DSC MR灌注成像预测胶质瘤IDH突变和1p19q共缺失状态的作用:Meta分析与技术考量
该系统综述与Meta分析纳入16项研究共1819例患者,评估DSC MR灌注预测胶质瘤IDH突变和1p19q共缺失状态的价值。IDH突变型胶质瘤rCBVmean、rCBVmax和rCBV 75th百分位低于IDH野生型(SMD约-0.8)。rCBVmean鉴别IDH突变与野生型的汇总特异度最高(82%),rCBV 10th百分位汇总敏感度最高(92%)、AUC为0.91。IDH突变型中1p19q共缺失者rCBVmean和rCBV 90th百分位更高。作者认为DSC灌注是有前景的无创分子分型工具,但采集协议和后处理标准化是广泛临床使用的前提。
要点
- IDH突变型胶质瘤rCBVmean、rCBVmax和rCBV 75th百分位低于IDH野生型(SMD约-0.8)。
- rCBVmean鉴别IDH突变与野生型汇总特异度82%[72,89],rCBV 10th百分位汇总敏感度92%[86,93]、AUC 0.91(仅2项研究)。
- IDH突变型中1p19q共缺失者rCBVmean(SMD=0.9[0.2,1.5])和rCBV 90th百分位(SMD=0.9[0.1,1.7])更高。
核心结论
- DSC MR灌注对无创预测胶质瘤IDH突变和1p19q共缺失状态显示出有前景的诊断性能。
- IDH突变型胶质瘤rCBVmean在各WHO级别均低于IDH野生型,IDH突变型中1p19q共缺失者rCBVmean高于1p19q保留者。
- 作者认为采集协议和后处理标准化是DSC灌注广泛用于临床实践的前提。
研究设计与样本
- 系统综述与Meta分析,遵循PRISMA标准,检索PubMed、Medline和Embase从2000年1月1日至2023年1月1日的文献。
- 定量分析纳入16篇文献共1819例患者,排除使用机器学习或多参数成像的研究、样本量<10例胶质瘤患者的研究及儿科研究。
- 以组织病理学分子分型为参考标准,采用随机效应标准化均数差(SMD)和双变量敏感度-特异度Meta分析,并以技术采集参数为调节变量进行Meta回归。
诊断标准与关键数值
- IDH突变型与IDH野生型比较:rCBVmean汇总敏感度79%[57,92]、汇总特异度82%[72,89]。
- WHO 3级胶质瘤中rCBVmean预测IDH状态汇总敏感度83%[60,94]、汇总特异度95%[74,99]、AUC 0.88。
临床应用与阅片要点
- 作者认为DSC灌注识别的血管特征有望用于IDH和1p19q状态的无创预测,但采集协议和后处理标准化是广泛临床使用的前提。
- 作者描述与更高鉴别性能相关的采集参数趋势为更短TE、更短TR、更小层厚和更小层间隔。
- 作者指出基于本分析因方法学异质性无法估算DSC指标的截断值。
- 作者提出DSC灌注与MRS的价值在于互补而非差异。
局限性
- 研究间异质性大(I2>50%,Cochran's Q p<0.05),仅rCBV 75th百分位敏感度(I2=42%,p=0.068)和特异度(I2=50%,p=0.318)、rCBV 25th百分位特异度(I2=0%,p=0.552)、rCBV 10th百分位敏感度(I2=0%,p=0.423)异质性较低。
- rCBVmean的SMD分析异质性高(I2=78%,p<0.001),rCBV 10th百分位异质性高(I2=84%,p=0.013)。
- 2级胶质瘤中rCBVmean比较异质性较大(I2=72%,p=0.027)且可能存在发表偏倚(Egger检验p=0.017)。
- 75%的研究未说明MR灌注与活检之间的间隔时间。
- 44%的研究在指数试验领域偏倚风险评为不明确,未明确说明神经放射科医师对IDH突变状态设盲。
全文中译24 节 · 点击展开
引言
胶质瘤是最常见的原发性脑肿瘤[1]。世界卫生组织(WHO)不断更新的分类反映了对这类异质性肿瘤生物学行为的逐步深入认识[2]。因此,早期按组织学分为低级别胶质瘤(LGGs)和高级别胶质瘤(HGGs)的分类方式,逐渐被基于组织学特征和分子生物标志物(如异柠檬酸脱氢酶(IDH)突变和1p19q共缺失状态)的分类所取代[3]。鉴于胶质瘤基因型对患者管理和预后的重要性,现行分类(WHO 2021)赋予IDH和1p19q状态在区分肿瘤亚型中的关键作用(星形细胞瘤,IDH突变型[IDHm];少突胶质细胞瘤,IDHm且1p19q共缺失;以及胶质母细胞瘤,IDHm或IDH野生型[IDHwt])[2]。因此,在当前胶质瘤患者临床管理的背景下,这些生物标志物的识别变得至关重要。
确定IDH和1p19q状态的金标准是组织病理学组织样本的免疫组织化学和基因组测序[4]。然而,脑活检是有创的,尽管近年来取得了进展,但由于肿瘤异质性,仍容易出现潜在并发症和采样误差[5]。因此,一种能够在整个肿瘤样本中准确预测IDH和1p19q状态的非侵入性替代工具将具有很高的临床价值。为此,人们探索了不同的MRI模态来无创地表征胶质瘤中的IDH突变和1p19q共缺失状态[6]。这些包括常规MRI、弥散加权成像(DWI)、磁共振波谱(MRS)以及包括动态磁敏感对比(DSC)的MR灌注成像。机器学习用于多参数MRI分析的出现进一步扩展了影像学在分子分型方面的能力[7–9]。
近期的荟萃分析表明,常规MRI[6]、MRS[10]、酰胺质子转移[11]、动态对比增强(DCE)/DSC MR灌注[12]和MRI影像组学[13]在分子分类方面表现良好。尽管许多个体研究采用DSC MR灌注进行胶质瘤的分子表征,但尚无系统综述或荟萃分析专门关注该技术潜在的方法学局限性。随着包括IDH抑制剂在内的新型治疗方法的出现[14, 15],DSC MR灌注的价值可能超越胶质瘤的治疗前基因分型,通过识别基因型驱动的血管特征来实现治疗选择和监测。此外,在机器学习通过多模态整合分析正在改变这一领域的时代,对多参数MRI构成组分的审视是必要的。
本研究旨在探讨DSC MR灌注成像在胶质瘤分子分型中的附加价值,重点关注意方法学质量和分类性能的调节因素。因此,应用多参数MRI分析或机器学习的研究不在本研究范围内。具体而言,本系统综述探讨了DSC灌注成像能否区分:(1)IDH突变型(IDHm)与IDH野生型(IDHwt)胶质瘤,(2)伴1p19q共缺失的IDHm与不伴1p19q共缺失的IDHm,以及(3)研究异质性来源和方法学改进的潜在领域。这些通过随机效应标准化均数差(SMD)和双变量敏感度-特异度荟萃分析进行评估。此外,我们进行了荟萃回归分析,以探讨哪些DSC采集参数和应用的灌注指标与更好的分类性能相关。
方法
本系统综述按照系统综述和荟萃分析优先报告条目(PRISMA)标准[16]进行。每个步骤均由两名评价者(LS和CT)独立完成,任何分歧均由第三名资深评价者(SB)评估。
检索策略
研究问题为“DSC MR灌注成像在识别胶质瘤患者IDH突变和1p19q共缺失状态方面的当前性能如何?”。为回答此问题,在PubMed、Medline和Embase上进行了系统文献检索,以查找2000年1月1日至2023年1月1日之间的相关出版物。采用患者/干预/对照/结局(PICO)框架定义检索条目:(P)=胶质瘤、胶质母细胞瘤、脑肿瘤/肿瘤、脑新生物/肿瘤;(I)=动态磁敏感对比、DSC、MR灌注、脑灌注;(C)=活检、组织病理学、分子谱、异柠檬酸脱氢酶/IDH、1p19q共缺失(及常见变体如1p/19q、1p-19q、1p 19q、共缺失、共缺失的);和(O)=预测、识别、分类、分层、亚型、归类、表征、赋值、聚类、区分。PICO框架各类别之间用“AND”组合,而类别内的变体通过“OR”组合。所有数据库使用相同的检索条目组合。还审查了参考文献列表以识别更多符合条件的出版物。
纳入和排除标准
研究选择过程在EndNote X9中进行。纳入标准包括经同行评审、英文撰写、可通过电子索引获取且满足以下条件的出版物:(1)DSC作为指标试验用于确定IDH突变和/或1p19q共缺失状态;(2)采用组织病理学结合分子谱分析作为参考标准;(3)所有患者在合理时间范围内均接受了指标试验和参考标准,且评价者设盲。
排除标准为(1)采用多参数成像的研究,(2)使用包含额外协变量(如性别、年龄)的回归模型预测IDH和1p19q状态的研究,(3)使用机器学习的研究,(4)样本量很小的研究(< 10例胶质瘤患者),(5)儿童研究,以及(6)非原创研究(如病例报告、综述、摘要、会议报告、书籍章节)。
数据提取
LS和CT使用事先经所有作者同意的标准化Microsoft Excel 2016电子表格,独立从纳入研究的手稿及补充材料中提取数据。我们提取了以下数据:(1)研究设计(回顾性 vs. 前瞻性),(2)参与者特征(即平均年龄、性别比例和种族构成),(3)胶质瘤特征(即分级和分期),(4)DSC成像采集参数(如回波时间[TE]、重复时间[TR]、脉冲序列、视野、层厚、层间距、对比剂预负荷的使用、对比剂剂量),以及(5)灌注图后处理(如感兴趣区[ROI]选择、渗漏校正、标准化/归一化方法)。此外,我们提取了IDHwt、IDHm、IDHm伴1p19q共缺失和IDHm不伴1p19q共缺失组的DSC指标(如相对脑血容量[rCBV])。最后,我们记录了预测IDH和1p19q状态的诊断准确性(如灵敏度、特异度、阳性预测值、阴性预测值)。总体而言,LS和CT在分类变量(Cohen's Kappa 0.88)和连续变量(组内相关系数:0.92)方面均具有良好的一致性。当存在分歧时,寻求资深审阅者(SB)的意见予以解决。
质量评估
本系统评价的质量通过原始格式的质量评估诊断准确性研究2(QUADAS-2)问卷予以保证[17]。患者选择、研究实施以及通过DSC和组织病理学分析结合分子谱分析对IDH和1p19q状态的解读,均依据综述问题中探讨适用性关注和偏倚风险的要求进行评估。
统计方法
所有统计分析均使用R 4.2.2版本(“meta”、“metaphor”和“mada”包)进行。p值<0.05被视为具有统计学意义。
研究间的异质性使用Cochran's Q和Higgins I2统计量进行评估。Cochran's Q检验p值<0.05或I2>50%被解释为可能提示存在异质性[18]。无论异质性程度如何,所有荟萃分析均使用随机效应模型。此外,对包含至少4项研究的任何荟萃分析进行meta回归以探索异质性来源。评估的调节变量包括连续变量(对比剂剂量、TE、TR、层厚、层间距、采集时间)和分类变量(对比剂类型、脉冲序列、ROI选择、DSC标准化/归一化、分析软件、动脉输入函数[AIF]以及渗漏校正的使用)。
发表偏倚通过轮廓增强漏斗图的视觉检查和Egger's检验进行评估。不对称漏斗图或Egger's检验p<0.05被解释为可能提示存在发表偏倚的可能性[19]。
标准化均数差荟萃分析
我们针对IDHm与IDHwt在不同WHO分级组合(包括2级、3级、4级以及所有WHO分级)之间进行了比较。此外,我们还比较了伴1p19q共缺失的IDHm与不伴1p19q共缺失的IDHm。首先,我们针对每种可用的DSC指标,提取了上述各组中胶质瘤患者的均值、标准差(SD)和患者数量。由于各研究间的测量尺度不同,我们通过计算标准化均数差(SMD)及其95%置信区间[CI]来进行比较[20]。
诊断准确性meta分析
在本分析中,我们纳入了所有报告了足够指标、能够计算真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)的研究。
我们采用经验证的诊断试验准确性meta分析方法计算合并敏感度和特异度[21]。鉴于敏感度与特异度之间的相互依赖性,采用双变量模型生成分层汇总受试者工作特征(HSROC)曲线及其95%置信区域,并计算ROC曲线下面积(AUC)[22]。
此外,我们计算了合并诊断比值比(DOR)、阳性似然比(PLR)和阴性似然比(NLR)及其95%CI。DOR表示DSC正确识别IDH突变的比值比。PLR反映的是DSC在IDHm与IDHwt中预测IDH突变的概率之比(即阳性结果的似然比)。相反,NLR表示阴性结果的似然比。
结果
数据库检索
数据库检索过程的PRISMA流程图见图1。简言之,初步检索共识别出352篇潜在文献。在去除重复文献并依据研究问题筛选摘要后,我们进一步考虑了102篇论文。在应用纳入和排除标准后,共有16篇手稿被纳入定量分析[23–38]。这些研究的特征已被提取并列于表1中。
质量评价
总体而言,纳入定量分析的16项研究具有较高的方法学质量。
补充材料1中提供了QUADAS-2电子表格,汇总了我们对每项纳入研究的每个问卷条目的评估。根据QUADAS-2问卷,在患者选择、索引测试、参考标准和流程与时机领域评估偏倚风险(图2)。在患者选择领域,13%的研究未提供关于其排除标准的足够信息,13%的研究可能存在不恰当的排除(例如,排除了除IDH状态外无法获得完整分子谱的个体)。索引测试领域的偏倚风险在44%的研究中被评估为不明确,这些研究未明确说明神经放射科医师对IDH突变状态设盲。尽管75%的研究未说明MR灌注与活检之间的时间间隔,但考虑到IDH突变状态在相对较短的时间范围内不太可能改变,偏倚风险被认为较低。适用性关注也在患者选择、索引测试和参考标准领域进行了评估。由于此类研究会被我们的排除标准过滤,因此设计上不存在适用性关注。
无论WHO分级如何,区分IDHm与IDHwt
在比较IDHm与IDHwt时,最常用的DSC指标是rCBVmean。SMD荟萃分析结果见表2,诊断准确性荟萃分析结果总结于表3。
在尝试区分IDHm与IDHwt时,最高的合并灵敏度由rCBV第10百分位数实现(92%,95% CI:[86, 93])(表3),最高的合并特异度由rCBVmean实现(82% [72, 89])(图3)。尽管最高的诊断性能见于rCBV第10百分位数(DOR = 20.96 [2.34–187.95],AUC = 0.91),但该分析仅纳入2项研究。总体而言,除rCBV第75百分位数灵敏度(I2 = 42%,p = 0.068)和特异度(I2 = 50%,p = 0.318)、rCBV第25百分位数特异度(I2 = 0%,p = 0.552)和rCBV第10百分位数灵敏度(I2 = 0%,p = 0.423)分析外,研究间的异质性较大(即I2 > 50%,Cochran's Q p < 0.05)。
根据SMD荟萃分析,除rCBV第10百分位数差异无统计学意义外,IDHm在所有DSC指标上均持续具有高于IDHwt对应者的rCBV值。最高的SMD见于rCBVmean(SMD = − 0.8 [− 1.1, − 0.5])(图3)、rCBVmax(SMD = − 0.8 [− 1.2, − 0.5])和rCBV第75百分位数(SMD = − 0.8 [− 1.2, − 0.5])(表2)。与灵敏度和特异度荟萃分析相反,除rCBVmean(I2 = 78%,p < 0.001)和rCBV第10百分位数(I2 = 84%,p = 0.013)分析外,异质性总体较低。总体而言,Egger检验和轮廓增强漏斗图的视觉检查提示发表偏倚的可能性较低(图4和图5)。
在WHO分级亚组中鉴别IDHm与IDHwt
SMD荟萃分析结果见表2,诊断准确性荟萃分析结果总结于表3。与2级IDHwt肿瘤相比,2级IDHm的rCBVmean较低(SMD = − 1.1 [− 2.0, − 0.2]),但异质性相当大(I2 = 72%,p = 0.027),且可能存在发表偏倚(Egger检验p值 = 0.017)。
在3级胶质瘤中,IDHm的rCBVmean较低(SMD = − 0.5 [− 0.2, − 0.8])。对于预测IDH状态,rCBVmean的汇总灵敏度为83% [60, 94],汇总特异度为95% [74, 99],AUC为0.88。异质性和发表偏倚的可能性均较低。
在4级胶质瘤中,rCBVmean鉴别IDHm与IDHwt的汇总灵敏度为82% [55, 95],汇总特异度为96% [69, 100],AUC = 0.84。事实上,IDHm的rCBVmean低于IDHwt(SMD = − 0.5 [− 0.9, − 0.1])。异质性和发表偏倚的可能性也较低。
鉴别伴1p19q共缺失的IDHm与不伴1p19q共缺失的IDHm
SMD荟萃分析结果见表2。由于缺乏研究,未进行诊断准确性荟萃分析。伴1p19q共缺失的IDHm较不伴1p19q共缺失的IDHm表现出更高的rCBVmean(SMD = 0.9 [0.2, 1.5])。伴1p19q共缺失的IDHm中也观察到更高的rCBV第90百分位数(SMD = 0.9 [0.1, 1.7])。研究间异质性较高(所有I2 > 50%,所有p < 0.05),但发表偏倚的可能性较低(Egger检验p值 = 0.633)。
荟萃回归
SMD分析的荟萃回归结果见补充表S1,诊断准确性分析的荟萃回归结果见补充材料2中的补充表S2。
较短的TE与rCBVmean较高的绝对SMD相关(即IDHm与IDHwt之间的绝对差异更大),这在双变量灵敏度-特异度模型中转化为更高的合并灵敏度(TE每缩短1 ms,灵敏度增加0.1)。同样,较短的TR增加了IDHm与IDHwt之间rCBVmean的绝对SMD(TR每增加1 ms,SMD绝对值增加0.001),但未显著提高诊断准确性(两者p > 0.100)。较小的层厚与rCBVmedian较高的绝对SMD相关,而较小的层间距与rCBVmean较高的合并灵敏度和特异度相关。
总体而言,DSC指标通常基于手动热点或手动全部强化肿瘤区域ROI计算。使用热点ROI的研究在区分IDHm与IDHwt时,使用rCBVmean获得了较高的灵敏度(98% [87, 100]),但代价是较低的特异度(63% [49, 75])。
在任何其余荟萃回归中,没有其他调节变量与研究间异质性相关。
讨论
本研究表明,DSC MR灌注在无创预测胶质瘤IDH突变和1p19q共缺失状态方面具有有前景的诊断性能。尽管存在研究间异质性,大多数研究报告在区分IDHm与IDHwt时灵敏度> 85%、特异度> 75%。对于IDH突变预测,最广泛使用的指标即标准化rCBVmean,其合并灵敏度为79% [57–92],合并特异度分别为82% [72–89]。在所有WHO级别中,IDHm的rCBVmean均低于其野生型对应者。在IDHm中,与1p19q保留的肿瘤相比,1p19q共缺失与更高的rCBVmean相关。鉴于方法学的异质性,基于我们的分析无法估算DSC指标的截断值。作为迈向方案标准化的一步,我们描述了与判别性能提高相关的采集参数趋势:较短的TE、较短的TR、较小的层厚和较小的层间距。
MR灌注非常适合预测胶质瘤的IDH和1p19q状态,因为它能够捕捉其由基因决定的血管生境。事实上,Kickingereder等[28]发现了特定缺氧-血管生成转录组特征与DSC灌注血管表型之间的联系。研究表明,IDHm的缺氧诱导因子1A激活降低,这反过来使这些肿瘤相比其野生型对应者更不易发生缺氧诱导的血管生成。因此,如多项研究所证明并由我们的荟萃分析所证实,IDHm相较于IDHwt预期具有较低的rCBVmean值。
DSC灌注识别此类血管表型的能力可能使临床应用超越治疗前分层,扩展到治疗选择和治疗后监测。尽管当前趋势倾向于对胶质瘤采取手术治疗,但包括IDH抑制剂在内的新型靶向治疗的出现,为未来范式转变带来了希望。脑渗透性IDH抑制剂如vorasidenib在实验室研究中显示出肿瘤抑制效应,并在1期临床试验中证明了充分的安全性[14, 15, 39]。此外,一种携带IDH1表位的疫苗已被开发[40],并在临床试验中证明了安全性,使其成为IDHm肿瘤令人振奋的潜在疗法[41]。在此背景下,无创预测IDH突变状态有助于治疗选择,尤其是对于脑干胶质瘤等不可手术的肿瘤[42]。同样,根据当前临床管理指南,预测1p19q共缺失状态将有利于患者分层和预后判断[43]。基因型驱动的灌注特征可在治疗期间进行监测,从而能够在临床试验中评估新疗法以及治疗后评估,改善对患者的监测。近期研究报告了IDH依赖性血管趋势可通过DSC灌注揭示肿瘤复发[44, 45],这可部分解释基于先前分类预测疾病进展的不足。
比较诊断性能
多项研究支持MRI在胶质瘤分子分类中的价值。DSC灌注的表现处于大多数已研究技术的范围内,但与MRS相比在诊断性能上有所不足。根据一项系统综述[6],脑MRI的汇总敏感性和特异性分别为86% [79, 91]和87% [78, 92]。然而,该综述纳入的研究采用了不同的MRI技术(如MR扩散、MR灌注),采集和后处理方案存在异质性。近期一项meta分析提示,DCE和DSC灌注在确定IDH突变状态方面具有相似的满意表现,最高AUC见于CBV(0.85 [0.75–0.93])和血管外间隙(Ve;0.84 [0.71–0.97])[46]。我们关于DSC灌注性能的发现与该meta分析发表的结果一致。然而,我们的分析涉及了后者未报告的领域,包括(1)胶质瘤分类的汇总敏感性和特异性,(2)每种DSC灌注指标的汇总估计值,以及(3)性能调节因素的meta回归。尽管MR灌注应用的结果令人鼓舞,但迄今为止最高的诊断性能报告见于2-羟基戊二酸(2HG)MRS,其在14项研究中显示出95% [85, 98]的汇总敏感性和91% [83, 96]的特异性[10]。
尽管与磁共振波谱(MRS)相比在性能上存在差异,我们认为动态磁敏感对比(DSC)灌注在预测胶质瘤IDH和1p19q状态方面具有前景,并且这些模态的价值不在于它们之间的差异,而在于它们的互补性。具体而言,MRS可通过识别下游生物标志物(如2HG)直接表征IDH突变状态,而DSC灌注则识别与该突变相关的血管表型。这两种特征均已被独立证实对治疗前分层和治疗后监测具有临床价值。既往关于胶质瘤分级的 studies [47, 48] 已强调联合这些技术的潜在价值。因此,这些模态的互补性可能为治疗前患者分层、尤其是治疗后监测提供前所未有的能力。为此,联合技术可能通过MRS实现对肿瘤细胞密度和肿瘤代谢物的纵向评估,并通过DSC灌注评估肿瘤血管性的变化。此外,尽管2HG MRS表现出良好的性能,该技术也带来与采集和后处理相关的挑战 [49]。这些局限性可能超过DSC灌注的局限性,近期研究报告DSC相比MRS在临床中的应用更为广泛 [50]。我们的meta回归分析还表明,由于技术异质性和灌注指标的选择,DSC灌注性能可能存在被低估的情况,并指出了需要改进的方面。
异质性–标准化
我们的研究强调了DSC MR灌注协议标准化的缺乏,并提出了导致异质性的具体技术参数。具体而言,在双变量灵敏度-特异度模型中,较短的TE和较小的层间距与较高的灵敏度相关,而较短的TE、较短的TR和较小的层厚与IDHm和IDHwt之间较高的绝对SMD相关。DSC MR灌注标准化的必要性已被广泛认可,我们的结果强调了改善诊断性能的重要技术考量。在SMD和诊断性能的荟萃回归中,TE是唯一与异质性一致相关的指标。TE对DSC灌注定量分析质量的影响此前已有描述。与我们的发现一致,既往研究强调了长TE的局限性,可能归因于动脉输入信号的饱和。为克服这一局限性,双回波以及近期提出的多回波技术已被用于优化DSC灌注[51, 52]。然而,TE与多个参数共同影响DSC灌注,包括翻转角、层厚和对比剂预负荷[52–54]。Leu等人[54]使用DSC灌注模拟研究了此类采集参数对rCBV“忠实”估计的影响。我们以探索性方式,基于已发表的热图[54]评估了具有充分协议信息的纳入文献的rCBV估计误差。基于该预测模型,许多纳入研究相较于优化采集参数会产生更高的rCBV估计误差[23, 25, 32, 34, 38]。相反,使用优化参数的研究预期会产生较低的rCBV估计误差,并且有趣的是,这些研究主要报告了更高的分类性能[26, 28, 30, 35]。例如,Kickingereder等人[28]的研究预测产生最小rCBV估计误差,使用rCBV第90百分位数正确分类了88%的肿瘤(所有百分位数的准确率范围:82–88%)。此类方法学质量评估存在局限性,因为它需要完整的协议和后处理数据,而这些数据并非所有研究均可获得,因此无法进行适当的比较。然而,可以推测rCBV估计误差可能影响DSC灌注的分类性能,这一见解可突出该技术的优化方向。此外,当使用较短的TR时,血液的T1被最小化,允许更准确地测量rCBV,这可能更好地揭示IDHm和IDHwt之间灌注的细微差异。最后,较小的层厚和层间距会增加图像分辨率。这将放大IDHm与IDHwt之间胶质瘤血管特征的任何现有差异,从而导致DSC具有更好的判别能力。然而,这显然以更长的采集时间为代价。
灌注指标——新方法学
纳入的研究报告了多种DSC指标(表2和表3)。尽管rCBVmean是最广泛使用的指标,但它可能并非捕捉胶质瘤血管特征的最佳指标。事实上,Choi等[24]提出,信号强度时间曲线的特定区段可能对IDH突变状态具有更好的预测性能。更具体地说,IDHwt在曲线初始部分表现出更陡的信号强度下降斜率,而在信号恢复区域上升斜率较缓。当使用rCBVmean等聚合指标时,这些细微的时间判别特征可能会丢失。一种新的指标可能是信号恢复百分比(PSR),它能更好地表征DSC信号强度曲线,并已成功用于IDHm状态预测[25]。同样,对DSC信号强度曲线进行M-enhanced分析也是一个令人兴奋的前景[9]。采用此类指标或方法学的研究数量较少,使我们无法进行荟萃分析。然而,这些创新值得进一步研究和外部验证。
采用DSC灌注图直方图分析的研究揭示了直方图特征作为IDHm状态潜在预测因子[8, 27, 29]。尽管样本量较小,我们的研究结果强调了极端rCBV百分位数对IDH预测的判别价值。在区分IDHm与IDHwt时,最高灵敏度见于rCBV第10百分位数(即92% [86, 96])、第75百分位数(即91% [80, 96])和第90百分位数(即88% [62, 97])。因此,使用直方图特征预测IDH状态值得进一步研究。
影像基因组学与机器学习
影像基因组学为无创性胶质瘤基因分型引入了更多能力。最近一项系统综述强调了这一点,该综述报告了预测IDH和1p19q状态的高诊断性能(即汇总灵敏度> 90%,汇总特异度> 87%)[13]。通过将先进的机器学习模型应用于DSC灌注等影像技术,基因型状态预测的性能有望得到改善[8]。然而,其获益可能不仅限于胶质瘤基因分型,还可通过识别独立的血管特征谱扩展到精准治疗选择和患者监测。近期研究证明了这一能力,rCBVmean之外的指标展现出良好前景[24–26, 28]。此类应用还将受益于改进的DSC采集方案,因为与更高判别性能相关的优化参数可能与机器学习模型产生协同效应。这凸显了本研究的重要性,因为我们描述了与区分IDHm与IDHwt更高诊断性能相关的采集参数趋势。
局限性
尽管采用了稳健的方法学并进行了分层随机效应荟萃分析,本研究仍存在若干局限性。首先,我们未在国际前瞻性系统评价注册数据库(PROSPERO)等系统评价数据库中前瞻性注册研究方案。预先注册被认为可提高透明度并降低偏倚的可能性。此外,由于纳入了向当前2021年WHO分类过渡之前的研究,DSC灌注在胶质瘤分级中的性能评估存在固有局限性。尽管我们认为关于胶质瘤分级的结果为DSC灌注在预测与微血管增生和坏死相关的灌注表型方面的价值提供了见解,但这些结果不足以按照当前标准评估分级,该问题仍有待研究。此外,我们未纳入采用机器学习增强DSC灌注的研究,因为其方法学无法单独评估DSC。同样,我们未探讨其他MR灌注技术(如DCE或动脉自旋标记)的作用,这些技术可能更适合无创性胶质瘤基因分型。我们的分析发现了显著的间研究异质性,这使我们无法提供可推广的截断值来区分IDHm与IDHwt,以及IDHm伴1p19q共缺失与IDHm不伴1p19q共缺失。为探讨异质性来源,我们进行了荟萃回归分析,在纳入至少4项研究的荟萃分析中突出了与较高判别性能相关的调节变量。然而,大多数荟萃分析和荟萃回归中的研究数量较少。后者限制了我们的发现的推广性,需要进一步研究。同样,研究数量的限制妨碍了针对IDHm中1p19q共缺失状态预测的诊断准确性荟萃分析,这仍是一个相关的研究问题。
研究方向
我们的研究表明,DSC灌注在无创性预测IDH突变和1p19q共缺失状态方面具有良好的诊断性能,并进而可用于基于当前WHO分类的胶质瘤分级。我们认为,诊断性能的局限性可能并不反映DSC灌注的固有不足。相反,这可能归因于采集方案和后处理的异质性,以及常用灌注指标无法捕捉信号强度曲线的动态特性的局限性。关于优化DSC灌注方案以及超越rCBV的替代新型灌注指标的研究可能为DSC的临床应用开辟新视野。这可能不仅限于胶质瘤的治疗前亚型分型,还可扩展至个性化治疗选择和治疗后监测。机器学习可进一步增强此类能力,此外还可整合来自互补先进技术(如MRS)的多参数数据。
结论
DSC灌注在预测胶质瘤IDH突变和1p19q共缺失状态方面显示出巨大潜力。采集和后处理中的异质性在其广泛采用之前需要进一步研究;然而,该技术此前未受审视的方面为提高其在临床神经肿瘤学中的能力提供了新前景。在机器学习增强的放射基因组学时代,DSC灌注的技术标准化和优化仍然是基础。
补充信息
以下是电子补充材料的链接。补充文件1(XLSX 14 KB)
补充文件2(DOCX 48 KB)
引用
- Siakallis L, Topriceanu CC, Panovska-Griffiths J, et al. The role of DSC MR perfusion in predicting IDH mutation and 1p19q codeletion status in gliomas: meta-analysis and technical considerations. Neuroradiology. 2023. PMID: 37173578. doi:10.1007/s00234-023-03154-5
- 全文:PMC10272274(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10272274/
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。