MRI鉴别单发脑转移瘤与高级别胶质瘤:定性诊断策略与定量诊断策略的比较
本研究回顾性纳入36例经组织学证实的高级别胶质瘤(n=18)或单发脑转移瘤(n=18)患者,按大小和位置匹配,比较四种MRI诊断算法。数据驱动定量算法鉴别两者的敏感度94.4%、特异度94.4%、AUC 0.96,与组织学一致性极好(k=0.901)。
要点
- 分析性定性算法鉴别高级别胶质瘤与单发脑转移瘤敏感度100%、特异度77.7%、AUC 0.889。
- 半定量算法(结合文献灌注和扩散阈值)敏感度94.4%、特异度83.3%、AUC 0.889。
- 数据驱动定量算法(GM指数阈值0.321)敏感度94.4%、特异度94.4%、AUC 0.96。
核心结论
- 在鉴别高级别胶质瘤与单发脑转移瘤时,分析性定性算法优于纯定性算法,与半定量方法结果相似。
- 数据驱动定量算法获得了极好的鉴别效果。
研究设计与样本
- 回顾性研究,纳入36例经组织学证实的初治高级别胶质瘤(n=18)或单发脑转移瘤(n=18)患者,按病灶大小和位置匹配。
- 病灶从包含252例高级别胶质瘤和403例脑转移瘤的数据库中筛选,最长轴10-35 mm,排除跨越中线的蝴蝶状病灶及既往手术、化疗和放疗者。
- 使用3 T MR成像系统(Philips Achieva X Series)行常规及先进MR序列(DWI-ADC和DSC T2*灌注),由两名分别有7年和10年经验的放射科医生独立评估,分歧由第三名有20年经验的资深放射科医生协商解决。
- 以组织学检查为参考标准,采用ROC分析和Kendall一致性系数比较四种算法的诊断效能。
关键影像表现/征象
- 单发脑转移瘤在增强T1加权像上多呈近乎球形、边界清晰,高级别胶质瘤形态不规则、边界不清。
- 单发脑转移瘤瘤周水肿与病灶比值较高,病灶内无粗大血管穿行;高级别胶质瘤水肿/病灶比值相对较低,病灶内可见粗大血管。
- 单发脑转移瘤邻近皮质无增厚或明确信号改变;高级别胶质瘤导致皮质增厚和皮质界面模糊,提示浸润。
- 单发脑转移瘤瘤周区T2信号均匀明亮,提示单纯血管源性水肿;高级别胶质瘤邻近白质信号不均,伴细微低信号,提示肿瘤浸润。
诊断标准与关键数值
- 纯定性算法:敏感度72.2%、特异度78.8%、准确率75%、AUC 0.75,与组织学一致性中等(k=0.501,P<0.01)。
- 分析性定性算法:敏感度100%、特异度77.7%、准确率88.9%、AUC 0.889(P<0.01),与组织学一致性良好(k=0.798,P<0.01)。
- 半定量算法(采用文献报道的灌注和扩散阈值):敏感度94.4%、特异度83.3%、准确率88.9%、AUC 0.889(P<0.001),与组织学一致性良好(k=0.783,P<0.01)。
- 数据驱动定量算法:GM指数阈值0.321,敏感度94.4%、特异度94.4%、准确率94.4%、AUC 0.96(P<0.01),与组织学一致性极好(k=0.901,P<0.0001)。
- 定量参数中,平均rCBV阈值1.46(敏感度83%、特异度89%、AUC 0.904,P<0.01),平均T2PRC阈值87.5%(敏感度88.9%、特异度94.4%、AUC 0.907,P<0.01)。
临床应用与阅片要点
- 作者认为,基于常规影像形态特征的分析性系统化报告算法在脑肿瘤定性中可能仍起重要作用。
- 作者认为,数据驱动算法不应被视为放射科医生的替代,而应作为辅助放射科医生鉴别两种病灶的临床工具。
- 作者提出,数据驱动方法可能具有一些潜在优势,并可能被整合到临床阅片环境中,因其成本低且处理结果耗时相对较少(约数分钟)。
局限性
- 本研究为回顾性研究,因纳入/排除标准高度特异而样本量有限。
- 未获得波谱和扩散张量成像数据,纳入这些指标可能进一步提高检查性能。
- GM指数应在更大研究人群的多中心研究中验证。
- ROI分割为手动完成,半自动/自动算法可能提高准确性并减少诊断所需时间。
- 其他更先进的方法如瘤周纹理分析(可能在扩散张量成像指标上)可能在大规模多中心队列中更准确。
全文中译10 节 · 点击展开
引言
高级别胶质瘤(HGG)和脑转移瘤是成人群体中最常见的脑部肿瘤[1]。将HGG(一种预后不良的侵袭性肿瘤)与孤立性脑转移瘤(SBM)进行鉴别具有重要的预后和治疗意义。这可以通过多种方法实现,从传统报告到多参数数据驱动方法。
目前HGG的治疗基于手术切除后辅以Stupp方案[2, 3]。脑转移瘤可表现为单发或多发强化病灶。在不到30%的原发性系统性肿瘤患者中,脑部肿块是首个临床表现。当怀疑存在原发性系统性肿瘤时,应在做出进一步治疗决策之前进行全面的全身分期检查[4]。目前SBM的治疗选择包括手术或伽玛刀手术以及全脑放疗[5]。
此前多项研究报道,仅依靠MRI将SBM与HGG进行鉴别可能存在困难[6–11],因为这两种病灶可能表现出相似的形态学特征。已有多种算法被提出用于通过传统和先进MRI技术鉴别这两种病灶,包括自动/半自动方法流程[6–11]。这些研究强调了瘤周区域的重要性,即强化病灶周围T2序列上的高信号。他们发现,转移瘤的瘤周区域为单纯血管源性水肿,而HGG中则表现为肿瘤细胞浸润[1],导致灌注MR上CBV值升高。基于灌注的方法能够区分HGG与转移瘤,合并敏感度和特异度分别为90%(95% CI,84–94%)和91%(95% CI,84–95%)[12]。
此前已有研究表明,使用多参数MRI的数据驱动算法可以简化这一任务,并在区分胶质瘤分级方面优于半定量和定性算法,提高诊断准确性[13]。因此,我们假设在鉴别HGG与SBM的多种选择中,数据驱动方法相较于定性、标准化定性和半定量诊断算法,能够为放射科医师提供更优的诊断准确性。
材料与方法
本回顾性研究经意大利基耶蒂-佩斯卡拉“G. d'Annunzio”大学伦理委员会批准,并符合《赫尔辛基宣言》。所有患者在进行MR成像前均签署了书面知情同意书,该成像属于一项正在进行的脑肿瘤特征描述和术前规划研究。
所有在数据库中 identified 的具有最长轴在10至35 mm之间的单发强化脑病灶的患者,该数据库包含252例HGG患者和403例脑转移瘤患者,他们于2011年1月至2019年1月期间接受了MR成像。排除标准为跨越中线的蝴蝶状病灶[14],以及既往手术、化疗和放疗史。强化灶周围水肿轻微或无明显水肿(肿瘤强化区域周围T2高信号改变)以及存在出血均不被视为排除标准。
患者接受了标准化的多模态成像方案,包括常规和高级MR序列:DWI-ADC序列和DSC T2*灌注序列(T2*PWI)。图像使用3 T MR成像系统(Philips Achieva X系列;Philips Medical System,Best,荷兰)和灵敏度编码八通道头部线圈采集。常规和高级MR成像序列参数见表1。原始数据传输至PC工作站(Extended MR Workspace,release 2.6.3.2;Philips Medical Systems)进行后处理。
每位患者依次使用四种不同算法进行评估,以模拟放射科医师通常会寻求进一步发现以做出决定的临床环境。此项评估由两名放射科医师(V.P.和E.P.,分别具有7年和10年经验)独立完成,且对病变的组织学评估设盲。分歧由两名阅片者与第三名资深放射科医师(M.C.,20年经验)协商一致解决。定性算法。每名阅片者仅基于常规影像的视觉检查,就肿瘤的膨胀性(更提示转移瘤)或浸润性(更提示胶质瘤)性质提供意见[15]。
2. 分析性定性算法。病变的鉴别基于文献报道的部位和形态学特征。参数如下:(a)病变位于幕上或幕下[16],(b)强化病变的最大直径,(c)轴位平面上强化周围水肿,(d)强化病变的形态,(e)强化病变的边缘,(f)皮质对比强化,(g)未受强化病变累及皮质的异常信号和/或增厚[17–20],(h)强化周围区域低T2信号区[21],以及(i)穿过病变的显著血管[22]。所有分析性定性参数总结于图1和表2。
半定量算法:将五个小于1 cm²的感兴趣区(ROI)置于三个不同区域:(a)一个ROI置于对比强化区域,(b)三个ROI置于强化周围区域内距对比强化病变1 cm以内、T2加权图像上伴或不伴高信号的区域,以及(c)一个ROI置于对侧半球表现正常白质区域(图2)。放置ROI时避免来自相邻非肿瘤组织以及强化区与非强化区之间的部分容积误差。由灌注加权成像数据生成血容量图,并由此获得nrCBV(标准化相对脑血容量[CBV]除以对侧表现正常白质中的CBV)[23]。在每个区域获取血容量图的曲线最大高度和曲线恢复百分比。由弥散加权成像数据生成ADC图,并在每个区域获取ADC值。计算瘤周水肿中的PWI和ADC指标。随后要求放射科医师根据文献报道的截断值[1, 11],在形态学信息基础上补充PWI和ADC值,就病变性质提供意见。
数据驱动定量算法:数据驱动分析算法使用与算法3中提取的相同参数,具体如下所述。
统计分析
人口学特征和MRI参数描述性统计分别酌情以均值和标准差或中位数和四分位距报告。
定量分析算法:采用双尾独立样本t检验评估HGG与SBM之间先前评估中所用各参数和/或区域的差异,任意截断值设为p < 0.05,选择该截断值以减少将纳入数据驱动模型的变量数量,同时避免II类错误风险过高[13]。
采用受试者工作特征(ROC)曲线分析确定在第一次检验中存活的变量的数值截断值。在第二次分析中产生统计学显著结果(p < 0.05)的变量随后被用于判别函数分析(DFA),得出标准化系数,该系数表明每个预测变量对函数的独特贡献 [13]。由此产生的模型量化了每个个体变量在区分肿瘤类型中的贡献,并确定这些变量的组合(被确定为“GM指数”的指标)是否是群体归属的预测模型。通过留一法分析对模型进行了验证。
诊断准确性评估:采用Kendall一致性系数检验评估四种评估类型(定性、分析定性、半定量和数据驱动)与参考标准(组织学检查)之间的一致性。k值解释为一般(k ≤ 0.4)、中等(0.4 < k ≤ 0.6)、良好(0.6 < k ≤ 0.9)和优秀(k > 0.9)。然后对四种算法分别使用ROC分析确定最佳截断值及相应的相对灵敏度、特异度和准确率。
结果
共纳入36例患者(10例女性;平均年龄65.5岁 ± 10.6,范围:44–86岁),均为单发强化脑病灶,并经组织学证实诊断为既往未经治疗的高级别胶质瘤(HGG)(n = 18)或单发脑转移瘤(SBM)(n = 18)。后一组患者的原发肿瘤为肺(n = 6)、胃肠道(n = 5)、乳腺(n = 3)、黑色素瘤(n = 3)和肾(n = 1)。高级别胶质瘤和单发转移瘤患者的平均年龄分别为64.06 ± 12.03岁(范围:44–86岁)和67.0 ± 9.2岁(范围:52–82岁)。
算法1(定性分析)区分高级别胶质瘤与转移瘤的灵敏度为72.2%,特异度为78.8%,准确率为75%,AUC为0.75。算法2(分析定性分析)区分HGG与SBM的灵敏度为100%,特异度为77.7%,准确率为88.9%,AUC为0.889(p < 0.01,图3)。算法3(半定量分析)应用文献中报道的先验截断值,未能在分析定性方法的基础上实质性改善总体灵敏度和特异度(灵敏度 = 94.4%,特异度 = 83.3%,准确率 = 88.9%,AUC = 0.889;p < 0.001)。
对于算法4,HGG与SBM之间差异最显著的参数报告于表3,留一法分析未改变任何患者的分类。这些参数(平均T2nrCBV、平均T2PRC、T2aPRC和T2cPRC)通过DFA进行评估,以预测病灶为HGG还是SBM。结果显示所有预测变量均有显著作用(p < 0.01)。通过数据驱动分析获得的GM指数的ROC分析结果显示,GM指数区分HGG与SBM的截断值为0.321,灵敏度为94.4%,特异度为94.4%,准确率为94.4%,AUC为0.96(p < 0.01,图3,表3)。
表4报告了四种算法各自的诊断性能。
在定量参数中,能够区分两种病变的参数分别是平均rCBV和平均T2PRC,截断值分别为1.46(敏感度83%,特异度89%,AUC 0.904,p < 0.01)和87.5%(敏感度88.9%,特异度94.4%,AUC 0.907,p < 0.01)。
四种算法与组织学结果之间的一致性分析显示,算法1具有显著的中等一致性(k = 0.501,p < 0.01),算法2(k = 0.798,p < 0.01)和算法3(k = 0.783,p < 0.01)均具有良好一致性,算法4具有极好的一致性(k = 0.901,p < 0.0001)。
讨论
正确诊断SBM或HGG对于治疗方案制定至关重要,因为这两类病变的治疗策略差异显著[2, 4, 5]。多项研究采用常规和先进MRI技术探讨了该课题[1, 4, 6–12, 16–20, 24, 25]。本研究评估了四种不同诊断策略的诊断性能,按参数分析和标准化的递升顺序排列:纯定性、分析定性、半定量和数据驱动。采用GM指数计算的数据驱动算法在截断值为0.321时取得了极好的诊断性能(敏感度94.4%,特异度94.4%,准确率94.4%,AUC 0.96)。半定量和分析定性算法的诊断性能次之(良好),而定性算法表现最差。
定性算法
在我们的样本人群中,定性算法要求神经放射科医师仅根据肿瘤的膨胀性或浸润性特征给出意见,其结果与文献中报道的其他定性评估相当,表现出相对较差的性能[16–18]。这与既往研究一致,既往研究发现膨胀性与浸润性特征之间缺乏明确的影像学区分,尤其是对胶质瘤而言[16, 26, 27]。
分析定性算法
分析定性算法通过对多个形态学病变特征进行更标准化的评估,取得了更好的诊断性能。两个因素可能有助于解释诊断改善。第一,与病变单一参数评估(膨胀性/浸润性模式)相比,组合多个参数可提高诊断效能。第二,技术改进和高场MRI的常规使用(包括改善的T2信噪比、更高的空间分辨率和更薄的层厚)可能显示以往无法如此详细评估的病变形态学特征。这些结果支持经验丰富的放射科医师在准确区分两种病变中的核心作用。
半定量算法
半定量算法将形态学评估与取自文献的扩散和灌注参数截断值相结合,其性能与分析性定性算法相当,但排名优于定性算法。关于既往多项研究[1, 4, 6–11, 24, 25]报道先进技术相较于单纯常规成像可提高诊断准确性,本研究结果强调了结构化、系统化常规成像算法的优势。事实上,本研究中采用的分析性定性算法比常规成像的非标准化评估取得了更优的性能。因此,我们认为,基于常规成像所见形态学特征的分析性、系统性报告算法在脑肿瘤表征中可能仍发挥重要作用。
这些结果并不反对使用先进MR技术(尤其是灌注),因为这些技术对于鉴别肿瘤与肿瘤样病变以及胶质瘤分级仍是基本手段。本研究结果支持神经放射科医师作用的重要性,其通过对MR图像的系统性判读,能够以非常好的诊断准确性区分HGG与SBM。
数据驱动分析
数据驱动的多参数算法取得了最高的诊断准确性。我们认为,这种数据驱动方法可能具有一些潜在优势,并可在临床判读环境中实施,其成本低,且一旦提取相关数据,处理结果所需时间相对较少(约数分钟量级)。数据驱动算法不应被视为放射科医师的替代品,而应作为辅助放射科医师鉴别这两种病变的临床工具。
尽管采用MR波谱[1, 4–6]和扩散张量指标[7]的多参数研究在区分HGG与SBM方面报告了良好或极佳的结果,我们的方法纳入了耗时最少的序列T2*PWI和ADC,所需采集时间和数据分析过程不足5分钟。另一方面,其他基于先进指标的研究采用半自动或自动方法并结合复杂统计分析,报告了在区分HGG与SBM方面的改善[24, 25]。这些算法虽然准确,但可能需要显著更多的时间、经验、专用工作站和用户时间。
本研究存在一些局限性。首先,这是一项回顾性研究,由于高度特异的纳入/排除标准,纳入的样本量有限,这产生了高度同质的组;即,各组在病变特征上匹配并排除了混杂参数。我们选择这些严格的纳入/排除标准,以获得尽可能同质的数据集,并且在该数据集中区分这两种病变对放射科医师而言将是真正的诊断挑战。
基于我们的临床经验,我们认为纳入亚厘米级SBMs和巨大或跨中线HGG意义较小,因为这在真实临床环境中不会对经验丰富的放射科医师构成真正的诊断挑战,并可能“人为地”提高定性分析的准确性。
其次,如前所述,波谱成像和弥散张量成像数据不可用。纳入这些指标可能会进一步提高检验性能。第三,GM指数应在研究人群更大的多中心研究中进行验证。第四,ROI分割为手动完成。但半自动/自动算法可提高准确性,同时减少诊断所需时间。第五,其他更先进的方法,如瘤周纹理分析 [28],可能基于弥散张量成像指标 [29],在大型多中心队列中可能被证明更准确。
结论
在本研究中,对于高级别胶质瘤(HGG)与脑转移瘤(SBM)的鉴别,一种分析结构化的定性MRI算法优于非结构化的定性评估。当使用多参数MRI时,采用传统半定量评估并未带来显著改善。这些结果提示,专家分析方法对常规诊断工作流程具有实质性益处。此外,采用所提出的数据驱动定量算法使得SBM与HGG之间的鉴别准确性更优。
引用
- Voicu IP, Pravatà E, Panara V, et al. Differentiating solitary brain metastases from high-grade gliomas with MR: comparing qualitative versus quantitative diagnostic strategies. Radiol Med. 2022. PMID: 35763250. doi:10.1007/s11547-022-01516-2
- 全文:PMC9349158(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9349158/
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。