税会利, 谢贞明, 吴娇, 杨兵, 唐东昕
临床放射学杂志. 2026, 45(8): 1398-1408.
目的 通过系统评价方法,全面评估机器学习在检测粗梁-团块亚型肝细胞癌中的诊断效能,为未来智能辅助诊断工具的研发与优化提供循证依据。方法 计算机检索PubMed、Embase、Cochrane Library、Web of Science、CNKI、VIP、CBM、WanFang Data等数据库,搜集有关机器学习检测粗梁-团块亚型肝细胞癌的研究,检索时限均从建库至2025年7月21日。采用预测模型偏倚风险评估工具评估偏倚风险。在Meta分析过程中,按建模变量(非影像组学、影像组学)进行亚组分析。结果 共纳入了21项研究,包括3925例肝细胞癌患者,其中1092例为粗梁-团块亚型肝细胞癌患者。13项基于非影像组学特征,8项基于影像组学特征。在验证集中,所有机器学习模型合并的灵敏度为0.75[95%置信区间(CI)(0.69,0.81)]、特异度为0.78[95%CI(0.69,0.84)]、阳性似然比为3.4[95%CI(2.4,4.7)]、阴性似然比为0.32[95%CI(0.25,0.40)]、诊断比值比为11[95%CI(7,17)]、汇总受试者工作特征曲线下面积为0.80[95%CI(0.76,0.83)]。其中,影像组学特征机器学习合并的灵敏度为0.78[95%CI(0.71,0.84)]、特异度为0.77[95%CI(0.66,0.85)]、阳性似然比为3.4[95%CI(2.3,5.2)]、阴性似然比为0.29[95%CI(0.21,0.38)]、诊断比值比为12[95%CI(7,21)]、汇总受试者工作特征曲线下面积为0.81[95%CI(0.78,0.85)]。结论 机器学习检测粗梁-团块亚型肝细胞癌具有一定的可行性,影像组学模型的表现略优,有望为其术前识别提供一种有潜力的辅助手段,但现有研究质量有待加强,未来需进一步优化模型的设计与验证,以期达到更准确的预测结果。