Araştırma makalesi

Hepatosellüler Karsinomda Ki-67 Durumunun Preoperatif Değerlendirmesi İçin Radyomik Tabanlı Modellerin Meta-Analizi

51 görüntülenme

⸱

DOI:

10.3791/70716

⸱

25 Ağustos 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology, The Third Affiliated Hospital of Jiaxing University (Zhejiang Rongjun Hospital)

* These authors contributed equally

Bu makalede

Özet

17 çalışmanın (hepatoselüler karsinomlu 1.708 hasta) dahil edildiği bu meta-analizde, yüksek Ki-67 ekspresyonunun radyomik tahmini için havuzlanmış duyarlılık, özgünlük ve eğri altındaki alan değerleri sırasıyla 0.87, 0.79 ve 0.90 olarak bulunmuştur; mevcut belirgin heterojenlik, standartlaştırılmış araştırmalara ihtiyaç olduğunu göstermektedir.

Özet

Bu çalışma, bir meta-analiz aracılığıyla hepatosellüler karsinomda (HCC) Ki-67 ekspresyon seviyelerini tahmin etmede radyomik özelliklerin tanısal değerini değerlendirmeyi amaçlamıştır. PubMed, Web of Science, Cochrane Library ve Embase dahil olmak üzere elektronik veri tabanları, 20 Ağustos 2025 tarihine kadar yayınlanmış ilgili klinik çalışmalar için sistematik olarak taranmıştır. HCC'li hastalarda Ki-67 ekspresyon seviyelerini tahmin etmek için radyomik özellikler kullanan çalışmalar dahil edilmiştir. Sensitivite, spesifite ve özet alıcı işletim karakteristiği eğrileri değerlendirilmiş ve eğri altındaki alan (AUC) hesaplanmıştır. Toplamda, 1.708 HCC hastasını kapsayan 17 çalışma dahil edilmiştir. Birleştirilmiş sensitivite 0,87 (%95 güven aralığı [CI], 0,81–0,91), birleştirilmiş spesifite 0,79 (%95 CI, 0,71–0,85) ve genel AUC 0,90 (%95 CI, 0,87–0,93) olarak bulunmuştur. %10 ve >10% Ki-67 eşik değerleri için birleştirilmiş AUC değerleri sırasıyla 0,89 (%95 CI, 0,86–0,92) ve 0,90 (%95 CI, 0,87–0,92) olarak belirlenmiştir. Manyetik rezonans görüntüleme ve ultrason kaynaklı radyomik özellikler için AUC değerleri sırasıyla 0,88 (%95 CI, 0,85–0,91) ve 0,92 (%95 CI, 0,89–0,94) olarak bulunmuştur. Lojistik regresyona dayalı tahmin modelleri için AUC 0,89 (%95 CI, 0,86–0,92) değerindedir. Radyomik özellikler, HCC'de yüksek Ki-67 ekspresyonunu tahmin etmede gelecek vaat eden birleştirilmiş tanısal performans göstermiştir. Ancak, dahil edilen çalışmalar arasında önemli ölçüde heterojenlik mevcuttur. Bu bulguları doğrulamak için daha fazla standartlaştırılmış araştırmaya ihtiyaç vardır.

Giriş

Geçtiğimiz on yıl boyunca, karaciğer kanserinin insidansı ve prevalansı kademeli olarak artmış, bu durum hastalığı dünya çapında önemli ve büyüyen bir hastalık yükü haline getirmiştir. Özellikle, hepatosellüler karsinom (HCC), tüm primer karaciğer kanseri tanılarının %90'ını oluşturmakta ve 2018 yılında bildirilen 840.000 yeni vaka ile küresel olarak kansere bağlı ölümlerin dördüncü en yaygın nedenini temsil etmektedir1,2. Cerrahi tekniklerdeki, lokal müdahalelerdeki ve sistemik tedavilerdeki son gelişmelerine rağmen, HCC'li hastaların uzun vadeli prognozu, 5 yıllık genel sağkalım oranlarının %13 ile %36 arasında seyretmesiyle suboptimal düzeyde kalmaya devam etmektedir3,4,5. Bu durum büyük ölçüde hastalığın sinsi başlangıcına, erken tanıdaki zorluklara ve yüksek tümör biyolojik heterojenliğine bağlanmaktadır. Bu zorluklar, mevcut tanı stratejilerinin kritik bir sınırlamasını vurgulamaktadır: geleneksel histopatolojik değerlendirmeler invazivdir ve dinamik tümör biyolojisinin gerçek zamanlı, kapsamlı bir değerlendirmesini sağlayamazlar. Bu nedenle, tümörlerin içsel malign potansiyelini doğru bir şekilde nicelleştirebilen yeni, noninvaziv araçların geliştirilmesi, HCC'de kişiselleştirilmiş tıbbın ilerletilmesi açısından önemlidir.

Çeşitli prognostik moleküler biyobelirteçler arasında Ki-67, hücresel proliferasyonun iyi tanımlanmış bir göstergesidir ve birçok malignite ile yakından ilişkilidir. Ki-67, proliferatif aktiviteyi yansıtır ve tümör hücrelerinde yaygın olarak eksprese edilir; yüksek ekspresyonu, artmış invazivite ve kötü diferansiyasyon ile güçlü bir korelasyon göstererek tümör agresifliğinin bir öngörücüsü olarak hizmet eder6. HCC'de, birçok çalışma Ki-67 yüksek ekspresyonunun daha büyük tümör boyutu, vasküler invazyon, daha yüksek Edmondson-Steiner derecesi ve ileri tümör nodu metastaz evresi ile anlamlı şekilde ilişkili olduğunu doğrulamıştır. Ayrıca, postoperatif nükssun ve daha kötü genel sağkalımın bağımsız bir öngörücüsü olarak görev yapar7,8,9,10. Ki-67 ekspresyon seviyeleri, tümör hücrelerinin proliferatif durumunu yansıttığından —yüksek seviyeler daha fazla invaziviteyi ve daha hızlı hastalık progresyonunu gösterdiğinden— bu biyobelirteç, HCC'de prognostik stratifikasyon, tedavi karar verme ve terapötik izlemde önemli bir değere sahiptir. Ancak, Ki-67'nin mevcut klinik değerlendirmesi invaziv doku örneklemesine dayanmaktadır. Bu yaklaşım yalnızca prosedürel riskler ve hasta rahatsızlığı taşımakla kalmaz, aynı zamanda HCC'nin belirgin mekansal ve zamansal heterojenliği nedeniyle, tek bir biyopsi tümörün genel proliferatif durumunu temsil etmede yetersiz kalabilir ve potansiyel olarak klinik yanlış yorumlamalara yol açabilir11. Bu nedenle, Ki-67 ekspresyonunun mekansal heterojenliğini kapsamlı bir şekilde yakalayabilen, noninvaziv ve reprodükte edilebilir bir yönteme yönelik acil bir klinik ihtiyaç bulunmaktadır.

Radyomiklerin ortaya çıkışı, bu sınırlamayı gidermek için potansiyel bir yaklaşım sunmaktadır. Radyomikler, bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MRG) veya pozitron emisyon tomografisi (PET) gibi standart tıbbi görüntülerden çok sayıda nicel özelliğin yüksek verimli şekilde çıkarılmasını ve temel tümör biyolojisini çözmek için makine öğrenimi veya derin öğrenme algoritmaları kullanılarak öngörücü modellerin oluşturulmasını içerir12. HCC araştırmalarında radyomikler; tümör derecelendirme, mikrovasküler invazyon öngörüsü, gen ekspresyonu değerlendirmesi ve tedavi yanıtı izleminde başarıyla uygulanmıştır. Birçok çalışma Ki-67 ekspresyonunu öngörmek için radyomik modeller geliştirmeye çalışmış olsa da13,14, örneklem büyüklüğü, görüntüleme modaliteleri, özellik çıkarma yöntemleri ve model performansı açısından çalışmalar arasında önemli farklılıklar devam etmektedir. Bu nedenle, bu heterojen bulguları nicel olarak sentezlemek, güçlü havuzlanmış tanısal tahminler oluşturmak ve klinik ile metodolojik varyasyonların temel kaynaklarını belirlemek için sistematik bir meta-analiz gereklidir; böylece gelecekteki standardizasyon ve klinik uygulamalar için kanıta dayalı bir temel sağlanacaktır. Pratikte, radyomiklerin klinik uygulaması, özellik tekrarlanabilirliği sorunları ile MRG'nin tarama parametrelerine, ultrasonun ise operatöre bağımlılığı gibi modaliteye özgü sınırlamalar nedeniyle zorluklarla karşılaşmaktadır. Sonuç olarak, bu modellerin klinik faydası, metodolojik standardizasyonlarına ve harici doğrulama durumlarına göre kritik bir şekilde değerlendirilmelidir. Bu modellerin klinik uygulanabilirliği ve sağlamlığı henüz sistematik olarak değerlendirilmemiştir. Bu nedenle, mevcut çalışma HCC'de Ki-67 ekspresyon durumunu öngörmede radyomik modellerin tanısal performansını kapsamlı bir şekilde değerlendirmekte ve böylece gelecekteki standardizasyon ve klinik uygulamalar için kanıta dayalı bir temel sunmaktadır.

Protokol

Arama stratejisi ve bilgi kaynağı
Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Ögeleri (PRISMA) 2020 beyanına15 uygun olarak, PubMed, Web of Science, Cochrane Library ve Embase üzerinden, veritabanlarının başlangıcından 20 Ağustos 2025 tarihine kadar, dil kısıtlaması olmaksızın sistematik bir arama gerçekleştirilmiştir (bkz. Ek Dosya 1). Arama stratejisi, anahtar kelimelerin ve konu başlıklarının (PubMed'deki Tıbbi Konu Başlıkları [MeSH] ve Embase'deki Emtree gibi) 'AND' ve 'OR' Boolean operatörleri kullanılarak üç mantıksal blok halinde gruplandırılmasıyla oluşturulmuştur. Bu bloklar, her veritabanındaki başlık, özet veya konu alanlarına şu şekilde uygulanmıştır: (1) radyomik, modeller ve görüntüleme: 'radiomics', 'texture analysis', 'image features', 'magnetic resonance imaging' (veya 'MRI'), 'tomography, X-ray computed' (veya 'CT'), 'ultrasonography' (veya 'ultrasound'), 'deep learning', 'machine learning' ve 'logistic'; (2) hastalık: 'hepatocellular carcinoma', 'liver cancer', 'HCC' ve 'hepatoma'; ve (3) antijen: 'Ki-67 Antigen', 'Ki-67', 'Ki67' ve 'proliferation index'. Kesin arama sözdizimi, her veritabanının özel kurallarına uygun olarak ayarlanmıştır (örneğin PubMed'de [Title/Abstract] ve [MeSH] etiketleri, Embase'de ise ':ti,ab' veya '/exp' etiketleri kullanılmıştır). Ek olarak, uygun olabilecek diğer yayınları belirlemek amacıyla, elde edilen çalışmaların kaynakçaları ve ilgili derleme makaleleri üzerinden manuel bir arama yapılmıştır. Çalışma protokolü, INPLASY veritabanına INPLASY202670061 kayıt numarası ile retrospektif olarak kaydedilmiştir.

Uygunluk kriterleri
Klinik olarak ilgili bir çalışma seçimi sağlamak amacıyla, getirilen çalışmaların uygunluğu PICOS (Popülasyon, Müdahale, Karşılaştırma, Sonuç ve Çalışma tasarımı) çerçevesi kullanılarak belirlenmiştir.

Dahil etme kriterleri şu şekildeydi: (1) çalışma popülasyonunun, rezeke edilmiş/biyopsi yapılmış dokuların histopatolojik incelemesine veya kabul görmüş klinik ve görüntüleme kılavuzlarına göre HCC tanısı almış hastalardan oluşması; (2) tümör Ki-67 ekspresyon seviyelerini öngörmek için tıbbi görüntüleme modalitelerinden (BT, MR veya ultrasonografi dahil) türetilen radyomik, derin öğrenme veya doku özelliklerinin kullanılması; (3) hastaları yüksek ekspresyon ve düşük ekspresyon gruplarına ayırmak için net bir şekilde tanımlanmış bir eşik değerinin bulunduğu, tümör örneklerinde Ki-67 ekspresyon seviyelerinin histopatolojik değerlendirmesi; (4) test performansının hesaplanmasına olanak tanıyan 2 × 2'lik bir kontenjans tablosu şeklinde tanısal sonuçların mevcut olması ve (5) orijinal, hakemli klinik çalışmalar.

Çalışmalar şu durumlarda hariç tutulmuştur: (1) konferans özetleri, vaka raporları, sistematik incelemeler veya diğer orijinal olmayan araştırmalar olmaları; (2) nicel analiz için yetersiz sonuç verileri içermeleri; (3) yinelenen yayınlar olmaları ve (4) tam metinlerinin mevcut olmaması.

Çalışma tarama ve veri çıkarma protokolü
Literatür taramasını gerçekleştirmek için, elektronik veri tabanlarından elde edilen tüm atıflar birleştirilmiş, yinelenen kayıtlar sistematik olarak belirlenmiş ve çıkarılmıştır. Ardından, iki araştırmacı önceden tanımlanmış dahil etme ve hariç tutma kriterlerine dayanarak kalan literatürü bağımsız olarak taramıştır. İlk olarak başlıklar ve özetler incelenmiş ve potansiyel olarak uygun olan çalışmalar tam metin değerlendirmesine tabi tutulmuştur. İki incelemeci arasındaki tüm uyuşmazlıklar, tartışma yoluyla veya konsensüse varmak için üçüncü bir araştırmacıya danışılarak çözülmüştür.

Tarama süreci tamamlandıktan sonra, aynı iki araştırmacı standartlaştırılmış, önceden tanımlanmış bir veri çıkarma formu kullanarak verileri bağımsız olarak çıkardı. Çıkarılan bilgiler; temel çalışma özelliklerini, çalışma popülasyonunun demografik detaylarını ve tanısal performans verilerini, özellikle de gerçek pozitif, yanlış pozitif, gerçek negatif ve yanlış negatif sayılarını içeriyordu. Eksik verileri olan veya çözülemeyen belirsizlikler içeren çalışmalar için, orijinal verileri talep etmek amacıyla sorumlu yazarlarla e-posta yoluyla iletişime geçtik ve gerekli verilerin temin edilemediği çalışmaları analiz dışı bıraktık.

Kalite değerlendirmesi ve yanlık riski değerlendirmesi
Dahil edilen tanısal çalışmaların kalitesi, York Üniversitesi'nden Whiting ve arkadaşları tarafından geliştirilen Tanısal Doğruluk Çalışmalarının Kalite Değerlendirmesi 2 (QUADAS-2) aracı kullanılarak değerlendirilmiştir16. Bu araç dört alanı değerlendirir: hasta seçimi, indeks test, referans standart ile akış ve zamanlama. Her alan için yanlık riski "yüksek", "düşük" veya "belirsiz" olarak derecelendirilmiştir. Kalite değerlendirmesi iki araştırmacı tarafından bağımsız olarak gerçekleştirilmiştir. Herhangi bir tutarsızlık, tartışma yoluyla veya fikir birliğine varmak için üçüncü bir araştırmacıya danışılarak çözülmüştür.

İstatistiksel analiz
İstatistiksel analizler Stata versiyon 16.0 ve Review Manager (RevMan) versiyon 5.3 kullanılarak gerçekleştirilmiştir. RevMan; metodolojik kaliteyi değerlendirmek, yanlılık riskini belirlemek ve ilgili görsel özetleri oluşturmak için kullanılmıştır. Tanısal doğruluk, Stata 16.0'daki hiyerarşik midas modülü ile analiz edilmiştir. Birleştirilmiş duyarlılık ve özgüllük, %95 güven aralıkları (GA) ile birlikte iki değişkenli rastgele etkiler modeli kullanılarak tahmin edilmiştir. Genel tanısal performans, hiyerarşik özet alıcı işletim karakteristik (HSROC) eğrisi oluşturularak ve ilgili eğri altındaki alan (AUC) hesaplanarak özetlenmiştir. Çalışmalar arası heterojenlik, Cochran's Q testi ve I2 istatistiği ile incelenmiş; I2 değerlerinin %50'nin altında veya Q testi P değerlerinin 0,10'dan büyük olması kabul edilebilir homojenlik göstergesi olarak değerlendirilmiştir. Heterojenliğin potansiyel kaynaklarını araştırmak için Ki-67 eşik değerleri, görüntüleme yöntemi ve öngörü modeline göre önceden belirlenmiş alt grup analizleri yapılmıştır. Eşik etkisinin varlığı, logit-dönüştürülmüş duyarlılık ile (1 − özgüllük) logit değeri arasındaki Spearman korelasyonu belirlenerek değerlendirilmiştir. Potansiyel yayın yanlılığı, Deeks' huni grafiği asimetri testi kullanılarak değerlendirilmiştir. Aksi belirtilmedikçe tüm istatistiksel testler çift yönlü yapılmış ve istatistiksel anlamlılık P < 0,05 olarak tanımlanmıştır.

Sonuçlar

Dahil edilen çalışmaların özellikleri
Sistematik bir elektronik veri tabanı taraması sonucunda, başlangıçta tarama için 3.923 çalışma belirlenmiştir. 2.032 yinelenen kayıt ve 1.719 ilgisiz çalışma hariç tutulduktan sonra, 172 makalenin tam metin incelemesi yapılmıştır. Önceden tanımlanmış dahil etme ve hariç tutma kriterlerine dayanarak, sonuç olarak 17 çalışma13,14,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31 meta-analize dahil edilmiştir (Şekil 1).

Dahil edilen çalışmaların temel özellikleri Tablo 1'de özetlenmiştir. Bu 17 çalışma, toplam 1.708 HCC hastasını kapsamaktadır; bunlardan 962'si yüksek Ki-67 ekspresyonuna, 746'sı ise düşük ekspresyona sahipti. Çalışmalarda Ki-67 ekspresyonu için çeşitli kesme değerleri uygulanmıştır: 8 çalışma %10 değerini kullanırken, kalan 9 çalışma %14 ile %50 arasında değişen >%10 eşik değerlerini kullanmıştır; radyomik özelliklerin en yaygın kaynağı MRI (n = 9), ardından ultrasonografi (n = 5) ve BT (n = 3) olmuştur. On çalışma Ki-67 öngörüsü için yalnızca radyomik özellikleri kullanırken, diğer 7 çalışma öngörü modelleri oluşturmak için radyomik ve klinik özellikleri birleştirmiştir. Modelleme teknikleri açısından, 14 çalışmada lojistik regresyon, 3 çalışmada ise destek vektör makinesi (SVM, n = 2) ve Xception (n = 1) dahil olmak üzere makine öğrenimi modelleri kullanılmıştır. Ayrıca, 5 çalışma prospektif, 12 çalışma ise retrospektif tasarımlıydı.

Ki-67 ekspresyonunu öngörmede radyomik özelliklerin tanısal değeri
HCC'de Ki-67 ekspresyon seviyelerini öngörmede radyomik özelliklerin tanısal doğruluğunu değerlendiren toplam 17 çalışma dahil edildi. Rastgele etkiler meta-analizi, yüksek Ki-67 ekspresyonunu öngörmek için 0.87 (%95 GA: 0.81–0.91) havuzlanmış duyarlılık ve 0.79 (%95 GA: 0.71–0.85) havuzlanmış özgüllük göstermiştir. Şekil 2'de gösterildiği gibi, çalışmalar arasında belirgin bir heterojenlik gözlemlenmiştir (duyarlılık: I2 = %80.81; özgüllük: I2 = %86.86). Spearman korelasyon katsayısı −0.062 (P = 0.814) olarak bulunmuş olup, istatistiksel olarak anlamlı bir eşik etkisi olmadığını göstermiştir. SROC analizi, yüksek havuzlanmış tanısal performansa işaret eden 0.90 (%95 GA: 0.87–0.93) bir AUC değeri vermiştir (Şekil 3).

Ki-67 eşik değerleri ve tanısal performans
%10'luk bir Ki-67 eşik değerinin kullanıldığı alt grupta, radyomik tabanlı tanısal model; 0,87'lik bir birleştirilmiş duyarlılık (95% CI: 0,78–0,93), 0,76'lık bir özgüllük (95% CI: 0,60–0,87) ve 0,89'luk bir AUC (95% CI: 0,86–0,92) ile güçlü bir performans sergileyerek bu eşikte yüksek tanısal doğruluk göstermiştir (Şekil 4 ve Ek Şekil S1). Ki-67 eşik değerlerinin >%10 olduğu alt grupta ise model, 0,87'lik bir birleştirilmiş duyarlılık (95% CI: 0,79–0,92), 0,80'lik bir özgüllük (95% CI: 0,71–0,86) ve 0,90'lık bir AUC (95% CI: 0,87–0,92) göstermiştir (Şekil 5 ve Ek Şekil S2).

Görüntüleme modaliteleri ve tanısal değer
MRI kaynaklı radyomik özelliklerin kullanıldığı alt grupta, Şekil 6 ve Ek Şekil S3'te gösterildiği üzere, havuzlanmış duyarlılık 0,86 (%95 GA: 0,77–0,92), özgüllük 0,77 (%95 GA: 0,65–0,85) ve AUC 0,88 (%95 GA: 0,85–0,91) idi. Ultrason radyomiğine dayalı alt grup; 0,88 duyarlılık (%95 GA: 0,74–0,95), 0,81 özgüllük (%95 GA: 0,61–0,92) ve 0,92 AUC (Şekil 7 ve Ek Şekil S4) göstermiştir. Ayrıca, üç çalışma BT tabanlı radyomik özellikleri kullanmıştır20,25,30; ancak sınırlı örneklem boyutu nedeniyle bu alt grup için meta-analiz yapılmamıştır. Bu çalışmalar 0,778 ile 0,963 arasında değişen duyarlılıklar, 0,75 ile 0,877 arasında özgüllükler ve 0,836 ile 0,903 arasında AUC değerleri bildirmiştir (Tablo 2).

Öngörücü modeller ve tanısal performans
Lojistik regresyon modellerinin kullanıldığı alt grupta, havuzlanmış duyarlılık 0.86 (%95 GA: 0.79–0.90), özgüllük 0.78 (%95 GA: 0.68–0.85) ve AUC 0.89 (%95 GA: 0.86–0.92) idi (Şekil 8 ve Ek Şekil S5). Bu tahminler genel sonuçlarla benzerlik göstermekteydi. Ayrıca, üç çalışma makine öğrenimi modelleri kullanmıştır: bunlardan ikisi SVM14,28 kullanmış ve sırasıyla 0.94 ve 0.986 AUC değerleri, 0.95 ve 0.973 duyarlılıklar ile 0.91 ve 0.8397 özgüllükler raporlamıştır. Bir çalışma ise 0.8 AUC, 0.76 duyarlılık ve 0.78 özgüllük ile Xception modelini24 kullanmıştır (Tablo 2).

Yanlılık riski
QUADAS-2 değerlendirmesi, hasta seçimi ile akış ve zamanlama alanlarında bazı yüksek veya belirsiz derecelendirmeler olmakla birlikte, çoğu alanın düşük yanlılık riskine sahip olduğunu göstermiştir (Ek Şekil S6 ve Ek Şekil S7). Deeks'in huni grafiği asimetri testi, istatistiksel olarak anlamlı bir yayın yanlılığına dair kanıt göstermemiştir (P = 0.42) (Ek Şekil S8).

Genel olarak, havuzlanmış tahminler Ki-67 ekspresyonunun radyomik öngörüsü için yüksek tanısal performansa işaret etmiştir, ancak çalışmalar arasındaki önemli heterojenite genellenebilirliği sınırlamaktadır.

Veri Kullanılabilirliği
Dahil edilen 17 çalışmadan elde edilen ve bu meta-analizde kullanılan çalışma düzeyindeki veriler Ek Dosya 2'de sunulmuştur.

Çalışma tanımlama akış şeması; kayıt taraması, hariç tutma kriterleri, meta-analiz dahil etme sonuçları.
Şekil 1: Çalışma seçim akış şeması. Akış şeması, PRISMA 2020 ile uyumlu olarak literatür taramasını, elemeyi, uygunluk değerlendirmesini ve çalışma dahil etme sürecini göstermektedir. Kısaltma: PRISMA = Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Ögeleri. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Forest plot diyagramı; birden fazla çalışmada duyarlılık ve özgüllük analizi; veri karşılaştırma sonucu.
Şekil 2: Hepatoselüler karsinomda Ki-67 ekspresyonunu öngörmede radyomiklerin duyarlılığı ve özgüllüğü. Eşleştirilmiş forest plotlar, çalışmaya özgü ve havuzlanmış duyarlılık ve özgüllük tahminlerini göstermektedir. Kareler bireysel çalışma tahminlerini, yatay çizgiler %95 CI değerlerini ve elmaslar havuzlanmış tahminleri temsil eder. Kısaltma: CI = güven aralığı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Duyarlılık ve özgüllük verilerini grafikleyen, tahmin ve güven konturları içeren SROC diyagramı.
Şekil 3: Hepatosellüler karsinomda Ki-67 ekspresyonunu öngörmek için radyomiğin genel tanısal performansı. SROC eğrisi, özet çalışma noktasını (duyarlılık: 0.87; özgüllük: 0.79), %95 güven konturunu ve %95 tahmin konturunu göstermektedir; AUC değeri 0.90 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altındaki alan; SROC = özet alıcı işletim karakteristiği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tahmin ve güven konturları ile SROC eğrisi; sensitivite-spesifite grafiği; tanısal doğruluk.
Şekil 4: %10 Ki-67 kesme değeri olan alt grubun tanısal performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

SROC eğrisi, %10'luk bir Ki-67 eşik değeri kullanan çalışmaların tanısal performansını göstermektedir; AUC değeri 0,89 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altındaki alan; SROC = özet alıcı işletim karakteristiği.

Tahmin konturları, duyarlılık ile özgüllük karşılaştırması ve tanısal test doğruluğunu gösteren SROC eğrisi diyagramı.
Şekil 5: Ki-67 eşik değerleri > 10% olan alt grubun tanısal performansı. SROC eğrisi, Ki-67 eşik değerleri > 10% olan çalışmaları kullanan çalışmaların tanısal performansını göstermektedir; AUC 0.90 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altında kalan alan; SROC = özet alıcı işletim karakteristiği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tahmin ve güven konturları ile duyarlılık ve özgüllük arasındaki ilişkiyi gösteren SROC eğrisi grafiği.
Şekil 6: MRI tabanlı radyomik modellerin tanısal performansı. SROC eğrisi, MRI kaynaklı radyomik özelliklerin havuzlanmış tanısal performansını göstermektedir; AUC 0.88 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altında kalan alan; MRI = manyetik rezonans görüntüleme; SROC = özet alıcı işletim karakteristiği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sensitivite, spesifisite analizi için tahmin ve güven konturları içeren SROC eğrisi grafiği.
Şekil 7: Ultrason tabanlı radyomik modellerin tanısal performansı.SROC eğrisi, ultrasondan türetilen radyomik özelliklerin birleştirilmiş tanısal performansını göstermektedir; AUC 0,92 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altında kalan alan; SROC = özet alıcı işletim karakteristiği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tahmin, güven konturları ile SROC eğrisi grafiği; sensitivite ile spesifisite analizi.
Şekil 8: Lojistik regresyon modellerinin tanısal performansı. SROC eğrisi, lojistik regresyon kullanılarak oluşturulan radyomik modellerin havuzlanmış tanısal performansını göstermektedir; AUC 0,89 olarak belirlenmiştir. Kısaltmalar: AUC = eğri altındaki alan; SROC = özet alıcı işletim karakteristiği. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

ÇalışmaÇalışma tasarımıÖrneklem büyüklüğüYaşErkek (%)Görüntüleme yöntemiÖzellik setiTahmin modeliSegmentasyonValidasyonKi-67 eşik değeriYüksek Ki-67Düşük Ki-67
Hu, 2017Retrospektif5754.23 ± 11.1378.95MRGRadyomikLojistik regresyon modeliKılavuzDoğrulama yok10%4116
Yao, 2018Retrospektif4455.5 ± 10.442.37UltrasonRadyomiksSVM (Destek Vektör Makineleri)Kılavuzİç doğrulama25%2321
Chen, 2020Retrospektif18051.22 ± 10.3882.8MRG (Manyetik Rezonans Görüntüleme)RadyomikLojistik regresyon modeliKılavuzDoğrulama yok50%34146
Ye, 2019Prospektif8950.72 ± 11.4076.4MRGRadyomik ve klinik faktörlerLojistik regresyon modeliKılavuzİç doğrulama15%4940
Ye, 2020Prospektif10350.90 ± 11.9377.67MRG (Manyetik Rezonans Görüntüleme)RadyomiksLojistik regresyon modeliKılavuzDoğrulama yok10%7330
Wu, 2020Retrospektif7458.6181.08BTRadyomiksLojistik regresyon modeliKılavuzDoğrulama yok10%5420
Shi, 2020Prospektif5255.7 ± 12.875.MRGRadyomikLojistik regresyon modeliKullanım KılavuzuDoğrulama yok10%3517
Fan, 2021Retrospektif10361.0 (50.3–68.0)76.7MRG (Manyetik Rezonans Görüntüleme)Radyomik ve klinik faktörlerLojistik regresyon modeliKullanım Kılavuzuİç doğrulama14%8023
Jing, 2021Retrospektif8153.5276.54MRGRadyomiksLojistik regresyon modeliKılavuzDoğrulama yok10%6714
Hu, 2022Retrospektif8759.38 ± 11.1388.51MRGRadyomikXceptionKılavuzİç doğrulama20%4047
Wu, 2022Retrospektif12058.1290.BTRadyomik ve klinik faktörlerLojistik regresyon modeliKılavuzİç doğrulama20%6357
Dong, 2022Prospektif6059.35 ± 10.0777.2UltrasonRadyomikLojistik regresyon modeliKılavuzİç doğrulama10%3723
Liu, 2022Retrospektif73>55 yaş: %7187.7MRGRadyomik ve klinik faktörlerLojistik regresyon modeliKılavuzİç doğrulama25%3538
Zhang, 2023Retrospektif16857.0 (49.0–64.0)81.5UltrasonRadyomik ve klinik faktörlerDestek Vektör MakineleriKılavuzİç doğrulama10%13137
Huang, 2022Prospektif12055.2 ± 11.292.5UltrasonRadyomikLojistik regresyon modeliKullanım KılavuzuDoğrulama yok10%3684
Zhao, 2023Retrospektif12056.55 ± 9.5387.5BTRadyomik ve klinik faktörlerLojistik regresyon modeliKılavuzİç doğrulama14%7149
Zhang, 2024Retrospektif17755.2 ± 11.486.4UltrasonRadyomik ve klinik faktörlerLojistik regresyon modeliKılavuzİç doğrulama20%9384

Tablo 1: Dahil edilen çalışmaların temel özellikleri. Çalışma tasarımı, örneklem büyüklüğü, görüntüleme yöntemi, özellik seti, tahmin modeli, segmentasyon, doğrulama, Ki-67 eşik değeri ve ekspresyon grubu sayıları dahil olmak üzere 17 çalışmanın özellikleri. Kısaltmalar: CT = bilgisayarlı tomografi; MRI = manyetik rezonans görüntüleme; SVM = destek vektör makinesi.

Alt grupReferansHassasiyetÖzgüllükAUC (Eğri Altındaki Alan)
BT200.9630.750.836
BT250.7780.8770,884 (%95 GA, 0,813–0,936)
BT300.860.790,903 (%95 GA, 0,849–0,956)
Makine öğrenimi modeli140.950.910.94
Makine öğrenmesi modeli240.760.780.8
Makine öğrenimi modeli280.9730.83970,986 (%95 GA, 0,955–0,998)

Tablo 2: BT tabanlı radyomik ve gelişmiş makine öğrenimi modellerinin tanısal performansı. Bireysel BT tabanlı ve gelişmiş makine öğrenimi çalışmaları tarafından rapor edilen duyarlılık, özgünlük ve AUC değerleri. Kısaltmalar: AUC = eğri altındaki alan; CI = güven aralığı; CT = bilgisayarlı tomografi.

Ek Şekil S1: Ki-67 kesme değeri %10 olan alt gruptaki duyarlılık ve özgüllük. Eşleştirilmiş orman grafikleri, %95 GA ile çalışmaya özgü ve havuzlanmış tahminleri göstermektedir. Kısaltma: GA = güven aralığı. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil S2: Ki-67 eşik değerleri > %10 olan alt grupta duyarlılık ve özgüllük. Eşleştirilmiş orman grafikleri, %95 GA ile çalışmaya özel ve havuzlanmış tahminleri göstermektedir. Kısaltma: GA = güven aralığı. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil S3: MRI tabanlı radyomik modellerin hassasiyet ve özgüllüğü. Eşleştirilmiş orman grafikleri, %95 GA ile çalışmaya özgü ve havuzlanmış tahminleri göstermektedir. Kısaltmalar: GA = güven aralığı; MRI = manyetik rezonans görüntüleme. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil S4: Ultrason tabanlı radyomik modellerin duyarlılığı ve özgüllüğü. Eşleştirilmiş orman grafikleri, %95 GA ile çalışmaya özgü ve havuzlanmış tahminleri göstermektedir. Kısaltma: GA = güven aralığı. Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil S5: Lojistik regresyon modellerinin duyarlılığı ve özgüllüğü. Eşleştirilmiş forest grafikleri, %95 GA ile çalışmaya özel ve havuzlanmış tahminleri göstermektedir. Kısaltma: GA = güven aralığı. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil S6: Metodolojik kalite grafiği. Grafikte, her bir QUADAS-2 alanında düşük, belirsiz veya yüksek yanlılık riski ve uygulanabilirlik konusundaki endişeler olarak değerlendirilen çalışmaların oranları gösterilmektedir. Kısaltma: QUADAS-2 = Tanısal Doğruluk Çalışmalarının Kalite Değerlendirmesi 2. Bu dosyayı indirmek için lütfen buraya tıklayınız.

Ek Şekil S7: Metodolojik kalite özeti. Çalışma düzeyindeki özet, her bir QUADAS-2 alanında yanlılık riski ve uygulanabilirlik konusundaki endişeler için düşük, belirsiz veya yüksek derecelendirmeleri göstermektedir. Kısaltma: QUADAS-2 = Tanısal Doğruluk Çalışmalarının Kalite Değerlendirmesi 2. Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil S8: Yayın yanlılığı değerlendirmesi. Deeks’ huni grafiği asimetri testi, ESS'nin ters karekökü ile DOR arasındaki ilişkiyi göstermektedir; P = 0.42. Kısaltmalar: DOR = tanısal olasılıklar oranı; ESS = etkin örneklem büyüklüğü. Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Dosya 1: PRISMA 2020 kontrol listesi. Tamamlanmış kontrol listesi, sistematik inceleme ve tanısal meta-analiz için raporlama uyumluluğunu belgelemektedir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: Tanısal meta-analiz için kullanılan çıkarılmış veriler. Çalışma kitabı, havuzlanmış analizler için kullanılan hasta özellikleri, model ayrıntıları ve tanısal performans değerleri dahil olmak üzere çıkarılmış çalışma düzeyindeki verileri içermektedir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Bu sistematik meta-analiz, HCC'de Ki-67 ekspresyonunu öngörmek için radyomik özelliklerin tanısal performansını değerlendirmiştir. Birleştirilmiş hassasiyet 0,87, birleştirilmiş özgüllük 0,79 ve özet AUC 0,90 olarak belirlenmiştir. Analiz edilen alt gruplar arasında tahminler genel olarak benzer olsa da, önemli heterojenlik birleştirilmiş tahminlerin genellenebilirliğini sınırlamaktadır. Bu bulgular, radyomiğin doku tabanlı değerlendirmeye tamamlayıcı olabileceğini, ancak klinik faydasının daha fazla doğrulanması gerektiğini göstermektedir.

Ki-67 ekspresyon seviyelerinin noninvaziv radyomik tabanlı tahmininin temel tanısal değeri, doku biyopsisinin doğal sınırlamalarının üstesinden gelme yeteneğinde yatar ve tümörün genel biyolojik özelliklerinin görselleştirilmesine ve nicelendirilmesine olanak tanır. Hücresel proliferasyonun temel bir göstergesi olan Ki-67 ekspresyonu, HCC tümörleri içinde ve farklı lezyonlar arasında genellikle belirgin bir heterojenlik sergiler. Bir biyopsi örneği, yalnızca örneklenen bölgenin lokal durumunu yansıtır ve bu da düşük tahmin etme riskini beraberinde getirir32. Tümör bölgesinin tamamından doku, morfolojik ve yoğunluk özelliklerinin yüksek kapasiteli ekstraksiyonu ve analizi yoluyla radyomik, bu uzamsal heterojenliği daha kapsamlı bir şekilde yakalayabilir ve tümör proliferasyon durumunu daha iyi temsil edebilir33. Ayrıca, bu çalışma, ultrason modalitelerine dayalı radyomiğin 0,92 gibi yüksek bir havuzlanmış AUC değerine sahip olduğunu bulmuştur; bu durum, doğrudan MRI'dan üstün görülmek yerine ihtiyatlı bir yorumlamayı hak etmektedir. Bu ayrım önemlidir çünkü bu iki modalitenin güven aralıkları (CI) örtüşmektedir ve daha az sayıdaki ultrason kohortu (n = 5), doğal olarak SROC grafiğindeki tahmin aralıklarını genişletmektedir.

Bu bulgular, bir üstünlük kurmaktan ziyade, farklı görüntüleme platformlarının modaliteye özgü benzersiz güçlü yönlerini vurgulamaktadır. Ultrason kaynaklı radyomiklerin tanısal performansı, kontrastlı ultrasonun hücre proliferatif aktivitesiyle yakından ilişkili fonksiyonel bilgiler olan mikrovasküler perfüzyon ve hemodinamiği yakalama hassasiyeti ile ilişkili olabilir34. Hem ultrason hem de MRI tabanlı radyomikler gelecek vaat eden bir tanısal potansiyel gösterse de, her birinin klinik konumlandırmasını tam olarak tanımlamak için daha geniş ölçekli, karşılaştırmalı çalışmalara ihtiyaç vardır. CT tabanlı çalışmaların sınırlı sayısı meta-analizi engellemiş olsa da, bireysel çalışmalar da 0,836 ile 0,903 arasında bildirilen AUC değerleri ile olumlu bir tanısal eğilim göstermiştir. Bu durum, farklı görüntüleme kaynaklarından türetilen radyomik özelliklerin potansiyel klinik değerini ortaya koymaktadır. Kontrastlı CT radyomikleri, mikrovasküler yeniden yapılanma ve hızlı tümör hücresi proliferasyonu ile ilişkili makro düzeydeki hemodinamik değişiklikleri ve uzamsal yoğunluk varyasyonlarını yakalayabilir. Bu kalitatif bulgular, CT kaynaklı doku özelliklerinin, özellikle çok fazlı CT'nin HCC sürveyansı ve yönetimi için birincil görüntüleme modalitesi olarak kullanıldığı klinik ortamlarda, noninvaziv Ki-67 profillemesi için potansiyel faydaya sahip olduğunu göstermektedir.

Bu çalışmanın, modellerinle tanısal performansını etkileyebilecek birkaç temel faktörü belirlediği dikkat çekicidir. İlk olarak, Ki-67 ekspresyonu kesme değerlerindeki varyasyon, önemli bir heterojenite kaynağı olabilir. Model, kesme değeri olan alt grupta biraz daha yüksek özgünlük ve AUC göstermiş olsa da>%10, iki alt grup arasındaki performans anlamlı düzeyde farklılık göstermemiştir ve bu farklılıkların klinik önemi belirsizliğini korumaktadır. Mevcut durumda, Ki-67 yüksek ekspresyonu için standartlaştırılmış bir tanım bulunmamaktadır35Birleştirilmiş kriterler oluşturmak ve farklı cutoff değerlerinin radyomik modellerin öngörücü etkinliği üzerindeki etkisini daha fazla doğrulamak için gelecekte çalışmalara ihtiyaç vardır. İkinci olarak, görüntüleme modalitesi seçimi, özellik çıkarımını ve model kurulumunu önemli ölçüde etkilemektedir. MRI'nın multiparametrik görüntüleme yeteneği ve ultrasonun dinamik kontrastlanma özellikleri, modeller için tamamlayıcı biyolojik bilgiler sağlamaktadır. Son olarak, öngörücü modelleme algoritmalarının seçimi de performansı etkilemiştir. Lojistik regresyon modelleri, yorumlanabilirlikleri ve kararlılıkları nedeniyle şu an için yaygın olarak kullanılmaktadır. Bununla birlikte, makine öğrenimi algoritmaları (örneğin SVM'ler) kullanan birkaç çalışma, son derece yüksek AUC değerleri bildirmiş olup, bu durum yüksek boyutlu görüntüleme özellikleri ile Ki-67 ekspresyonu arasındaki karmaşık eşleme ilişkilerini madenlemek için daha karmaşık doğrusal olmayan modellerin daha uygun olabileceğini göstermektedir. Yine de, bu tür çalışmaların sayısı sınırlıdır ve sonuçlarının daha fazla doğrulanması gerekmektedir.

0,90 olan özet AUC değeri yüksek bir havuzlanmış tanısal performansa işaret etse de, duyarlılık ve özgüllükteki belirgin heterojenlik ihtiyatlı olmayı gerektirmektedir; çünkü bu tahminler, evrensel olarak tekrarlanabilir bir klinik metrikten ziyade ortalamaları yansıtmaktadır. İki değişkenli rastgele etkiler modeli çalışmalar arası varyansı hesaba katsa da, çalışmalar arasındaki klinik ve teknik farklılıkları ortadan kaldırmaz. Radyomik iş akışları; görüntüleme protokollerindeki, rekonstrüksiyon algoritmalarındaki ve tarayıcı donanımlarındaki varyasyonlara karşı hassastır ve manyetik alan gücü, kesit kalınlığı ile ultrason sistemlerindeki farklılıklar gözlemlenen heterojenliğe katkıda bulunmuş olabilir. Teknik tekrarlanabilirliğin artırılması için Görüntü Biyobelirteç Standardizasyon Girişimi'ne (Image Biomarker Standardization Initiative) uyum sağlanması önemlidir36. İzotropik voksel yeniden örnekleme ve yoğunluk normalizasyonunu içeren standartlaştırılmış ön işleme adımları, özellik ekstraksiyonu sonrası harmonizasyon37 ile birlikte, merkezler arası genellenebilirliği artırabilir. Gelecekteki prospektif çalışmalar, bu metodolojik harmonizasyon adımlarına öncelik vermelidir.

Metodolojik araştırma ile klinik fayda arasındaki boşluğu doldurmak için, radyomik modellerin konvansiyonel klinik ve görüntüleme biyobelirteçlerine kıyasla sağladığı artımlı değerin tanımlanması esastır. Günümüzde, serum alfa-fetoprotein seviyeleri ve tümör boyutu ile kenar durumu dahil olmak üzere makroskobik tümör morfolojisi gibi yerleşmiş öngörüler, HCC'de klinik karar verme sürecinin standart bileşenleridir38. Ancak, bu konvansiyonel belirteçler öncelikle sistemik tümör yükünü veya makro-yapısal değişiklikleri yansıtmaktadır. Buna karşılık radyomik, hücre proliferasyonu ve doku yoğunluğu ile biyolojik olarak bağlantılı olan, piksel düzeyindeki uzamsal heterojenliği nicelleştiren yüksek boyutlu ve görsel altı dijital özellikler çıkarır. Radyomiğin temel değeri, mevcut klinik tanı standartlarının yerini almaktan ziyade, onlarınla sinerjik entegrasyonunda yatmaktadır. Önceki kanıtlar, radyomik imzaları konvansiyonel klinik risk faktörleriyle birleştiren öngörü modellerinin, yalnızca klinik veya yalnızca radyomik temelli modellerden tutarlı bir şekilde daha iyi performans gösterdiğini belirtmiştir18,22. Klinik iş akışlarında, bu entegre yaklaşım noninvaziv bir risk sınıflandırma aracı olarak hizmet edebilir. Örneğin, belirsiz klinik profillere sahip hastalarda, ortak bir klinik-radyomik model, Ki-67 ekspresyonunun preoperatif değerlendirmesini rafine ederek ileri değerlendirme ve tedavi planlamasına ışık tutabilir; ancak bu modellerin klinik kararlara yön vermesi için prospektif validasyon gereklidir.

Klinik çeviri; yüksek boyutlu öznitelik alanlarındaki aşırı uyum (overfitting), sınırlı bağımsız çok merkezli dış doğrulama ve kısıtlı model yorumlanabilirliği nedeniyle de engellenmektedir. Dahil edilen çalışmaların çoğu lojistik regresyon kullanırken, az sayıdaki çalışma doğrusal olmayan makine öğrenimi veya derin öğrenim yaklaşımlarına başvurmuştur. Bu keşifsel kohortlar tarafından bildirilen yüksek AUC değerleri, gelişmiş modellerin daha fazla çalışılmayı hak ettiğini göstermektedir; ancak çalışma sayısının sınırlı olması, lojistik regresyona göre bir performans tavanı veya üstünlük oluşturmamaktadır. Açıklanabilir yapay zeka yaklaşımları, gelecekteki modellerin yorumlanabilirliğini artırabilir. Bu meta-analiz, mevcut literatürü yansıtacak şekilde yalnızca radyomik ve kombine klinik-radyomik modelleri birleştirmiş, ancak bu durum metodolojik heterojeniteye yol açmıştır. Gelecekteki çalışmalar bu yaklaşımları ayrı ayrı raporlamalı ve dışsal olarak doğrulamalıdır.

Bu çalışmanın aynı zamanda çeşitli kısıtlamaları bulunmaktadır. İlk olarak, dahil edilen kohortlar neredeyse tamamen Çin'deki kurumlardan seçilmiştir, bu da potansiyel coğrafi ve etiyolojik yanlılıklara yol açabilmektedir. Doğu Asya'da HCC patogenezi büyük ölçüde kronik hepatit B virüsü enfeksiyonunun etkisindeyken, Batı popülasyonlarında hepatit C virüsü, alkol kötüye kullanımı ve alkol dışı steatohepatit prevalansı daha yüksektir; bu nedenle, radyomik tabanlı bu modellerin diğer küresel sağlık ortamlarına klinik olarak genellenebilirliği henüz tam olarak doğrulanmamıştır. İkinci olarak, dahil edilen çalışmalar tasarım açısından ağırlıklı olarak retrospektif ve çoğunlukla tek merkezliydi; QUADAS-2 değerlendirmesi genel olarak düşük yanlılık riski gösterse de potansiyel seçim yanlılığı ve ölçüm yanlılığı olasılığı devam etmektedir. Ki-67 için yorumlama kriterleri çalışmalar arasında tam olarak standardize edilmemişti ve seçilen kesim değerleri önemli ölçüde farklılık gösteriyordu (%10 ile %50 arası). Alt grup tahminleri benzer olsa da, bu değişkenlik sonuçların karşılaştırılabilirliğini hâlâ etkileyebilir. Ek olarak, farklı görüntüleme cihazları arasındaki tarama parametreleri, kesit kalınlığı ve yeniden yapılandırma algoritmalarındaki farklılıklar standardize edilmemiş veya düzeltilmemiştir. Radyomik analiz işlem hatları tipik olarak özellik standardizasyon adımlarını içerse de, tutarsız tarama protokolleri, özellik tekrarlanabilirliğini ve model genellenebilirliğini etkileyen temel bir zorluk olmaya devam etmektedir. Son olarak, makine öğrenimi modellerini kullanan çok az sayıda çalışmanın dahil edilmesi, farklı algoritmaların üstünlüğüne ilişkin karşılaştırmalı sonuçları sınırlamıştır. Gelecekte geniş ölçekli, prospektif ve çok merkezli çalışmalara ihtiyaç duyulmaktadır. Birleştirilmiş görüntüleme edinme protokolleri ve Ki-67 tespit standartlarına dayalı olarak bu çalışmalar, klinik-radyomik etiketleri entegre eden ve radyomikleri metodolojik araştırmalardan klinik olarak kullanışlı bir araca dönüştürmeyi kolaylaştırmak için daha gelişmiş derin öğrenme mimarileri kullanan öngörücü modelleri daha fazla araştırmalıdır.

Bu meta-analiz, HCC'de Ki-67 ekspresyonunu öngörmek için radyomiklere ilişkin mevcut kanıtları sentezlemektedir. Radyomik modeller yüksek havuzlanmış tanısal performans göstermiş olsa da, çalışmalar arasındaki belirgin heterojenlik, ağırlıklı olarak retrospektif tek merkezli tasarımlar ve sınırlı dış doğrulama klinik yorumlamayı kısıtlamaktadır. Bulgular, radyomiklerin patolojik değerlendirmeye potansiyel bir tamamlayıcı olarak daha fazla değerlendirilmesini desteklemektedir; ancak klinik faydayı kesin olarak ortaya koymamaktadır. Genellenebilirliği ve klinik uygulamayı değerlendirmek için standart görüntüleme ve Ki-67 değerlendirmesi kullanan prospektif, çok merkezli çalışmalara ihtiyaç vardır.

Açıklamalar

Yazarlar beyan edilecek herhangi bir çıkar çatışmasına sahip değildir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Review ManagerNordic Cochrane CentreSürüm 5.3Yanlılık riski değerlendirmesi ve haritalama
StataStataCorpSürüm 16.0Midas modülü kullanılarak tanısal meta-analiz

Kaynaklar

  1. Philips CA, et al. Hepatocellular carcinoma in 2021: an exhaustive update. Cureus. 2021;13(11):e19274.
  2. Llovet JM, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021;7(1):6.
  3. Siegel RL, Miller KD, Wagle NS, Jemal A. Cancer statistics, 2023. CA Cancer J Clin. 2023;73(1):17-48.
  4. Feng F, Zhao Y. Hepatocellular carcinoma: prevention, diagnosis, and treatment. Med Princ Pract. 2024;33(5):414-23.
  5. Alawyia B, Constantinou C. Hepatocellular carcinoma: a narrative review on current knowledge and future prospects. Curr Treat Options Oncol. 2023;24(7):711-24.
  6. Andrés-Sánchez N, Fisher D, Krasinska L. Physiological functions and roles in cancer of the proliferation marker Ki-67. J Cell Sci. 2022;135(11):jcs258932.
  7. Hsu HC, et al. Expression of p53 gene in 184 unifocal hepatocellular carcinomas: association with tumor growth and invasiveness. Cancer Res. 1993;53(19):4691-4.
  8. Cao Y, et al. DNA topoisomerase IIα and Ki-67 are prognostic factors in patients with hepatocellular carcinoma. Oncol Lett. 2017;13(6):4109-16.
  9. Stroescu C, et al. Expression of p53, Bcl-2, VEGF, Ki-67, and PCNA and prognostic significance in hepatocellular carcinoma. J Gastrointestin Liver Dis. 2008;17(4):411-7.
  10. Jue C, et al. Vasculogenic mimicry in hepatocellular carcinoma contributes to portal vein invasion. Oncotarget. 2016;7(47):77987-97.
  11. Di Tommaso L, et al. Role of liver biopsy in hepatocellular carcinoma. World J Gastroenterol. 2019;25(40):6041-52.
  12. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-77.
  13. Hu XX, et al. Whole-tumor MRI histogram analyses of hepatocellular carcinoma: correlations with Ki-67 labeling index. J Magn Reson Imaging. 2017;46(2):383-92.
  14. Yao Z, et al. Preoperative diagnosis and prediction of hepatocellular carcinoma: radiomics analysis based on multimodal ultrasound images. BMC Cancer. 2018;18(1):1089.
  15. Page MJ, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
  16. Whiting PF, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529-36.
  17. Chen Y, et al. Diagnostic value of Gd-EOB-DTPA-enhanced MRI for the expression of Ki-67 and microvascular density in hepatocellular carcinoma. J Magn Reson Imaging. 2020;51(6):1755-63.
  18. Ye Z, et al. Texture analysis on gadoxetic acid-enhanced MRI for predicting Ki-67 status in hepatocellular carcinoma: a prospective study. Chin J Cancer Res. 2019;31(5):806-17.
  19. Ye Z, et al. Preoperative prediction of hepatocellular carcinoma with highly aggressive characteristics using quantitative parameters derived from hepatobiliary phase MR images. Ann Transl Med. 2020;8(4):85.
  20. Wu H, et al. Prediction of the Ki-67 marker index in hepatocellular carcinoma based on CT radiomics features. Phys Med Biol. 2020;65(23):235048.
  21. Shi G, et al. Evaluation of multiple prognostic factors of hepatocellular carcinoma with intravoxel incoherent motion imaging by extracting the histogram metrics. Cancer Manag Res. 2020;12:6019-31.
  22. Fan Y, et al. Radiomic analysis of Gd-EOB-DTPA-enhanced MRI predicts Ki-67 expression in hepatocellular carcinoma. BMC Med Imaging. 2021;21(1):100.
  23. Jing M, et al. The benefit of apparent diffusion coefficient in evaluating the invasiveness of hepatocellular carcinoma. Front Oncol. 2021;11:719480.
  24. Hu X, et al. Added value of viscoelasticity for MRI-based prediction of Ki-67 expression of hepatocellular carcinoma using a deep learning combined radiomics (DLCR) model. Cancers (Basel). 2022;14(11):2575.
  25. Wu C, et al. Nomogram based on CT radiomics features combined with clinical factors to predict Ki-67 expression in hepatocellular carcinoma. Front Oncol. 2022;12:943942.
  26. Dong Y, et al. Prediction of histological grades and Ki-67 expression of hepatocellular carcinoma based on Sonazoid contrast-enhanced ultrasound radiomics signatures. Diagnostics (Basel). 2022;12(9):2175.
  27. Liu Z, et al. Nomogram development and validation to predict Ki-67 expression of hepatocellular carcinoma derived from Gd-EOB-DTPA-enhanced MRI combined with T1 mapping. Front Oncol. 2022;12:954445.
  28. Zhang L, et al. Noninvasive prediction of Ki-67 expression in hepatocellular carcinoma using machine learning-based ultrasomics: a multicenter study. J Ultrasound Med. 2023;42(5):1113-22.
  29. Huang Z, Zhou P, Li S, Li K. Prediction of the Ki-67 marker index in hepatocellular carcinoma based on dynamic contrast-enhanced ultrasonography with Sonazoid. Insights Imaging. 2022;13(1):199.
  30. Zhao YM, et al. Added value of CE-CT radiomics to predict high Ki-67 expression in hepatocellular carcinoma. BMC Med Imaging. 2023;23(1):138.
  31. Zhang D, et al. Predicting Ki-67 expression in hepatocellular carcinoma: nomogram based on clinical factors and contrast-enhanced ultrasound radiomics signatures. Abdom Radiol (NY). 2024;49(5):1419-31.
  32. Miller I, et al. Ki-67 is a graded rather than a binary marker of proliferation versus quiescence. Cell Rep. 2018;24(5):1105-12.e5.
  33. Lambin P, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14(12):749-62.
  34. Shia WC, et al. Effectiveness of evaluating tumor vascularization using 3D power Doppler ultrasound with high-definition flow technology in the prediction of the response to neoadjuvant chemotherapy for T2 breast cancer: a preliminary report. Phys Med Biol. 2015;60(19):7763-78.
  35. Luo Y, et al. Clinicopathological and prognostic significance of high Ki-67 labeling index in hepatocellular carcinoma patients: a meta-analysis. Int J Clin Exp Med. 2015;8(7):10235-47.
  36. Aguirre-Meneses H, et al. Radiomics and the Image Biomarker Standardisation Initiative (IBSI): a narrative review using a six-question map and implementation framework for reproducible imaging biomarkers. Cureus. 2025;17(10):e95335.
  37. Voitenko DA, et al. RiTex: harmonization of radiomic features based on Riemannian geometry. J Imaging. 2026;12(6):264.
  38. Jearth V, et al. Correlation of clinicopathological profile, prognostic factors, and survival outcomes with baseline alfa-fetoprotein levels in patients with hepatocellular carcinoma: a biomarker that is bruised but not broken. J Clin Exp Hepatol. 2022;12(3):841-52.

Yeniden basım ve izinler

Etiketler

Radyomik ModellerRadyomik ÖzelliklerTanısal PerformansManyetik Rezonans GörüntülemeUltrason RadyomikleriLojistik Regresyon
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.