандартизации методов визуализации и анализа, а также на оценке клинической полезности, включая анализ того, улучшает ли использование этих моделей процесс принятия решений и исходы для пациентов.

Данное исследование имеет несколько ограничений. Во-первых, географическое распределение было сильно смещено: 23 из 26 исследований (88,5%) проводились в Китае и только 3 — в европейских регионах, что существенно ограничивает возможность обобщения результатов для глобальных популяций пациентов с ГЦК, учитывая этиологические различия между восточным (связанным с вирусным гепатитом) и западным (связанным с метаболическими нарушениями) типами ГЦК; при этом формальный анализ подгрупп по регионам не удалось провести достоверно, так как западная подгруппа не соответствовала минимально требуемому размеру выборки (≥10 исследований). Во-вторых, для нескольких исследований отсутствовали полные данные таблиц сопряженности 2 × 2, а определения пороговых значений существенно различались; следовательно, основной количественный синтез был сосредоточен на AUC, а не на объединенных показателях диагностической точности, зависящих от порога (как представлено в аннотации), так как комплексный метаанализ этих показателей по всем 26 включенным исследованиям был невозможен. Это было связано с тем, что в нескольких работах отсутствовали полные таблицы сопряженности и, что более важно, наблюдалась значительная неоднородность определений пороговых значений в разных исследованиях, что делает любое нескорректированное объединение этих показателей методологически ненадежным без учета эффектов порога. В-третьих, дополнительные анализы подгрупп, стратифицированные по диаметру опухоли, типу контрастного вещества, ширине перитуморального края или типу классификатора, не могли быть проведены из-за противоречивости отчетности и недостаточного размера выборок в подгруппах (всего 1–3 исследования на каждый тип классификатора), что ограничило возможность изучения источников существенной межисследовательской неоднородности (I2= 77%). В-четвертых, авторы не смогли количественно изучить связь между методологическим качеством и эффективностью модели с помощью метарегрессии, так как баллы METRICS были доступны не во всех исследованиях в подходящем формате, назначение единой суммарной категории QUADAS-2 по сути субъективно, а метарегрессия при наличии всего 26 исследований и множества ковариат была бы недостаточно мощной и склонной к переобучению. В-пятых, большинство включенных работ были ретроспективными одноцентровыми исследованиями с относительно небольшими выборками, а внешняя валидация была описана только в 9 из 26 исследований, причем большинство валидационных когорт были получены в аналогичных институциональных условиях, что ограничивает обобщаемость. Вариабельность протоколов визуализации, конвейеров извлечения признаков и подходов к разработке моделей может дополнительно влиять на воспроизводимость. В-шестых, отчетность о диагностической эффективности была непоследовательной: в некоторых исследованиях отсутствовали полные данные сопряженности, доверительные интервалы для AUC, показатели калибровки или анализ кривых принятия решений, что крайне важно для оценки применимости в реальной практике и представляет собой значительный пробел в знаниях. Несмотря на эти ограничения, согласованное направление эффекта во всех включенных исследованиях, где модели на основе радиомики продемонстрировали хорошую диагностическую эффективность (объединенный AUC 0.85, 95% CI 0.82–0.88), подтверждает надежность основных выводов; более высокая и стабильная эффективность клинико-радиомиксных моделей по сравнению с моделями, основанными только на радиомике, а также более высокий объединенный AUC, наблюдаемый для моделей на основе МРТ по сравнению с моделями на основе КТ, дают клинически значимые сведения для разработки будущих моделей. Однако эти ограничения подчеркивают необходимость проведения проспективных многоцентровых валидационных исследований со стандартизированными протоколами визуализации, полным представлением показателей диагностической эффективности и систематической оценкой калибровки и клинической полезности, прежде чем эти модели смогут быть внедрены в рутинную клиническую практику.

Раскрытие информации

Авторы не имеют конфликта интересов. Инструменты с поддержкой ИИ использовались в процессе корректуры для редактирования языка, проверки согласованности и форматирования рисунков. Новые данные исследования не создавались; все научные решения, исправления и окончательное содержание были проверены и одобрены авторами, которые несут полную ответственность за статью.

Благодарности

Данное исследование было поддержано программой Beijing Research Ward Excellence Program (BRWEP; № BRWEP2024W032240102). 

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Библиотека КокрейнаWileyhttps://www.cochranelibrary.com/
Библиотека КокрейнаWileyБиблиотека Кокрейн
EmbaseElsevierhttps://www.embase.com/
EmbaseElsevierhttps://www.embase.com/
пакет meta для языка RCRANhttps://cran.r-project.org/package=meta
пакет meta для RCRANhttps://cran.r-project.org/package=meta
пакет metafor для языка RCRANhttps://cran.r-project.org/package=metafor
пакет metafor для языка 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
Шаблон блок-схемы PRISMA 2020Группа PRISMAhttp://www.prisma-statement.org/
Mplus (если используется)Статистическая модельhttps://www.statmodel.com/
PubMed (MEDLINE)Национальная медицинская библиотекаhttps://pubmed.ncbi.nlm.nih.gov/
Шаблон блок-схемы PRISMA 2020Группа PRISMAhttp://www.prisma-statement.org/
инструмент QUADAS-2Кокрейнhttps://www.quadas.org/
PubMed (MEDLINE)Национальная медицинская библиотекаhttps://pubmed.ncbi.nlm.nih.gov/
программное обеспечение R (версия 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
инструмент QUADAS-2Кокрейнhttps://www.quadas.org/
RayyanКатарский научно-исследовательский институт вычислительной техникиhttps://www.rayyan.ai/
программное обеспечение R (версия 4.4.1)R Foundation for Statistical Computinghttps://www.r-project.org/
Web of ScienceClarivatehttps://www.webofscience.com/
RayyanКатарский научно-исследовательский институт вычислительной техникиhttps://www.rayyan.ai/
Web of ScienceClarivatehttps://www.webofscience.com/

Ссылки

  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.

Перепечатки и разрешения

Теги

Radiomics ModelsPreoperative PredictionTumor HeterogeneityDiagnostic PerformanceCT RadiomicsMRI RadiomicsClinicoradiomics Models
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.