文献速递介入腹部CTDSA

机器学习在中期肝细胞癌经动脉化疗栓塞/经动脉栓塞中应用的系统综述

The use of machine learning in transarterial chemoembolisation/transarterial embolisation for patients with intermediate-stage hepatocellular carcinoma: a systematic review.
PubMed 文献 · Radiol Med · 2025-05-03

该系统综述纳入7项来自中国、共4017例中期肝细胞癌患者的研究,评估机器学习模型在经动脉化疗栓塞或经动脉栓塞中预测治疗结局的效果。预测客观缓解的汇总AUC为0.8496,预测3年总生存的汇总AUC为0.6966;研究间存在异质性,作者认为需标准化方案和更大规模多中心试验才能临床整合。

要点

  • 预测TACE客观缓解的汇总AUC为0.8496,预测3年总生存的汇总AUC为0.6966。
  • 纳入研究各队列AUC范围为0.55至0.98,预测价值差异较大但总体较强。
  • 所有纳入研究均来自中国,作者指出这限制了结果对其他人群的推广。

核心结论

  • 机器学习在预测中期肝细胞癌患者TACE/TAE的客观缓解和3年总生存方面显示出潜力,但研究异质性限制了比较,临床整合仍需标准化方案和更大规模多中心试验。

研究设计与样本

  • 系统综述与荟萃分析,前瞻性注册于PROSPERO(注册号CRD42023478356),按2019年PRISMA声明实施和报告。
  • 检索Medline、Embase、Scopus和CENTRAL数据库,纳入截至2024年6月1日发表的所有文章,无语言和时间限制。
  • 纳入7项研究、共4017例参与者,均为中国的研究;纳入BCLC B期或等同分期、在TACE/TAE术中或术前使用机器学习进行图像引导或预测的患者。
  • 纳入随机对照试验、回顾性研究和病例系列;排除综述文章、仅摘要可获的研究、既往接受其他治疗或存在门静脉侵犯/肝外转移/肝转移/其他肝癌类型的患者。
  • 使用QUADAS-2评估偏倚风险和适用性;采用双变量诊断荟萃分析模型、DerSimonian and Laird随机效应模型计算敏感度、特异度和AUC,异质性用I²计算,发表偏倚用漏斗图和Egger回归检验评估,SPSS 29.0.2.0用于统计分析。

关键影像表现/征象

  • 各研究使用LASSO(2项)、GhostNet(1项)、ResNet50(1项)、deepHAP IV(1项)、SHAP(1项)及基于TensorFlow 2.0自建模型(1项)。
  • 部分研究使用影像组学特征(如GLCM纹理和小波变换特征)识别CT图像上的肿瘤病理成分。
  • 部分研究发现肿瘤大小与TACE后结局预测直接相关。
  • 部分研究加入血液检验结果构建炎症负荷指数、甲胎蛋白水平等补充信息以提升预测效果。

诊断标准与关键数值

  • 客观缓解定义为TACE后完全缓解和部分缓解,依据mRECIST标准。
  • 预测客观缓解的汇总AUC为0.8496,预测3年总生存的汇总AUC为0.6966。
  • 各队列AUC范围为0.55至0.98。
  • 3年总生存分析中Egger检验截距显著(系数=0.702,SE=0.0373,P=0.034),提示潜在发表偏倚。
  • 预测客观缓解的漏斗图不对称,Egger检验确认偏倚(截距系数=-3.612,SE=0.1328,t=-27.199),AUC分析总体效应量较强(系数=6.700,SE=0.1865,t=35.924)。

临床应用与阅片要点

  • 机器学习模型预测客观缓解的汇总AUC为0.8496,可能有助于区分对TACE应答与不应答的患者。
  • 预测3年总生存的汇总AUC为0.696,作者指出该值低于0.80,临床效用有限。
  • 作者认为,预测哪些患者可能从TACE获益,有助于制定个体化治疗方案并减少不必要的侵入性干预。
  • 作者指出,在部分情况下机器学习结果可能提示转向系统治疗以保护肝功能。
  • 作者指出,将机器学习纳入临床实践面临计算资源和专业知识要求、深度学习模型的「黑箱」性质以及影像协议和数据采集缺乏标准化等挑战。

局限性

  • 作者指出,纳入论文的质量是主要局限,发表偏倚可能存在,阳性结果模型更易发表。
  • 所有纳入研究均来自中国,限制了对其他人群和临床特征患者的推广性。
  • 各研究在影像组学特征使用和对IBSI标准的依从性报告上不一致,导致模型性能变异并限制结果可重复性。
  • 3年总生存仅3项研究涉及,其中1项仅纳入81例参与者,作者指出样本量不足且未做功效计算,存在2型错误风险。
  • 作者指出,该综述缺乏正在进行的试验和灰色文献。
全文中译20 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2025 May 3;130(7):1124–38. doi: 10.1007/s11547-025-02013-y

引言

2020年,估计有906,000例原发性肝癌新发病例和830,000例相关死亡。其中80%的病例为肝细胞癌(HCC),使其成为最常见的原发性肝癌[1]。不幸的是,随着其主要危险因素在全球范围内的日益突出,包括酒精相关性肝病、代谢相关性肝病(MASLD——前身为非酒精性脂肪性肝病)、乙型和丙型肝炎病毒感染(HBV和HCV)以及黄曲霉毒素暴露,其发病率持续上升[2–14]。在这些触发因素之一启动病理生理过程后,随之而来的是肝脏炎症、纤维化和异常肝细胞再生的级联反应,最终导致肝硬化。这些肝硬化患者中有三分之一将在其一生中发展为HCC[15–17]。

HCC的治疗以巴塞罗那临床肝癌(BCLC)分期系统为指导。

BCLC分期系统有四个主要分类:

0——极早期。单个病灶小于2 cm,肝功能保留。

A——早期。单个或少于3个结节,每个小于3 cm,肝功能保留。

B——中期。多结节,肝功能保留。

C——晚期。门静脉侵犯+/−肝外播散,肝功能保留。

D——终末期。任何肿瘤负荷伴终末期肝功能。

治疗选择包括消融、切除、移植以及全身治疗,如阿替利珠单抗/贝伐珠单抗和曲美木单抗/度伐利尤单抗用于晚期阶段[18–32]。经导管动脉化疗栓塞(TACE)仍然是中期HCC的标准治疗,并且是肝功能保留的BCLC B期患者的主要治疗推荐。

TACE是肝功能相对保留的中期HCC患者的金标准。与最佳支持治疗相比,它已被证明可将中位生存期从16个月提高至20个月[30]。

TACE是指给予由化疗药物与碘化油混合制成的乳剂,随后对血管进行栓塞。它通过动脉内导管直接递送至治疗部位,即供应HCC的血管附近[33]。

尽管TACE有诸多益处,但该操作的若干局限性已被强调。技术、治疗方案和治疗反应的不一致性均受到细胞组成、代谢和解剖结构变异的影响,这些变异在不同患者之间自然存在差异,使得难以识别哪些患者会从TACE中获益。一些研究甚至表明,一部分患者可能需要多达3次重复TACE操作才能达到临床相关反应,这不可避免地大幅增加了每次操作相关的肝损伤、医源性并发症和化疗相关并发症的风险[34]。另一个局限性体现在所用化疗药物剂量的可变性上。具体剂量通常根据药物的位置和摄取量计算,但往往不够准确。为应对这一问题,药物洗脱微球(DEB-TACE)近年来获得了青睐,因为它提高了TACE的药代动力学特征,并提供了单纯TACE所不具备的一致性[30]。

人工智能(AI),特别是卷积神经网络(CNN),正日益应用于肝病学领域,用于诊断和预后目的[35–37]。机器学习(ML)是AI的一个子集,使计算机能够从数据中学习并在无需显式编程的情况下提高任务表现。监督学习、无监督学习和强化学习使系统能够分析标注或未标注的数据并优化决策过程。在放射学中,ML提高了诊断准确性、治疗规划和患者预后。例如,ML算法通过分析影像数据改善肝脏病变的检测和表征[36],协助规划复杂干预措施[38],并预测患者预后以个性化治疗[35–37]。ML算法已被证明可提高超声成像中肝脏病变的检测和表征能力,准确率高达96.6%[39]。然而,AI在优化TACE手术中的作用尚未得到充分记录,但初步迹象令人鼓舞。

介入放射学中的深度学习方法已在血管造影过程中识别导管和导丝[40],这可能实现无需造影剂的实时血管路径映射[41]。目前存在一个类似的真实应用案例,即使用虚拟注射软件规划和引导前列腺动脉栓塞术,在将其叠加为3D路径图之前映射血管并规划栓塞路线,增强实时透视图像以引导微导管导航[42]。一些新综述展示了其在经导管动脉放射性栓塞治疗HCC中的应用[43];然而,尚缺乏在TACE背景下更广泛审视其应用的综述。

放射组学是一种从医学影像中提取特征的定量方法,在分析肿瘤异质性和预测治疗结果方面具有重大前景。在中晚期HCC的TACE背景下,放射组学特征——如灰度共生矩阵(GLCM)和小波变换指标——的整合已证明在识别肿瘤形态和病理方面具有实用性[44]。然而,当前文献的一个关键局限性是放射组学特征提取方案缺乏统一性。在影像生物标志物标准化倡议(IBSI)下标准化这些方法对于确保研究间的可重复性和可比性至关重要[45]。

尽管已有AI用于HCC诊断和预后预测的实例,但目前尚无文献总结其在TACE手术过程中作为治疗方式的应用并分析其有效性。本综述旨在概述AI在TACE手术中的当前应用,通过这些研究批判性评估其疗效,并审视现有文献中的重要空白。

方法

本研究已在PROSPERO[46](国际前瞻性系统评价注册数据库)前瞻性注册(注册号CRD42023478356)。研究按照2019年PRISMA(系统评价和荟萃分析首选报告条目)声明[47]实施和报告。

检索策略

在Medline、Embase、Scopus和CENTRAL数据库中进行了全面的文献检索。检索范围包括截至2024年6月1日(含)发表的所有文章。完整检索词见补充材料(S1)。

研究选择

检索到的研究被上传至Covidence平台(Covidence,墨尔本,澳大利亚),由两位独立作者(LS和JS)进行筛选。分歧与独立的第三作者(AA)讨论,直至达成共识。重复文献经筛查后相应剔除。随后对标题和摘要进行相关性筛选,不相关的研究在此阶段被排除。然后根据纳入和排除标准进行全文审查——与合格性相关的分歧与另一位独立作者(AA)讨论,由其做出最终决定。所有符合条件的研究均满足纳入和排除标准。

纳入和排除标准

所有研究巴塞罗那临床肝癌(BCLC)B期或同等分期患者、并在TACE/TAE操作过程中使用机器学习进行图像引导的研究均被纳入。鉴于欧洲肝病研究协会(EASL)指南推荐对BCLC B期患者使用TACE,故将其作为纳入标准的一部分,因其遵循广泛接受的国际指南[5]。鉴于机器学习辅助图像引导在TACE中的实验性质,随机对照试验、回顾性研究和病例系列研究均被纳入。然而,综述类文章或仅有摘要可获取的研究被排除。纳入研究报告的结局涉及操作时间变化、辐射/对比剂剂量变化、无进展生存期、总生存期、定量EASL(qEASL)标准、肿瘤大小或mRECIST标准。涉及门静脉侵犯/肝外转移、肝转移或其他类型肝癌患者,或在本次TACE操作前接受其他治疗方式(如手术切除或全身治疗)的研究被排除。检索未设语言限制或时间限制。

数据提取

两位作者(LS和JS)独立提取数据并上传至标准电子表格。对每项研究提取以下数据:研究详情(机构、通讯作者信息、发表年份、研究国家)、方法设计(设计类型、分组、算法类型)、人群特征(年龄、种族、性别、BCLC分期、Child–Pugh分级、ALP、ALT、AST、GGT、AFP水平、肝内肿瘤数目、肿瘤直径和体积及参与者人数)以及干预详情(成像方式、所用TACE/TAE操作及所描述的化疗栓塞体积)。检索涵盖所有语言的研究,并根据需要联系作者获取发表信息和数据的进一步资料。

研究质量评估

总体偏倚风险和适用性采用诊断准确性研究质量评估2评分(QUADAS-2)独立评估[48]。根据该评分系统,每项研究被评定为低、低-中、中、中-高或高偏倚风险。尽管QUADAS-2并非专为分析机器学习诊断准确性研究而设计,但其已在类似综述中使用[49]。

统计分析

采用双变量模型进行诊断性荟萃分析,以计算灵敏度、特异度和曲线下面积(AUC)数据的估计值。采用DerSimonian和Laird随机效应模型计算研究内和研究间的变异[50]。计算每项研究的均值及95%置信区间,并绘制于森林图中。采用I2计算研究间的异质性。采用漏斗图评估发表偏倚。采用标准公式计算标准误和效应量。所有统计分析均使用SPSS 29.0.2.0版本完成。

AUC值的合并汇总按相对于总参与者数的加权平均值计算。每项研究仅采用隐含的最佳检验AUC值,除非使用了多种机器学习技术:在此情况下,纳入多个AUC值并在森林图中予以标注。由两名独立评审者确定最佳AUC值,若有争议则由第三名资深评审者裁定。

结果

初步筛选过程共获得396项研究。图1中的PRISMA流程图概述了各阶段排除的研究数量。剔除204项重复文献后,保留192项研究,探讨机器学习在TACE中的作用。在摘要筛选阶段,133项研究因不符合本综述的纳入标准而被排除。59项研究进入全文审查,其中37项被排除,因其为前瞻性研究、包含药物洗脱微球或纳入转移性疾病患者。因此,本系统综述和荟萃分析最终纳入7项符合标准的研究,见表1和表2。在适用情况下,详细的影像组学特征提取方法见补充材料(S2)。

图1 展示文献检索与筛选过程的PRISMA流程图 查看原图 ↗
表1 纳入文献的人口学特征、患者人口学资料、定性分析和结局指标一览表 查看原表 ↗
表2 机器学习模型、分割软件、影像组学提取工具、IBSI标准符合情况、CT设备、剂量、分辨率、影像组学特征、算法开发中使用的其他临床输入及最佳检验AUC值一览表 查看原表 ↗

研究概况

7项研究共纳入4017名参与者。根据每项研究所测量的结局,这些研究分为2组。A组关注客观缓解[(OR),定义为TACE治疗后完全缓解和部分缓解,符合mRECIST标准],B组关注3年总生存期(OS)。各研究的特征和参与者数量见表1。所有研究均实施机器学习模型以提高TACE术后结局的可预测性。2项研究采用最小绝对收缩和选择算子(LASSO),1项研究使用GhostNet,1项研究使用ResNet50,1项研究使用deepHAP IV,1项研究使用Shapley加性解释(SHAP),1项研究基于TensorFlow 2.0训练开发了自有语言学习模型。所有研究均报告了受试者工作特征(ROC)分析,并将曲线下面积(AUC)作为机器学习模型预测TACE客观缓解或3年总生存期准确性的指标。

Chen等[51]和Peng等[52]是唯一提供总生存期和无进展生存期数据的研究。虽然所有研究的ROC曲线下面积(AUC)均基于真阳性、真阴性、假阳性和假阴性数据,但仅Sun等[53]明确报告了这些数据。最后,AUC值的报告仍存在一些差异,一项研究选择根据mRECIST结局提供AUC值[54],而所有其他研究则报告了根据队列的总体AUC值。本文中,我们使用合并加权平均AUC来计算客观缓解。

所有研究均显示出较强的AUC结果,表明每个模型具有较强的预测价值。

结局

Meta分析

Meta分析将个体参与者队列作为测试队列或验证队列纳入,其中特定研究未指定测试队列。根据结局将论文分为两组:3年OS和TACE的OR。每个队列的参与者人数范围为17至562(图2)。

AUC基于机器学习算法根据mRECIST标准基于TACE前影像预测结局的能力。各队列的AUC值范围为0.55至0.98,表明预测价值存在差异但以较强为主。总体而言,在Meta分析中,预测3年总生存期的论文总体AUC为0.6966(图3),预测TACE的OR的论文总体AUC为0.8496(图4),较小的置信区间再次证实了显著发现。这表明在观察TACE的OR时具有良好的预测价值,可帮助将患者分类为缓解者和非缓解者。在预测3年OS的论文中该值较低,提示临床实用性较低。

一些研究发现肿瘤大小与TACE后结局的预测直接相关[55, 56],而其他研究使用了补充信息来增强其结果,包括血液检验结果以形成炎症负荷指数[53]、放射组学特征以识别CT影像上肿瘤的病理成分[52, 54]、甲胎蛋白水平[55]。

图2 关注TACE的OR的论文的漏斗图 查看原图 ↗
图3 关注TACE后3年OS的论文的森林图 查看原图 ↗
图4 关注TACE的OR的论文的森林图 查看原图 ↗

质量评估

使用QUADAS-2评估偏倚风险和适用性:结果见图5和图6 [48]。总体而言,纳入研究的质量产生较低的偏倚风险。大多数研究在指数试验、参考标准、流程和时间等领域的偏倚风险较低。4项研究[52–54, 57]实施的抽样机制存在一定的不明确性。一项研究[55]因排除标准的理由存疑而引发对抽样机制的高度关注,包括合适候选者的数据缺失以及无明确解释的失访。一篇论文[56]缺乏关于指数试验和参考标准判读盲法的充分信息。

注意到涉及放射科医师的偏倚风险,放射科医师被邀请在CT图像上分割感兴趣区域。两项研究未说明放射科医师对治疗结局设盲,引发了对潜在偏倚的担忧。

本综述必须考虑发表偏倚的风险,因为缺乏正在进行的试验和灰色文献的纳入。

在荟萃分析中,漏斗图和基于Egger回归的检验表明,针对TACE客观缓解的论文存在显著的发表偏倚。图2中的漏斗图显示不对称,更多研究报告了较高的AUC值。Egger检验通过显著的截距证实了这一偏倚(系数 = − 3.612,SE = 0.1328,t = − 27.199)。尽管如此,AUC分析显示出很强的总体效应量(系数 = 6.700,SE = 0.1865,t = 35.924)。这些发现表明,荟萃分析可能因阳性结果研究的优先发表而产生偏倚。

图7中TACE术后3年总生存期的漏斗图显示大致对称的分布,提示发表偏倚极小。然而,基于Egger回归的检验揭示出显著的截距(系数 = 0.702,SE = 0.0373,p = 0.034),表明存在潜在的发表偏倚。尽管如此,研究数量有限可能降低这些发现的稳健性。

图5 显示四个QUADAS-2领域中每个领域不同偏倚程度研究百分比的图表 查看原图 ↗
图6 显示四个QUADAS-2领域中三个领域不同适用性研究百分比的图表 查看原图 ↗
图7 考察TACE术后3年OS的论文漏斗图 查看原图 ↗

讨论

本系统综述表明,将机器学习整合到TACE手术中对预测TACE的客观缓解(A组)和总生存期(B组)具有显著影响。我们的荟萃分析展示了有前景的预测结果,A组论文的合并AUC为0.8496,B组的合并AUC为0.696。A组在预测患者结局方面表现出更高的效力,这与表明AUC值较高的模型更常在临床上有用的研究相一致[55]。质量评估提示这些发现可靠且相关;然而,在解释结果时应考虑潜在的受试者流程偏倚和选择偏倚。这些发现表明,ML有潜力通过预测哪些患者最可能对TACE治疗良好应答来显著增强TACE手术的效用。

总生存期

AUC值0.696提示ML相关TACE手术与预测3年总生存期之间的关联较弱。由于该值低于0.80,这一发现的临床效用有限[58]。然而,必须指出,纳入的研究中仅有3项考察了这一特定结局,其中1项研究仅纳入81名参与者。考虑到这一点,推断确定性结论具有挑战性,需要进一步研究以更详细地探究这一关联。纳入如此少的参与者且未进行功效计算使该研究面临2型错误的风险,即可能出现假阴性错误,且由于样本功效不足而可能遗漏显著效应。

TACE的客观缓解

机器学习改进了对经动脉化疗栓塞(TACE)客观缓解的术前预测。基于该荟萃分析,汇总曲线下面积(AUC)为0.8496,提示输入机器学习(ML)项目的数据与TACE客观缓解之间存在强关联,可能有助于指导未来肝细胞癌(HCC)管理方面的临床决策。最为相关的是,它突显了那些接受TACE后预后会更差的患者,因此可能突显那些操作失败风险更高、同时仍暴露于其并发症风险的患者。最严重的并发症之一是TACE诱导的肝功能衰竭,可导致显著的发病率和死亡率。虽然患者的选择旨在将这一风险降至最低,但据报道,60%的患者在治疗过程中至少经历一次肝功能失代偿事件[58]。

融入临床实践

将机器学习整合到该过程中,为支撑每一项临床决策的风险-获益平衡提供了关键洞见。因此,在某些情况下,它可能提示转换为全身治疗以保护肝功能[59]。应用机器学习算法预测哪些患者可能从TACE等治疗中获益,有助于确保他们获得适当的临床管理,并在更早期阶段被考虑采用替代疗法。这确保了在介入放射学人手不足、介入放射学诊疗存在地理空间差异[60–62]以及患者不遭受不必要侵入性操作风险的时期,资源得到适当配置。

应用机器学习算法预测患者对TACE的反应性并识别那些不太可能获益的患者,具有重大的实践意义。这种方法能够制定个体化治疗方案、提高治疗结局并减少不必要的侵入性干预。如本综述所提示,利用机器学习预测治疗反应标志着HCC管理的重大进步,可能改变当前的临床实践和患者诊疗路径。

本综述中的论文强调了机器学习模型在预测TACE反应或TACE后总生存期(OS)方面的阳性预测价值;然而,需要注意的是,这些论文也强调了将机器学习、尤其是深度学习(DL)纳入临床实践的困难。一项主要挑战是需要大型、高质量且多样化的数据集来训练稳健的机器学习模型。本综述中的所有研究均在中国进行,这限制了研究结果对其他具有不同人口学和临床特征人群的普适性。这一地理局限性凸显了未来研究需要纳入更多样化的人群,以确保研究结果具有代表性并可广泛适用。

将机器学习纳入TACE临床实践也带来重大挑战。首先,机器学习算法的开发需要大量计算资源以及医学和技术领域的专业知识。某些机器学习模型,尤其是深度学习模型的“黑箱”性质,使临床医生难以解释这些算法的决策过程,这可能阻碍临床采用。

数据处理的标准化

确保机器学习(ML)模型的透明性和流程对于获得临床医生信任及将这些工具整合到临床实践中至关重要。此外,在临床环境中实施ML需要一致且标准化的成像方案和数据收集方法,而这些往往缺乏,正如所纳入研究之间的变异性所示。这种不一致可能导致模型性能的变异,并限制结果的可重复性。

所综述的研究在放射组学特征的使用上各不相同,从基于纹理的指标如灰度共生矩阵(GLCM)到形状描述符和小波变换特征。一个关键观察是符合国际生物医学成像标准化倡议(IBSI)标准的报告不一致,该标准旨在协调不同平台间的特征提取过程。遵循这些指南将有助于提高可重复性,并促进ML算法在TACE中的多中心验证。未来研究应强调IBSI合规性,以确保基于放射组学的预测模型在临床实践中的可靠性。

局限性

本综述强调了若干局限性,因此必须相应地看待研究结果。局限性主要归因于所纳入论文的质量。发表文献可能倾向于展示产生阳性结果的模型。尽管我们进行了全面的多数据库检索,发表偏倚仍然存在。

本系统综述强调了影响研究结果有效性和普适性的几个关键局限性。没有一项研究进行了功效计算,引发了对样本量充分性和2型错误风险的担忧。此外,缺乏标准化结局使得比较结果和就ML算法的有效性得出明确结论变得困难。所有研究均在中国进行,限制了地理代表性以及研究结果对其他人群的普适性。中国患者的人口学和临床特征可能与其他地区存在显著差异,这可能影响结果在全球范围内的适用性。这一地理局限性凸显了未来研究需要纳入更多样化的人群,以确保研究结果具有代表性和广泛适用性。最后,本综述仅纳入了七项研究,限制了结论的稳健性。需要更多样化和数量更多的研究来验证这些发现并增强人工智能在临床实践中的适用性。

结论

ML在HCC的TACE手术中的应用显示出显著前景,多项研究报告了高预测准确性。然而,当前证据仅限于将ML作为预测工具来确定对TACE的反应性。目前尚无文献显示使用ML来解决TACE技术中的不一致性问题。未来研究应侧重于解决本研究所强调的局限性,并探索使用ML帮助缓解作为TACE局限性所报告的不一致性,以释放ML在增强HCC治疗和改善患者结局方面的全部潜力。这些有前景的结果表明ML在该领域具有变革性潜力,尚待进一步验证。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 16 KB)

引用

  1. Soni L, Soopramanien J, Acharya A, et al. The use of machine learning in transarterial chemoembolisation/transarterial embolisation for patients with intermediate-stage hepatocellular carcinoma: a systematic review. Radiol Med. 2025. PMID: 40317437. doi:10.1007/s11547-025-02013-y
  2. 全文:PMC12263724(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12263724/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。