文献速递神经MR

弥散峰度成像在胶质瘤分级及鉴别胶质瘤与其他脑内轴内肿瘤中的诊断作用:一项带批判性评价的系统综述与Meta分析

The diagnostic role of diffusional kurtosis imaging in glioma grading and differentiation of gliomas from other intra-axial brain tumours: a systematic review with critical appraisal and meta-analysis.
PubMed 文献 · Neuroradiology · 2020-05-04

该系统综述与Meta分析纳入19项研究,评估弥散峰度成像(DKI)在高级别与低级别胶质瘤鉴别中的诊断效能。汇总敏感度0.87(95%CI 0.78-0.92)、特异度0.85(95%CI 0.76-0.91)、AUC 0.92,平均峰度(MK)在HGG与LGG间平均差0.22(95%CI 0.25-0.19,P=0.0014),异质性I²=73.8%。作者结论认为DKI在胶质瘤分级中诊断准确性良好,但鉴别IDH状态及非胶质瘤中枢神经系统肿瘤仍需进一步探索。

要点

  • DKI鉴别高级别与低级别胶质瘤的汇总敏感度0.87、特异度0.85、AUC 0.92。
  • HGG与LGG的MK平均差为0.22(95%CI 0.25-0.19,P=0.0014),异质性I²=73.8%。
  • 基于各研究阈值范围,MK最佳截断值似乎位于0.5至0.6之间,但未能确定明确截断值。

核心结论

  • DKI在高级别与低级别胶质瘤分层中显示出良好的诊断准确性,进一步支持其潜在的临床作用。
  • 作者认为仍需进一步探索DKI在鉴别IDH状态及表征非胶质瘤中枢神经系统肿瘤中的作用。

研究设计与样本

  • 系统综述与Meta分析,方案按PRISMA-P清单制定并注册于PROSPERO(注册号CRD42018099192),全文按PRISMA-DTA清单报告。
  • 检索PubMed、Medline via Ovid、Scopus和Embase四个数据库,检索日期为2018年7月12日,关键词为「glioma」和「diffusional kurtosis」,无语言限制。
  • 最终纳入19项研究,其中17项涉及胶质瘤分级,2项涉及鉴别胶质瘤与其他脑内轴内肿瘤;Meta分析纳入12项研究评估MK平均差,9项研究评估诊断准确性。
  • 质量评估采用QUADAS-2工具,由两名作者独立评价,分歧由第三名评价者仲裁;参考标准为组织病理学评估。
  • 采用双变量随机效应模型及限制性最大似然法计算汇总ROC曲线及AUC,使用R软件(版本3.5.1)进行统计分析。

诊断标准与关键数值

  • DKI鉴别高级别与低级别胶质瘤的汇总敏感度为0.87(95%CI 0.78-0.92),汇总特异度为0.85(95%CI 0.76-0.91),汇总AUC为0.92。
  • DKI的假阳性率为0.15(95%CI 0.09-0.24)。
  • HGG与LGG之间MK的平均差为0.22(95%CI 0.25-0.19),P值为0.0014;异质性I²=73.8%。
  • 由于异质性程度,未能确定区分HGG与LGG的MK截断值;基于各研究使用的截断值范围,最佳截断值似乎位于0.5至0.6之间。
  • 双变量Meta回归显示TE、TR、最大b值、b值数量及弥散方向数量对诊断准确性无显著影响(P=0.155至P=0.893)。

临床应用与阅片要点

  • 作者结论认为DKI在高级别与低级别胶质瘤分层中诊断准确性良好,不同采集与后处理技术下的一致性提示该技术可能具有跨机构与人群的普适性和临床实用性。
  • 作者指出仍需要对DKI技术进行优化与标准化,以确保一致性与可比性。
  • 作者认为DKI作为IDH表型替代标志物的潜在作用仍需进一步研究。
  • 作者指出需要进一步探索DKI在表征非胶质瘤肿瘤中的作用。

局限性

  • 若干研究样本量有限。
  • 纳入的研究均未报告个体患者数据。
  • 无法考虑肿瘤ROI等后处理技术的差异。
  • 双变量Meta回归分析缺乏多变量评估。
  • 由于异质性程度(I²=73.8%),未能确定区分HGG与LGG的MK截断值。
全文中译18 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:Neuroradiology. 2020 May 4;62(7):791–802. doi: 10.1007/s00234-020-02425-9

引言

胶质瘤是最常见的原发性脑肿瘤,也是40岁以下人群实体癌相关死亡的主要原因之一[1]。胶质瘤包含一大组异质性肿瘤,其细胞来源不同,生物学行为也各异。因此,胶质瘤的分类对于指导治疗、预判治疗反应和预测预后至关重要。历史上,旧的WHO胶质瘤分类基于以 predominant 细胞谱系和分级为核心的组织学定义,基本上将胶质瘤分为高度恶性、侵袭性较强的高级别和侵袭性较弱的低级别[2]。生物分子表征的出现使得人们识别出 also 影响肿瘤行为的关键遗传标志物。异柠檬酸脱氢酶(IDH)基因尤其受到关注,并促成了2016年最新版世界卫生组织分类的重大修订[3]。尽管取得了这些进展,这一基本分类仍依赖于有创组织取样。这具有相当大的风险,其中最突出的是永久性神经功能缺损,这也极大地阻碍了重复取样以检查高级别转化。组织取样此外还容易出错,由于肿瘤内异质性,活检和不完全切除可能提供非代表性样本。因此,显然需要一种无创影像标志物来反映肿瘤类型、分级和遗传状态,从而为治疗管理提供信息并评估预后。

弥散加权成像(DWI)和弥散张量成像(DTI)在脑肿瘤的影像学评估中具有明确确立的作用。然而,这些基于弥散的序列在分期中的效用仍不理想[4]。DWI和DTI均假定水分子弥散涉及随机的布朗运动。遵循这一假定,概率分布函数(PDF),即质子在一定时间内于两点之间弥散的机会,被认为服从高斯分布[5]。表观弥散系数(ADC)基于该PDF的标准差,而DTI通过以方向依赖的方式推导ADC对此加以扩展[5, 6]。尽管DWI和DTI中的高斯模型对纯液体成立,但它忽略了由各种隔室、细胞类型和细胞内成分构成的有机组织复杂细胞结构在体内的效应。因此,真实的PDF表现出非高斯行为,而这种偏离高斯PDF的方式可使用称为峰度的无量纲统计量进行评估。弥散峰度成像(DKI)是DTI的新型扩展,提供方向性非高斯弥散的程度,即弥散峰度张量[7, 8]。尽管DKI的实际生理学基础仍不清楚,但其概念是不同级别胶质瘤之间的微结构差异将导致不同的DKI参数,例如平均峰度(MK),因此可能为胶质瘤分级提供更准确、非侵入性的生物标志物[5, 9]。早期研究令人鼓舞。两项先前考察DKI对胶质瘤分级诊断准确性的荟萃分析预测MK的合并曲线下面积(AUC)分别为0.94和0.96[10, 11]。我们试图通过更新的系统评价和荟萃分析来整合该主题的初步荟萃分析证据。这些较早的研究也仅分析了DKI区分胶质瘤级别的能力,而未探究DKI在区分胶质瘤与其他轴内肿瘤中的作用。这是一个重要问题,因为它评估了DKI作为一种非侵入性影像工具在未取样、谱系未知肿瘤中的实际应用价值。为解决这些问题,我们的系统评价和荟萃分析将审查两个研究问题;首先,我们将通过扩大纳入标准并纳入遵循最新WHO 2016胶质瘤分类且包括IDH基因分型的近期研究,进一步评估DKI在区分低级别胶质瘤(LGG)与高级别胶质瘤(HGG)中的诊断准确性。为回答第一个问题,我们将特别关注HGG与LGG之间MK的平均差异以及DKI的总体诊断准确性。其次,我们将首次综述DKI在区分胶质瘤与其他轴内肿瘤中的作用。

材料与方法

依据系统评价和荟萃分析方案首选报告条目(PRISMA-P)声明以及乔安娜布里格斯研究所评审者手册中关于诊断试验准确性研究系统评价的指导,制定了全面的评价方案[12, 13]。该方案已在国际前瞻性系统评价注册库PROSPERO注册(注册号:CRD42018099192),详细信息此前已发表[14]。为开展本项完整的系统评价,使用了诊断试验准确性研究系统评价和荟萃分析首选报告条目(PRISMA-DTA)清单[15]。详细的PRISMA清单见在线资源1。

研究识别的检索策略

在图书馆员KB的协助下,于2018年7月12日在四个数据库(PubMed、通过Ovid检索的Medline、Scopus和Embase)中进行了系统性文献检索。检索语法使用关键词“glioma”和“diffusional kurtosis”作为MeSH(医学主题词)词和自由文本词,无语言限制。还对纳入文章的参考文献列表进行了关键词检索。详细的检索策略见在线资源2。

纳入和排除标准

若研究报告了DKI用于以下方面,则符合纳入条件:(i)使用WHO 2007或WHO 2016分类诊断原发性或复发性胶质瘤;或(ii)鉴别胶质瘤与其他脑肿瘤。排除标准包括儿科年龄组、非原创研究文章(综述、评论、勘误、书籍、社论和会议摘要)、动物研究、非影像学研究、非MRI研究、非峰度MRI研究、非肿瘤性疾病、仅非胶质肿瘤、非脑肿瘤以及以英语、法语或德语以外语言撰写的研究。在全文阅读符合条件文章后排除了不相关的研究。

方法学质量(偏倚风险)评估

两名作者(GA 和 SES)使用 QUADAS-2 工具(诊断准确性研究质量评估修订工具)[16] 独立评估偏倚风险和适用性担忧。任何分歧均通过协商一致解决。若无法达成一致,则由第三名评审者(PMM)作为裁决者。质量评估针对两个综述问题分别独立进行两次。偏倚风险在四个领域进行评估:患者选择、索引试验、参考标准和流程与时机。适用性担忧在三个领域进行评估:患者选择、索引试验和参考标准。每个领域的风险被判定为高、低或不清楚。未评估跨研究的偏倚风险(即“发表偏倚”),因为目前尚无普遍接受的方法且研究数量较少 [17]。对于偏倚风险领域,概述了某些调整:(1) 在患者选择方面,前瞻性研究被视为低风险,而回顾性研究被判定为高风险。(2) 对于索引试验,如果放射科医生在图像分析时对参考标准设盲,则研究被判定为低风险,反之未设盲则为高风险。(3) 参考标准定义为组织病理学评估。(4) 如果未给出索引试验与参考标准之间的时间间隔,或患者无明确原因被移出研究,则记录为流程与时机风险不清楚。

数据提取

数据提取由 GA 和 SES 使用预先设计的标准化表格进行。提取的数据包括第一作者姓名、发表年份、研究类型、患者人群人口学特征、采集技术、处理和后处理软件、参考标准、WHO 分类方案以及诊断试验准确性结果(真阳性和假阳性及阴性值)。

重叠数据集

包含相同作者的研究将通过直接联系研究作者来检查是否存在重叠的患者队列。如果不同研究之间存在重叠队列,则该组最新发表的研究将被纳入分析。

数据综合与分析

采用限制性最大似然法的随机效应荟萃分析模型,使用平均峰度(MK)值的均值和标准差来描述低级别胶质瘤(LGG)组和高级别胶质瘤(HGG)组之间的平均差异。为分析异质性和结果的稳健性,我们根据技术类型(如重复时间(TR)值、b 值数量(即弥散加权程度)、最大 b 值和弥散方向)对纳入研究进行分层,进行亚组分析。作为研究间异质性程度的度量,我们使用了 Q 统计量和 I2 统计量。

对于诊断试验准确性(DTA)分析,使用限制性最大似然法的双变量随机效应荟萃分析来计算汇总受试者工作特征(ROC)曲线及其曲线下面积(AUC)。还计算了显示敏感度和假阳性率及其 95% 置信区间(CI)的耦合图。实施双变量荟萃回归以评估研究水平特征:回波时间(TE)、TR、最大 b 值、b 值数量和弥散方向数量。统计分析使用 R(版本 3.5.1)进行。

结果

搜索结果与纳入研究

对四个数据库进行系统检索后,共识别出216项研究。查重后剩余88项研究。其中,通过阅读标题和摘要,根据预先设定的纳入和排除标准排除了65项。剩余23篇文章被选中进行全文评估。经过详细评估,3项研究因缺乏DKI的分析数据而被排除,1项研究因未能回答两项预设综述问题中的任何一项而被排除。最终,19项研究被认为符合纳入系统综述的条件[9, 18–35]。对于主要问题,即研究DKI在胶质瘤分级中的作用,共选取了17项研究[9, 20–35]。对于次要问题,即评估该技术在区分胶质瘤与其他轴内肿瘤方面的潜力,选取了剩余的2项研究[18, 19]。筛选过程的结果见图1。各研究在胶质瘤组织学类型、DKI采集技术细节(如TR/TE、b值和扩散编码方向)、DKI处理和后处理(如所用软件和提取参数)等方面的特征见表1。

图1 纳入荟萃分析研究的筛选流程图 查看原图 ↗
表1 系统文献综述纳入研究的结果汇总 查看原表 ↗

质量评估

第一个问题:DKI在胶质瘤分级中的作用

17项研究涉及第一个问题,质量评估结果汇总于图2和表2 [9, 20–35]。在偏倚风险方面,各领域的质量参差不齐。在患者选择领域,10项研究被判定为低风险[9, 20–22, 26, 30–35],7项被认为高风险[23–25, 27–29]。在指标试验领域,9项研究被认为低风险,其余8项风险不明确。在参考标准领域,所有研究均被认定为低风险。关于流程和时间,11项研究为低风险,2项研究为高风险,4项研究风险不明确。在适用性方面,所有研究在所有领域均被认为低风险。

图2 纳入诊断准确性研究的质量评估 查看原图 ↗
表2 纳入诊断准确性研究(考虑胶质瘤分级)的详细质量评估 查看原表 ↗

第二个问题:DKI在区分胶质瘤与其他脑肿瘤中的作用

涉及该问题的两项纳入研究在适用性和参考标准偏倚风险方面均为低风险[18, 19]。然而,在一项研究中,患者选择方面的偏倚风险为高,流程和时间方面风险不明确[19]。另一项研究在指标试验方面的偏倚风险不明确,因为未提及神经放射科医生对病理结果的设盲[18]。

重叠数据集

系统综述纳入的6项研究来自同一研究组,使用了重叠的患者队列和数据集。经联系这些研究的作者后予以确认。经一致同意,我们的团队决定在荟萃分析中纳入最近发表的研究,以避免重复偏倚。

荟萃分析

对于第一个问题,在评估扩散峰度成像(DKI)在鉴别高级别胶质瘤(HGGs)与低级别胶质瘤(LGGs)中的作用时,考虑数据集重叠后,19篇入选研究中的12篇被纳入荟萃分析[20–31],此外另一篇仅评估DKI在低级别胶质瘤中作用的研究被排除[32]。如先前针对第一个问题所述,进行了两项独立的荟萃分析:一项评估高级别胶质瘤(HGGs)与低级别胶质瘤(LGGs)之间平均峰度(MK)的平均差值,另一项考察DKI的总体诊断准确性。由于研究数量及相关数据有限,针对第二个问题无法进行单独的荟萃分析。

平均差值的荟萃分析

所有12篇入选研究均提供了足够的数据以评估平均峰度(MK)差值[20–31]。随机效应模型显示HGGs与LGGs之间的MK存在显著差异(合并均值0.22(95% CI 0.25–0.19),p值=0.0014)。LGG与HGG之间MK平均差值的森林图见图3。尽管研究间检测到中度[33]异质性(I2=73.8%),但通过对多项研究特征进行敏感性分析验证了结果的稳健性,这些特征之间未显示显著的统计学差异(见在线资源3)。由于存在异质性,无法确定用于鉴别HGGs与LGGs的MK截断值。考虑到这一点,基于各研究中使用的截断值范围,最佳截断值似乎位于0.5至0.6之间。

图3 采用随机效应荟萃分析模型的LGG与HGG之间MK平均差值森林图 查看原图 ↗

诊断试验准确性荟萃分析

对于DKI鉴别HGGs与LGGs的诊断试验准确性(DTA),12篇入选研究中有9篇符合双变量随机效应荟萃分析的条件[20–25, 29–31]。合并灵敏度为0.87(95% CI 0.78–0.92),特异度为0.85(95% CI 0.76–0.91)。各研究的灵敏度和特异度森林图分别见图4和图5。综合受试者工作特征(ROC)曲线见图6,曲线下面积(AUC)为0.92。DTA分析显示DKI假阳性率为0.15(95% CI 0.09–0.24)。双变量荟萃回归模型显示,研究水平特征如TE、TR、最大b值、b值数量及扩散方向数量对诊断准确性无显著影响(p=0.155至p=0.893)。

图4 扩散峰度成像在中枢神经系统胶质瘤分级中的合并灵敏度 查看原图 ↗
图5 扩散峰度成像在中枢神经系统胶质瘤分级中的合并特异度 查看原图 ↗
图6 综合受试者工作特征曲线 查看原图 ↗

讨论

迄今为止,仅有两项已发表的荟萃分析探讨了弥散峰度成像(DKI)在胶质瘤鉴别中的诊断试验准确性(DTA),两者均展示了非常有前景的初步结果[10, 11]。我们的系统评价和荟萃分析在此基础上进一步扩展,增加了电子数据库的数量,取消了语言限制,并拓宽了纳入标准。重要的是,关于DKI的DTA,除了遵循WHO 2007分类的研究外,我们还纳入了使用当前WHO 2016分类的研究,后者涉及IDH基因型。我们的系统评价共纳入19项研究,针对DKI在胶质瘤分层中的作用,进行了两项荟萃分析。对12项研究的平均峰度(MK)进行均数差分析,我们证明高级别胶质瘤与低级别胶质瘤之间MK的均数差具有统计学显著性,为0.22(95% CI 0.19–0.25)。这些结果与Delgado等人的结果相当,后者在10项研究中发现高级别与低级别胶质瘤之间MK的显著均数差为0.17(95% CI 0.11–0.22)[10]。我们的第二项荟萃分析纳入9项研究,评估DKI在胶质瘤分级中的总体诊断试验准确性,进一步证实了其高诊断潜力,灵敏度为87%,特异度为85%,合并曲线下面积为0.92。这与Delgado团队的发现相似,后者基于较小的5项研究组,产生的合并灵敏度和特异度分别为85%和92%,合并曲线下面积为0.94。

关于异质性,Delgado等人的亚组分析发现星形细胞瘤类型、最大b值和重复时间是调节DKI诊断性能的显著研究水平特征。我们更大规模的研究同样显示研究扫描参数(如TE、TR、最大b值、扩散方向数量)存在中度异质性。然而,在更广泛的研究范围内并使用双变量荟萃回归模型,我们发现不同研究技术特征对诊断准确性没有显著影响。这一发现尤其令人鼓舞,因为它表明具有可推广的临床实用性。尽管如此,仍需要对这些参数和后处理技术进行优化和标准化,以实现多中心定量研究,这是产生更高水平证据的关键概念。无法确定用于区分HGGs与LGGs的明确MK截断值。尽管存在这一基于各项独立研究所用阈值范围的局限性,我们可以推断MK的最佳截断值位于0.5至0.6之间。

在这项系统综述纳入的19项研究中,有4项研究了DKI根据2016年WHO分类对IDH突变状态进行分层的价值[9, 20, 34, 35]。这些研究报告IDH野生型与突变型之间的MK值存在显著差异,提示其有潜力作为IDH表型分型的替代标志物。遗憾的是,这4项研究均来自同一机构,且基于重叠的数据集,因而无法进行亚组荟萃分析[9, 20, 34, 35]。然而,近期在本系统综述检索完成日期之后,已发表两项研究,比较DKI与DTI在预测胶质瘤IDH突变状态方面的诊断效能[36, 37]。两组研究者分别将MK和平均扩散率(MD)作为主要的DKI和DTI参数,并得出结论:MK在识别IDH突变状态方面具有高于MD的诊断价值[36, 37]。

对于第二个问题,即DKI在鉴别胶质瘤与非胶质瘤性中枢神经系统肿瘤中的作用,我们的文献检索仅识别出两项研究,无法据此得出任何确定性结论[18, 19]。然而,这些研究显示了令人鼓舞的结果,有待未来重复验证。Yan Tan等分析了高级别星形细胞瘤(HGA)和孤立性转移灶实性肿瘤部分及周边的MK值,结论认为两种病变周边区域的MK值存在显著差异。MK值也比扩散张量成像(DTI)指标更敏感[19]。Pang等使用DKI旨在鉴别高级别胶质瘤(HGG)与原发中枢神经系统淋巴瘤(PCNSL)[18]。他们报告PCNSL的MK显著高于HGG,这或许可用淋巴瘤微环境的高细胞性特征来解释。

我们的研究存在一些可能的局限性。部分研究的样本量有限;纳入的研究均未报告个体患者数据,且无法校正肿瘤ROI等后处理技术的差异。最后,双变量荟萃回归分析缺乏多变量评估。

结论

我们的工作进一步证实,DKI在区分高级别与低级别胶质瘤方面具有非常好的诊断效能。在不同采集和后处理技术的研究中一致的准确性也重要地提示,DKI是一种可能具有可推广性且在临床上有用的技术,可适用于不同机构和人群。然而,仍需要对DKI技术进行优化和标准化,以确保一致性和可比性。我们还展示了其作为IDH表型分型替代标志物的潜在作用,尽管这需要进一步研究。最后,本研究强调了进一步探索DKI在非胶质瘤肿瘤表征中作用的必要性。

电子补充材料

ESM 1(PDF 392 kb)

(PDF 493 kb)

(PDF 255 kb)

(PDF 384 kb)

(PDF 227 kb)

(PDF 405 kb)

(PDF 344 kb)

(PDF 324 kb)

(PDF 282 kb)

(PDF 344 kb)

引用

  1. Abdalla G, Dixon L, Sanverdi E, et al. The diagnostic role of diffusional kurtosis imaging in glioma grading and differentiation of gliomas from other intra-axial brain tumours: a systematic review with critical appraisal and meta-analysis. Neuroradiology. 2020. PMID: 32367349. doi:10.1007/s00234-020-02425-9
  2. 全文:PMC7311378(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7311378/

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。