综述：影像组学与深度学习模型无创预测结直肠癌肝转移病理生长模式的系统评价与Meta分析

《World Journal of Surgical Oncology》：Imaging radiomics for predicting histopathological growth patterns in colorectal liver metastases: a systematic review and diagnostic meta-analysis

　　

摘要

背景

结直肠癌肝转移（CRLM）的病理生长模式（HGPs）对患者预后及系统性治疗反应具有重要影响。其中，纤维化增生型HGP与较好预后相关，而替代型HGP往往提示更具侵袭性的表型。目前，术前影像学检查无法区分这些生长模式，而活检因对肿瘤-肝脏界面的采样有限，可靠性往往不足。本系统评价与Meta分析旨在评估基于影像数据的放射组学/深度学习模型在HGP无创预测中的诊断效能。

方法

本研究遵循PRISMA指南，检索了4个数据库，检索截止日期为2026年8月30日。纳入标准为：利用术前CT或MRI影像数据开发放射组学或深度学习模型以预测CRLM患者HGPs的研究。方法学质量及偏倚风险采用RQS 2和QUADAS-2工具进行评估。采用随机效应模型计算汇总的敏感性和特异性。

结果

系统评价共纳入8项回顾性研究报告，代表7个独立研究人群；定量合成共纳入7个独立人群，涵盖724例独立患者。汇总敏感性和特异性分别为0.86（95% CI：0.81–0.90）和0.77（95% CI：0.64–0.87）。SROC曲线得出的AUC为0.845。亚组分析在大多数分析中未达到统计学显著性，鉴于可用研究数量有限，其结果应谨慎解读。RQS 2.0平均分值为17.1分（31%），表明尽管技术开发已趋于标准化，但目前仍缺乏前瞻性验证及临床应用指标。

结论

基于影像的AI模型在HGP无创分类方面表现出令人鼓舞的判别能力。然而，现有证据尚不能证明其具有临床实用性或能改善患者管理或预后。在考虑临床转化应用之前，尚需开展前瞻性多中心验证研究及决策影响研究。