文献速递技术与安全胸部腹部CTMRPET

RECIST评估的观察者间变异性:一项系统综述

Assessing the reliability of Response Evaluation Criteria In Solid Tumors (RECIST): a systematic review of the factors contributing to inter-observer variability.
PubMed 文献 · Insights Imaging · 2026-06-30

本系统综述纳入88项研究,中位样本量50例,多数单独使用CT。主要涉及肺癌和肝细胞癌。综述提示RECIST评估中的观察者间变异性受测量方法、病灶选择及成像质量影响,统计学方法不一限制研究可比性。

要点

  • 半自动测量总体上比手动测量一致性更高,但部分研究显示半自动3D法变异亦不小。
  • 病灶选择是观察者间变异性的重要来源,不同病灶选择可明显改变疗效分类。
  • 各研究评估一致性的统计学方法差异大,解读时应关注其可比性。

核心结论

  • 需要标准化方案来研究RECIST观察者间变异性,以改进现有标准。
  • 观察者间变异性受测量方法、病灶选择和成像质量影响。
  • 不一致的统计学方法妨碍研究间的可比性。

研究设计与样本

  • 系统综述检索MEDLINE、Embase及Scopus,时间范围2008年12月22日至2023年8月9日。
  • 共筛选246项研究,最终纳入88项。
  • 中位样本量为50例患者,四分位距25.8至90.8例。
  • 68.2%的研究单独使用CT作为影像学手段。
  • 最常见的原发肿瘤为肺癌与肝细胞癌,各占14.8%。

关键影像表现/征象

  • 不同阅片者选择的靶病灶常不一致,33%的靶病灶可被三位放射科医生一致识别。
  • 手动测量值可能系统性地小于半自动测量值。
  • 同一病灶由不同阅片者再评估时,目标病灶测量结果在12%的病例中出现差异。
  • 薄层重建(≤3 mm)和中等软组织卷积核有利于自动测量。
  • 不规则形态病灶中,3D体积测量与真值的一致性优于1D和2D测量。

诊断标准与关键数值

  • 多数研究显示手动测量比半自动方法观察者间变异性更高。
  • 半自动3D测量在多数研究中一致性高于手动1D测量,但在结直肠癌肝转移中例外。
  • 同一阅片者重复评估时靶病灶测量在6.3%的病例中存在差异,不同阅片者为12%。
  • 放射科助理评估疾病进展的敏感度为100%(95%CI:61%至100%),特异度为94%(95%CI:81%至98%)。
  • 局部评估与中心影像评估的一致率为κ=0.53。

临床应用与阅片要点

  • 阅片时优先采用半自动测量工具有助于减少观察者间变异性。
  • 图像采集应尽量采用薄层重建与中等软组织卷积核以提升测量可重复性。
  • 报告中需关注病灶选择差异对疗效分类的潜在影响。
  • 比较不同研究的一致性数据时应注意其统计学方法是否相同。

局限性

  • 纳入研究在方法学、成像技术和结局定义上存在明显异质性。
  • 未进行正式偏倚风险评估,仅作定性评价。
  • 多数纳入研究为回顾性设计。
  • 各研究采用的统计学方法不一,限制结果可比性。
全文中译24 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 Jun 30;17:180. doi: 10.1186/s13244-026-02320-6

引言

在不断发展的肿瘤学领域中,实体瘤疗效评价标准(RECIST)是一个支柱,确保了在测量和报告肿瘤对治疗干预的反应时的一致性 [1, 2]。自2000年首次制定 [2] 并于2009年修订为RECIST 1.1 [1] 以来,该框架已成为许多临床试验中评估治疗结果的标准,有效地塑造了我们对治疗疗效及其对患者结局影响的理解。

虽然RECIST已使肿瘤评估标准化,但对其可重复性的担忧仍然存在,主要表现为观察者间变异性(IOV)。由于这些不一致性可能影响患者管理和临床试验结果 [3, 4],因此了解其机制、这些不一致性在何处以及何时出现,以及可以采取什么措施来减轻甚至解决这些问题,是很重要的。

RECIST纳入了若干标准化标准,可能有助于减少观察者间变异性(IOV)。例如,它使用最小尺寸阈值来定义可测量病灶,并规定了反应分类的截断值(如部分缓解需缩小30%,疾病进展需增大20%),为分类提供了客观边界。此外,RECIST标准化了病灶选择,并限制了待测量的靶病灶数量,主要是为了提高跨研究评估的可行性和一致性。尽管在标准化方面做出了这些努力,IOV在临床实践中仍然是一个有争议且持续存在的问题。多种因素可导致RECIST变异性。例如,肿瘤在形状和边缘方面可能具有不同的外观,这可能影响其识别和测量的直接程度,以及生长模式和治疗反应。不同的成像技术也可能对同一肿瘤呈现不同的表现。放射科医生对指南有各自独特的经验和理解。所有这些因素导致了RECIST的解释和实施不一致。例如,同一肿瘤在一种成像技术上可能被归类为部分缓解,而在另一种技术上则表现为稳定或进展。使用手动径线测量的同一肿瘤可能被归类为稳定,但当使用半自动技术重复测量时则被归类为进展。同一肿瘤根据一位放射科医生的判断可能明确进展,但根据另一位医生的判断则不然,等等。

目前已开展了各种研究来量化这些不同因素对IOV的影响,但迄今为止,关于哪些因素会影响IOV或值得进一步研究,尚无明确结论。因此,通过本系统综述,我们旨在总结当前关于可导致RECIST中IOV的因素的文献。

材料与方法

文献检索与研究选择

我们自RECIST 1.1官方指南发表当月(2008年12月22日)至2023年8月9日,在MEDLINE(PubMed)、Embase.com和Scopus中进行了文献检索,检索所有在摘要、标题或关键词中提及RECIST及变异性、方差和可重复性术语的出版物,PubMed还检索了MeSH词。具体而言,PubMed使用的检索式为:(“Response Evaluation Criteria in Solid Tumors”[mesh] OR RECIST[tiab] OR “Response Evaluation Criteria in Solid Tumo*”[tiab])AND(variabilit*[tiab] OR reproducibilit*[tiab])AND 2008/12:2024[dp]。Embase.com和Scopus的检索式见补充材料1。

本综述按照系统综述和荟萃分析优先报告条目(PRISMA)进行报告[5]。鉴于纳入研究在研究设计、成像技术和结局定义方面存在显著的方法学异质性,使用ROBINS-I等工具进行正式偏倚风险评估被认为并不合适。大多数研究并非旨在检验干预措施,而是评估测量的可重复性和观察者间变异性,这些内容不易用常规偏倚评估工具进行评估。因此,我们在“结果”和“讨论”部分对研究的优势和局限性进行了定性评价。

数据提取

两名独立研究者(I.S.、S.T.)在Rayyan(一款用于摘要筛选的软件)中对标题和摘要进行了审查,以评估研究相关性。在去除重复文献和非英文文章后,我们确定了246篇文章为潜在相关,并审查了全文。研究如满足以下标准则考虑纳入:(1)采用RECIST标准(1.0、1.1或修订版);(2)由同一名或多名阅片者对同一受试对象(如患者或体模)进行多次疗效评估;以及(3)在人群水平或单个受试者水平对评估结果进行比较分析。评论、综述、社论、通讯、书籍章节及主观性文章等类型不予考虑。重复发表的结果、非英文摘要以及兽医学研究同样不予纳入。纯粹基于功能成像(包括正电子发射断层扫描(PET)、功能MRI和灌注CT)的结果以及平面成像(包括X线和超声)也被排除。

两名评价员(I.S. 和 S.T.)使用标准化表格独立从相关研究中提取数据,该表格包含以下问题:(1)样本量(2)数据收集策略(回顾性、前瞻性或模拟/体模),(3)成像方式(CT、MRI 或 PET)(4)RECIST 类型(1.0、1.1、修订版或作者自定义改编版,例如“原发肿瘤被排除在分析之外”)(5)肿瘤类型以及(6)研究因素。我们确定了以下可能导致观察者间变异(IOV)的因素:(I)手动与(半)自动测量,(II)靶病灶或可测量病灶的选择,(III)1D 与 2D/3D 径线,(IV)观察者内变异,即同一名放射科医师重复测量时的差异,(V)阅片者的经验,(VI)放射科医师参与试验的程度,(VII)所用标准的差异,(VIII)成像类型,(IX)随访计划。当全文无法在线获取时,我们联系通讯作者索取缺失的文献。概览见图 1。同时收集了关于第一作者、通讯作者、发表年份和数字对象标识符(DOI)的一般信息。

图 1 观察者间变异的潜在因素概览 查看原图 ↗

结果

研究筛选

检索返回 n = 246 条记录供审查。n = 138(56%)篇被两名阅片者排除。其余论文中,经与第三名独立阅片者(TTB)协商一致后,又排除了 n = 20(8%)篇,最终纳入 88 篇,见图 2。

图 2 研究流程图 查看原图 ↗

样本量

中位样本量为 50.0 例患者(四分位距(IQR):25.8–90.8)。样本量最大的研究纳入 n = 23,259 例患者 [6],样本量最小的研究纳入 3 例患者 [7]。

成像方式

大多数研究仅采用 CT 扫描作为单一成像方式(n = 60;68.2%)[6–65],其次为 MRI 扫描(n = 9;10.2%)[66–74] 和 PET 扫描(n = 2;2.3%)[75, 76]。一项研究使用卡尺或卷尺测量(n = 1;1.1%)[77]。其余研究为多成像方式:n = 15(17.0%)同时包含 CT 扫描和 MRI 扫描 [78–92],一项同时关注 CT、MRI 和 PET 扫描(1.1%)[93]。

原发肿瘤与研究设计

最常见的原发肿瘤为肺部(n = 13;14.8%,图 3)[9, 10, 13, 22, 27, 30, 31, 36, 48, 72, 79, 88, 93]、肝细胞癌(n = 13;14.8%)[12, 20, 33, 34, 49, 64, 71, 76, 80, 83, 84, 86, 89] 和结直肠癌(n = 9;10.2%)[7, 35, 39, 40, 43, 63, 73, 75, 91]。13 项研究(14.8%)包含多种原发肿瘤 [6, 11, 26, 28, 32, 38, 45, 46, 54, 56, 57, 65, 67]。大多数研究为回顾性(n = 81;92.0%),7 项(8.0%)为前瞻性 [15, 20, 47, 61, 65, 74, 78]。

图 3 各研究的原发肿瘤分布 查看原图 ↗

变异因素

本段总结了关于决定疗效评价变异性的不同因素的已发表数据。我们按肿瘤类型描述这些不同因素。百分比一致率和 Kappa 系数常用于比较分类疗效。Bland–Altman 分析、相关性、ICC 和 CV 常用于连续数据。

手动测量

我们确定了19项研究与手动测量相关的观察者间变异性(IOV),这些研究均将手动方法与半自动方法进行了比较。其中许多研究还调查了其他影响因素,如一维与三维测量。当结果无法明确分离时(例如,一维手动与三维半自动),我们仅报告一次以避免重复。除一项研究[39]外,所有研究一致发现手动测量的IOV高于半自动方法。

肺癌:Awad等[9]证明,在21个肺部肿瘤中,手动与半自动之间的IOV从一维(r² = 0.63)到二维(r² = 0.87)再到三维(r² = 0.96)直径逐级降低。然而,手动测量(组内相关系数(ICC)> 0.98,变异系数(CV)< 5.9%)和半自动测量(ICC > 0.99,CV < 21.6%)的IOV均保持极佳水平。Bendtsen等[10]在10例患者中使用Bland–Altman分析(< 5.4%)和一致性相关系数(CCC > 0.99)报告了半自动测量中相似的(观察者内和观察者间)变异性,Dinkel等[79]在24例患者中也报告了类似结果(ICC > 0.98),但他们手动测量的CV高出两到三倍。此外,他们还发现手动测量存在偏倚,其测量值系统性小于半自动测量值。

其他原发肿瘤:Fabel等[47]前瞻性比较了47例患者的227个肿大淋巴结的手动直径和半自动体积。使用Bland–Altman分析,他们发现手动三维直径的一致性界限(LoA)为2.87 mm,半自动三维直径为1.94 mm。相对差异也观察到相似趋势,半自动三维直径为1.2%,手动三维直径为4.1%。该研究组的进一步研究报告了更快的评估时间[16],并推荐使用薄层重建(≤ 3 mm)和中等软组织卷积核以获得最佳的自动测量结果[17]。

Öztürk等[52]发现,对21例睾丸癌腹膜后淋巴结转移灶的半自动三维和一维测量,观察者内和观察者间一致性几乎完美(ICC > 0.99)。然而,Folio等[18]使用Bland–Altman分析显示,在n = 93个前列腺癌肺、肝脏、淋巴结病灶上,IOV从一维手动测量的26.4%降至三维半自动测量的8.9%(平均百分比变化)。

在结直肠癌肝转移中,van Kessel等[39]发现半自动三维测量的观察者内变异性(CV = 12.7%)高于手动一维测量(CV = 6.1%)。观察者间一致性也观察到相似模式(使用Bland–Altman相对测量误差分别为14.9%、4.2%、2.0%)。半自动直径在疗效反应分类中也未显著降低变异性(手动一维kappa = 0.65 vs 自动kappa = 0.55)[39]。

Bauknecht等人[67]发现,在75次MRI扫描中对355个脑转移瘤进行半自动3D测量,其结果一致性优于手动1D测量(27.8%~33.0%,一致限为21.4%~23.3%)。Li等人[26]在一组由五位影像分析员评估的100例患者中显示,与手动1D测量相比,半自动3D测量具有更高的一致性(ICC = 0.70 vs 0.63),但变异系数(CV)(0.33 vs 0.32)和Fleiss' Kappa值(0.59 vs 0.58)相似。然而,当呈现第二组100例患者时,结果更有利于半自动测量,提示自动化软件存在学习曲线效应。

Monsky等人[64]在27例肝脏肿瘤患者中发现良好的组内和观察者间变异性(分别为Wilcoxon p < 0.05和ICC > 0.9),并报告半自动3D测量与1D测量的变化之间无显著相关性(p = 0.14)。在原发性肝脏肿瘤方面,Bonekamp等人[71]显示半自动3D测量的观察者间变异性(ICC = 0.85~1.00)远低于手动1D测量(ICC = 0.17)。Kanaly等人[66]在13例胶质母细胞瘤患者中报告,半自动3D测量的观察者间变异性(ICC = 0.97)低于手动1D测量(ICC = 0.42)或2D测量(ICC = 0.61)。Dicken等人[15]显示,半自动3D测量降低了30个肾细胞癌肺部病灶随时间变化的观察者间变异性,将读片者之间的相关性从63.9%提高至87.6%。然而,对其绝对值的影响有限(从95.6%到99.4%)。在41例乳腺癌患者中,基于半自动测量的RECIST与手动测量在27%的病例中存在差异,但未达到统计学显著性[24]。所有研究的概览见表1A。

表1 按比较类别分层的研究特征概览 查看原表 ↗

靶病灶/可测量病灶的选择

十项研究比较了由放射科医师选择不同靶病灶或可测量病灶所导致的观察者间变异性。所有研究均得出结论:病灶选择是观察者间变异性的重要贡献因素。然而,关于所需病灶的最低数量,或选择更多病灶是否能提高一致性,目前尚无共识。不同放射科医师选择不同病灶的原因也未得到一致探讨。此外,没有一项研究明确区分靶病灶选择与可测量病灶选择。

肺癌

Beaumont等人[93]回顾性比较了179例接受卡巴他赛和拓扑替康治疗患者的本地研究者评估与盲态独立中心评审的结果。本地研究者每例患者平均识别的靶病灶数量少于盲态独立中心评审(分别为每例2.9个 vs 3.4个),但将大部分差异归因于发现新病灶,占差异的53.7%[30]。

其他原发肿瘤

Zhao等人[43]报告称,198个靶病灶中仅33%被三位放射科医师一致识别。Mercier等人[73]进一步评估了189例接受贝伐珠单抗或凡努珠单抗联合化疗的结直肠癌患者中,所选病灶在不同器官间的缓解变异。他们发现了明确证据表明凡努珠单抗组的肿瘤缩小所需时间较贝伐珠单抗组更长,同时也发现不同器官和病灶间的肿瘤动力学存在显著异质性,这可能解释了靶病灶选择变异与RECIST分类变异之间的联系。

Moskowitz等人[51]进行了一项模拟研究,以评估测量的病灶数量是否影响疗效评价和观察者间变异(IOV)。他们发现基于5个病灶与基于10个病灶的疗效评估之间分歧极小。然而,测量少于5个病灶则导致了显著分歧。另一方面,Canals-Lambarri等人[11]发现2至4个靶病灶通常已足够,其中结直肠癌肝转移的组内相关系数(ICC)较高(所需病灶较少),而肾细胞癌的ICC较低(所需病灶较多)。

Muenzel等人[28]并未专门针对靶病灶选择进行研究,而是考察了靶病灶测量的观察者内和观察者间变异程度,发现同一观察者重新评估时6.3%的病例存在差异,不同观察者重新评估时12%的病例存在差异,“真实缓解”通过共识确定。

在间皮瘤中,靶病灶被靶位置所取代。Armato等人[8]观察到系统性偏倚,某些阅片者相较于其他阅片者始终测量肿瘤较厚或较薄的部分。在转移性乳腺癌中,Keil等人[24]报告,在比较选择了相同病灶的病例(76%一致率)与选择了不同病灶的病例(19%一致率)时,观察者间变异存在显著差异。Krasovitsky等人[25]报告了卵巢癌靶病灶选择的观察者内和观察者间“可重复性率”较高。更具体地说,腹膜病灶的选择可重复性率最高(0.76),而淋巴结最低(0.58)。所有研究的概览见表1B。

使用同一成像方式重复病灶测量的观察者间和观察者内变异

Oxnard等人[31]前瞻性研究了30例非小细胞肺癌(NSCLC)患者在重复CT扫描(间隔最多15分钟)中肿瘤测量的变异性。他们发现,即刻重复成像中,肿瘤直径变化超过1至2 mm很常见(不同幅度的变化占33%–57%)。在彼此间隔15分钟内进行的重复CT扫描中,肿瘤测量的中位变化范围为缩小23%至增大31%,其中3例患者达到了RECIST疾病进展(PD)的阈值。见表1D。

一维直径

23项研究调查了一维直径引起的观察者间变异。这些研究常将一维直径与二维截面积或三维体积进行比较。仅使用手动测量时,三维测量在观察者间变异方面相较于一维或二维并无一致优势,但三维测量对于不规则病灶及体模实验更为准确。

一维与三维

总体而言,三维测量大多采用半自动算法进行探索。为避免与第3.5.1节重复,我们仅报告人工三维与人工一维测量对比,或半自动三维与半自动一维测量对比的研究。

Fabel等[47]前瞻性比较了47例患者227枚肿大淋巴结的人工直径测量与半自动体积测量。采用Bland–Altman分析,他们发现人工一维测量的一致性界限(LoA)为5.84 mm,人工三维测量为2.87 mm。Schoot等[82]在124例接受化疗的肉瘤患者中发现,直径测量(RECIST,κ = 0.59)和包围椭球体积测量(欧洲儿童软组织肉瘤研究组(EpSGG),κ = 0.57)的观察者间变异(IOV)均为中等,两种标准之间的疗效分类差异为20%,但疗效低估与高估均衡分布。Steger等[37]报道头颈部癌淋巴结人工直径测量的IOV(以相对标准差表示)为10%,而包围盒体积测量接近16%。作者进一步讨论指出,实际的淋巴结体积分割“表现要好得多”,但在该研究进行时尚未普遍可用。就实际的人工三维肿瘤分割而言,Hajkova等[20]在一项经动脉化疗栓塞(TACE)患者的前瞻性研究中,将体积与RECIST和mRECIST一并纳入以评估其预后价值,但在观察者间变异方面未发现显著差异(Pearson r > 0.94)。目前仅有一个标准纳入了体积:欧洲肝脏研究学会三维定量标准(qEASL)。然而,一项纳入57例肝细胞癌患者的回顾性研究[84]比较了mRECIST(一维)与qEASL,其中报道mRECIST的IOV较高(最大κ = 0.43),但未报道qEASL的IOV。

一维与二维与三维的比较:Zhao等[43]利用一项临床试验中29例患者的队列和混合模型分析变异,发现半自动二维和半自动三维测量的测量总和在阅片者之间的相对变化(测量总和为19%和22%,同一病灶为14%和12%)高于半自动一维测量(分别为11%和8%)。Villemaire等[55]发现,对于球形模体,所有技术均表现出高准确性(与金标准相比无显著差异)。然而,对于不规则形状的模体,仅体积测量与金标准表现出强一致性,而一维和二维测量存在显著差异。他们还在29例患者中重复了该分析,但发现所有测量均具有较高的观察者内和观察者间一致性(ICC > 0.9)。

一维与二维测量的比较:Nishino等[61]在57例患者中比较了直径与横截面积在免疫相关疗效中的最佳总体反应和进展时间,发现两种标准之间具有高度一致性(加权Kappa = 0.881),但根据横截面积判断,6个月时进展的患者比例为70%,而根据直径判断为81%。所有研究的概览见表1D。

放射科医师与非放射科医师的比较

有3篇论文(3.4%)比较了放射科医师与非放射科医师对扫描图像的审阅。Gouel等[19]研究了放射科医师与放射技师在评估90例乳腺癌患者CT扫描疗效时的情况。5名放射技师与放射科医师在RECIST 1.1分类上的一致率显示κ = 0.47–0.67。Sailer等[54]评估了放射科医师与放射科医师助理在20例混合肿瘤患者中CT扫描评估的敏感性和特异性。放射科医师助理评估PD的敏感性和特异性分别为100%(95% CI:61–100%)和94%(95% CI:81–98%)。Hersberger等[72]比较了研究者使用肿瘤缓解评估核心(TRAC)网络门户的评估与肿瘤科医师和放射科医师在审阅47例肺癌患者MRI扫描时的缓解评估。TRAC与肿瘤科医师之间的κ值为0.42,肿瘤科医师与放射科医师之间的κ值为0.34。

尽管现有研究数量有限,但这些研究提示非放射科医师可以与放射科医师达到较高的一致性。然而,我们无法确定其缺乏放射学培训是否会对观察者间变异性(IOV)产生正面或负面的影响。

放射科医师的参与

我们确定了2篇回顾性论文(2.3%)。Felsh等[62]研究了170例接受索拉非尼或干扰素α-2a治疗的肾细胞癌患者的读者间变异性以及当地评估与中心放射学评估之间的偏差。当地与中心放射学审阅之间的一致性为κ = 0.53。与当地审阅者相比,中心审阅者识别出更多的PD病例(22.5%对18.6%)。在肿瘤变化率方面观察到系统性偏移,当地评估与中心评估相比偏差为−7.5%,表明当地审阅倾向于更有利的结果。

Beaumont等[93]比较了当地研究者与盲态独立中心审阅对179例接受卡巴他赛和拓扑替康治疗的肺癌患者的评估。当地研究者识别的靶病灶平均数量低于盲态独立中心审阅识别的数量(每例患者2.9对3.4)。有趣的是,当当地研究者与盲态独立中心审阅在基线时选择了相同的靶病灶时,后续的疗效评估中反而出现了更多的分歧。大多数分歧可归因于检测新病灶方面的差异。

标准类型

19项研究比较了专门疗效标准与标准RECIST。除肝细胞癌(下文单独讨论)外,所有研究关注的标准要么不依赖一维测量(如WHO、EpSSG),要么不使用靶病灶(如间皮瘤的mRECIST)。这些已在上述相关章节中进行了总结。总体而言,目前尚无明确共识表明专门标准相较于标准RECIST能一致地降低观察者间变异性(IOV)。

肝细胞癌

Sato等[33]发现21例接受TACE治疗的患者中,mRECIST的缓解率高于RECIST(CR:56.9%对9.2%;PR:79.7%对43.1%),且观察者内和观察者间变异更低(k分别为0.90、0.82对0.64、0.63)。Seyal等[34]在103例患者中证实,mRECIST在治疗更早期即显示出更高的缓解率(40.8%对3.9%)。他们报告了mRECIST的观察者内和观察者间变异(κ = 0.70和0.56),但未报告RECIST的相应值。然而,他们发现两种标准之间的一致性较低(κ = 0.18)。另一方面,Tovoli等[83]在77例接受索拉非尼治疗患者的分析中还纳入了肝癌反应评估标准(RECICL),发现三种方法的观察者间变异水平相似(k = 0.70–0.75),且在专家阅片者中显著更高(k = 0.81–0.87)。

Kim等[49]在133例接受化疗栓塞的患者中报告了EASL和mRECIST在绝对变化(CCC = 0.99)和相对变化(%,CCC = 0.87、0.88)测量方面具有可比的一致性系数,且EASL和mRECIST的反应分类之间一致性极佳(k > 0.96)。King等[84]在57例接受放射栓塞的患者中纳入了肝脏影像报告和数据系统(LI-RADS)和qEASL(使用边界框体积),发现mRECIST的观察者间变异为κ = 0.43,LI-RADS为κ = 0.48。他们未报告qEASL的观察者间变异,但注意到qEASL与其他方法之间存在显著相关性。

Ghosn等[86]在31例患者中比较了RECIST 1.1、mRECIST、vRECIST、EASL、qEASL和LI-RADS的预后价值,发现各方法之间的风险比相似(HR = 0.22–0.30),但报告RECIST 1.1具有最高的阅片者间一致性(k = 0.77对其他方法的k < 0.64)。Pirasteh等[89]在82例患者中观察到LI-RADS治疗反应(LRTR)(κ = 0.42–0.57)与mRECIST(κ = 0.62–0.66)之间的观察者间变异为中等水平。所有研究的概览见表1E。

不同的影像技术

七项研究探讨了影像技术对观察者间变异的作用。共识是,所选择的成像方式可影响病灶评估。一些研究表明,MRI的观察者间变异低于CT。

Plathow等人[85]回顾性比较了胸膜间皮瘤mRECIST与RECIST在50例接受化疗的间皮瘤患者队列中使用MRI和CT扫描的情况,观察到MRI的观察者间变异性低于CT(k分别为0.7–1.0和0.6–1.0)。同样,Moalla等人[81]在53例未经治疗或接受生长抑素类似物治疗的神经内分泌肿瘤患者中发现,与CT相比,肝脏MRI测量的观察者间相对变异(IRV)更低(IRV < 20%的比例为97% vs 81%)。Yang等人[92]将114例确诊为胰腺导管腺癌患者的CT和MRI评估的肿瘤大小与切除病理标本的测量结果进行了比较。他们发现CT和MRI均与病理大小具有良好的一致性(ICC > 0.6),但当肿瘤超过30 mm时,影像学估计的大小均一致偏小。MRI的平均差异大于CT(5.8 mm vs 4.3 mm)。Luersen等人[70]开展了一项回顾性研究,评估30例类癌患者肝转移灶大小测量的观察者内和观察者间变异性,使用多种MR序列(T1加权、T2加权、弥散加权成像(DWI)、钆对比剂(Gd)增强前后)。他们发现肝胆期(HBP)-Gd的测量显示出最小的观察者间变异性(IOV)。此外,DWI上测量的病灶大小明显大于其他序列的测量结果。Huh等人[21]回顾性比较了44例神经内分泌肝转移患者CT扫描的不同期相(平扫、动脉期和门静脉期)。在该研究中,两名设盲阅片者分别对三个期相上的靶病灶最长径进行了两次测量。他们观察到,与动脉期和门静脉期扫描相比,平扫图像上大小测量的观察者间和观察者内一致性(Bland–Altman)有所改善。所有研究的概览见表1F。

影像学随访

我们未能找到任何比较不同疗效评估时间点的已发表研究。

讨论

我们的综述显示,RECIST 评估中的观察者间变异(IOV)仍是肿瘤学领域的一大挑战,影响不同肿瘤类型、成像方式和疗效评价标准。虽然由于指标、测量方法和研究设计的异质性,跨研究的定量比较受到限制,但图 1 概述了导致 IOV 的潜在因素。IOV 可能影响肿瘤疗效评价和临床决策,尽管这种影响的程度仍不确定 [94, 95]。然而,IOV 的临床影响可能有限。Mandrekar 等表明,使用 2 类或 3 类疗效分类系统,或改变 PR 和 PD 的 RECIST 截点,并未显著改变多种肿瘤类型总生存期的预测 {Mandrekar, 2014 #1910}。这些发现提示,尽管 IOV 会引入肿瘤测量的变异性,但其对患者结局的影响可能小于其他因素,如病变选择、测量方法或成像质量。已有共识认为,病变测量方法(手动与半自动、1D 与 3D)、所评估的具体病变(靶病变或可测量病变的选择)以及图像质量和分辨率(MRI 与 CT、增强与平扫)对 IOV 有显著贡献。然而,关于放射科医师的经验、其参与试验的程度、针对特定肿瘤类型对疗效标准的修改或随访方案差异对 IOV 的影响,目前尚无共识。

在本综述中,我们只能判断某一因素与 IOV 的关联是否存在共识。对于未达成共识的因素,需要进行 meta 分析才能得出更有力的结论,但这需要可比的研究设计,而目前尚缺乏此类设计。

统计方法常被误用。对于疗效分类,应使用 Kappa 系数 [96]。对于连续值,首选组内相关系数(ICC)[97]。变异系数(CV)有助于量化连续测量的相对变异性,但它依赖于标准差;因此,仅当涉及大量阅片者时才推荐使用 [98]。百分比一致性、Bland–Altman 图、相关系数以及对均值差异的统计检验,一般来说不适用于量化 IOV。尽管评估一致性的统计方法被广泛使用,但其应用和解释并不总是最佳的。例如,既往一项研究报告了 Pearson 相关系数来量化阅片者之间的一致性。然而,相关性衡量的是关联强度而非一致性,因此即使观察者之间存在系统性差异,相关性也可能很高 {Janse, 2021 #1928}。例如,两位阅片者的测量值可能呈现很强的线性关系,但在绝对值上始终存在差异,仅靠相关性分析无法检测到这一点。此外,当测量值跨越较大范围时(这在肿瘤大小评估中很常见),相关系数可能会被夸大。

另一项研究报告了组内相关系数(ICC),但未明确说明所使用的模型或类型,这可能影响研究间的可解释性和可比性 {Koo, 2016 #1929}。同样,虽然kappa统计量和一致性百分比常用于分类疗效评估,但其解读可能受类别患病率的影响,且无法反映不一致的程度或临床相关性 {O’Leary, 2014 #1930}。

这些例子说明了选择适当的一致性分析统计方法的重要性。对于连续测量的一致性评估,Bland–Altman分析及明确指定的ICC模型等方法通常更具信息价值。

统计方法也可能被误读。例如,Kappa可以用于三分类疗效(PD、PR、SD),也可以二分为(PD、SD)对比(PR),或(PD)对比(SD、PR)。它可应用于两位评估者(Cohen)或三位及以上评估者(Fleiss)。此外,如果我们要考虑类别之间的自然顺序,例如PR在SD之前、SD在PD之前,则可以使用加权Kappa。这些都报告为Kappa,但其数值并不直接可比,因为每种Kappa指标基于不同的假设或计算方式。

一致性百分比和kappa系数是比较阅片者之间疗效分类最常用的指标。对于连续测量,常报告的指标包括Bland–Altman分析、相关系数、组内相关系数(ICC)和变异系数(CV)。然而,这些指标不可互换,应谨慎解读。例如,相关系数量化的是线性关系的强度而非一致性,因此即使观察者之间存在系统性差异,相关系数也可能很高。相比之下,Bland–Altman分析等方法更适合评估一致性,因为它们同时评估偏倚和一致性界限。对统计学方法的全面评价超出了本综述的范围,但适当选择和解读这些指标仍然至关重要。

某些解释具有误导性。常用的Kappa值定性标签(如“优”、“良”、“一般”)可能具有误导性,因为它们并非普遍适用,且取决于所使用的具体Kappa类型。这些阈值最初由Landis和Koch(1977)提出,他们自己也承认这些阈值是任意的,仅作为特定示例的指导,而非通用标准[97]。后来有人指出,这种做法可能弊大于利[99]。更糟糕的是,在某些情况下,同样的解释被套用于其他观察者间变异(IOV)指标,最常见的是组内相关系数(ICC),从而造成一种“指标间可比性”的错误印象。当前IOV指标的一个关键局限是缺乏以患者为中心的可解释性。例如,阳性预测值(PPV)等广泛使用的指标能够直接指导临床决策,因为它表明检测结果阳性患者为假阳性的概率——这一信息可以指导治疗、重新检测或患者咨询。相比之下,Kappa值提供的临床意义有限,因为它们不容易转化为患者在诊断分歧或错误分类方面的风险。Bakeman等[100]在研究类别数量和类别不平衡对Kappa的影响时,将其与更直观的准确性指标联系起来。例如,在平衡的两分类场景中,Kappa为0.6对应于准确率为0.8,意味着10个病例中有2个存在分歧。由于在任何分歧中只有一位阅片者可能是正确的,这相当于估计每10位患者中有1位被错误分类。对IOV指标解释的全面综述超出了本文范围,但我们认为这样的评估既必要又迫在眉睫。此外,由于纳入研究的肿瘤类型、影像模态和研究设计差异很大,我们未对纳入研究进行正式的偏倚风险或质量评估。因此,本综述属于描述性综述,读者应据此解读相关发现。

在本综述中,我们分析了大量文献,从而能够全面总结RECIST评估中的IOV及其影响因素。然而,我们的检索可能未涵盖所有相关研究,尤其是那些评估一维测量可重复性但未明确提及RECIST的研究。此外,我们将范围限定在RECIST 1.1发布(2008年12月)之后发表的研究,尽管RECIST 1.0的研究结果也可能具有相关性。随着新的疗效评价标准的出现,尤其是随着人工智能的整合,我们认识到未来需要标准化的方案来评估IOV。在本综述中,我们分析了大量研究,从而能够全面总结当前关于RECIST IOV的文献及可能影响IOV的因素。然而,检索本身可能未能涵盖所有可能报告了相关结果的研究。例如,这些研究可能调查了一维直径的可重复性,但不一定提及RECIST。我们意识到,尤其是随着人工智能的引入,新的标准正在被开发,可能克服其中一些因素。我们希望届时能有一套标准化的方案来评估IOV。

结论

总之,我们的综述强调,观察者间变异仍然是RECIST评估中一个重要的考虑因素。导致IOV的关键因素包括手动测量、病灶选择以及成像质量和方法的差异。若干因素仍未得到充分研究,且缺乏评估IOV的标准化指南。未来的RECIST更新可考虑将半自动和体积测量方法作为减少IOV的潜在工具。然而,鉴于证据基础异质且有限,仍需进一步研究以确定其在不同肿瘤类型和成像方式中的临床实用性和可重复性。

补充信息

电子补充材料

引用

  1. Smesseim, Bucho, Tissier, et al. Assessing the reliability of Response Evaluation Criteria In Solid Tumors (RECIST): a systematic review of the factors contributing to inter-observer variability. Insights Imaging. 2026. PMID: 42380551. doi:10.1186/s13244-026-02320-6
  2. 全文:PMC13319625(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13319625/

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。