文献速递乳腺MR

乳腺MRI:临床决策算法是否胜过阅片者经验

Breast MRI: does a clinical decision algorithm outweigh reader experience?
PubMed 文献 · Eur Radiol · 2022-07-19

本研究纳入80例女性93个乳腺病变,比较3名未受乳腺影像培训的住院医师使用Kaiser评分与3名经验丰富的乳腺影像放射科医师仅用MR BI-RADS的诊断效能。住院医师使用Kaiser评分的AUC为0.842–0.928,显著优于专家使用MR BI-RADS的AUC 0.723–0.742(p≤0.05)。结果表明结构化报告算法可能弥补经验不足。

要点

  • 住院医师使用Kaiser评分的AUC 0.842–0.928,显著优于专家仅用MR BI-RADS的AUC 0.723–0.742。
  • Kaiser评分将五个MR BI-RADS征象加权组合为1–11分,并对应BI-RADS分类。
  • Kaiser评分高于4分对应BI-RADS 4/5,提示可疑并建议活检。

核心结论

  • 在临床「问题解决型MRI」设置中,Kaiser评分帮助住院医师获得比经验丰富放射科医师经验性使用MR BI-RADS更正确的诊断。
  • 结果支持乳腺MRI报告更多受益于使用诊断算法而非专家经验。

研究设计与样本

  • 回顾性、单中心研究,经当地伦理委员会批准(IS 1917/2016)并豁免知情同意。
  • 纳入80例女性(中位年龄52岁,范围34–83岁)的93个病变(32个良性,61个恶性),病变中位大小18 mm(范围4–80 mm)。
  • 3名院外乳腺影像经验超过15年的放射科医师仅使用MR BI-RADS判读;3名未受乳腺影像培训的住院医师使用Kaiser评分独立判读,所有读者对临床信息设盲。
  • 以组织病理学(立体定向、超声或MRI引导下活检)为参考标准。
  • MRI设备为1.5 T或3 T,使用至少8通道乳腺线圈,采集至少T2加权序列和增强前后T1加权梯度回波序列,至少3个增强后T1序列及减影图像。

关键影像表现/征象

  • 示例B2病变:无毛刺、持续强化、边缘不规则,Kaiser评分3分(良性,对应BI-RADS 2/3),而专家评为BI-RADS 4/5,病理为低级别假血管瘤样间质改变。
  • 示例纤维腺瘤:无毛刺、平台型强化、边缘清晰,Kaiser评分2分(良性,对应BI-RADS 2/3),而专家评为BI-RADS 4/5,病理为纤维腺瘤。

诊断标准与关键数值

  • Kaiser评分基于五个MR BI-RADS标准:毛刺、信号强度-时间曲线类型、病变边缘、内部强化、水肿,加权组合为1(最低乳腺癌风险)至11(最高风险)。
  • Kaiser评分1–4对应BI-RADS 2/3,5–7对应BI-RADS 4,8–11对应BI-RADS 5;评分高于4分视为可疑并指示活检。
  • 探索性界值设为3:评分<3视为良性,评分≥3视为恶性(图4)。
  • 专家仅用MR BI-RADS的AUC为0.723–0.742(三名专家之间p>0.72,无显著差异)。
  • 住院医师使用Kaiser评分的AUC为0.842–0.928(三名住院医师之间p=0.03及p>0.08,差异介于显著与临界显著之间);每名住院医师的评分均显著优于专家(p<0.01–0.05)。

临床应用与阅片要点

  • 作者认为,使用Kaiser评分进行结构化乳腺MRI报告似乎不需要专家培训。
  • 作者指出,Kaiser评分作为临床决策规则,基于预定义且经统计学加权的MR BI-RADS标准,可满足结构化报告的需求。
  • 作者指出,若使用Kaiser评分作为临床决策规则判读乳腺MRI,弥散加权成像的附加价值可忽略不计。

局限性

  • 初始数据来自另一项研究,仅纳入最终BI-RADS 4或5类并接受侵入性处理的患者,研究人群富集了临床挑战性病例,导致癌的比例相应较高,可能高估敏感度并低估特异度。
  • 结果严格适用于所研究的设置,Kaiser评分的影响在如筛查人群中可能不那么明显。
  • 住院医师仅对指示病变进行分类,未执行检测任务;研究未回答 upfront 识别病变是否需要高经验。
全文中译9 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:Eur Radiol. 2022 Jul 19;32(10):6557–64. doi: 10.1007/s00330-022-09015-8

引言

乳腺对比增强磁共振成像(MRIb)在乳腺影像学中已确立用于多种适应证。标准应用包括高危患者筛查、乳腺X线和超声不确定病变的诊断评估,或乳腺癌患者的治疗计划与监测[1, 2]。此外,近期数据表明MRIb在乳腺极度致密女性中进行中危筛查具有前景[3–5]。因此,预计不久的将来对MRIb检查的需求将会增加。

MRIb的判读被认为是受过良好培训的放射科医师的任务。由于MRIb的判读具有挑战性且阅片者间一致性存在差异[6, 7],改进标准化图像判读是一个活跃的研究课题[1, 8–14]。美国放射学会(ACR)当前第5版乳腺影像报告和数据系统(BI-RADS)词典无疑是最广泛接受的MRIb所见报告标准[10]。然而,使用标准化BI-RADS词典时,观察者间变异性和诊断准确性仍有差异[15–19]。这可能是因为BI-RADS词典未包含正式结合诊断标准以进行MRIb结构化报告的临床决策算法[20]。

Kaiser评分(KS)提供了此类临床决策规则,其使用机器学习方法结合五项独立的MR BI-RADS标准:(i)毛刺征;(ii)信号强度-时间曲线类型;(iii)病变边缘;(iv)内部强化;(v)水肿的存在。这些标准在组合中权重不同,产生从1“乳腺癌风险最低”到11“乳腺癌风险最高”的评分。该评分可直接转换为BI-RADS分类评级(KS 1–4 = BI-RADS 2/3,KS 5–7 = BI-RADS 4,KS 8–11 = BI-RADS 5),并具有相应的临床意义[21]。因此,KS已被证明有助于表征强化乳腺病变,可能避免误诊和不必要的活检[22–24]。此外,初步结果提示KS可补偿阅片者经验并提高阅片者间一致性[25]。然而,为研究阅片者经验的影响,应将具有乳腺MRI经验但先前未接触过KS的独立外部阅片者与对乳腺MRI无经验、仅在同一患者中应用KS作为诊断算法的阅片者进行比较。

因此,本研究的目的是评估住院医师使用KS进行结构化MRIb报告的诊断性能,并与仅使用MR BI-RADS的乳腺影像学经验丰富的放射科医师进行比较。

方法

研究设计

当地伦理委员会批准了这项回顾性、单中心研究,豁免知情同意(IS 1917/2016)。患者相关数据已去标识化,并按照良好科学实践标准处理。本研究期间生成和分析的所有数据可应通讯作者要求提供。同一数据集已在先前一项研究设计和目的完全不同的分析中描述过[26]。

患者

我们纳入了一部分患者,这些患者是在另一项研究[26]的背景下前瞻性招募的。纳入标准定义如下:年龄>21岁的女性患者,因常规影像学检查(乳腺X线摄影/断层合成、超声、临床检查)发现不确定或可疑结果(BI-RADS 0、4和5)而接受乳腺MRI(MRIb)[27]。排除妊娠或哺乳期女性,以及有乳房植入物或乳腺癌病史及相关治疗史的女性。此外,无法提供书面知情同意或存在MRI或钆基对比剂禁忌证的女性也被排除。以通过立体定向、超声或MRI引导下活检获得的组织病理学作为参考标准。因明显的良性MRI表现而无需活检的患者被排除在进一步分析之外。

MRI采集

纳入的MRIb检查主要在我们的机构进行(n = 48,60%)或在外部机构进行(n = 32,40%),使用1.5-T或3-T扫描仪,配备专用的至少八通道乳腺线圈。所有图像均在患者俯卧位下采集,使用符合欧洲乳腺影像学会(EUSOBI)推荐[27]的标准方案,至少包括T2加权序列和梯度回波T1加权序列,在静脉注射钆基对比剂之前和之后,于轴面采集。至少采集三个T1加权增强后序列。为改善对比增强的评估,提供了减影图像。所采集序列的详细信息见补充材料(补充表1)。

图像判读

图像判读由三名独立的院外放射科医师完成,他们在MRIb方面拥有超过15年的经验。与临床常规类似,专家阅片者对以下内容进行评级:(i)病变的存在和位置(乳腺象限);(ii)病变类型(肿块或非肿块强化);以及(iii)病变大小(mm);并为每个病变分配MR BI-RADS [10]评分。阅片者被指示仅对每侧乳腺中最可疑的病变(n = 1)进行评级。

同样的检查由三名院外放射科住院医师使用Kaiser评分(KS)独立分析,这些住院医师在进入“乳腺放射学”基础轮转(ESR I级)之前,在MRIb方面几乎没有或完全没有经验。简言之,KS是一个简单的分类系统,基于总共五项动力学和形态学标准(I:对比增强动力学,II:内部强化,III:是否存在毛刺征,IV:病变边缘,V:水肿),产生从1(=乳腺癌风险最低)到11(=乳腺癌风险最高)的类别分配。通常,KS评分高于4对应于BI-RADS 4/5,因此被认为是可疑的,随之有活检指征[21]。住院医师使用公开可用的KS在线工具(可通过以下网址访问:http://www.meduniwien.ac.at/kaiser-score/),该工具逐一查询各项标准并自动提供KS评分及相应的BI-RADS类别。住院医师知晓病变的位置(侧别和象限)和大小,但对专家的MR BI-RADS评级设盲,以确保专家和受训者评级的是完全相同的病变。所有阅片者对所有临床信息和患者病史均设盲。阅片者无法获得既往影像学检查资料。

统计分析

统计分析使用SPSS 22 for MAC(IBM)完成。相关临床和人口学数据以描述性分析呈现。计量连续数据以中位数和范围表示。通过比较ROC曲线的AUC评估区分乳腺良恶性病变的个体诊断性能。专家和住院医师读者间的一致性使用Cohen's kappa评估。双侧p值p < 0.05被认为具有统计学意义。

结果

共纳入80名女性(中位年龄52岁,范围34–83岁),共93个病变,其中32个良性、61个恶性。20个病变被评定为非肿块病变,其中13个为恶性。病变中位大小为18 mm(范围4–80 mm)。组织学详细信息见表1。

仅使用MR BI-RADS时,三位专家读者之间的性能(AUC 0.723–0.742,p > 0.72)无显著差异。使用KS时,三位住院医师之间的性能差异(AUC 0.842–0.928,p = 0.03,p > 0.08;表2)在显著与临界显著之间变化。每位住院医师使用KS的评分均显著优于专家使用MR BI-RADS量表的评分(p < 0.01–0.05;图1)。此外,我们发现与MR BI-RADS相比,使用KS进行结构化报告时读者间一致性有更好的趋势(KS:kappa 0.579–0.710,MR BI-RADS:kappa 0.531–0.624)。研究人群的示例图像见图2和图3。图4显示了专家和住院医师读者与金标准对照的一致发现。

表1 本分析中纳入的93个病变的组织学详细信息 查看原表 ↗
表2 每位个体读者的AUC值 查看原表 ↗
图1 ROC曲线展示住院医师(蓝色)和专家(黑色)的性能 查看原图 ↗
图2 B2病变,专家评定为BI-RADS 4/5,使用KS评定为良性。T2 TSE(A)、早期(C)和晚期(E)增强后脂肪抑制T1,以及右乳相应放大图(B、D、F)。该病变被专家评定为MR BI-RADS 4或5。对该无毛刺、持续强化、边缘不规则的肿块病变应用Kaiser评分,Kaiser评分为3,为良性结果,对应于BI-RADS 2/3。组织学验证显示无肿瘤的乳腺实质伴低级别假血管瘤样间质改变,B2 查看原图 ↗
图3 纤维腺瘤,专家评定为BI-RADS 4/5,使用KS评定为良性。T2 TSE(A)、早期(C)和晚期(E)增强后脂肪抑制T1,以及左乳相应放大图(B、D、F)。该病变被专家评定为MR BI-RADS 4或5。对该无毛刺、平台型强化、边缘光整的肿块病变应用Kaiser评分,Kaiser评分为2,为良性结果,对应于BI-RADS 2/3。组织学验证显示纤维腺瘤,B2 查看原图 ↗
图4 维恩图展示专家和住院医师读者的一致发现以及组织学金标准,分别针对(a)恶性病变和(b)良性病变。对于Kaiser评分,探索性截断值设为3。因此,评分< 3的病变被认为是良性,评分≥ 3的病变被认为是恶性 查看原图 ↗

讨论

我们的研究表明,KS 为结构化报告提供了临床决策算法,有助于住院医师在 MRIb 报告中达到专家水平。应用 KS 进行 MRIb 阅片的住院医师取得的结果甚至优于仅使用 MR BI-RADS 的专家阅片者。此外,使用 KS 时阅片者间一致性也有改善的趋势。这些结果支持:使用 KS 对 MRIb 进行成功的结构化报告并不需要专家培训。

既往研究已在多种临床 MRIb 场景中证明并验证了 KS 的诊断价值 [22–25, 28–30]。它同样适用于高风险、中等风险和平均风险患者;可用于乳腺癌诊断,且不受乳腺X线表现影响;并且在多种适应证中具有减少不必要活检的巨大潜力 [22–25, 28, 29]。此前已提出其对经验不足阅片者的可能影响 [22, 25]。Marino 等在一项个体内比较研究中,对一位经验较少的阅片者使用和不使用 KS 的 MR BI-RADS 进行了比较,证明使用 KS 时该阅片者表现更好。总体而言,他们报告称,使用经验性 MR BI-RADS 判读会因阅片者个体经验水平不同而导致阅片者之间存在显著差异,而使用 KS 则不会。我们的发现更进一步,因为这些发现不仅证实了应用 KS 可补偿阅片者经验的提示,而且表明经验不足的阅片者甚至优于未使用算法指导进行结构化报告的专家。本研究采用的独立阅片者方法更有效,因为既往研究允许同一批阅片者在初次阅片后使用 KS,且未尝试通过随机阅片方法减轻可能的识别偏倚。此外,阅片者在研究开始前接受过使用 KS 的培训,因此可能已潜意识地受到 KS 的影响。我们的方法避免了这种潜在影响,且有经验的阅片者既未专门接触 KS,也未在其常规临床实践中应用 KS。而且,我们的结果表明,依赖 KS 作为决策算法进行 MRIb 判读似乎并不需要专家培训。考虑到由于医学和经济学证据支持扩展 MRIb 适应证而导致对 MRIb 检查的需求不断增加 [3, 31–36],这一点很重要。

MRIb 的图像解读被认为是经验丰富且经过专门培训的放射科医师的任务 [9]。为什么?主要原因是复杂性:各种 MRI 序列中的许多不同参数必须被考虑,并需要在最终的 BI-RADS 评级中组合,该评级并非基于正式的决策规则,而是——说得相当令人恼火——基于直觉。此外,生理性背景强化存在个体间差异,可能导致诊断困难 [37]。这些因素可能造成 MRIb 图像解读中读者间一致性的变异 [6, 7]。例如,Grimm 等人 [17] 描述,使用当前第 5 版 MR BI-RADS 词典 [10] 审阅 BI-RADS 3 病变的专家之间,读者间一致性仅为有限水平。诊断过程中结构化报告缺乏正式指导的复杂性,以及各单项标准权重不明确,也可能解释为何一些作者描述 MRIb 在全方案与简化方案之间具有可比的诊断性能指标 [38]。KS 作为一种基于预定义且经统计学加权的 MR BI-RADS 标准的临床决策规则,确实回应了这些需求 [22]。与这一推理一致,多项研究已证明,如果将 Kaiser 评分作为临床决策规则用于乳腺 MRI 解读,DWI 的附加价值可以忽略不计 [24, 30, 39]。

我们的研究存在一些局限性,应予说明。首先,初始数据是在另一项研究的框架内收集的,仅纳入最终 BI-RADS 4 类或 5 类评估并接受有创处理的患者 [26]。这些选择标准意味着研究人群富集了临床具有挑战性的病例。这导致癌的比例相应更高,可能造成敏感性高估和特异性低估。因此,结果严格适用于所研究的场景,而在例如筛查人群中,KS 的影响可能不那么明显。此外,无经验读者仅对已指示的病变进行分类,并未执行检出任务。尽管文献中乳腺 MRI 的病变检出不被视为问题,但该研究并未回答 upfront 识别病变是否需要高经验 [8, 20, 38]。然而,结果相当引人注目,因为上述所有潜在偏倚反而都会有利于经验丰富的放射科医师获得更高的诊断性能。

总之,使用 KS 达到客观诊断类别的结构化 MRIb 报告,帮助住院医师在临床“问题解决型 MRI”场景中取得了优于凭经验分配 MR BI-RADS 类别的经验丰富放射科医师的结果。这些结果支持乳腺 MRI 报告更多受益于使用诊断算法,而非专家经验。

补充信息

ESM 1补充图 1:纳入和排除患者的研究流程图。补充表 1:所纳入 MRI 检查的序列和供应商。a 视图共享、3D、随机轨迹时间分辨血管造影、梯度回波序列;b 3D 快速小角度激发 T1 Dixon 序列;c 3D 快速小角度激发各向异性 T1 加权序列,无脂肪饱和;d 无脂肪抑制的梯度回波 3D(PDF 95 kb)

引用

  1. Pötsch N, Korajac A, Stelzer P, et al. Breast MRI: does a clinical decision algorithm outweigh reader experience? Eur Radiol. 2022. PMID: 35852572. doi:10.1007/s00330-022-09015-8
  2. 全文:PMC9474540(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9474540/

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。