成人弥漫性胶质瘤术前分型与分级的无钆MRI决策树预测
本研究基于2010至2021年术前成人型弥漫性胶质瘤(WHO 2021)数据,开发了纳入11个无钆MRI特征的诊断预测决策树(DPDT),用于预测分级(2级 vs 3/4级)和分子状态(IDH及1p/19q)。在303例测试集中,三位不同经验阅片者无钆预测分级准确率≥0.85(95%CI 0.80-0.88),分子状态≥0.75(95%CI 0.70-0.80);增强预测分级≥0.87(95%CI 0.82-0.90),分子状态≥0.77(95%CI 0.71-0.81);无钆与增强预测间无准确率差异。结论认为无钆决策树表现良好,钆增强图像对术前诊断准确率提升有限。
要点
- 无钆DPDT纳入7个VASARI特征(坏死、扩散、出血、非增强肿瘤边缘、颅骨重塑、囊肿、水肿比例)和4个非VASARI特征(T2-FLAIR不匹配征、T2信号均匀性、钙化、中线移位)。
- 测试集中无钆预测分级准确率≥0.85(95%CI 0.80-0.88),分子状态≥0.75(95%CI 0.70-0.80);增强预测分别为≥0.87(95%CI 0.82-0.90)和≥0.77(95%CI 0.71-0.81)。
- 无钆与增强预测准确率无显著差异(除阅片者1分级预测敏感度无钆/增强0.90/0.95,p=0.006外,其余p>0.05)。
核心结论
- 所提出的无钆诊断预测决策树表现良好,钆增强图像对成人型弥漫性胶质瘤术前诊断准确率提升有限。
研究设计与样本
- 回顾性单中心研究,纳入2010年1月至2021年1月登记的术前2-4级成人型弥漫性胶质瘤,随机分为开发集(n=38)、优化集(n=31)和测试集(n=303)。
- 参考标准为基于2021年WHO分类的组织分子诊断,IDH状态通过免疫组化、二代测序和/或甲基化分析确定,1p/19q共缺失通过杂合性缺失分析或甲基化分析评估。
- 使用7台MRI扫描仪,无钆序列包括增强前T1加权、T2加权、FLAIR、DWI/ADC和SWI(如有),增强诊断额外纳入增强后T1加权序列。
- 测试集由三位阅片者独立评估(两位分别有11年和5年神经放射学经验,一位为无放射学经验的四年级医学生,经优化集训练)。
关键影像表现/征象
- DPDT纳入七个VASARI特征(坏死、扩散、出血、非增强肿瘤边缘、颅骨重塑、囊肿、水肿比例)和四个非VASARI特征(T2-FLAIR不匹配征、T2信号均匀性、钙化、中线移位)。
- 组间阅片者一致性中,坏死特征一致性最高(≥0.83,95%CI 0.78-0.88),钙化和中线移位达显著一致(≥0.61,95%CI 0.31-0.90),其他特征为一般至中等水平(0.35,95%CI 0.19-0.51至0.58,95%CI 0.40-0.76)。
诊断标准与关键数值
- 无钆预测分级准确率:阅片者1为0.85(95%CI 0.80-0.88),阅片者2为0.88(95%CI 0.84-0.92),阅片者3为0.86(95%CI 0.82-0.90)。
- 增强预测分级准确率:阅片者1为0.88(95%CI 0.84-0.91),阅片者2为0.87(95%CI 0.82-0.90),阅片者3为0.87(95%CI 0.83-0.90)。
- 无钆预测分子状态准确率:阅片者1为0.77(95%CI 0.72-0.82),阅片者2为0.76(95%CI 0.71-0.81),阅片者3为0.75(95%CI 0.70-0.80)。
- 增强预测分子状态准确率:阅片者1为0.77(95%CI 0.71-0.81),阅片者2为0.77(95%CI 0.72-0.82),阅片者3为0.78(95%CI 0.72-0.82)。
- 分级预测组间一致性:无钆为0.56(95%CI 0.46-0.66),增强为0.68(95%CI 0.58-0.78),p=0.008;分子状态一致性无钆为0.75(95%CI 0.69-0.80),增强为0.77(95%CI 0.71-0.82),p=0.51。
临床应用与阅片要点
- DPDT可在无钆MRI序列上用于成人型弥漫性胶质瘤的术前分级和分子状态预测,即使经验不足的阅片者也能有效分类。
- 原文指出,在进一步验证之前,无钆DPDT可与钆增强图像联合使用以遵循标准实践,尽管本研究表明钆增强图像几乎未提高诊断准确率。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
钆基对比剂(GBCA)增强MRI是目前管理脑肿瘤(包括成人型弥漫性胶质瘤)的标准影像学方法,有助于诊断和治疗决策[1]。然而,强化对于肿瘤恶性程度和肿瘤边界的可切除性而言均是不完美的衡量指标[2]。显示强化的肿瘤并不一定总是高级别胶质瘤[3];反之,高级别胶质瘤也可能缺乏强化[4]。这一矛盾在最新的神经肿瘤学疗效评价标准(RANO 2.0)中已得到承认,该标准还强调了无GBCA序列的诊断相关性[5]。
尽管GBCA是标准的影像学实践[1],但其相关副作用日益引发关注,而安全建议仅依赖专家意见而非前瞻性实验证据[6]。虽然某些线性GBCA因与肾源性系统性纤维化的关联而受到限制,但肾功能损害仍是该病症的主要诱因,正常肾功能是否能排除该风险尚不确定[6]。由于临床意义不明确,GBCA(主要为线性剂型)还被发现可在体内蓄积[7]。此外,研究表明人为来源的医用钆在生态系统中蓄积,引发了对水生生物和城市用水安全的担忧[8]。除这些挑战外,检查时间较长、经济成本增加[9]以及在中低收入国家可及性有限[10]也是促使从GBCA增强MRI转向无GBCA MRI的因素。此外,孕妇或哺乳期妇女[11]和儿童[12]等脆弱人群由于推测的GBCA暴露风险需要审慎考虑。
多种人工智能(AI)方法具有替代GBCA的潜力,可生成合成GBCA增强图像[13]或通过增强的GBCA增强图像减少对比剂剂量[14],但融入临床实践仍滞后。虽然动脉自旋标记(ASL)[15]或酰胺质子转移化学交换饱和转移(APT-CEST)[16]等先进成像技术引入了替代性的无GBCA参数,但其应用受限于可及性和采集参数的变异性。相反,常规MRI序列是日常实践的一部分,可提供必要的胶质瘤影像生物标志物,如T2-FLAIR不匹配征或囊变,其中许多可在无GBCA增强图像的情况下进行评估[17]。然而,既往研究主要以GBCA增强MRI评估这些生物标志物(如坏死[18–20]),因为其一直是标准诊疗方案,这使得GBCA增强图像的预测附加价值仍存疑问。基于AI的方法和先进MRI技术的进一步成熟及其向胶质瘤管理的临床转化将是一个漫长的过程。因此,常规无GBCA MRI的定性参数评估结合简单的决策树,可能是近期内胶质瘤逐步淘汰GBCA使用的解决方案,因为它比定量方法更省时。
作为开发和建立通用型基于无GBCA MRI的脑肿瘤诊断预测决策树(DPDT)的第一步,本研究旨在评估GBCA增强图像在预测成人型弥漫性胶质瘤组织分子诊断中的附加价值。
材料与方法
研究样本
这项回顾性单中心研究获得了机构医学伦理审查委员会的批准(Vumc_2021-0437)。免除知情同意。从医院胶质瘤数据库(IMAGO)中连续纳入2010年1月至2021年1月登记的患者病例至试验数据库。纳入标准列于表1。
MRI与数据集
本研究使用的图像来自七台MRI扫描仪(表S1)。I.W.是一名神经肿瘤学四年级博士研究生,负责数据准备工作,包括假名化处理。符合条件的患者被随机分配到三个子集:开发集(n = 38)、优化集(n = 31)和测试集(n = 303)。RADIANT软件便于访问假名化数据集(3.4.1.13367;https://www.radiantviewer.com/)。两名评估者(V.K.,11年神经放射学经验;A.A.,5年神经放射学经验)对开发集和优化集进行了探索。测试集由三名评估者(V.K.、A.A.和M.C.)在不知晓参考标准的情况下进行独立评估。评估者3(M.C.)是一名四年级医学生,此前无放射学经验,使用优化集接受了培训。
参考标准
基于2021年世界卫生组织分类的组织分子诊断作为参考标准。异柠檬酸脱氢酶(IDH)状态通过免疫组织化学、二代测序和/或甲基化谱分析确定,1p/19q共缺失状态通过杂合性缺失(LOH)分析或甲基化谱分析评估。IDH野生型病例中胶质母细胞瘤的最终组织分子诊断基于额外分子标志物(如TERT启动子突变、EGFR扩增以及7号染色体获得与10号染色体丢失的组合)和支持性组织学特征(如坏死、微血管增生和高核分裂指数)确定。一小部分IDH野生型弥漫性胶质瘤(n = 16)缺乏分子分析(未另作说明)或分子标志物为阴性(未另作分类),根据其最终多学科团队诊断提示侵袭性临床行为,作为胶质母细胞瘤IDH野生型纳入研究。2级胶质瘤归类为低级别(LGG),3/4级归类为高级别(HGG)。IDH野生型弥漫性胶质瘤无论组织学分级如何均被接受为HGG,因为其通常具有侵袭性临床行为。
诊断预测决策树(DPDT)
两名评估者评估了一个开发数据集,该数据集最初仅包含无钆对比剂(GBCA)的MRI扫描(增强前T1加权、T2加权、FLAIR、DWI/ADC和磁敏感加权成像(SWI)(如有)),以预测组织分子诊断:(1)胶质瘤分级(低级别胶质瘤(LGG) vs. 高级别胶质瘤(HGG))和(2)分子状态(星形细胞瘤,IDH突变型 vs. 少突胶质细胞瘤,IDH突变型且1p/19q共缺失 vs. 胶质母细胞瘤,IDH野生型)。一周后,评估者重新检查所有病例,整合增强后T1加权序列,以使用常见临床放射学实践评估GBCA增强扫描的附加价值。例如,明显强化或环形强化的肿瘤分别被归入HGG和胶质母细胞瘤,IDH野生型组。在两轮评估中,他们通过识别关键影像特征、借鉴个人临床经验、利用基于文献的生物标志物[18–25]以及视觉可访问伦勃朗图像(VASARI)胶质瘤影像特征集[26],逐例论证其决策。随后,评估者协作分析结果,以确定与参考标准相关的、有助于无GBCA诊断预测的生物标志物。在此共识之后,提出了一个由七个VASARI(坏死、扩散、出血、非强化肿瘤边缘、颅骨重塑、囊肿、水肿比例)和四个非VASARI(T2-FLAIR不匹配征、T2信号均匀性、钙化、中线移位)影像特征组成的诊断预测决策树(DPDT),每个特征此前均与相应的组织分子诊断相关[18–25];见图1、表S2和补充材料。图S1–S5展示了DPDT影像特征的病例示例。
在间隔一周的情况下,对有和无GBCA增强图像的优化数据集分别进行评估,以衡量仅使用该决策树中包含的专属影像特征的DPDT的有效性、其对评估者间一致性的影响及其在更大队列中的潜在适用性。无GBCA诊断使用基于无GBCA MRI序列的DPDT进行评估,而GBCA增强诊断则包括增强后T1加权图像以及DPDT。
测试数据集
三名评估者(V.K.、A.A.、M.C.)在更大队列中使用无GBCA和GBCA增强DPDT评估诊断,以比较使用无GBCA vs. GBCA增强扫描的预测诊断准确性。向评估者提供了包含影像特征定义的DPDT指南(补充材料)。MRI扫描被随机分配到两个评估 session 中。第一个 session 评估来自不同患者的无GBCA和GBCA增强扫描。在第二个 session 中,来自同一患者的、尚未被评估为GBCA增强或无GBCA的扫描以不同的随机顺序进行评估。该方法旨在通过确保无GBCA或GBCA增强扫描不会仅在同一 session 中被评估来减轻确认偏倚。
统计分析
采用多分类总体准确率(星形细胞瘤,IDH突变型 vs. 少突胶质细胞瘤,IDH突变型且1p/19q共缺失 vs. 胶质母细胞瘤,IDH野生型)评估阅片者的预测性能,同时计算二分类(如高级别胶质瘤(HGG) vs. 低级别胶质瘤(LGG),或星形细胞瘤,IDH突变型 vs. 其他)的准确率、灵敏度、特异度以及阴性和阳性预测值。使用McNemar检验并采用Yates连续性校正比较无钆对比剂(GBCA)与GBCA增强数据集之间的性能[27]。
还在不同亚组中评估了预测性能,包括年龄、性别、肿瘤位置和肿瘤侧别(右/左/中线),以识别可能影响诊断准确率的因素。连续变量和分类变量分别使用逻辑回归和Pearson卡方检验。该亚组分析在所有阅片者的合并数据集上进行,并对无GBCA和GBCA增强扫描分别进行评估。
对阅片者间一致性进行了总体和两两分析。组间阅片者一致性使用Kendall's W和Fleiss' kappa,有序和无序特征的两两阅片者间/阅片者内组间一致性分别使用加权和非加权Cohen's kappa。阅片者内组间一致性通过比较无GBCA和GBCA增强预测来检验阅片者内部的一致性。对于二分类特征和两组之间,非加权Cohen's kappa辅以患病率校正和偏倚校正kappa(PABAK),以补偿由于肿瘤自然发病率不同可能导致的数据集诊断不平衡的影响[28]。
一致性值的解释如下:0.01–0.20,轻微;0.21–0.40,一般;0.41–0.60,中等;0.61–0.80,高度;0.81–0.99,几乎完全一致[29]。一致性的比较使用Z检验或Hotelling's T2检验[30],采用“multiagree”R包进行。
数据分析由Y.P.(神经科学三年级博士生)使用R包4.3.0完成。Bootstrap和PABAK计算分别使用“multiagree”R包和epiR(2.0.68 https://CRAN.R-project.org/package=epiR)包进行。显著性阈值设为p < 0.05。
开发与优化数据集
与开发数据集相比,阅片者在优化数据集中的无GBCA预测性能有所提高。例如,阅片者1和2的无GBCA分子诊断预测总体准确率分别从开发数据集的0.76和0.74提高至优化数据集的0.81和0.84(表S3/S4和图S6/7)。每位阅片者无GBCA与GBCA增强组织分子预测的比较显示,在开发数据集和优化数据集中均无显著差异(所有p > 0.05)。
在实施DPDT后,无GBCA分子诊断预测在开发集(0.45(95%-CI:0.18–0.71))和优化集(0.78(95%-CI:0.57–0.98))中的评分者间一致性有所改善,显示出趋向显著的差异(p = 0.06)。在无GBCA分级预测(0.80(95%-CI:0.54–1.06)vs. 0.85(95%-CI:0.64–1.05),p = 0.81)、GBCA增强分子诊断(0.51(95%-CI:0.23–0.79)vs. 0.64(95%-CI:0.42–0.87),p = 0.50)和GBCA增强分级(0.61(95%-CI:0.28–0.94)vs. 0.74(95%-CI:0.46–1.01),p = 0.59)预测中观察到轻微改善。
测试数据集
评分者使用无GBCA与GBCA增强扫描的预测性能
使用无GBCA扫描预测肿瘤分级(低级别胶质瘤(LGG)vs. 高级别胶质瘤(HGG))的准确率对于评分者1、2和3分别为0.85(95%-CI:0.80–0.88)、0.88(95%-CI:0.84–0.92)和0.86(95%-CI:0.82–0.90)。GBCA增强扫描的相应准确率分别为0.88(95%-CI:0.84–0.91)、0.87(95%-CI:0.82–0.90)和0.87(95%-CI:0.83–0.90)。关于使用无GBCA扫描预测分子状态,评分者1、2和3的总体准确率分别为0.77(95%-CI:0.72–0.82)、0.76(95%-CI:0.71–0.81)和0.75(95%-CI:0.70–0.80)。GBCA增强扫描的相应总体准确率分别为0.77(95%-CI:0.71–0.81)、0.77(95%-CI:0.72–0.82)和0.78(95%-CI:0.72–0.82)。比较无GBCA和GBCA增强的结果显示,除评分者1在分级预测中的灵敏度(无GBCA/GBCA增强 0.90/0.95,p = 0.006)外,差异均不显著(所有p > 0.05);见表3、图3和图S8。
使用无GBCA和GBCA增强扫描在不同亚组中的预测性能
亚组分析显示肿瘤分级或分子状态的预测与患者年龄之间存在显著相关性。无论使用无GBCA还是GBCA增强扫描,诊断准确率均随患者年龄增加而提高(所有p < 0.001)。同样,无GBCA或GBCA增强诊断预测与肿瘤位置之间观察到显著相关性(所有p < 0.001)。丘脑肿瘤比其他位置(特别是顶叶和颞叶)的肿瘤更常被误分类;见表S5。预测在患者性别或肿瘤侧别亚组之间无差异(所有p > 0.05)。
组织分子诊断的一致性分析
使用GBCA增强扫描进行肿瘤分级预测的组间评估者一致性(0.68(95%-CI:0.58–0.78))高于使用无GBCA扫描(0.56(95%-CI:0.46–0.66,)p = 0.008)。分子状态预测的结果在无GBCA扫描(0.75(95%-CI:0.69–0.80))和GBCA增强扫描(0.77(95%-CI:0.71–0.82),p = 0.51)中均具有高度一致性;见图4。
肿瘤分级预测的成对评估者一致性在无GBCA扫描(≥ 0.52(95%-CI 0.38–0.65))和GBCA增强扫描(≥ 0.59(95%-CI 0.50–0.73))中均为中等或更好。应用PABAK分析校正数据集不平衡后,结果提升至高度一致或几乎完全一致水平(≥ 0.74)。分子状态预测的结果在无GBCA扫描(≥ 0.73(95%-CI 0.65–0.80))和GBCA增强扫描(≥ 0.74(95%-CI 0.66–0.81))中均具有高度一致性。无GBCA与GBCA增强一致性之间的比较分析显示,除评估者1和2的分级预测一致性(无GBCA/GBCA增强 0.53(95%-CI:0.40–0.66)/0.74(95%-CI:0.63–0.86),p = 0.003)以及评估者1和3的分级预测一致性(无GBCA/GBCA增强 0.52(95%-CI:0.38–0.65)/0.69(95%-CI:0.57–0.81),p = 0.02)外,其余均无显著差异(所有p > 0.05);见表S6和图S9。
分级预测的评估者内组间一致性(图5)在评估者1中为中等程度0.59(95%-CI:0.47–0.71),在评估者2(0.92(95%-CI:0.85–0.98))和评估者3(0.91(95%-CI:0.83–0.98))中为几乎完全一致。应用PABAK校正诊断发生率不平衡后,结果进一步提升(评估者1/2/3:0.78/0.96/0.96)。分子状态预测的相应结果在评估者1中为高度一致(0.73(95%-CI:0.66–0.81)),在评估者2(0.92(95%-CI:0.88–0.97))和评估者3(0.82(95%-CI:0.76–0.89))中为几乎完全一致。所有评估者之间评估者内一致性的比较显示,肿瘤分级(p < 0.001)和分子状态预测(p < 0.001)均存在显著差异。
DPDT影像特征的一致性分析
除出血和中线移位外,平扫与钆增强扫描评估的组间评估者间一致性一致(均p > 0.05),出血和中线移位显示出显著差异(分别为p = 0.02和p = 0.04)。具有几乎完美一致性的稳健特征为坏死(≥ 0.83(95%-CI:0.78–0.88))。钙化和中线移位显示高度一致性(≥ 0.61(95%-CI:0.31–0.90)),而其他特征达到一般至中等水平(0.35(95%-CI:0.19–0.51)–0.58(95%-CI:0.40–0.76));见表4和图6。
配对评估者间一致性至少为高度一致的特征为坏死(≥ 0.80(95%-CI:0.73–0.87)),应用PABAK分析后进一步改善(≥ 0.82)。其他特征的结果在0.13(95%-CI:−0.04–0.31)至0.80(95%-CI:0.52–1.07)之间变化。然而,PABAK分析后结果升高(范围:0.50–94),显示数据集不平衡的影响。平扫与钆增强一致性之间无显著差异(均p > 0.05),仅有少数例外(评估者1和3:囊肿p = 0.04,中线移位p = 0.03;评估者1和2:中线移位p = 0.02);见表S7和图S10。
评估者内一致性对于坏死(≥ 0.82(95%-CI:0.75–0.89))和中线移位(≥ 0.81(95%-CI 0.73–0.89))几乎完美,对于出血、T2-FLAIR不匹配征、颅骨重塑、钙化和显著水肿为高度或更好(≥ 0.64(95%-CI:0.44–0.84)),对于其他特征为一般或更好(≥ 0.35(95%-CI:0.18–0.52))。所有评估者间评估者内一致性的比较显示显著差异(均p < 0.05),但T2-FLAIR不匹配征(p = 0.93)和钙化(p = 0.96)除外;见表5和图S11。
讨论
在本研究中,我们开发了一个DPDT,纳入来自常规无GBCA MRI的十一项影像特征,用于成人型弥漫性胶质瘤。由三名经验水平不同的评价者评估的DPDT在肿瘤分级分类(准确率≥ 0.85(95%-CI:0.80–0.88))和分子状态分类(总体准确率≥ 0.75(95%-CI:0.70–0.80))方面均表现出较高的预测性能。在评估中加入GBCA增强图像显示出可比的结果(准确率分别≥ 0.87(95%-CI:0.82–0.90)和总体准确率≥ 0.77(95%-CI:0.71–0.81))。比较无GBCA和GBCA增强的结果(准确率、敏感性和特异性),除评价者1在分级预测中的敏感性外(无GBCA/GBCA增强 = 0.90/0.95,p = 0.006),其余差异均无显著性。
我们的研究表明,所提出的使用免钆对比剂(GBCA)MRI的DPDT在术前胶质瘤诊断评估中可能与标准GBCA增强MRI同样可靠。既往研究通常评估常规MRI(包括GBCA增强图像)的诊断效能,这使得难以确定GBCA的补充作用。例如,Du等[31]和Setyawan等[20]提出的术前胶质瘤分级模型(AUC分别为0.93和1.00)和IDH基因分型模型(AUC分别为0.86和0.93)将强化特征与其他免GBCA影像特征(如出血或囊肿)相结合。尽管近期一项研究[32]提出了一种利用免GBCA特征的MRI评分系统,但其专门评估了非强化胶质瘤。然而,在不排除强化胶质瘤的情况下仅关注免GBCA影像特征,可能有助于更好地理解GBCA在决策中的额外获益。本研究通过头对头比较免GBCA与GBCA增强MRI,评估了一个大型胶质瘤队列,从而填补了这一空白,最终否定了GBCA的附加价值。在不同患者亚组(如年龄或肿瘤位置)中的评估显示,免GBCA与GBCA增强评估结果相似,强调了GBCA增强图像的有限附加价值。亚组分析显示,DPDT在年龄较大组中表现更好,可能由于该人群胶质母细胞瘤患病率高,而胶质母细胞瘤常表现出典型影像学特征(如坏死),便于识别。对于丘脑肿瘤,其准确性较低,可能是因为丘脑病变比大脑半球肿瘤表现出更独特的影像学特征。重要的是,GBCA的使用并未改善组织分子诊断的评估者间一致性,突显了免GBCA DPDT在真实临床环境中的潜在价值,而即使使用GBCA,IDH预测准确率也仅为77%,表明放射学在此方面总体上存在局限性。
我们的DPDT算法包含十一个影像学特征,每个特征在既往研究中均与相应的组织分子胶质瘤诊断相关[18–25]。其中,坏死作为DPDT中的胶质母细胞瘤生物标志物,是稳健的特征,显示出至少中等程度的评分者间/评分者内一致性(≥ 0.80(95%-CI:0.73–0.87))。最近一项研究[33]探讨了基于影像的坏死的可靠性,发现其与病理学坏死之间具有强一致性(0.77(95%-CI:0.64–0.90))。该研究观察到基于影像的坏死与肿瘤分级及IDH状态之间存在显著相关性(p < 0.001),同时评分者间一致性为中等程度(0.67(95%-CI:0.49–0.85)),与我们的研究相当。然而,他们的坏死评估依赖于GBCA增强MRI,与大多数既往研究[18–20]相似。相反,我们对坏死的评估同时使用了无GBCA和GBCA增强MRI,显示出几乎完美的评分者内一致性(≥ 0.82(95%-CI:0.75–0.89)),从而强调了无GBCA MRI在此背景下的有效性。在其他DPDT特征中,观察到不同程度的评分者间和评分者内一致性(范围:0.13(95%-CI:– 0.04至0.31)–1.00(95%-CI:1.00–1.00))。T2-FLAIR不匹配征(≥ 0.51(95%-CI:0.23–0.80))和钙化(≥ 0.49(95%-CI:0.08–0.89))分别成为DPDT中与星形细胞瘤和少突胶质细胞瘤相关的最一致的影像学特征。出血和中线移位的组间评分者间一致性在无GBCA与GBCA增强评估之间存在显著差异。出血评估的差异可能源于SWI(磁敏感加权成像)可用性的不一致以及不同程度的增强前T1高信号,而非源于GBCA增强图像的可用性。同样,对于中线移位,分歧可能源于围绕5 mm阈值的最小移位病例的普遍性,导致评估和评分者之间的测量差异。利用决策树能够实现系统化的影像学评估方法,可能提高诊断的全面性,因为经验较少的评分者表现出与经验丰富的放射科医师相当或更好的性能。除放射科医师的评估外,本研究可能为专注于基于AI的算法的研究人员提供见解,因为DPDT提供了与算法决策相关的影像学特征。
本研究存在若干局限,有待未来研究解决。本研究聚焦于特定场景,且仅由两名观察者评定的相对较小样本量被用于开发DPDT。除科学成果外,本研究的临床价值可能仅限于无法进行组织学诊断的情况,例如因临床状况差、肿瘤位置或当GBCA给药存在禁忌或不被期望时。此外,DPDT中省略了年龄等临床因素且缺乏纵向评估,这将影响诊断预测。另外,尽管本研究中IDH野生型弥漫性胶质瘤无论组织学分级如何均被归类为HGG,但近期研究表明,组织学分级为2级且伴有孤立性端粒酶逆转录酶(TERT)启动子突变的IDH野生型弥漫性胶质瘤,其预后可能优于IDH野生型胶质母细胞瘤[34]。需要进一步的工作来纳入临床因素和其他影像生物标志物,包括时间影像评估,并将DPDT扩展至其他脑肿瘤鉴别诊断,如转移瘤或淋巴瘤,以及非肿瘤性病变,如脱髓鞘或感染。另一个重要局限是由于ASL数据可用性不一致,无法与动态磁敏感对比(DSC)-MRI标准方法进行比较,因此灌注数据被排除。若能保证进行头对头比较,未来DPDT研究应纳入灌注检查。此外,一项扩展的连续研究应纳入DPDT使用的时间追踪,以评估其相较于标准评估的临床效用。
总之,所提出的决策树能够仅使用无GBCA的MRI对成人型弥漫性胶质瘤进行无创术前诊断,且不受评定者经验水平的影响。未来研究应开发涵盖多种脑占位性病变和先进成像技术的通用决策树,并用更多评定者和新数据进行测试。
补充信息
电子补充材料
引用
- Azizova A, Prysiazhniuk Y, Wamelink IJHG, et al. Preoperative prediction of diffuse glioma type and grade in adults: a gadolinium-free MRI-based decision tree. Eur Radiol. 2024. PMID: 39425768. doi:10.1007/s00330-024-11140-5
- 全文:PMC11836213(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11836213/
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。