文献速递腹部泌尿生殖技术与安全CTPET

光子计数探测器CT鉴别肾上腺腺瘤与转移瘤的诊断效能

Diagnostic performance of photon-counting detector CT for differentiation between adrenal adenomas and metastases.
PubMed 文献 · Eur Radiol · 2024-03-14

回顾性单中心研究纳入90例肾上腺病变患者(45腺瘤、45转移瘤),评估光子计数探测器CT的虚拟平扫(VNCConv与VNCPC)及能谱成像鉴别腺瘤与转移瘤的价值。VNC较真平扫高估CT值(VNCConv平均差17.67 HU,VNCPC 14.85 HU),但VNCConv以26 HU为阈值时敏感度86.7%、特异度75.6%。作者认为提高阈值后VNC可能可靠鉴别,但需更大样本多中心研究确认。

要点

  • VNCConv以26 HU为阈值鉴别腺瘤与转移瘤,敏感度86.7%、特异度75.6%。
  • 腺瘤在VNCConv和VNCPC的CT值均显著低于转移瘤(p=0.007)。
  • VNC较真平扫高估CT值:VNCConv平均差17.67 HU,VNCPC 14.85 HU。

核心结论

  • VNC算法在肾上腺病变评估中较真平扫高估CT值,但采用提高的阈值(如26 HU)可可靠鉴别腺瘤与转移瘤。
  • 作者认为VNC可能在未来临床常规中应用,但需更大样本的多中心研究及标准化方案进一步确认。

研究设计与样本

  • 回顾性单中心研究,纳入2021年4月至2022年9月间90例肾上腺病变患者(45腺瘤、45转移瘤),平均年龄67.8岁(范围39–87),36例女性。
  • 使用双源光子计数探测器CT(NAEOTOM Alpha,Siemens Healthineers)行门静脉期增强扫描,对比剂为100 ml Ultravist 300 mgI/mL、流率4.0 ml/s,注射后固定延迟75 s采集。
  • 重建VNCConv、VNCPC(70 keV虚拟单能级)、碘图及40–90 keV虚拟单能图像(VMI),层厚1.0 mm、间距0.5 mm,采用Qr40软组织核。
  • 参考标准:腺瘤依据平扫CT值≤10 HU、至少6个月大小不变、MRI反相位信号下降或绝对廓清率>60%诊断;转移瘤依据6个月内大小变化或已知恶性肿瘤背景下PET/CT异常18F FDG摄取诊断。
  • TNC图像仅49/90例可用(转移瘤14/45、腺瘤35/45);采用3D Slicer半自动分割并提取一阶特征(平均HU值)。

关键影像表现/征象

  • 腺瘤在VNCConv的中位CT值为18.15 HU(IQR 12.92–24.26),转移瘤为31.28 HU(IQR 26.00–35.89),差异有统计学意义(p=0.007)。
  • 腺瘤在VNCPC的中位CT值为16.00 HU(IQR 11.02–21.56),转移瘤为27.22 HU(IQR 22.59–30.64),差异有统计学意义(p=0.007)。
  • 70 keV VMI(p=1.000)和碘密度图(p=0.726)在腺瘤与转移瘤间无显著差异。
  • Boruta随机森林特征选择显示VNCConv和VNCPC重要性最高,碘图及80、90 keV VMI重要性较低。

诊断标准与关键数值

  • VNCConv以26 HU为阈值鉴别腺瘤与转移瘤,敏感度86.7%、特异度75.6%。
  • VNCConv的AUC为0.857,VNCPC的AUC为0.931,TNC的AUC为0.762,联合全部能谱特征的逻辑回归模型AUC为0.938。
  • TNC在本队列中的最佳阈值为10.8 HU,敏感度71.4%、特异度82.9%。
  • Bland-Altman分析显示VNC较TNC的平均差:VNCConv为17.67 HU,VNCPC为14.85 HU,两者均高估CT值。

临床应用与阅片要点

  • 在门静脉期增强CT上,VNCConv和VNCPC均可用于鉴别肾上腺腺瘤与转移瘤,但需采用高于传统10 HU的阈值(如26 HU)。
  • VNC重建较真平扫系统性高估CT值,阅片时不应直接套用真平扫的10 HU阈值判断腺瘤。
  • 作者建议未来需标准化VNC流程并开展多中心研究以确定最终最佳阈值。

局限性

  • 本研究为单中心研究,纳入的患者包括已知或疑似恶性肿瘤者以及因评估肾上腺病变而行多期CT扫描者。
  • TNC仅在一部分患者中可用,且该亚组中腺瘤患者比例更高,可能引入偏倚。
  • 腺瘤或转移瘤的诊断未经组织病理学证实,而是通过进一步影像学检查(如肾上腺CT、平扫CT、MRI)或随访确定。
  • 作者指出需更大样本及多中心、标准化方法和数据协调的研究来确认结果并重新定义阈值。
全文中译13 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:Eur Radiol. 2024 Mar 14;34(9):5944–53. doi: 10.1007/s00330-024-10675-x

引言

在过去几十年中,由于成像技术的进步和CT扫描数量的增加,肾上腺病变的偶然检出率有所上升,据估计在腹部CT扫描中的患病率为4–8% [1–4]。美国放射学会最近的指南提供了对偶然发现的≥ 1 cm肾上腺病变的检查流程算法 [4]。根据大小、是否存在不确定或高风险影像特征以及癌症病史,推荐进行随访或肾上腺CT检查 [4]。肾上腺CT包括平扫、门静脉期和延迟期(15分钟)[4, 5]。

肾上腺腺瘤可通过平扫CT上的低CT值(< 10 HU)或门静脉期与延迟对比期之间的快速廓清(相对廓清率> 60%)与转移瘤相鉴别 [1, 4, 6]。在临床常规中,肾上腺病变常在对比增强CT扫描中被检出,因此无法可靠地鉴定为腺瘤。在这些情况下,推荐进一步成像(例如肾上腺CT)或随访 [4],从而导致患者接受额外的辐射剂量或延迟明确诊断并可能带来心理负担。

既往关于双能CT(DECT)的研究探讨了虚拟平扫(VNC)图像在评估肾上腺病变中的价值 [1, 7–9]。然而,大多数研究表明,与真平扫(TNC)相比,VNC高估了CT值。因此,VNC序列不被推荐用于常规临床使用。

2021年,光子计数探测器(PCD)技术被引入。它能够将单个X射线光子直接转换为电信号,从而减少电子噪声,并在每次扫描中提供宽谱成像 [10]。最近一项研究评估了PCD-CT上VNC重建在评估肾上腺腺瘤中的价值。然而,与既往研究类似,与TNC相比,VNC显示CT值的高估或低估 [11]。

除了传统的VNC(VNCConv)外,还有一种用于生成VNC序列的新算法:PureCalcium算法(VNCPC)。由于碘与钙具有相似的衰减,钙对比在VNCConv序列中被部分去除。为解决这一问题并保留钙对比,VNCPC在物质分离之前创建钙掩模。最近分析该算法的研究报告了更一致的VNC值,不仅对于钙化病变,对于软组织也是如此 [12–14]。

本研究的目的为:(i)分析传统VNC(VNCConv)和新型VNC算法(VNCPC)在肾上腺病变评估中与TNC的比较;(ii)分析能谱成像在对比增强CT扫描中鉴别肾上腺病变的价值。

材料与方法

研究人群

我们检索了本地数据库,该数据库包含2021年4月至2022年9月期间疑似恶性肿瘤并接受腹部对比增强CT的患者。

当地医学研究与伦理委员会(MREC)批准了这项回顾性单中心研究,并豁免了回顾性队列中所纳入患者的知情同意要求(方案编号:23–0451)。

回顾性队列的纳入标准如下:(1)年龄≥ 18岁,(2)2021年4月至2022年9月期间在双源光子计数探测器CT(PCD-CT)上进行的腹部对比增强CT门静脉期扫描,(3)存在≥ 1 cm的肾上腺病变。

参考标准

病变定义为腺瘤或转移灶的方法如前所述[1, 4]。病变诊断为腺瘤的条件为:(1)平扫CT显示CT值≤10 HU,或(2)大小在至少6个月内无变化,或(3)包括化学位移成像的腹部MRI显示反相位信号下降,或(4)病变在多期CT中显示绝对廓清率>60%。病变诊断为转移灶的条件为:(1)病变大小在6个月内发生变化,或(2)在已知恶性肿瘤患者中PET/CT显示18F FDG摄取异常。

成像方案

所有PCD-CT扫描均在双源光子计数探测器CT(NAEOTOM Alpha,Siemens Healthineers)上作为常规临床采集进行,采用单相对比剂注射方案,于门静脉期扫描。每位患者接受100 ml对比剂团注(Ultravist 300 mgI/mL,Bayer),经肘前静脉注射(流速4.0 ml/s),随后给予30 ml生理盐水团注。图像于门静脉对比期采集(对比剂注射后固定延迟75 s)。

所有患者均取仰卧位,在单次屏气期间行头尾方向扫描。应用以下参数:采集模式读取光谱信息(Abdomen QuantumPlus,Siemens Healthineers),管电压120 kV,旋转时间0.5 s或0.25 s,准直144 × 0.4 mm。

部分患者队列还接受了真实非对比CT,或在同一方案中于对比剂应用之前进行,或在单独采集中进行,例如在FDG-PET或放疗计划期间。

图像重建

CT图像使用专用研究软件(ReconCT 16.0,Siemens Healthineers)从图像原始数据重建。每位患者重建两个VNC序列,一个常规序列(VNCconv)和一个pureCalcium序列(VNCPC),虚拟单能级为70 keV,以及碘图和在40至90 keV范围内以10-keV递增的虚拟单能图像(VMI)序列。层厚和增量分别为1.0 mm和0.5 mm。使用针对定量评估优化的软组织核Qr40,迭代强度为3。TNC图像的重建使用SyngoVia(Syngo.via VB60A,Siemens Healthineers)进行,层厚和增量与PCD-CT相同。

图像分析

肾上腺病变的半自动分割由一位具有7年腹部CT成像经验的委员会认证放射科医师(S.B.)使用开源软件3D Slicer(http://www.slicer.org [15])完成(图1)。病变分割后,使用pyradiomics(版本3.1.0 [16])提取所有重建图像(VMI 40–90 keV、VNCConv、VNCPC和碘图)的定量数据。一阶特征(平均HU值)用于进一步分析。49/90例患者(14/45例转移灶和35/45例腺瘤)有真实非对比(TNC)图像可用。

图1 使用3D Slicer对左侧肾上腺腺瘤进行半自动分割的示例 查看原图 ↗

统计分析

描述性数据的分析和统计分析使用 R(R Statistics,版本 4.3.1,R Core Team,[17])、RStudio(版本 2023.06.2 [18])和 Python 3.7.1(www.python.org)进行。采用 Shapiro–Wilk 检验检查正态分布。非正态分布数据以中位数和四分位距(IQR)表示,正态分布数据以均值(± 标准差)表示。采用 Mann–Whitney U 检验(非正态分布数据)或 t 检验(正态分布数据)进行两组间比较。多重检验采用 Bonferroni 校正。使用 Bland–Altman 图描述 VNC 与 TNC 之间的一致性。将队列按 80/20 分为训练队列和测试队列后,以影像特征(光谱数据的 HU 值)为自变量、结局(腺瘤 vs. 转移)为因变量构建逻辑回归模型。在训练队列上随机构建五个模型(五折交叉验证)。在 5 个模型完成训练和验证后,该方法将获得最佳结果的模型作为最终训练模型。随后将该模型应用于测试队列。ROC 分析在 R 中使用 pROC 包进行。数据展示所有已建立模型(第 1–5 折)以及所选最佳模型(测试集)的结果。曲线下面积(AUC)展示应用于测试队列的模型。最佳截断值使用 R 中的 cutpointr 包确定。对于特征选择,在 R 中应用 Boruta 包。Boruta 算法是一种用于特征选择的包装方法,常用于影像组学分析 [19]。该算法使用基于随机森林(RF)的分类模型来选择最重要的特征。统计学显著性差异假定为 p 值 ≤ 0.05。

结果

患者人群

从本地数据库中识别出 110 例肾上腺病变患者。我们因以下原因排除患者:缺失金标准(n = 10)、病变过小无法测量(n = 4)、缺失增强扫描(n = 1)、诊断为肾上腺癌(n = 1)以及缺失原始数据(n = 4)。

最终,90 例患者(出生时指定性别为女性 36 例,平均年龄 67.8 岁 [范围 39–87])纳入本研究。26 例患者为双侧肾上腺病变;在这些病例中,我们分析左侧(除 1 例左侧肾上腺钙化外)。基线特征见表 1。

表 1 基线特征 查看原表 ↗

定量分析

与肾上腺转移瘤相比,肾上腺腺瘤在 VNCConv 重建中的中位 CT 值显著较低(18.15 [12.92–24.26] vs. 31.28 [26.00–35.89],p = 0.007),在 VNCPC 重建中亦显著较低(16.00 [11.02–21.56] vs. 27.22 [22.59–30.64],p = 0.007)(图 2,表 2)。

对于有可用 TNC 图像的患者(n = 49;转移瘤 = 14,腺瘤 = 35),Bland Altman 图显示 VNCPC 重建的平均差值为 14.85,VNCConv 重建为 17.67,两种 VNC 算法的数值均高于 TNC(图 3)。

图 2 肾上腺病变平均 CT 值定量分析及转移瘤与腺瘤鉴别的箱线图:a VNCConv(p = 0.007)、b VNCPC(p = 0.007)、c 70 keV(p = 1.000)和 d 碘密度图(p = 0.726)。0 = 无转移/腺瘤;1 = 转移瘤;VNCConv = 常规虚拟平扫;VNCPC = 纯钙虚拟平扫 查看原图 ↗
表2 转移瘤与腺瘤在不同重建图像上的平均CT值 查看原表 ↗
图3 在具有真实平扫(TNC)数据的患者亚组(n = 49)中,TNC与不同虚拟平扫(VNC)算法(a VNCConv和b VNCPC)之间差异的Bland-Altman图。TNC = 真实平扫;VNCConv = 常规虚拟平扫;VNCPC = 纯钙虚拟平扫 查看原图 ↗

特征选择

使用Boruta随机森林方法进行特征选择,VNCConv和VNCPC被选为重要性最高的特征(表3、图4)。此外,碘图以及VMI 80和90 keV也是该模型中的重要特征,但重要性较低。

表3 特征重要性 查看原表 ↗
图4 随机森林模型(Boruta)中的特征重要性 查看原图 ↗

逻辑回归模型

逻辑回归模型显示,使用所有可用的能谱数据对肾上腺腺瘤和肾上腺转移瘤的鉴别能力最佳(AUC = 0.938)(图5)。在ROC分析中,单独使用时,TNC的AUC为0.762,VNCConv重建的AUC为0.857,VNCPC重建的AUC为0.931(图5)。表4概述了VNCConv和VNCPC重建及TNC的不同截断值及其鉴别腺瘤与转移瘤的灵敏度和特异度以及准确度和精确度。例如,使用VNCConv重建中26 HU作为截断值时,正确诊断的灵敏度为86.7%,特异度为75.6%。对于TNC,在我们的队列中观察到最佳截断值为10.8,显示出对良性和恶性肾上腺病变的最佳鉴别能力,灵敏度为71.4%,特异度为82.9%。

图5 以转移瘤为因变量、分别以a所有特征、b TNC、c VNCConv或d VNCPC为自变量进行的ROC分析。数据展示了全部五个训练模型(第1–5折)以及在验证后选择并应用于测试队列(测试集)的最佳模型。AUC展示的是应用于测试队列的模型。TNC = 真实平扫;VNCConv = 常规虚拟平扫;VNCPC = 纯钙虚拟平扫 查看原图 ↗
表4 最佳截断值 查看原表 ↗

讨论

尽管VNCPC与TNC的平均差异小于VNCConv序列,但在肾上腺病变评估中CT值仍存在高估。然而,使用VNC有助于在增强扫描中鉴别腺瘤和转移瘤,但需使用更高的鉴别阈值(例如,使用26 HU而非TNC既定的10 HU)。

增强CT扫描上偶然发现肾上腺病变的诊断评估是放射学中众所周知的挑战。在大多数情况下,建议进一步影像学检查(例如肾上腺CT或MRI)或随访。这导致因额外检查而增加的费用,还可能增加辐射暴露和/或延迟诊断。在双能CT(DECT)和光子计数探测器CT(PCD-CT)时代,人们可能认为虚拟平扫成像可以解决这一问题。然而,与先前关于DECT的研究类似,PCD-CT上首次发表的经验也报道VNC与TNC相比会高估或低估CT值[1, 9, 20]。

因此,虚拟平扫(VNC)未被推荐用于常规临床实践,因为即使CT值的微小差异也可能对肾上腺病变的诊断和进一步检查产生显著影响[4, 11]。与既往研究类似,我们也报告了VNCConv相较于真平扫(TNC)存在显著高估,平均差异约为17 HU。

在本研究中,我们还旨在评估一种新的、有前景的VNC算法(VNCPC)在肾上腺病变诊断中的价值[13]。尽管使用该新算法时与TNC相比CT值的差异较小,但仍存在约15 HU的平均差异。在肾上腺腺瘤的评估中,15 HU的平均偏差可能过高,并可能导致不正确的诊断。

因此,有必要在不久的将来解决这一问题并改进VNC算法。然而,如果商定一个用于VNC重建的“新”(不同)阈值,VNC重建目前在临床常规中可能仍具有价值。本工作中的逻辑回归分析揭示了VNC在鉴别腺瘤与转移瘤时具有更高的最佳阈值。例如,使用26 HU而非TNC中既定的10 HU作为阈值,在鉴别腺瘤与转移瘤时可获得高灵敏度和特异度。在我们的研究中,使用VNC重建中例如26 HU的阈值相比TNC中10 HU的阈值,特异度和灵敏度甚至更高。我们的分析报告了VNCConv和VNCPC不同的“最佳”截断值,见表4。它们在特异度和灵敏度方面存在差异。HU值越低,灵敏度越高而特异度越低,反之亦然。我们认为,26 HU是VNCConv在特异度和灵敏度之间的最佳“折中”值。因此,我们决定选择该值。然而,更大患者队列的进一步研究必须证实本研究的结果并确定“最终”最佳截断值。将该阈值整合到临床常规中也需要进一步分析;在我们的队列中,既定的10 HU作为TNC最佳阈值的发现支持了我们检查的有效性。然而,一个主要挑战可能是VNC重建结果的标准化。由于技术的快速发展,存在不同的VNC算法。因此,VNC流程的标准化或数据的协调统一将是未来更大患者队列研究的关键方面。特别是具有一致方案的多中心研究对于证实本研究结果并重新定义增强CT中肾上腺病变诊断的阈值是必要的。

本研究还分析了源自光谱成像的不同影像特征(如碘图、虚拟单能图像(VMI))在鉴别肾上腺腺瘤与转移瘤中的价值。一项既往关于双能CT(DECT)的研究显示了碘密度与VNC联合应用的良好前景[1]。其他研究也强调了脂肪分数和影像组学的鉴别能力[7, 8]。

据我们所知,此前尚无研究探讨光谱成像在鉴别肾上腺腺瘤与肾上腺转移瘤中的价值。我们的研究表明,肾上腺腺瘤与转移瘤具有显著不同的影像特征(例如,腺瘤在VNCConv和VNCPC中的CT值低于转移瘤),这与既往报道的DECT结果相似[1]。

Logistic回归分析和随机森林分类器将VNC(VNCConv和VNCPC)确定为区分肾上腺腺瘤与转移瘤的最重要参数。

鉴于这些结果,解决VNC算法的技术优化以逼近TNC的CT值和/或定义VNC的“新”(不同)阈值非常重要。安全地用VNC替代TNC的可能性可以在肾上腺病变的检查中节省许多CT或MRI扫描,可能加速诊断,并可能因延迟澄清而潜在地减轻患者的心理负担。

与先前关于DECT的研究[1]以及先前关于PCD-CT的研究[11]不同,我们对整个肾上腺病变进行了完整的3D分割,而不仅仅使用基于ROI的测量。我们旨在提高诊断准确性并避免基于ROI的测量可能引入的偏倚。然而,该方法也观察到了类似的结果,即VNC中CT值(与TNC相比)的高估和低估。本研究中使用的光谱信息基于PCD-CT将光子能量(高于某一水平以消除电子噪声)区分为高和低,例如使用一个阈值创建两个所谓的bin。未来,根据制造商的说法,很可能最多可使用四个bin(用三个阈值进行区分)。这可能提供更多信息,潜在地改善VNC重建中的CT值。

已知体重指数(BMI)会影响图像噪声和图像质量[21]。先前一项关于PCD-CT的研究表明,在广泛的BMI范围内,检测肝转移瘤的对比噪声比(CNR)没有差异,提示PCD-CT上CNR得以保持[22]。先前一项分析PCD-CT上胰腺导管腺癌显著性的研究也显示了类似结果;该研究还发现,在门静脉期,较高和较低BMI患者的CNR无显著差异[23]。本研究表明,腺瘤和转移瘤患者之间的BMI无显著差异;然而,观察到转移瘤队列中BMI偏低的趋势。根据先前研究的结果以及PCD-CT在广泛BMI范围内保持CNR的潜力,我们不认为这些发现会显著影响本研究的结果(也由于患者队列较小)。

本研究存在局限性:第一,这是一项单中心研究,纳入了已知或疑似恶性肿瘤的患者以及用于评估肾上腺病变的多期CT扫描[24]。第二,TNC仅在一部分腺瘤患者比例较高的患者中可用,这可能引入偏倚。第三,腺瘤或转移瘤的诊断未经组织病理学确认,而是通过进一步影像学检查(如肾上腺CT、平扫CT、MRI)或随访确认。

结论

在评估肾上腺病变时,与真实平扫(TNC)相比,虚拟平扫(VNC)重建倾向于高估CT值。然而,传统算法和新型保钙VNC算法在区分肾上腺病变方面均具有较高的诊断准确性,尤其是将既定阈值10 HU提高至约26 HU时。因此,针对VNC重建的“新”阈值可安全地鉴别肾上腺病变,并可能省去对不明确病例的进一步检查。仍需开展更大患者队列的研究以及采用标准化方法和数据协调的多中心研究,以证实本研究的结果。

引用

  1. Bette S, Risch F, Canalini L, et al. Diagnostic performance of photon-counting detector CT for differentiation between adrenal adenomas and metastases. Eur Radiol. 2024. PMID: 38480567. doi:10.1007/s00330-024-10675-x
  2. 全文:PMC11364581(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11364581/

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。