超快MRI鉴别乳腺良恶性病变的诊断效能:系统评价与Meta分析
该系统评价与Meta分析纳入16项研究共2090个乳腺病变,评估超快动态增强MRI(UF-DCE MRI)鉴别乳腺良恶性病变的诊断效能。汇总敏感度83%(95%CI 79-88%)、特异度77%(95%CI 72-83%)、诊断比值比18.9(95%CI 13.7-26.2)、SROC曲线下面积0.876(95%CI 0.83-0.887)。最大斜率(MS)与强化时间(TTE)两种主要动力学参数之间诊断准确度无显著差异。
要点
- UF-DCE MRI作为独立技术鉴别乳腺良恶性病变的汇总敏感度83%、特异度77%、AUC 0.876。
- MS与TTE两种动力学参数的诊断准确度无显著差异(敏感度P=0.346、特异度P=0.638、DOR P=0.880)。
- UF-DCE MRI可在减少扫描时间的同时获取动力学信息并准确分层乳腺病变。
核心结论
- UF-DCE MRI作为独立技术鉴别乳腺良恶性病变具有高准确度。
- 两种主要UF-DCE MRI动力学参数MS与TTE之间未发现显著准确度差异。
- 作者建议进一步研究,尤其关注人工智能技术的应用以及UF-DCE MRI与DCE-MRI序列的整合,以提高诊断精度。
研究设计与样本
- 系统评价与Meta分析,检索Medline、Embase和Cochrane数据库自建库至2023年9月1日的文献,最终纳入16项研究共2090个病变。
- 纳入标准包括全文为英文、发表于同行评议期刊、报告UF-DCE MRI动力学参数鉴别乳腺良恶性病变的诊断效能、并提供可计算真阳性、假阳性、真阴性、假阴性数量的充足数据。
- 参考标准为组织病理学或影像随访;主要分析采用每项研究中仅使用UF-DCE MRI标准(单一或联合动力学参数)获得最佳结果的模型。
- 使用QUADAS-2评估偏倚风险,采用双变量随机效应模型汇总敏感度、特异度和诊断比值比,并生成SROC曲线。
- 异质性采用I²检验(>50%视为显著变异风险),发表偏倚采用漏斗图和Egger检验评估。
诊断标准与关键数值
- 最佳UF-MRI动力学参数分析(16项研究、2090个病变):汇总敏感度83%(95%CI 79-88%)、特异度77%(95%CI 72-83%)、DOR 18.9(95%CI 13.7-26.2)、SROC曲线下面积0.876(95%CI 0.830-0.887)。
- MS单独分析(7项研究、956个病变):汇总敏感度80%(95%CI 70-90%)、特异度77%(95%CI 68-89%)、DOR 17.1(95%CI 11.4-25.6)、AUC 0.865(95%CI 0.805-0.891)。
- TTE单独分析(7项研究、889个病变):汇总敏感度71%(95%CI 57-86%)、特异度80%(95%CI 69-82%)、DOR 15.5(95%CI 8.3-28.9)、AUC 0.857(95%CI 0.763-0.889)。
- MS与TTE头对头Meta回归比较:敏感度P=0.346、特异度P=0.638、DOR P=0.880,差异均无统计学意义。
- Meta回归显示较低平均年龄(P=0.034)和使用Siemens MRI系统(P=0.008)与敏感度升高相关;时间分辨率大于5 s与特异度升高相关(P=0.037);病变数大于110与DOR升高相关(P=0.021)。
临床应用与阅片要点
- UF-DCE MRI作为独立技术可高准确度鉴别乳腺良恶性病变,汇总敏感度83%、特异度77%、AUC 0.876。
- MS与TTE两种动力学参数诊断准确度无显著差异(敏感度P=0.346、特异度P=0.638、DOR P=0.880),选用任一参数均可。
- 多项研究显示UF-DCE MRI联合DCE-MRI较单独DCE-MRI提高诊断准确度,提示联合应用可能产生叠加效应。
- 部分研究显示UF-DCE MRI作为独立技术与标准曲线类型分析相当或更优,提示可能减少扫描时间同时维持或提高诊断准确度。
- 作者建议可考虑将AB-MRI与UF-DCE MRI整合,以利用动力学数据并减少检查时间。
局限性
- 许多研究在患者选择、指标试验和参考标准方面质量欠佳。
- 仅纳入专门使用UF-DCE MRI参数的研究,限制了可用研究数量并影响统计效能。
- 纳入研究在所用动力学参数方面存在显著变异,该局限尤其涉及采用每项研究最佳模型的主要分析。
- 分析未涵盖使用人工智能方法的研究,主要因其稀缺。
- 多项研究未直接报告真阳性、假阳性、真阴性、假阴性值,需从敏感度、特异度和恶性肿瘤总数中间接提取,可能降低准确度。
全文中译15 节 · 点击展开
引言
动态对比增强磁共振成像(DCE-MRI)因其高灵敏度和在排除恶性肿瘤方面可靠的阴性预测值,被广泛认为是评估不确定性乳腺病变的优秀工具[1–6]。然而,一套完整的乳腺MRI研究方案可能耗时较长。因此,人们做出了多种努力来缩短扫描时间,旨在使乳腺MRI更加经济可及。其中一个例子是简化乳腺MRI(AB-MRI),它大幅缩短了扫描时长,且仅需一次对比剂增强后扫描[7]。多项研究已证明,与DCE-MRI相比,AB-MRI在癌症检出方面具有非劣效性[8–11]。然而,AB-MRI的一个潜在局限性是缺乏动力学信息。
超快MRI(UF-DCE MRI)是一种相对新颖的技术,能够在第一分钟内以极高的时间分辨率(通常小于7秒)采集动力学信息。该技术不依赖于传统的廓清特征,而是能够分析早期对比剂流入曲线[12, 13]。由于UF-DCE MRI需要极高的时间分辨率和可接受的空间分辨率,多种先进的MRI技术已被采用,包括视野共享(VS)、并行成像(PI)和压缩感知(CS)。
UF-MRI动力学参数被提出作为传统DCE-MRI衍生参数的替代指标,其捕捉了乳腺癌中常见的病理生理过程,如快速对比剂渗漏[14]和肿瘤相关血管分流[15]。因此,与良性病变相比,恶性病变在UF-MRI上往往表现出更快速的强化。
最大斜率(MS)由Mann等人于2014年提出[16],其测定方法为在第一分钟内沿强化曲线最陡峭部分绘制切线,并计算相对强化百分比变化除以秒数(%/s)。强化时间(TTE)由Mus等人提出[17],其计算方法为病灶开始强化的时间点减去最大强度投影图像(MIP)上主动脉开始强化的时间点。图1展示了MS和TTE的图示说明。
还有一些较少使用的动力学参数被提出,它们均基于相同的基本病理生理机制,在区分良恶性病变方面表现出不同程度的成功。示例包括团注到达时间(BAT),其与TTE closely相似[18]、动脉与静脉显影之间的时间间隔(AVI)[19]以及动力学曲线下面积(KAUC)[20]。
尽管已有大量研究探讨了UF-DCE MRI的诊断性能,但迄今为止尚未开展全面的定量综述来整合现有研究体系。本系统综述和荟萃分析的目的是评估UF-DCE MRI在区分乳腺良恶性病变方面的诊断性能。
材料与方法
我们的方案已在Research Registry构建并注册(Researchregistry1731,researcthregistry.com)。我们的工作遵循更新的系统评价和荟萃分析优先报告条目指南(PRISMA 2020 [21])进行。既往一篇描述在R软件中进行诊断试验准确性(DTA)荟萃分析方法学的论文被用作参考[22]。
文献检索
对Medline、Embase和Cochrane进行了全面检索,以查找各数据库建库至2023年9月1日发表的相关文章。使用了受控词表术语和文本词。未应用年龄限制。检索策略的详细信息见补充材料。对纳入研究的参考文献列表进行了手工检索,以识别其他相关研究。检索策略见表S1。
纳入标准
符合以下标准的研究被纳入:(a) 全文以英文提供。(b) 发表于同行评审期刊(摘要和会议报告排除)。(c) 可获得MRI采集数据。(d) 研究目的是评估UF-DCE MRI在区分乳腺良恶性病变中的诊断性能。本工作仅使用完全采用UF-MRI动力学参数对病变进行分层的研究。使用人工智能(AI)方法(如卷积神经网络或影像组学)的研究被排除。(e) 研究报告了足够的数据以计算真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)的数量。如果无法获得这些数值,则该研究被排除。
研究选择
我们执行了一项包括三个不同阶段的策略。
在第1阶段,文献检索结果被导入参考文献管理软件(EPPI Reviewer 6,伦敦大学,英国),由多名研究者(Y.A.、T.M.、O.G.和R.K.)独立进行标题和摘要审查。在开始独立审查标题和摘要之前,审查者对20项研究进行了双人重复初步筛选,旨在提高审查者之间的一致性。
在第2阶段,获取可能符合条件来源的全文文章,并由三名研究者(Y.A.、T.M.、O.G.和R.K.)独立评估其纳入资格。任何分歧均通过共识解决。
在第3阶段,三名审查者(Y.A.、T.M.和O.G.)使用诊断准确性研究质量评价-2(QUADAS-2 [23])独立评估偏倚风险。任何分歧同样通过共识解决。
数据提取
数据由多名研究者(Y.A.、T.M.、O.G.和R.K.)独立提取至电子表格程序(Microsoft Excel 2021;Microsoft,雷德蒙德,美国)。在开始数据提取之前,审查者对三项研究进行了双人重复数据提取,旨在提高审查者之间的一致性。任何分歧均通过共识解决。
对于使用多名读者的研究,读者的数据被平均后进行分析[24]。为构建主要列联表,我们使用了每项研究中仅使用UF-DCE MRI标准(单一UF-MRI动力学参数或UF-DCE MRI参数组合)取得最佳结果的模型。当同一数据集被用于多项研究时,我们仅从其中一项研究中提取数值。
提取以下数据:研究标题、第一作者、第一作者所在国家、发表期刊、研究设计、患者人口统计学特征(平均年龄、成像指征、样本量、纳入时的BI-RADS截断值(如有))、癌症病例数、癌症定义、所用参考标准(组织病理学 vs 影像学随访)、MRI参数(MRI系统和磁场强度、时间分辨率、层厚、加速方法、注射速度)、UF-DCE MRI参数(所用动力学参数、用于分层病变的先验 vs 事后截断值)、每个病变的阅片者数量,以及2×2列联表(FP、FN、TP、TN)。
质量评估
使用修订版QUADAS-2工具[23]对纳入研究进行独立质量评估。三名研究者(Y.A.、T.M.和O.G.)根据以下标准评估所有研究:患者选择、指数测试、参考标准、流程和时间。以下标准被定义为高偏倚风险:未采用连续患者选择(患者选择1)、纳入仅限于特定患者群体,例如接受过手术的个体或具有非肿块强化(NME)病变的个体(患者选择2)、放射科医师未对既往临床或影像学检查设盲(指数测试),以及未对所有病变进行组织病理学检查(参考标准和流程与时间)。任何分歧均通过共识解决。
结局
主要结局是评估UF-DCE MRI在区分良性与恶性病变方面的诊断测试准确性。在主要分析中,我们使用每项研究中最も准确的模型评估诊断准确性。此外,在单独分析中,我们分别评估了MS和TTE的诊断准确性,并对二者进行直接比较。当数据内存在足够变异性时,在荟萃回归模型中使用若干协变量。
统计分析
每项荟萃分析均计算合并灵敏度、特异度和诊断比值比(DOR),及其各自的95%置信区间(CI)。使用估计的模型参数创建配对森林图和分层汇总受试者工作特征(SROC)曲线。采用双变量随机效应模型进行分析[22, 25]。进行了以下荟萃分析:
每项研究中最佳的UF-DCE MRI动力学参数(主要分析)。
单独评估MS动力学参数的研究。
单独评估TTE动力学参数的研究。
为主要分析创建荟萃回归模型。为比较MS与TTE之间的诊断准确性,进行了“头对头”荟萃回归模型,纳入所有单独评估MS或TTE的研究,并以动力学参数作为协变量。
灵敏度、特异度和DOR的异质性使用I²检验评估,值大于50%被认为存在显著变异性风险[26]。SROC曲线的异质性使用灵敏度和特异度之间的相关系数评估,值大于0表示高异质性[27]。
发表偏倚通过漏斗图和Egger检验评估。
分析使用R软件(R版本3.6.3;R Foundation for Statistical Computing)中的“mada”、“meta”和“dmetatools”包进行。双侧p值小于0.05被认为具有统计学意义。
结果
研究人口统计学和偏倚风险
图2展示了研究流程图。在初始阶段,198项研究根据其标题和摘要进行了筛选,从这一池中,38项被确定为可能符合纳入标准。在对全文进行彻底审查后,16项分析2090个病灶的研究被发现符合纳入标准,随后被纳入荟萃分析[16–18, 20, 28–40]。表1提供了纳入研究的摘要。
表2S提供了偏倚风险摘要。三项研究为低偏倚风险[28, 37, 38],而其余13项研究为高偏倚风险或未知偏倚风险。偏倚的主要来源包括未说明患者是否连续入选、放射科医生对先前影像或临床数据未设盲,以及未采用组织病理学作为所有病灶的参考标准。
数据合成与合并
最佳UF-MRI动力学参数分析
本荟萃分析纳入了16项研究,涵盖2090个病灶[11, 16–18, 20, 28–39](图3A–D)。每项研究中的最佳模型在表1中注明。合并灵敏度为83%(95% CI 79–88%),合并特异度为77%(95% CI 72–83%),合并DOR为18.9(95% CI 13.7–26.2),SROC曲线的AUC为0.876(95% CI 0.830–0.887)。
基于I2检验,灵敏度和特异度存在显著异质性的高风险,而DOR存在显著变异的低风险(图3A–C)。灵敏度和特异度之间的相关系数为−0.62,表明SROC曲线的异质性较低。
在多变量荟萃回归模型(如表3S所示)中,我们观察到较低的平均年龄和使用Siemens MRI系统与灵敏度增加相关,相应的p值分别为0.034和0.008。此外,MRI时间分辨率大于5 s被发现与更高的特异度相关(p = 0.037),而涉及超过110个病灶的研究与更高的DOR相关,p值为0.021。
个体UF-DCE MRI参数分析——MS vs TTE
MS荟萃分析纳入了7项研究,涵盖956个病灶[16, 28, 30, 32, 34, 35, 37](图4A–D)。合并灵敏度为80%(95% CI 70–90%),合并特异度为77%(95% CI 68–89%),合并DOR为17.1(95% CI 11.4–25.6),SROC曲线的AUC为0.865(95% CI 0.805–0.891)。
共有7项研究、合计889个病灶被纳入经胸超声心动图(TTE)荟萃分析[17, 28, 30–32, 37, 39](图5A–D)。合并敏感性为71%(95% CI 57–86%),合并特异性为80%(95% CI 69–82%),合并诊断比值比(DOR)为15.5(95% CI 8.3–28.9),SROC曲线下面积(AUC)为0.857(95% CI 0.763–0.889)。
在最大斜率(MS)和TTE分析中,敏感性和特异性均存在高度实质性异质性风险,而DOR存在实质性变异的风险较低(图4A–C、5A–C)。MS和TTE的敏感性与特异性之间的相关系数分别为−0.77和−0.75,提示SROC曲线的异质性较低。
在“头对头”荟萃回归分析中,如表4S所示,MS与TTE在敏感性、特异性或DOR方面均未观察到统计学显著差异,相应p值分别为0.346、0.638和0.880。
表2概述了各种模型及其相应的合并准确度指标。
发表偏倚
漏斗图形态总体对称,提示发表偏倚较低(图1S)。Egger检验亦支持发表偏倚较低(p = 0.585)。
讨论
超快动态对比增强(UF-DCE)MRI是一项有前景的新技术,具有在缩短扫描时间的同时获取动力学信息的潜力。据我们所知,这是首项探讨该新方法诊断准确性的荟萃分析。本项全面荟萃分析汇总了16项研究和2090个病灶,以探讨UF-DCE MRI在鉴别乳腺良恶性病变中的判别能力。
我们发现,使用UF-DCE MRI动力学参数鉴别良恶性病变时,合并诊断灵敏度、特异度、DOR及SROC曲线下面积分别为83%(95% CI 79–88%)、77%(95% CI 72–83%)、18.9(95% CI 13.7–26.2)和0.876(95% CI 0.83–0.887)。既往评估完整方案DCE-MRI诊断准确性的荟萃分析发现的合并灵敏度、特异度、DOR及SROC曲线下面积分别为87–93%、74–85%、18.8–91和0.86–0.96 [41–43]。除灵敏度略低外,我们的合并数据落在这些数值范围内,这非常令人鼓舞。我们的工作聚焦于UF-DCE MRI作为独立技术的诊断准确性。相比之下,上述既往荟萃分析 [41–43] 考察的是完整方案乳腺MRI的诊断准确性,后者涵盖形态学数据、动力学曲线数据和扩散序列。很可能通过将UF-DCE MRI与DCE-MRI序列相结合,我们可以期待一种叠加效应,从而进一步增强诊断准确性。本荟萃分析纳入的许多研究支持这一假设。少数研究表明,与单独使用DCE-MRI相比,在DCE-MRI基础上加用UF-DCE MRI可提高诊断准确性 [29, 31, 32]。其他研究表明,UF-DCE MRI作为独立技术与标准曲线类型分析相当甚至更优 [17, 20, 30, 33, 34]。这提示了在保持或可能提高诊断准确性的同时缩短扫描时间的可能性。一种可考虑的方案涉及整合AB-MRI和UF-DCE MRI,从而能够利用动力学数据,同时通过消除延迟扫描的需求来缩短检查时间。鼓励研究人员在未来工作中沿此方向开展更深入的检查。
在我们的分析中,我们观察到灵敏度和特异度评估存在相当程度的异质性,而DOR和SROC分析的异质性相对较低。这一结果符合灵敏度和特异度之间呈负相关的传统预期。当其中一个数值升高时,另一个往往降低,从而形成所谓的“阈值效应”[44],这可能导致了异质性的变化。我们使用随机效应模型以便在此背景下合并结果。对于DOR和SROC分析,其提供了合并每项诊断研究结果的单一指标,从而消除了“阈值效应”,异质性较低。
我们通过荟萃回归分析研究了异质性的其他来源。规模较大、使用Siemens MRI系统、时间分辨率超过5 s且纳入较年轻女性的研究往往产生略好的准确性。不同技术参数与诊断性能之间的相关性尤为重要,因为UF-DCE MRI没有标准化方案;每个厂商和机构采用不同的MRI序列。然而,我们的发现 across 各项分析并不一致,使得难以得出明确结论。随着更多数据的积累,有望建立起具有最佳技术参数的更标准化UF-DCE MRI序列。
MS和TTE是UF-DCE MRI中最常用的两个动力学参数,本荟萃分析中的大多数研究纳入了其中一个或两个参数。根据我们的结果,尽管MS单独使用时准确率略高于TTE,但两种方法之间无统计学显著差异。这些参数捕获不同的动力学值——MS是对时间-强度曲线的测量,TTE测量病灶强化的最早时间(图1)。然而,由于两个参数反映相同的基本病理生理机制(动静脉分流和毛细血管渗漏),它们产生相似结果并不出乎意料。这一观察也可能解释为何我们的荟萃回归分析未能揭示任何证据支持使用联合多个参数的模型时准确率提高,这与我们最初的预期相反。这些参数可能并非具有 additive 作用,而是冗余的。
除了将乳腺病灶分类为良性或恶性的作用外,UF-DCE MRI在乳腺癌领域可能还有其他应用。这些可能包括:与DCE-MRI相比提高病灶显示清晰度[45, 46]、区分浸润性乳腺癌与原位导管癌(DCIS)[30, 47, 48]、预测肿瘤预后标志物和受体状态[29, 47–49],以及预测新辅助治疗后的病理完全缓解(pCR)[50–52]。这些潜在作用值得在未来的专门系统综述和荟萃分析中进一步探索。
我们的研究存在若干局限性。第一,许多研究在患者选择、指标试验和参考标准方面质量欠佳。第二,我们仅纳入了专门使用UF-DCE MRI参数的研究,从而限制了可用研究的数量并影响了其统计效能。第三,纳入的研究在各自使用的动力学参数方面存在显著差异。这一局限性特别与我们使用每项研究中最佳模型的主要分析相关。然而,如前所述,所有动力学参数均反映相似的病理生理机制,即快速对比剂渗漏和动静脉分流,导致第一分钟内更快的流入,因此可能允许对结果进行合并。研究间DOR和SROC曲线的低异质性、两个主要动力学参数(MS和TTE)单独使用时的相似准确率值,以及使用一个或多个参数的模型的相似准确率,进一步支持了这一点。此外,我们的分析未涵盖使用人工智能方法的研究,主要由于其稀缺性。然而,随着更多数据的可获得,未来可进行此类研究。最后,若干研究未直接报告TP、FP、TN和FN值,需要从敏感度、特异度和恶性肿瘤总数中间接提取这些值,这可能降低准确性。
总之,基于我们的荟萃分析,超快动态对比增强(UF-DCE)MRI作为一种独立技术,在区分乳腺良恶性病变方面具有高准确性。我们的研究结果未显示两种主要UF-DCE MRI动力学参数MS和TTE在准确性上有显著差异。我们建议进一步研究,尤其关注人工智能技术的应用以及UF-DCE MRI与DCE-MRI序列的整合,以提高诊断精度。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 246 KB)
引用
- Amitai Y, Freitas VAR, Golan O, et al. The diagnostic performance of ultrafast MRI to differentiate benign from malignant breast lesions: a systematic review and meta-analysis. Eur Radiol. 2024. PMID: 38512492. doi:10.1007/s00330-024-10690-y
- 全文:PMC11399157(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399157/
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。