基于影像组学预测垂体腺瘤质地的系统综述与荟萃分析
该系统综述与荟萃分析纳入14项研究,评估基于MRI影像组学结合机器学习/深度学习术前区分软性与纤维性垂体腺瘤的诊断效能。汇总AUC为0.86,HSROC模型汇总敏感度0.74、特异度0.79。研究认为影像组学可辅助术前评估,但异质性高且缺乏外部验证。
要点
- 影像组学模型对纤维性垂体腺瘤具有较好的区分能力,可作为常规MRI的补充信息
- T2加权序列和联合多序列模型显示较高AUC趋势,报告中可关注T2信号异质性
- 汇总结果异质性高且存在小样本效应,当前不宜作为独立手术决策依据
核心结论
- 影像组学模型预测垂体腺瘤质地的汇总AUC为0.86,95% C.I. [0.76; 0.92],显著高于随机分类水平(z = 6.12,p < 0.01)
- 影像组学可作为常规MRI的补充手段,而非决定手术入路的独立指标
研究设计与样本
- 系统综述与荟萃分析,检索PubMed、EMBASE和Scopus(截至2025年12月3日),遵循PRISMA-DTA指南
- 共纳入14项符合标准的研究,聚焦基于MRI影像组学和机器学习/深度学习预测垂体腺瘤质地的模型
- 采用随机效应荟萃分析汇总AUC,HSROC双变量模型评估汇总敏感度与特异度
- 偏倚风险用QUADAS-2评估,影像组学方法学质量用METRICS工具评估
关键影像表现/征象
- 纤维性垂体腺瘤在T2加权序列上可能表现出信号异质性,与胶原表达增加和组织密度增高相关
- 联合多序列模型汇总AUC最高,为0.85,95% C.I. [0.78; 0.91],k = 11,其次为T2w序列,AUC = 0.84
- 不同预测算法之间和2D与3D特征提取之间未观察到显著性能差异
诊断标准与关键数值
- 汇总AUC为0.86,SE = 0.03,95% C.I. [0.76; 0.92],I2 = 92.45%,k = 14
- HSROC双变量模型汇总敏感度为0.74,95% C.I. [0.56; 0.87],汇总特异度为0.79,95% C.I. [0.73; 0.84]
- T1w序列AUC = 0.75,T1增强序列AUC = 0.77,T2w序列AUC = 0.84,联合序列AUC = 0.85
- 软性和纤维性腺瘤的鉴别是影像组学模型的预测目标,纤维性腺瘤约占垂体病变的10%
临床应用与阅片要点
- 影像组学预测纤维性腺瘤的漏诊(假阴性)可能导致术中对手术复杂性的低估
- 报告中可结合肿瘤大小、侵袭性和Knosp分级,将影像组学结果用于术前风险分层
- T2w信号异质性及多序列联合模型表现较优,阅片时可重点关注T2序列特征
局限性
- Egger检验提示存在小样本效应(p = 0.02),可能存在模型选择性报告或发表偏倚
- 汇总AUC分析异质性极高(I2 = 92.45%),各研究在采集协议、分割、特征提取和验证方法上差异较大
- 纳入研究缺乏充分的多中心外部验证,当前限制了临床推广
全文中译14 节 · 点击展开
引言
垂体腺瘤是成人中第三常见的脑肿瘤类型 [1]。鉴于其解剖位置,经蝶窦手术是大多数病变的首选入路,因为它提供了对垂体所在蝶鞍创伤最小的通道 [2]。手术计划和手术策略受肿瘤大小和侵袭性影响,这些可通过术前影像学(例如,评估海绵窦侵袭的 Knosp 分级)轻松评估,并与切除范围相关 [3]。影响手术计划和操作的另一因素是病变的质地,因为质软的腺瘤可使用标准经蝶窦吸引和刮除技术轻松切除,而纤维性腺瘤即使使用剥离器也常难以切除,可能需要更积极的分离操作和扩大手术入路 [4, 5]。此外,纤维性腺瘤与较低的全切除率和较高的术后并发症发生率相关,包括尿崩症和脑神经麻痹,尤其是在伴有海绵窦侵袭的肿瘤中 [6, 7]。纤维性腺瘤约占所有垂体病变的 10% [8],仅凭常规磁共振成像(MRI)无法在术前可靠判断其质地 [7, 9]。因此,人们对包括影像组学和机器学习在内的先进图像分析越来越感兴趣,以提取可能有助于术前预测腺瘤质地的定量特征。影像组学是一种将像素和体素转化为定量数据的影像学方法,能够捕捉人眼通常无法察觉的体素强度变化和空间关系 [10]。这些特征可能与底层组织特性相关,并可用于通过机器学习和深度学习算法开发针对临床特征和结局的预测模型 [11]。腺瘤质地的术前预测对于改善手术计划和患者预后至关重要。然而,迄今为止,基于影像组学的方法在此目的上的诊断效能尚未得到系统评价。本研究旨在通过随机效应荟萃分析,系统研究影像组学在垂体腺瘤质地预测中诊断效能的证据。
材料与方法
本系统综述和荟萃分析按照 2020 年版《系统综述和荟萃分析优先报告条目——诊断试验准确性扩展版》(PRISMA-DTA)指南 [12] 进行,并遵循在 PROSPERO 预先注册的方案(CRD420251246028)。对方案的修订见附录 S5。
文献检索
我们系统检索了 PubMed、EMBASE 和 Scopus,检索截止日期为 2025 年 12 月 3 日。我们通过筛选纳入研究的参考文献列表进行了补充的手工检索。未设日期或语言限制。附录 S1 提供了检索策略和筛选过程的完整细节。
纳入标准
纳入标准为:i)横断面研究,(ii)报告了术前接受MRI评估的垂体腺瘤患者,(iii)报告了影像组学,(iv)使用机器学习(如逻辑回归、支持向量机、随机森林分类器、LASSO回归、梯度提升)、深度学习或定量MRI分析来预测腺瘤质地,(iv)报告了模型的曲线下面积(AUC)及基本统计数据。
排除标准为:(i)综述,(ii)病例报告/病例系列,(iii)会议摘要,(iv)离体研究,(v)动物研究,(vi)未预测质地,(vii)无分层数据(如报告了多种肿瘤),(viii)缺乏足够的定量数据。
研究筛选与数据提取
两名作者独立筛选和检索标题及摘要,并进行全文筛选。分歧由第三名作者解决。使用标准化提取表收集以下数据:作者、年份、国家、研究设计、样本量、AUC、纤维性腺瘤百分比、预测模型、所用序列(即T1加权/T1w、T1w增强/CET1w、T2加权/T2w)、准确率、维度(即2D、3D)、真/假阳性和真/假阴性。当研究中未直接报告AUC估计值的标准误(SE)时,除非另有说明,均假定正态(即Wald型)近似,从95%置信区间(95% C.I.)推导得出。当无法获得95% C.I.时,通过Hanley–McNeil方法计算SE,基于观察到的AUC及阳性和阴性病例数解析估计方差[13]。
结局指标
主要结局为预测模型的汇总AUC。我们进行了亚组分析,以识别不同的机器学习算法、MRI序列和维度。作为次要结局,使用层次汇总受试者工作特征(HSROC)模型进行了探索性诊断准确性分析[14]。
偏倚风险和研究质量
使用诊断准确性研究质量评估-2(QUADAS-2)工具评估偏倚风险[15]。此外,使用影像组学研究方法学质量和透明度(METRICS)工具评估影像组学报告质量和方法学严谨性[16, 17]。METRICS评分的分布通过Shapiro–Wilk检验评估,组间差异采用Student t检验评估,考虑均数差(MD)及相应的95% C.I.
数据分析
对AUC估计值进行随机效应Meta分析,以总结各研究的诊断效能。随机效应模型假设观察到的估计值可能因患者人群、MRI采集参数、分割策略、特征提取流程、模型开发方法和验证方法的差异而在不同研究之间存在差异,并考虑上述变异性[18]。主要效应量为合并AUC,即在区分软性腺瘤与纤维性腺瘤方面的预测效能。主要分析采用预定义的层级来选择每项研究中的一个模型,层级按优先级从高到低排列如下:非探索性外部验证、独立保留测试集、嵌套交叉验证、其他内部交叉验证或重抽样方法、无独立验证的全队列分析。在最高可用层级内,选择原始作者确定的表现最佳的模型。异质性通过I²和τ²统计量进行评估。采用漏斗图和Egger检验评估主要结局的发表偏倚。由于当AUC接近1.00时logit变换会产生极端值,置信区间达到1.00的研究可能对漏斗图不对称性和Egger检验产生不成比例的影响。因此,作为敏感性分析,在排除这些研究后重复进行发表偏倚分析。我们对主要结局进行了以下亚组分析:(i)预测算法,(ii)MRI序列,(iii)维度,以及关于样本中纤维性腺瘤百分比的Meta回归。所有分析的统计显著性阈值设为p = 0.05。统计分析使用R 4.2.3在R studio中完成,使用metafor 4.6–0 [19]和mada 0.5.12 [20]软件包。
结果
我们从各种来源识别出406条记录,经半自动去重后,在标题和摘要层面筛选了228条记录。我们检索了46篇全文并评估其合格性。最终,我们发现了14项符合条件的研究。更多信息见图1(PRISMA流程图)。
纳入研究的特征详见Table 1,在全文筛选阶段排除并附有排除原因的e-Tables 1、2见附录S5。模型预测垂体腺瘤质地的总体合并判别效能为AUC = 0.86,SE = 0.03,95% C.I. [0.76; 0.92],I² = 92.45%,τ² = 0.98,k = 14,显著高于随机概率(z = 6.12,p < 0.01)(图2)。
关于阳性病例(即存在纤维腺瘤者)所占百分比的 meta 回归未能显著解释方差(p = 0.79)(e-图 1)。漏斗图的目视检查及 Egger 检验结果提示存在显著的小样本研究效应(p = 0.02)(e-图 2a),但在排除 AUC = 1.00 研究的敏感性分析中未得到证实(p = 0.25)(e-图 2b)。考虑不同预测模型的亚组分析未显示不同算法之间存在显著差异(Q 检验 p = 0.96)(e-图 3)。关于不同序列,尽管无显著差异(Q 检验 p = 0.66),亚组分析仍提示了判别性能更高的趋势,其中联合模型表现最高(AUC = 0.85,95% C.I. [0.78; 0.91],k = 11),其次是 T2w(AUC = 0.84,95% C.I. [0.72; 0.92],k = 9)。T1w(AUC = 0.75,95% C.I. [0.67; 0.82],k = 4)和 CET1w(AUC = 0.77,95% C.I. [0.72; 0.81],k = 5)序列表现较低(e-图 4)。关于维度,2D 与 3D 分析未显示显著差异(p = 0.99)(e-图 5)。留一法分析未能显示有单项研究显著改变合并估计值(e-图 6)。排除离群值(即 Agosti 等、Cerný 等、Cuocolo 等和 Mendi 等)的敏感性分析未显示合并估计值存在显著差异,而异质性从 I2 = 92.5% 降至 78.3%,尽管仍较高(e-图 7)。
双变量 HSROC 模型(logLik = 13.18,AIC = − 16.37,BIC = − 12.51,k = 8)显示合并平均灵敏度为 0.74,95% C.I. [0.56; 0.87],合并平均特异度为 0.79,95% C.I. [0.73; 0.84],经样本量校正的 Holling 异质性估计为 I2 = 6.8–10.7%(图 3)。
偏倚风险和研究质量
在各研究中,就患者选择的偏倚风险领域而言,偏倚风险和适用性主要为低风险和中等/不明确风险,高风险研究所占比例较低。适用性顾虑总体较低,未观察到高风险判断(图 4 和 e-图 8)。
在所有纳入的研究中,平均METRICS评分为76.0 ± 13.0,表明整体方法学质量良好(e-表3),且呈正态分布(W = 0.96,p = 0.72)(e-图9)。METRICS评分随时间呈上升趋势(e-图10)。在Kocak等人于2024年发表METRICS框架[16]之后发表的研究,其评分高于早期研究(84.00 ± 10.90 vs. 71.53 ± 12.30),尽管这一差异未达到统计学显著性(MD = 12.47,95% CI [− 1.93; 26.86];df = 12;p = 0.08)(e-图11)。整体质量未能显著解释主模型结果中的异质性(e-图12)。
讨论
据我们所知,本文是首个评估基于影像组学方法用于术前预测垂体腺瘤质地的现有诊断性能证据的荟萃分析。汇总结果表明,影像组学和机器学习模型显示出良好的整体判别性能,汇总AUC为0.86,显著高于随机分类(即AUC = 0.50)。HSROC模型中观察到的汇总敏感性为0.74,特异性为0.79,表明基于影像组学的模型能够以合理的准确性识别纤维性腺瘤,同时保持足够的特异性。从临床角度而言,这一结果尤为重要,因为假阴性预测可能导致对手术复杂性的低估。基于影像组学的预测可以补充常规MRI,在术前提供关于肿瘤质地的额外信息,这是一项有助于预判手术复杂性的相关信息,与肿瘤大小、扩展范围和海绵窦侵犯并列[21]。特别是,识别纤维性腺瘤可帮助外科医生预判更困难的肿瘤减容操作以及完全切除可能性可能较低的情况。观察到的工作点表明,影像组学可能为风险分层和手术规划提供增量价值,而非作为手术方式的独立决定因素。我们的研究结果表明,基于定量MRI的方法可以提供具有临床意义的信息,补充常规影像学评估。然而必须指出的是,尽管诊断性能良好,但仍观察到显著的异质性,这可能反映了研究间的变异性,包括采集方案、分割、特征提取与选择、模型开发以及验证流程的差异。此外,影像组学是一个相对年轻且快速发展的领域,报告质量的异质性仍然存在,影像组学专项质量评估也证实了这一点,尽管随时间有所改善。我们的研究结果表明,影像组学质量和透明度标准的规范化(即[16])促进了整体研究质量的提高,为影像组学分析的实施及其结果的报告提供了共同的方法学参考。然而必须指出的是,在我们的样本中,整体质量未能显著解释异质性,因为荟萃回归未能达到显著性。
亚组分析未显示不同算法之间存在显著差异,提示模型性能可能更多受特征质量和预处理选择的影响,而非特定分类器的影响。这一发现与现有文献一致,现有文献认为特征稳健性、预处理和验证严谨性是整体性能的首要因素[22]。2D与3D方法之间未出现显著差异,但鉴于3D亚组中研究数量有限导致统计功效较低,应谨慎解读这一结果。关于不同MRI序列,观察到联合模型具有较高判别性能的趋势,其次是T2加权成像,但未达到统计学显著性。T2加权信号强度主要由T2弛豫时间决定,T2弛豫时间反映了水分子质子自由运动的程度[23]。它受分子环境影响,包括与胶原蛋白和细胞外基质的相互作用,这在其他情况下已得到证实[24]。纤维性垂体腺瘤呈现较高的转化生长因子β(TGFβ)表达[25],该因子促进胶原蛋白合成,尤其是I型胶原蛋白[26]。胶原蛋白与水高度相互作用,根据其类型比例的不同,可能以不同方式发生[27]。因此,胶原蛋白表达的改变和组织密度的增加可导致纤维性腺瘤中的信号异质性,这一特征可被影像组学方法捕捉,尤其是在T2加权序列中。
从临床角度而言,基于影像组学的垂体腺瘤质地预测可作为支持常规影像学的工具,用于术前规划。除肿瘤大小、扩展范围和海绵窦侵犯外,影像组学可能有助于预判因肿瘤质地造成的技术难度,为手术策略提供有用信息。然而,在广泛临床实施之前,可能还需要进一步开展标准化验证的前瞻性多中心研究。
留一法和离群值敏感性分析中合并AUC的稳定性表明,总体估计值并非由任何单一研究或已识别的离群值所驱动。然而,在上述分析中异质性仍然显著,提示其可能反映了各研究之间多方面的方法学和临床差异,包括影像采集方案、分割方法、影像组学流程、模型构建和研究人群的差异。
研究的局限性
漏斗图的目视检查和Egger检验表明存在小样本效应,这可能反映了对性能较高模型的选择性报告、缺乏外部验证或倾向于阳性结果的发表偏倚。报告质量参差不齐,并非所有研究都遵循了既定的影像组学方法学标准,这一点在METRICS评估中有所体现。此外,高异质性强调了在解读合并估计值时应保持谨慎,尤其是关于AUC分析,因为双变量HSROC模型显示低/中度异质性。
结论
本系统综述与荟萃分析表明,应用于术前MRI的影像组学方法在预测垂体腺瘤质地方面具有良好的总体诊断效能。层次诊断准确性分析中观察到的平均敏感度和特异度提示,影像组学可为术前风险分层和手术规划提供具有临床意义的信息。总体而言,影像组学可作为常规影像检查的有益补充,用于垂体腺瘤质地的术前评估。然而,显著的异质性和有限的外部验证目前仍妨碍其临床实施。在这些模型能够可靠地整合到临床实践之前,需要采用标准化影像组学工作流程开展前瞻性多中心验证。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 1718 kb)
引用
- Fusco, Caiazza, Cuocolo, et al. Radiomics-based prediction of pituitary adenoma consistency: a systematic review and meta-analysis. Radiol Med. 2026. PMID: 42758236. doi:10.1007/s11547-026-02281-2
- 全文:PMC13668906(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13668906/
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。