支持透明细胞可能性评分(ccLS)临床应用的证据是否充分?一项更新的系统综述与Meta分析
该系统综述与Meta分析检索至2024年3月31日的文献,纳入8项MRI研究和3项CT研究,评估透明细胞可能性评分(ccLS)从≤4 cm小肾癌中识别透明细胞肾细胞癌(ccRCC)的诊断性能。MRI ccLS诊断比值比为14.69(95%CI 9.71–22.22),CT ccLS为5.64(95%CI 3.34–9.54);两者临床应用的证据等级均评为弱。
要点
- MRI ccLS诊断比值比14.69(95%CI 9.71–22.22),HSROC曲线下面积0.86(95%CI 0.82–0.89)。
- CT ccLS诊断比值比5.64(95%CI 3.34–9.54),HSROC曲线下面积0.76(95%CI 0.69–0.82)。
- MRI与CT ccLS临床应用证据等级均评为弱,主要因病例数不足。
核心结论
- ccLS在从SRM中识别ccRCC方面显示出有前景的诊断性能,但将其常规用于临床的证据仍弱。
研究设计与样本
- 系统综述与Meta分析,检索PubMed、Embase、Web of Science、中国知网和万方数据至2024年3月31日,纳入11项研究(8项MRI、3项CT)。
- Meta分析纳入9项研究,排除2项样本重叠研究;ccLS评分≥4判定为ccRCC。
- 采用双变量随机效应模型计算敏感度、特异度及95%CI,并绘制HSROC曲线。
- 采用改良QUADAS-2工具评估偏倚风险与适用性关切,证据等级根据Meta分析结果评定。
诊断标准与关键数值
- ccLS以评分≥4判定为ccRCC,≤3判定为非ccRCC。
- MRI ccLS诊断比值比14.69(95%CI 9.71–22.22;6项研究,1429个SRM,869个ccRCC)。
- CT ccLS诊断比值比5.64(95%CI 3.34–9.54;3项研究,296个SRM,147个ccRCC)。
- MRI ccLS的HSROC曲线下面积0.86(95%CI 0.82–0.89),CT ccLS为0.76(95%CI 0.69–0.82)。
- MRI ccLS版本2.0可能较版本1.0具有更好的诊断性能(1项研究,700个SRM,509个ccRCC);T2加权成像无论是否联合脂肪抑制均可能适用于MRI ccLS版本2.0(1项研究,111个SRM,82个ccRCC)。
临床应用与阅片要点
- MRI和CT ccLS均为五级Likert评分,用于评估SRM为ccRCC的可能性,而非预测SRM的组织学亚型。
- MRI ccLS版本1.0未纳入DWI,版本2.0有时也不认为DWI必要;作者认为应评估DWI,因其限制是判断SRM恶性的重要特征。
- MRI ccLS推荐T2加权非脂肪饱和图像,但脂肪饱和图像可能不影响结果;作者认为无非脂肪饱和图像时脂肪饱和T2加权图像可作为替代。
- MRI ccLS中「homogeneity」一词无正式定义,可能导致评分者间一致性低和应用不确定性。
- 作者建议未来研究以改进设计验证ccLS算法,避免影像协议不完整、评分过程不清及影像与手术间隔不当等缺陷。
局限性
- 多数纳入研究为单中心回顾性设计且样本量小,作者鼓励在前瞻性大规模多中心研究中进一步验证ccLS算法。
- 未合并不同经验放射科医师内部及医师间ccLS评分的一致性,ccLS算法在经验不足医师评分时能否良好工作仍未知。
- 质量评估基于本组设定的信号问题,这些修改后的问题能否识别所有潜在偏倚风险来源和适用性关切尚不清楚。
- 因样本重叠风险无法确定,可能排除了一些合格数据,但纳入样本量最大的研究以使结果尽可能接近真实。
- 因研究数量有限和细节报告不足,未定量评估MRI ccLS Meta分析中异质性的来源。
全文中译11 节 · 点击展开
引言
小肾脏肿块(SRM)定义为病灶≥25%呈现强化且直径≤4 cm的肾脏肿块[1–5]。超过70%的SRM为恶性,最常见的亚型为需要进一步处理的透明细胞肾细胞癌(ccRCC)[6, 7]。随着横断面成像的日益广泛使用,SRM的检出正变得越来越常见。高达70%的SRM是因无关医学情况而被偶然发现的[8]。SRM的早期检出允许早期干预,但在此情况下并不能改善癌症特异性死亡率[9, 10]。这表明SRM的诊断并不总是转化为真正的生存获益。SRM的管理应平衡恶性肿瘤的可能性与治疗干预导致的肾单位损失。在做出临床决策之前,有必要使用横断面成像方式仔细筛选病例。透明细胞肾癌可能性评分(ccLS)算法旨在更好地从其他侵袭性较低的肾癌亚型和良性病变中识别ccRCC[11–13]。该工具旨在更好地识别可安全接受监测而非立即切除或消融的病例,从而最大限度地减少不必要的干预并保护肾功能。
MRI ccLS算法是一种标准化的五级Likert评分算法,提供SRM为ccRCC的可能性,从“非常不可能”到“非常可能”类别,有助于无创地识别透明细胞亚型[14–17]。MRI ccLS源自多参数MRI,纳入了一系列成像特征,包括T2信号强度、微观脂肪、皮髓质期强化、节段性强化反转、动脉-延迟强化比值以及DWI信号强度(补充图S1)。通过赋予MRI ccLS评分,患者可被分层为可能或可能不会从进一步治疗中获益的人群。一项系统综述和荟萃分析声明,MRI ccLS算法在从SRM中识别ccRCC方面具有中至高度准确性,读者间一致性为中等[18]。遗憾的是,由于荟萃分析中纳入了重叠队列,该综述的科学稳健性有限[19–21]。因此,在临床采用之前,应对MRI ccLS算法的证据进行重新评估。此外,自其首次发表以来,MRI ccLS算法已经历了若干修改[19]。目前尚不清楚不同版本的ccLS是否影响其准确识别ccRCC的能力[20–26]。
近期,一种新的CT ccLS算法已被开发出来,以便更频繁、更便捷地评估SRM,特别针对预测ccRCC可能性[27]。该CT ccLS算法遵循与MRI ccLS相同的五级Likert评分格式,源自对比增强CT扫描,利用肿块-皮质皮髓质衰减比和异质性评分(补充图S2)。尽管CT ccLS算法已在另外两个中心得到验证[28, 29],但尚未对现有证据进行全面评估。评估和比较CT与MRI ccLS算法的诊断性能和读者间一致性,以确定它们在临床实践中的各自优势和局限性,是至关重要的。
因此,我们决定对本系统评价和荟萃分析进行更新[30]。本研究旨在回顾关于临床采用MRI和CT ccLS算法从SRM中识别ccRCC的证据。
方法
研究方案和工作流程
我们根据系统评价和荟萃分析优先报告条目(PRISMA)声明[31–34]开展并报告了本系统评价。我们在系统评价之前起草了方案,并通过PROSPERO(国际前瞻性系统评价注册平台,https://www.crd.york.ac.uk)进行了前瞻性注册,注册号为CRD42024527042(补充说明S1)。文献检索、研究选择、数据提取和质量评估由五名放射科医师中的两名执行并验证,他们分别具有6至10年的经验。在这些阶段中出现的任何分歧均通过讨论或与评价组协商解决。我们的评价组由具有不同背景和经验的卫生专业人员组成。
文献检索和研究选择
我们检索了PubMed、Embase、Web of Science、中国国家知识基础设施和万方数据,以筛选截至2024年3月31日关于使用ccLS算法从SRM中识别ccRCC的文献。文献的发表年份应为2017年之后,即ccLS被提出之后[19]。我们将检索限制为英文、中文、日文、德文和法文的出版物。去除重复后,对文献的标题和摘要进行筛选。获取文献的全文和补充材料以确定其是否符合纳入标准。浏览纳入文献的参考文献列表和相关综述,以识别其他可能符合条件的文献。检索策略和研究选择过程的详细信息已概述(补充说明S2)。
数据提取和质量评估
我们使用数据收集表来标准化纳入研究的书目信息、研究特征、方法学细节和诊断性能指标的检测和记录(补充表S1)。纳入研究使用改良的诊断准确性研究质量评估(QUADAS-2)工具[35]进行评估,并针对本系统评价设定了特定的信号问题(补充表S2)。数据提取和质量评估过程中讨论的项目已记录(补充说明S3)。
数据综合与分析
我们使用R语言4.2.1版(https://www.r-project.org/)在RStudio 1.3.1093版(https://posit.co/)中进行了荟萃分析,使用相关软件包及其相应的网站应用程序,即MetaDTA(https://crsu.shinyapps.io/MetaDTA/)[36, 37]和metaumbrella(https://www.metaumbrella.org)[38, 39]。我们分别对MRI和CT ccLS算法从SRM中识别ccRCC的诊断性能进行了荟萃分析。ccLS算法诊断性能的2×2表格直接从文献中提取或使用可用数据重建。ccRCC的截断值设定为4,即ccLS评分≥4的SRM被视为ccRCC。如果报告了总体诊断性能数据,则选择总体诊断性能数据。否则,选择诊断性能最差的评估者的数据,以提供ccLS算法的保守估计。在可能存在重叠研究的情况下,我们仅纳入样本量最大的研究。由于纳入研究的特征各异,选择双变量随机效应模型计算灵敏度、特异度和95%置信区间(CI)。绘制分层汇总受试者工作特征(HSROC)曲线以展示诊断性能。以下分析用于证据等级评定[38]:使用随机效应模型计算诊断比值比(DOR)及其95%CI和相应p值,通过Higgins I2统计量估计异质性,小样本研究效应,通过Egger's和Begg's检验评估发表偏倚,95%预测区间,以及过度显著性偏倚。使用留一法敏感性分析评估荟萃分析的稳健性。双尾p值<0.05被认为具有统计学显著性,而双尾p值>0.10表示低发表偏倚。支持ccLS临床应用的证据等级根据荟萃分析结果确定(补充表S3)。重叠研究的处理和分析细节已描述(补充说明S4)。
结果
研究纳入
系统检索共获得193条记录。去除86条重复记录后,我们筛选了107条独立记录的标题和摘要。评估了16篇可能符合条件文献的全文和补充材料。最终,11项研究被纳入系统评价(图1)[19–29]。通过浏览纳入研究的参考文献列表或相关综述,未发现其他可能符合条件的文献。纳入的研究及排除全文的理由已记录(补充说明S2)。
研究特征
11项纳入研究的特征已总结(表1)[19–29]。这些研究更常见发表于放射学期刊(8/11,73%)[22–24,26–29,40]。大多数研究为回顾性研究(9/11,82%)[19,22–29],在单中心开展(8/11,73%)[19,20,22,24,26–29],采用MRI检查方式(8/11,73%)[19–26]。患者数量的均值±标准差、中位数(范围)及ccRCC百分比分别为176.5±191.5、110.5(51.0–691.0)和53.3±11.2、51.0(41.0–73.9)%。每项研究的评分者数量为2.2±1.2、2(1.0–5.0),分别应用MRI ccLS算法2.0版(5/12,42%)[22–26]、MRI ccLS算法1.0版(4/12,33%)[19,20,25,40]和CT ccLS算法(3/12,25%)[27–29]。大多数研究采用了适当的盲法(10/11,91%),包括对组织学诊断设盲(8/11,73%)[19,22–28],或在结构化放射学报告中前瞻性指定ccLS评分(2/11,18%)[20,21]。所有纳入研究均评估了ccLS算法的诊断性能。一项研究进行比较并提出MRI ccLS算法2.0版可能具有优于1.0版的诊断性能[25]。另一项研究表明,无论是否联合脂肪抑制的T2加权成像均适用于MRI ccLS算法2.0版[24]。每项纳入研究的详细信息已总结(补充表S4至S8)。
研究质量
偏倚风险与适用性关注评估结果已总结(图2)。偏倚风险和适用性关注主要与指标试验及流程和时间相关。对于指标试验,MRI方案未充分报告[22],未介绍ccLS的训练过程[20],且未声明盲法[29]。对于流程和时间,五项研究未报告成像与手术之间的间隔时间[19,20,22,26,40],而四项研究认为间隔时间不合适[23,27–29]。仅一项研究因使用活检组织学作为参考标准而在参考标准方面被评为偏倚风险不明确[28]。两名评价者对每项研究的QUADAS-2评估已记录(补充表S9)。
MRI和CT ccLS的诊断性能
该荟萃分析在排除两项重叠研究[20, 24]后纳入了九项研究[19, 21–24, 26–29](补充说明S4)。直接提取或重建了二乘二数据用于荟萃分析(补充表S10)。六项MRI ccLS研究[19, 21–23, 25, 26]和三项CT ccLS研究[27–29]的诊断比值比分别为14.69(95% CI 9.71–22.22)和5.64(95% CI 3.34–9.54),异质性分别为中度和低度(表2)。高灵敏度和特异度提示其具有良好的诊断性能(图3)。MRI和CT ccLS的HSROC曲线下面积分别为0.86(95% CI 0.82–0.89)和0.76(95% CI 0.69–0.82)(图4)。未检测到小研究效应、发表偏倚和过度显著性。然而,考虑CT ccLS研究时,95%预测区间并未排除无效值。留一法敏感性分析表明荟萃分析结果稳健(补充表S11)。在临床常规中采用MRI和CT ccLS算法的证据等级评定均为弱,主要归因于病例数不足。
讨论
我们的研究发现,MRI和CT ccLS算法在从SRM中识别ccRCC方面均具有良好的诊断性能,但考虑将其应用于临床实践时仅有弱水平的证据支持。不完整的成像方案、不清晰的评分过程以及影像检查与手术之间不适当的时间间隔可能给ccLS研究引入偏倚风险。目前尚不清楚MRI版ccLS算法及所纳入的MRI序列是否对诊断性能具有临床显著影响。
与之前一项关于ccLS算法的系统评价[17]相比,我们的系统评价纳入了中文研究以及近期建立的CT ccLS算法研究[24–29]。其优势在于纳入了更多不同种族样本和CT模态的研究,以提示ccLS算法的适用性。同时,我们排除了样本重叠的研究以确保科学稳健性[19–21];从而减少偏倚并提供更接近ccLS算法真实诊断性能的结果。此外,根据MRI ccLS算法提出的用途[19],我们将荟萃分析限制在SRM ≤ 4 cm。与之前的荟萃分析[17]不同,我们认为在没有经过任何验证的情况下随意扩大使用范围是不合适的。RCC的大小是选择手术方式的重要因素[41–43]。RCC ≤ 4 cm更常采用肾部分切除术治疗,而RCC > 4 cm则更倾向于采用根治性肾切除术治疗。然而,研究ccLS算法能否识别RCC > 4 cm且可安全接受能保留更多肾单位的更保守手术方式的患者,仍具有研究价值。
偏倚风险与适用性关注评估的结果在之前的系统评价与我们的系统评价之间差异较大。尽管之前系统评价的具体信号问题不可获得,我们推测差异可能源于评估所用问题的不同。我们认为应更明确地声明指数检测流程,以评估其对图像判读的潜在影响[16]。Dunn等[22]未提供MRI方案的标准;因此,尚不清楚是否存在可能影响ccLS评估的额外MRI序列。Johnson等[20]未报告ccLS的训练过程,Lemieux等[29]未声明放射科医师的盲法。二者对最终评级的影响均不明确,且与ccLS的诊断性能相关。流程与时机也应予以强调,因为如果影像检查与手术之间的间隔过长,SRM的表现可能发生变化[11]。遗憾的是,五项研究[19, 20, 22, 26, 40]未报告影像检查与手术之间的间隔,四项研究[23, 27–29]被认为间隔不合适。仅一项研究使用了活检组织学[28]。如其他研究[19–27, 29]那样,若可获得术后组织学则可改进。所有纳入的ccLS研究中患者选择均合适。我们鼓励未来研究以改进的设计验证ccLS算法,避免这些不足。
有几个未解决的问题阻碍了MRI ccLS算法的临床采用。一个主要问题是缺乏标准化的MRI方案,这会显著影响算法的解读。生成T1加权同相位和反相位图像的不同技术可能影响微观脂肪的显示,而微观脂肪对使用MRI ccLS算法解读SRM有实质性影响[44, 45]。另一种潜在的替代序列是脂肪饱和T2加权图像。尽管MRI ccLS算法推荐使用非脂肪饱和T2加权图像进行评估,但脂肪饱和图像可能不会影响结果[24]。因此,当非脂肪饱和图像不可用时,脂肪饱和T2加权图像可作为替代方案被接受。弥散加权图像未被纳入MRI ccLS算法1.0版[19],因为当时其在多次MRI检查中的存在并不一致。在使用MRI ccLS算法2.0版时,有时甚至被认为不必要[22, 26]。然而,我们认为应评估弥散加权图像,因为其受限是判断SRM恶性的重要特征。此外,MRI ccLS算法中“均匀性”一词没有正式定义[15],这可能导致评分者间一致性低及其应用中的不确定性[17]。然而,它被用于下调T2低信号明显强化肿块的ccLS评级[14],因为乏脂肪血管平滑肌脂肪瘤比ccRCC更可能是均匀的[46]。这一不成文规则应进一步讨论,相应的修改必须基于数据并经过严格验证[16]。另一个挑战是MRI ccLS算法所识别的组织学类型与肿瘤分级或临床管理之间的直接相关性有限。MRI ccLS算法可用于识别ccRCC和乳头状RCC[17]。它也是鉴别肾上皮样血管平滑肌脂肪瘤与ccRCC[47]以及肾嗜酸细胞瘤与ccRCC[48]的可靠诊断方法。该算法能有效区分某些肾肿瘤类型,但不能直接提供每个病例的侵袭性或最佳治疗策略的信息。这一局限性要求仔细考虑这些算法在临床决策中的作用,尤其是对于正在接受主动监测、可能存在发生转移性疾病风险的患者[14, 15, 20]。为解决这些问题,持续的研究和长期随访对于验证ccLS算法的临床效用并确定其对患者结局的影响至关重要。
CT ccLS 算法为 SRM 提供了另一种选择 [27–29]。与更全面的 MRI ccLS 算法相比,CT ccLS 算法更简单,依赖于肿块与皮质之间的皮髓质强化比值以及肿瘤异质性。与 MRI ccLS 算法类似,它是一种五级可能性评分系统,用于给出 ccRCC 的可能性,但并不旨在预测 SRM 的组织学亚型。CT ccLS 具有检查时间更短、成本更低和可及性更高的优势。然而,我们的研究表明,MRI ccLS 的敏感性、特异性和诊断比值比均高于 CT ccLS。此外,CT ccLS 的置信区域和诊断性能的预测区域相当大,表明结果的稳健性有限。迄今为止,尚无头对头研究比较 MRI 和 CT ccLS 算法在诊断 ccRCC 中的诊断性能和成本效益。它们在 SRM 检测和监测中的互补作用尚未确定 [29]。由于进行的 CT 扫描多于 MRI 扫描,使用 CT 将识别出更多的 SRM。因此,CT ccLS 在临床实践中可能更常被使用。然而,如果需要有 SRM 的组织学结果,MRI 仍可能是必要的。还有必要回答在临床实践中哪种检查更适合作为 SRM 随访成像的方式。未来的研究可能侧重于评估这两种算法的成本效益,以指导最佳临床决策。
我们的研究存在若干局限性。第一,纳入的大多数研究为单中心、小样本的回顾性设计。由于我们已经识别了与指标试验及流程和时间相关的偏倚风险,我们鼓励在前瞻性大规模多中心研究中进一步验证ccLS算法,以提供更有力的证据。第二,我们没有合并不同经验放射科医师内部及之间ccLS评分的阅片者内和阅片者间一致性。目前尚不清楚ccLS算法在由经验不足的放射科医师评分时是否能良好运行。第三,质量评估基于特定的信号问题。目前不清楚我们小组修改的这些问题是能否识别偏倚风险评估和适用性关注的所有潜在来源。第四,由于样本重叠风险无法确定,我们可能排除了一些符合条件的数据。然而,我们纳入了样本量最大的研究,以使我们的结果尽可能接近真实情况。第五,由于研究数量有限且细节报告不足,我们未在MRI ccLS的荟萃分析中定量评估异质性来源。我们推测以下因素可能在这些研究中引入异质性,包括不同的MRI和CT扫描方案、异质的纳入和排除标准、阅片者不同的经验、两个版本的ccLS MRI算法等。我们计划在有足够数量且提供详细信息的研究可用时,确定这些因素是否为异质性来源。最后,我们的综述仅纳入了有限数量的研究。由于病例不足,这导致采用MRI和CT ccLS算法的证据评级水平较弱。因此,我们荟萃分析的结果应谨慎解读。然而,我们相信未来的研究不太可能提供相反的结论。因此,证据水平在未来可能会提高。
总之,MRI和CT ccLS算法在识别SRM中的ccRCC方面均表现出有前景的诊断性能。这些算法的临床采用受到若干因素的阻碍,包括未标准化的成像方案、不遵循当前指南以及缺乏适当的管理建议。尽管如此,MRI和CT ccLS算法的应用可以导致对SRM更准确且具有临床实用价值的表征,最终为患者提供优化的初始管理决策选择。
补充信息
电子补充材料
引用
- Zhong J, Hu Y, Xing Y, et al. Is there enough evidence supporting the clinical adoption of clear cell likelihood score (ccLS)? An updated systematic review and meta-analysis. Insights Imaging. 2024. PMID: 39382764. doi:10.1186/s13244-024-01829-y
- 全文:PMC11464715(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11464715/
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。