文献速递泌尿生殖腹部CTMR

多参数双能CT预测膀胱癌肌层浸润:与VI-RADS对比

Assessment of multi-parameter dual-energy CT in predicting muscle invasion in bladder cancer: comparison with VI-RADS.
PubMed 文献 · Insights Imaging · 2026-04-08

单中心前瞻性研究纳入105例膀胱癌患者,比较双能CT模型与VI-RADS预测肌层浸润的诊断性能。DECT+D模型AUC达0.925,与VI-RADS(0.926)非劣效,且特异度更高(0.833 vs 0.542);在VI-RADS 3-4疑难病例中DECT+D显著优于VI-RADS(AUC 0.904 vs 0.652)。

要点

  • DECT+D模型诊断肌层浸润的AUC与VI-RADS相当,但特异度更高(0.833 vs 0.542)。
  • VI-RADS 3-4疑难病例中,DECT+D模型AUC显著优于VI-RADS(0.904 vs 0.652)。
  • 小病灶(D<3 cm)中DECT模型保持高特异度(0.934),可辅助避免过度分期。

核心结论

  • 基于DECT的模型诊断肌层浸润的准确性与VI-RADS相当,在临床疑难亚组中稳定性更优,可作为MRI禁忌患者的客观替代方案。

研究设计与样本

  • 单中心前瞻性研究,纳入105例疑似膀胱癌患者(MIBC 33例,NMIBC 72例),术前行双能CT尿路造影和增强MRI,以病理为参考标准。
  • DECT采用256层螺旋CT(GE Revolution CT)GSI模式(80/140-kVp切换),获取皮质期和实质期图像,测量肿瘤及基底的定量参数。
  • MRI采用3.0T扫描仪(GE SIGNA Architect 3.0T),由两名放射科医师独立评估VI-RADS评分。

关键影像表现/征象

  • DECT形态学评估包括肿瘤生长方式(外生性窄基底提示NMIBC,扁平宽基底或浸润性提示MIBC)、肌层连续性、黏膜强化线消失及膀胱外侵犯征象。
  • 低能单能图像(40 keV)可增强肿瘤与结构对比,有助于显示肿瘤基底与肌层关系。

诊断标准与关键数值

  • VI-RADS以评分≥3为预测MIBC的固定阈值,敏感度0.970、特异度0.542、AUC 0.926(95%CI 0.871–0.980)。
  • DECT+D模型AUC 0.925(95%CI 0.874–0.975),敏感度0.909、特异度0.833;DECT模型AUC 0.761(95%CI 0.664–0.859),敏感度0.788、特异度0.639。
  • VI-RADS 3-4亚组(n=44):VI-RADS模型AUC 0.652(95%CI 0.482–0.821),DECT模型AUC 0.824(95%CI 0.690–0.958),DECT+D模型AUC 0.904(95%CI 0.812–0.995)。
  • D<3 cm亚组(n=71):VI-RADS模型AUC 0.866(95%CI 0.729–1.000),DECT模型AUC 0.857(95%CI 0.721–0.994),DECT+D模型AUC 0.895(95%CI 0.803–0.987)。
  • DECT+D与VI-RADS非劣效性检验AUC差值−0.001(95%CI −0.0508, 0.0487),低于预设界值−0.10(单侧p<0.05)。

临床应用与阅片要点

  • 对于MRI禁忌患者,可采用DECT+D模型替代VI-RADS进行术前肌层浸润评估,尤其适用于VI-RADS 3-4疑难病例。
  • 测量肿瘤基底(肿瘤与膀胱壁接触约5 mm区域)的碘浓度、标准化碘浓度、能谱曲线斜率及有效原子序数,避免坏死、出血、囊变或钙化区域。
  • 小病灶(D<3 cm)中DECT模型特异度高(0.934),有助于减少假阳性,但需注意DECT单独使用时敏感度中等。

局限性

  • 单中心前瞻性研究,样本量105例,MIBC仅33例,亚组分析样本量更小。
  • DECT参数测量的观察者间一致性为中等(ICC 0.677–0.755),可能影响可重复性。
全文中译16 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:Insights Imaging. 2026 Apr 8;17:96. doi: 10.1186/s13244-026-02275-8

引言

膀胱癌是全球第十大常见恶性肿瘤,也是泌尿生殖系统第二大常见肿瘤[1]。在初次诊断时,约75%的患者表现为非肌层浸润性膀胱癌(NMIBC),而其余25%为肌层浸润性膀胱癌(MIBC)[2]。与NMIBC相比,MIBC代表更晚期的疾病阶段,与更高的复发率相关,且预后更差[3, 4]。NMIBC的标准初始治疗为经尿道膀胱肿瘤电切术(TURBT),而MIBC通常需要根治性膀胱切除术联合新辅助化疗[5, 6]。术前准确评估肌层浸润对于优化风险分层治疗策略至关重要[7]。

TURBT通过提供组织病理学标本进行分析,是膀胱癌诊断、分期和管理的基石[3, 6]。然而,作为一种有创操作,TURBT与导管相关膀胱刺激、出血、感染以及罕见情况下膀胱穿孔等并发症相关[8]。此外,TURBT的质量高度依赖于术者的专业水平,标本中是否存在逼尿肌也与早期复发风险直接相关[9, 10]。一项系统综述显示,T1期肿瘤的持续存在风险为51%,分期不足风险为8%[11]。这可能导致MIBC的低估,延误最佳治疗并增加疾病进展和术后复发的风险。因此,迫切需要一种无创且经济有效的影像学方法来在术前准确评估膀胱癌的肌层浸润。

膀胱影像报告和数据系统(VI-RADS)是一种标准化的五分制评分系统,旨在提高膀胱癌分期的准确性,特别是在评估肌层浸润方面[12]。多项研究已验证了VI-RADS评分在检测MIBC方面具有良好的诊断性能和观察者间一致性[13–15]。对于存在MRI禁忌证的患者,如体内有金属植入物、严重幽闭恐惧症或无法长时间保持稳定体位者,术前准确分期可能尤其具有挑战性。双能CT(DECT)采用不同能级的X射线束,能够改善对在常规单能CT上可能表现为相似衰减的组织或材料的区分[16, 17]。DECT不断扩展的临床应用日益受到关注[18]。既往研究已证明,DECT定量参数可预测胃癌淋巴结转移、肝细胞癌微血管侵犯以及鼻咽癌化疗反应[19–21]。然而,迄今为止,尚无研究探讨DECT在预测膀胱癌肌层浸润中的作用。我们假设基于DECT的模型能够达到与VI-RADS相当的诊断性能,为无法接受MRI检查的膀胱癌患者提供一种可行的替代方案。

本研究的目的是前瞻性开发一种基于DECT的多参数模型用于预测膀胱癌肌层浸润,并与VI-RADS进行对比分析。

材料与方法

患者选择

本前瞻性研究经大连医科大学附属第二医院机构伦理委员会批准(批准号:KY2024-103-01-01),并豁免受试者知情同意。我们前瞻性连续入组2023年8月至2024年8月期间在该院接受术前CT尿路造影(CTU)和增强MRI的可疑膀胱癌患者。纳入标准为:(a)接受术前双能CT(DECT)和增强MRI的患者;(b)经尿道膀胱肿瘤电切术(TURBT)或膀胱切除术后组织病理学确诊为尿路上皮癌。排除标准包括:(a)CT扫描图像质量差或无法识别病灶(n = 11);(b)术后病理标本中未见逼尿肌,无法评估肌层浸润(n = 9);(c)既往曾接受TURBT或新辅助化疗作为随访一部分的患者(n = 8)。临床数据从影像归档和通信系统(PACS)中检索。最初共纳入133例患者,经筛选后排除28例,最终105例患者纳入分析。本研究的患者选择流程图见图1。

图1 患者选择流程图。TURBT,经尿道膀胱肿瘤电切术;MIBC,肌层浸润性膀胱癌;NMIBC,非肌层浸润性膀胱癌 查看原图 ↗

图像采集

基于VI-RADS指南[12],本准备工作的目的是确保膀胱充分充盈,以正确显示膀胱壁并识别固有肌层。为此,所有患者被指示在检查前1–2小时排空膀胱,或在扫描前30分钟饮水500–1000 mL。目标膀胱充盈量为中等程度,以避免过度充盈,后者可能导致不适或成像伪影。对于膀胱充盈不足的患者,应嘱患者饮用更多液体后30–60分钟内重复扫描。

所有CTU检查均使用256层螺旋CT扫描仪(Revolution CT,GE HealthCare)进行。采集参数包括宝石能谱成像(GSI)模式(80/140-kVp切换)、自动曝光控制(GSI Assist;噪声指数,10)、80 mm准直、螺距0.992:1、球管旋转时间0.6 s。碘对比剂(碘海醇,320 mg I/mL)经肘前静脉以4 mL/s注射。剂量按体重调整(500 mg I/kg),最大100 mL。皮髓质期(CMP)和肾实质期(NP)扫描分别在注射后30 s和70 s进行。上述扫描完成后,嘱患者排尿,随后给予利尿剂。10分钟后进行排泄期成像。

所有MRI检查均使用3.0-T磁共振扫描仪(SIGNA Architect 3.0 T,GE HealthCare)按照本机构MRI扫描参数(表S1)进行。图2和图3显示了两例患者的DECT和MRI图像。

图2 一位79岁女性患者,经病理确诊为非肌层浸润性膀胱癌(NMIBC)(VI-RADS 2),表现为血尿。单能图像(a)70 keV和(b)40 keV显示一个起源于膀胱后壁的“菜花状”肿块。碘浓度图(c)显示肿瘤对碘的摄取相对较高,有效原子序数图(d)以伪彩图显示,描绘了肿瘤及瘤蒂。在轴位T2加权成像(T2WI)(e)上,膀胱后壁显示一个稍呈T2低信号的肿块,肌层信号连续性完整。DWI(f)和ADC图(g)显示典型的“尺蠖征”,肿瘤表现为弥散受限,在DWI上呈高信号。最后,轴位DCE成像(h)和矢状位DCE成像(i)显示肿瘤明显且均匀强化。光谱曲线分析(j)显示两条能谱,红色曲线代表肿瘤主体,粉色曲线对应肿瘤基底部。切除肿瘤的大体标本(k)。组织病理学检查(H&E染色,原始放大倍数×100)显示高级别乳头状尿路上皮癌,局灶侵及上皮下结缔组织,基底部未见癌(l) 查看原图 ↗
图3 一位73岁男性患者,经病理确诊为肌层浸润性膀胱癌(MIBC)(VI-RADS 5),伴双侧肾积水。在70 keV(a)和40 keV(b)进行的双能CT(DECT)清晰勾勒出一个起源于膀胱前壁、左侧壁和后壁的宽基底肿块,侵透固有肌层。碘浓度图(c)显示肿瘤肿块内碘摄取明显增高。有效原子序数图(d)以伪彩图像显示,描绘了一个大的、黄色编码的肿瘤肿块,阻塞左侧输尿管口,与前列腺界面不清,提示T4a期侵犯。通过DWI(e)进一步功能评估显示高信号强度,与ADC图(f)上观察到的弥散受限一致。轴位T2WI(g)识别该不规则肿块为不均匀T2低信号,证实侵及肌层并延伸至膀胱周围脂肪间隙。轴位DCE成像(h)显示整个肿瘤体积不均匀强化。冠状位DCE成像(i)清晰描绘肿瘤侵犯前列腺。光谱曲线分析(j)比较肿瘤主体(红线)与肿瘤基底部(粉线)的能谱。切除肿瘤的大体标本(k)。组织病理学检查(H&E染色,原始放大倍数×100)显示高级别浸润性尿路上皮癌,侵及固有肌层(l) 查看原图 ↗

定量DECT参数测量

图像导入后处理工作站(AW 4.7,GE HealthCare),由放射科医师1和放射科医师2独立分析,两人均具有五年以上腹部影像经验。对每个期相,选择显示肿瘤明显强化的CMP和NP图像。在肿瘤和基底部均放置圆形感兴趣区(ROI),基底部定义为肿瘤与膀胱壁接触的约5 mm厚区域。每个病例在各期相中使用相同的成像层面,避免坏死、出血、囊变或钙化区域。ROI大小根据肿瘤大小调整;多发病例中选择最大或最晚期病灶。测量结果比较观察者间一致性,取平均值作为最终值以减少误差。从CMP和NP中提取定量参数。对肿瘤和肿瘤基底部,计算以下指标:(Ⅰ)肿瘤和基底部在40 keV和70 keV的CT衰减值;(Ⅱ)能谱HU曲线斜率(λHU);(Ⅲ)碘浓度(IC)和标准化碘浓度(NIC);(Ⅳ)有效原子序数(Zeff)。肿瘤直径(D)定义为DECT图像上的最长直径。命名规则:定量参数采用[区域]-[期相]-[指标]格式表示。所有测量参数及其缩写的详细列表见表S2。

VI-RADS评分

收集每位膀胱癌患者的术前增强MRI图像。根据VI-RADS评估标准,放射科医师1和放射科医师2在不知晓病理结果的情况下独立进行VI-RADS评估。计算两者评分的观察者间一致性。意见不一致时,通过共识确定最终结果。

DECT对肌层浸润的形态学评估

在不知晓病理结果的情况下,放射科医师1和放射科医师2使用DECT独立对肌层浸润进行定性评估。该评估依赖于关键视觉标准,包括肿瘤形态、强化模式、固有肌层完整性以及与邻近组织的关系。

评估重点关注生长模式:带窄蒂的外生性生长提示NMIBC;扁平、宽基底或浸润性模式强烈提示MIBC。随后评估固有肌层完整性;光滑、连续的肌层支持NMIBC,而肿瘤下方肌层不连续或缺失提示接触或穿透肌层。黏膜强化线消失也有助于肌层浸润的诊断。此外,低能单能图像增强了肿瘤-结构对比度。对于膀胱外扩散,棘状突起、条索影或软组织不规则延伸至膀胱周围脂肪提示T3病变,直接侵犯邻近器官提示T4病变。

统计分析

统计分析使用IBM SPSS Statistics(版本27.0;IBM公司)和R(版本4.4.2;R统计计算基金会)进行。此外,使用Python(版本3.12)中shap包(版本0.46.0)实现的SHAP分析评估模型可解释性。连续变量根据情况采用独立样本t检验或Mann–Whitney U检验进行两组间比较。分类变量采用卡方检验或Fisher精确检验进行比较。计算组内相关系数(ICC)以评估两名放射科医师之间DECT多参数测量的观察者间信度。VI-RADS评分的观察者间一致性采用二次加权Kappa()评估。采用Logistic回归分析建立DECT、D、VI-RADS、DECT + D和VI-RADS + D预测模型。生成受试者工作特征(ROC)曲线,并计算曲线下面积(AUC)。模型间AUC差异采用DeLong检验进行比较。进行正式的非劣效性分析以比较基于DECT的模型与VI-RADS的AUC,预设界值为−0.10。事后功效分析评估了该假设的样本量充分性。采用校准图评估模型校准度。生成精确率-召回率(PR)曲线以评估类别不平衡条件下的性能。采用决策曲线分析(DCA)评估临床实用性。计算所有预测模型及两名放射科医师定性评估的准确率、精确率、灵敏度、特异度和F1分数。对于预测模型,采用Youden J统计量确定最佳概率截断值,以实现灵敏度和特异度之间的平衡权衡。对于VI-RADS模型,采用评分 ≥ 3作为MIBC的固定截断值,与临床实践和既往文献一致。采用净重分类改善(NRI)和综合判别改善(IDI)比较模型间的预测性能。本研究报告的所有95%置信区间(CI)均采用1000次Bootstrap重采样计算。所有统计检验均为双侧,p < 0.05视为具有统计学意义。

结果

患者的临床特征和VI-RADS评分

本研究共纳入105例患者,包括33例MIBC患者(31.4%)和72例NMIBC患者(68.6%)。表1总结了MIBC组和NMIBC组的临床特征,两组间在性别、VI-RADS评分、病理分级和D方面观察到统计学显著差异(p < 0.05)。

表1 MIBC和NMIBC患者的临床特征和VI-RADS评分 查看原表 ↗

DECT参数与VI-RADS评分之间的一致性

DECT参数的ICC范围为0.677(95% CI:0.563–0.786)至0.755(95% CI:0.628–0.837),表明中等信度(表S3)。VI-RADS评分的观察者间一致性几乎完美,为0.948(95% CI:0.902–0.983;p < 0.001)。

独立预测因子筛选与模型构建

表2显示,首先通过单因素logistic回归对多种DECT参数进行筛选。在这些参数中,Base-CMP-IC、Base-CMP-NIC、Tumor-CMP-λHU、Base-NP-CT40keV、Base-NP-CT70keV、Base-NP-λHU、Base-NP-Zeff和Base-NP-IC在单因素分析中具有统计学显著性(p < 0.05)。这些变量随后被纳入多因素logistic回归分析,该分析确定Base-CMP-IC、Base-CMP-NIC、Base-NP-λHU、Base-NP-Zeff和Base-NP-IC为MIBC的独立预测因子(p < 0.05)。基于这些独立预测因子,构建了DECT模型。通过将VI-RADS评分纳入单因素logistic回归模型,对VI-RADS模型的诊断性能进行了量化,并作为DECT模型的比较基线。

表2 预测MIBC的DECT参数的单因素和多因素分析 查看原表 ↗

模型的性能比较

图4a总结了模型和放射科医师的AUC值。数值最高的AUC见于VI-RADS + D模型(0.941;95% CI:0.889–0.993),其次是VI-RADS模型(0.926;95% CI:0.871–0.980)和DECT + D模型(0.925;95% CI:0.874–0.975)。DECT模型表现出中等程度的判别能力(AUC = 0.761;95% CI:0.664–0.859),与放射科医师1(0.809;95% CI:0.736–0.881)和放射科医师2(0.734;95% CI:0.645–0.823)的表现相当。

DeLong检验热图(图4g)显示了模型之间的比较差异。DECT模型表现出中等程度的判别能力,显著劣于高性能的联合模型和单独的VI-RADS模型(p < 0.05)。然而,DECT模型的AUC与两位放射科医师的评估在统计学上相当(放射科医师1,p > 0.05;放射科医师2,p > 0.05)。单一D参数(AUC 0.876)与DECT + D模型(AUC 0.925;p < 0.05)存在显著差异,证明了DECT参数的增量价值。这一增量价值进一步得到了显著IDI(0.113;p < 0.05)和NRI(0.982;p < 0.05)的证实(图S1和S2)。关键的是,整合D显著改善了DECT模型的性能,将DECT + D的AUC提升至0.925。该联合模型的预测能力在统计学上与最佳VI-RADS + D模型(AUC 0.941;p > 0.05)和单独的VI-RADS模型(AUC 0.926;p > 0.05)无法区分。DECT + D模型对VI-RADS表现出非劣效性。AUC差异为−0.001(95% CI:−0.0508,0.0487),其下限超过了预设的−0.10界值(单侧p < 0.05)。事后功效分析表明,非劣效性假设的统计功效为98.78%。此外,VI-RADS + D产生了数值最高的AUC,但其相对于单独VI-RADS的增量价值无统计学显著性(p > 0.05)。

PR曲线分析(图4b)评估了类别不平衡下的模型性能。VI-RADS + D产生了最高的PR-AUC(0.918),其次是VI-RADS(0.896)。值得注意的是,DECT + D达到0.871,与VI-RADS相当。相比之下,单独DECT和放射科医师表现欠佳(PR-AUC:0.589、0.573、0.502)。DECT + D中PR-AUC的大幅提升(0.282)凸显了D在减少假阳性、提高准确性方面的关键价值。校准曲线(图4c)在所有预测模型和放射科医师评估中均紧密贴合对角线,表明校准良好。此外,DCA量化了模型的临床效用(图4d)。除VI-RADS + D外,VI-RADS模型在大多数阈值概率下始终表现出最高的净获益,确认其作为最佳诊断影像工具的地位。相反,虽然单独DECT产生的净获益有限(20%–70%),但DECT + D在临床上显著优于放射科医师评估。值得注意的是,在较低阈值范围(0%–30%)内,DECT+D的净获益与VI-RADS相当。此外,其曲线在较宽范围(0%–90%)内始终超过默认策略(“全部治疗”/“不治疗”)。这些结果表明,虽然VI-RADS提供略高的获益和简便性,但DECT + D为MRI禁忌证提供了显著优于默认策略的净获益,使其成为可靠的替代方案。

表3和图5总结了各模型和专家放射科医师在敏感度和特异度方面的诊断性能差异。DECT模型的敏感度为0.788,特异度为0.639。VI-RADS(截断值≥3)产生了最高的敏感度(0.970),但代价是最低的特异度(0.542)。D的整合持续提升了性能:DECT + D达到敏感度0.909和特异度0.833。最终,VI-RADS + D达到了最佳平衡(敏感度0.909,最高特异度0.917)。专家评估显示放射科医师1具有高敏感度(0.909)和中等特异度(0.708),而放射科医师2表现出敏感度0.788和特异度0.681。

图4 膀胱癌肌层浸润评估的综合性能分析:(a)ROC曲线,(b)PR曲线,(c)校准曲线,(d)DCA,(e)VI-RADS 3–4亚组ROC曲线,(f)D < 3 cm亚组ROC曲线,(g)Delong检验热图,(h)VI-RADS 3–4亚组Delong检验热图,(i)D < 3 cm亚组Delong检验热图 查看原图 ↗
表3 不同分类模型与放射科医师的性能比较 查看原表 ↗
图5 评估膀胱癌肌层浸润性能比较的混淆矩阵(a DECT,b VI-RADS,c DECT + D,d 放射科医师1,e 放射科医师2,f D,g VIRADS + D)和雷达图(h) 查看原图 ↗

VI-RADS 3–4亚组分析(n = 44)

该分析聚焦于临床意义不明确的VI-RADS 3和4亚组。在该队列中(图4e),VI-RADS模型表现出有限的判别能力(AUC:0.652,95% CI:0.482–0.821)。双能CT(DECT)模型表现明显更好(AUC:0.824,95% CI:0.690–0.958),尽管AUC差异无统计学意义(p > 0.05)。DECT + D联合模型在所有分类器中表现最佳(AUC:0.904,95% CI:0.812–0.995)。然而,该表现与单独DECT模型在统计学上相当(p > 0.05)。关键的是,DECT + D联合模型表现出显著优越性,优于放射科医师1(AUC:0.667)、放射科医师2(AUC:0.545)和单参数D(AUC:0.722)(p < 0.05)。

DECT + D模型达到完美的敏感度(1.000)和0.667的特异度,为排除肌层浸润性膀胱癌(MIBC)提供了可靠途径(表4)。单独DECT也呈现出强且均衡的表现(敏感度0.818,特异度0.727)。该分析揭示了在这一“灰色地带”中人工判读固有的主观性和不稳定性:标准VI-RADS模型的效能有限(敏感度0.636,特异度0.667),且两名放射科医师表现出明显差异:放射科医师1达到高敏感度(0.818)但特异度低(0.515),而放射科医师2表现不佳。

表4 不同分类模型与放射科医师在VI-RADS 3-4亚组中的性能比较 查看原表 ↗

D < 3 cm亚组分析(n = 71)

鉴于欧洲泌尿外科学会指南[22]将病变> 3 cm与肌层浸润风险增加相关联,对71个D < 3 cm的病变进行了亚组分析。图4f显示DECT模型表现出稳健的诊断效能(AUC:0.857,95% CI:0.721–0.994),与VI-RADS模型(AUC:0.866,95% CI:0.729–1.000)在统计学上相当(p > 0.05)。DECT + D联合模型表现出最高的判别能力(AUC:0.895,95% CI:0.803–0.987),尽管与单独DECT模型的差异无统计学意义(p > 0.05)。表现最差的是放射科医师2(AUC:0.652,95% CI:0.482–0.823)。

表5突出了VI-RADS的局限性:高敏感度(0.900)被低特异度(0.426)所抵消,导致过高的假阳性率。相反,基于DECT的模型提供了更优的诊断平衡。DECT(敏感度0.700,特异度0.934)和DECT + D(敏感度0.800,特异度0.869)均维持高特异度,这对于无创性疾病识别至关重要。VI-RADS + D模型进一步证实了定量增强的价值,该模型达到亚组最高特异度(0.984),同时保持良好的敏感度(0.700)。

表5 不同分类模型与放射科医师在病变直径< 3 cm亚组中的性能比较 查看原表 ↗

模型可解释性与列线图开发

为了可视化模型可解释性,SHAP分析量化了全局特征重要性和个体决策路径(图6a–e)。全局分析确定D和Base-NP-IC为主要预测因子(图6a、b),证实较大的D和较高的IC与MIBC风险呈正相关。人群水平分析(图6c、d)进一步证实了稳健的判别能力,显示高风险与低风险轨迹之间存在清晰分层。在个体水平上,对一个代表性VI-RADS 5病例的特征贡献进行了量化(图6e)。随后,基于独立预测因子构建了列线图。该列线图(图6f)提供了一种图形化工具,可利用常规获取的DECT参数计算MIBC概率。为进一步促进临床应用和可及性,还开发了一个交互式在线网络风险计算器。该工具可访问以下网址获取:https://huggingface.co/spaces/Mingyang3670/MIBC-Risk-Calculator。

图6 模型可解释性与临床列线图的多维可视化。a SHAP蜂群图。每个点代表一名患者。红点表示较高的特征值,对应阳性SHAP值(风险增加)。这证实了碘浓度/肿瘤直径与肌层浸润之间的正相关关系。b 全局特征重要性条形图。预测因子按平均绝对SHAP值排序,确定肿瘤直径(D)和Base-NP-IC为主导特征。c SHAP热图分析。可视化整个人群中的特征归因模式,揭示DECT参数和肿瘤直径的特定组合如何聚集以驱动预测。d 决策路径图。显示所有105名患者的累积决策过程。高风险(红色轨迹)与低风险(蓝色轨迹)之间的清晰分离证实了稳健的模型判别能力。e 个体瀑布图(代表性VI-RADS 5病例)。详细展示了一名经病理证实为MIBC的高风险患者的决策逻辑,其中升高的Base-NP-IC(+ 4.39)和肿瘤直径(+ 2.37)显著驱动了预测。f 基于DECT的列线图。一种整合DECT参数和肿瘤直径用于个体化MIBC风险评估的临床工具 查看原图 ↗

讨论

本研究开发了一种用于评估MIBC的定量DECT模型,并与VI-RADS进行了比较。虽然单独DECT显示出中等判别能力(AUC 0.761),显著低于VI-RADS(AUC 0.926;p < 0.05),但DECT + D模型显著提高了性能(AUC 0.925),与VI-RADS相当(p > 0.05)。在VI-RADS 3–4不确定亚组中,DECT显示出稳健的效能(AUC 0.824),而VI-RADS为(AUC 0.652;p > 0.05)。同样,对于D < 3 cm,DECT(AUC 0.857)与VI-RADS(AUC 0.866;p > 0.05)相当。因此,定量DECT为VI-RADS提供了有价值的客观补充,特别是在减少不确定病例的诊断不确定性以及尽量减少小病灶的过度分期方面。

DECT + D 联合模型的优越诊断性能源于宏观与微观参数的协同整合。虽然 D 表示侵袭性,但其对肿瘤复杂的内部病理生理提供的信息有限。关键在于,我们的多变量分析确定了 6 个 MIBC 的独立预测因子,包括 D 和 5 个 DECT 参数:Base-CMP-IC、Base-CMP-NIC、Base-NP-λHU、Base-NP-Zeff 和 Base-NP-IC。这些关键预测因子的特定定位提供了有力证据,表明肿瘤基底部区域蕴含用于预测侵犯的关键成像信息。这些发现与 Zheng 等 [23] 的研究一致,他们证明了来自该特定区域的影像组学特征对于准确评估肌层侵犯的重要性。在机制上,这些定量参数作为特定生物学过程的替代指标:IC 和 NIC 量化支持侵袭性生长的丰富新生血管生成,而 λHU 和 Zeff 捕获肿瘤浸润固有肌层所引起的物质组成改变和组织异质性。因此,将 D 与基底部定量表征相结合能够实现全面的 MIBC 评估。

我们关于 VI-RADS 诊断性能的发现(AUC 0.926)与 Luo 等 [24] 近期的一项诊断性荟萃分析(合并 AUC 0.93)表现出显著一致性。这种一致性再次确认了多参数 MRI 作为参考标准,并验证了我们研究基线判读的可靠性。然而,尽管 VI-RADS 在我们队列中显示出更高的灵敏度(0.970 对 0.90),其特异度较低(0.542 对 0.86)。这一差异凸显了定性 MRI 的局限性:固有的主观性可能导致判读趋于谨慎,增加假阳性和过度分期的风险。DECT + D 联合模型展示了优化的灵敏度-特异度权衡。它达到了与荟萃分析合并估计相当的 AUC(0.925),提供了稳健的性能特征。其灵敏度(0.909)与荟萃分析合并灵敏度(0.90)完全一致,能够可靠地检测肌层侵犯。关键的是,这是在特异度显著提高至 0.833 的情况下实现的。这表明将肿瘤大小与客观定量参数相结合可减轻视觉评分中观察到的过高估计倾向。与报道分期准确率相对较低(35–55%)[25] 的历史常规 CT 研究相比,我们的多参数 DECT 方法显示出实质性改善,表明其有潜力成为术前分期的可靠且客观的工具。

Hu等[26]报道其双能CT(DECT)模型的AUC为0.704,仅肿瘤基底接触(NIC)被确定为独立预测因子。相比之下,我们的多参数整合策略所获得的单独DECT的AUC为0.761,当与D联合应用时AUC升至0.925。这一差异可能源于我们的创新设计——将参数提取聚焦于肿瘤基底,而非Hu等的“全肿瘤体积”分割。值得注意的是,即便是Hu等复杂的融合模型(纳入高维纹理特征)所达到的测试AUC(0.893)也略低于我们的DECT + D模型(0.925)。我们将聚焦于肿瘤基底的可解释DECT参数与D相整合,比依赖全肿瘤纹理的影像组学方法更直接、更准确地量化了肿瘤的侵袭行为。此外,在D < 3 cm亚组中,我们的单独DECT模型(AUC 0.857)和DECT + D联合模型(AUC 0.895)在等效测试队列中均优于Hu等的单参数DECT模型(AUC 0.726)。

本研究探讨了膀胱影像报告和数据系统(VI-RADS)3–4“灰色地带”内的诊断效能,该区域中肌层浸润性膀胱癌(MIBC)风险的不确定性构成了一项关键挑战。一项前瞻性多中心研究的结果有力证实了解决这一不确定性的必要性:研究显示,在初次经尿道膀胱肿瘤电切术(TURBT)后,VI-RADS 3和4患者的MIBC风险分别达到45.8%和69.6%[27]。在第二次TURBT后,这些关键风险比例进一步升高至58.3%和87.0%[27]。Wang等[28]提出了一种VI-RADS_TCL策略,将肿瘤接触长度(TCL)与VI-RADS评分混合使用,以解决VI-RADS 3病变的诊断难题。该策略成功降低了假阳性率,同时保留了敏感性,其特异性(82.46%–87.72%)和阳性预测值(90.91%–91.59%)均显著高于标准VI-RADS评分(p < 0.05)。类似地,Yu等[29]开发了一种MRI列线图,整合了三个关键特征(TCL > 最大径、形态平坦以及表观扩散系数标准差较低)来预测VI-RADS 3患者的MIBC。在验证队列中,该列线图的AUC为0.885,准确度为0.817,敏感性为0.900,特异性为0.784。然而,尽管这些研究前景可观,VI-RADS评估在VI-RADS 3–4亚组中仍不理想(AUC = 0.652)。这种因主观形态学特征导致的定性局限性阻碍了精确的风险分层。本研究开发的稳健定量模型提供了更优的解决方案:DECT + D联合模型实现了最强的鉴别能力(AUC = 0.904),优于Yu等的列线图。这些结果证实了基于DECT的模型在为VI-RADS“灰色地带”诊断困境提供可靠、可量化解决方案方面的效力。

尽管研究结果令人鼓舞,但必须承认若干固有局限性。首先,所有数据均来自单一三级转诊中心,限制了外部推广性。该设置引入了频谱偏倚,VI-RADS 5病例比例较高。这些晚期病变使诊断频谱发生偏斜,形成了不可推广的VI-RADS 3–4亚组,并给定性影像学评估带来困难。该小亚组中的表现可能无法反映常规临床实践。因此,该亚组分析属于探索性研究,可为未来前瞻性研究提供假设。其次,为解决手动勾画ROI(感兴趣区)时可能存在的主观性,我们采用两名独立放射科医师的平均值以尽量减少观察者间变异。第三,尽管进行了多次基于肿瘤的采样,TURBT(经尿道膀胱肿瘤电切术)因采样深度有限而存在固有的分期不足风险。最后,我们的研究缺乏外部验证。前瞻性、多中心验证对于确认基于DECT(双能CT)的模型在不同人群和成像平台中的稳健性和推广性至关重要。

尽管VI-RADS仍是当前诊断标准,但本研究开发的基于DECT的模型整合了肿瘤直径和DECT参数,其性能在统计学上与既定VI-RADS标准相当。关键在于,该模型在临床具有挑战性的情境中表现出更优的稳定性:它为模棱两可的VI-RADS 3–4亚组提供了必要的客观量化,并为小病变提供了防止过度分期的保障。在所开发的列线图和基于网络的风险计算器支持下,这种基于DECT的方法可作为术前分期的高度准确且可行的替代方案,尤其适用于有MRI(磁共振成像)禁忌证的患者。

补充信息

电子补充材料

引用

  1. Sun M, Wang J, Luo J, et al. Assessment of multi-parameter dual-energy CT in predicting muscle invasion in bladder cancer: comparison with VI-RADS. Insights Imaging. 2026. PMID: 41949696. doi:10.1186/s13244-026-02275-8
  2. 全文:PMC13062054(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13062054/

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。