文献速递腹部技术与安全MR

基于临床与MRI特征术前预测无功能胰腺神经内分泌肿瘤淋巴结转移:多中心研究

Preoperative prediction of lymph node metastasis in nonfunctioning pancreatic neuroendocrine tumors from clinical and MRI features: a multicenter study.
PubMed 文献 · Insights Imaging · 2022-10-08

本研究纳入4家医院187例无功能胰腺神经内分泌肿瘤患者,利用临床和MRI特征构建预测淋巴结转移的模型。训练组66例,验证组121例。多因素分析显示肿瘤形态规则(OR 4.722)和区域最大淋巴结短径(OR 1.488)为独立预测因子,模型在训练组和验证组的AUC分别为0.890和0.849。模型定义的淋巴结转移组与病理证实的淋巴结转移组无病生存率均显著低于无转移组。

要点

  • 肿瘤形态不规则和区域最大淋巴结短径是淋巴结转移的独立预测因子。
  • MRI模型预测淋巴结转移的AUC在训练组为0.890,验证组为0.849。
  • 模型定义的淋巴结转移与病理证实的淋巴结转移患者无病生存率均显著降低。

核心结论

  • 基于肿瘤形态和区域最大淋巴结短径的MRI模型可术前准确预测无功能胰腺神经内分泌肿瘤的淋巴结转移,有助于风险分层。

研究设计与样本

  • 多中心回顾性研究,纳入4家医院187例经手术病理证实淋巴结状态的无功能胰腺神经内分泌肿瘤患者,训练组66例(1中心),验证组121例(3中心)。
  • MRI扫描使用1.5T或3.0T扫描仪,序列包括T2WI、T1WI、DWI(b值0和1000 s/mm²)及动态增强MRI。
  • 参考标准为术后病理淋巴结状态,采用WHO 2019分类。

关键影像表现/征象

  • 肿瘤形态规则定义为圆形或卵圆形、边界清晰;不规则形态包括结节外生长或融合多结节生长。
  • 区域最大淋巴结短径和长径可测量,并计算短长比;淋巴结短径>5 mm和>10 mm的数目也被记录。
  • 淋巴结形态异常(圆形或中心坏死)提示转移。

诊断标准与关键数值

  • 多因素模型:Y = 0.398 × 最大淋巴结短径(mm) + 1.552 × 肿瘤形态(1=规则,2=不规则)。
  • 模型cutoff值为5.7,Y>5.7提示淋巴结转移,Y≤5.7提示无转移。
  • 训练组AUC 0.890(95%CI 0.795–0.986),验证组AUC 0.849(95%CI 0.740–0.957)。
  • 训练组敏感度76.2%,特异度93.3%;验证组敏感度75.0%,特异度88.1%。

临床应用与阅片要点

  • 术前MRI评估应关注肿瘤形态(规则与否)和区域最大淋巴结短径,以预测淋巴结转移风险。
  • 对于模型预测低风险的患者,可能避免不必要的淋巴结清扫,减少过度治疗。
  • 模型预测淋巴结转移与病理证实的淋巴结转移患者无病生存率均显著降低,提示影像特征可用于预后分层。

局限性

  • 回顾性多中心设计,患者选择和验证存在偏倚。
  • 使用不同MR扫描仪和协议,可能影响ADC值等定量参数。
  • 模型敏感度相对较低(训练组76.2%,验证组75.0%),尽管特异度满意。
  • 肿瘤形态不规则的OR值置信区间较宽(95%CI 1.093–20.404),需进一步验证。
  • 未纳入DCE等其他MR序列信息。
全文中译16 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. 2022 Oct 8;13:162. doi: 10.1186/s13244-022-01301-9

要点

本研究开发了一个用于预测无功能胰腺神经内分泌肿瘤(NF-PNETs)淋巴结转移(LNM)的MRI模型。

该MRI模型在验证组中表现出良好的性能(AUC 0.849)。

MRI定义的LNM分组显示出显著不同的无病生存期。

该MRI模型可能有助于外科医生进行风险分层决策。

引言

胰腺神经内分泌肿瘤(PNETs)起源于胰腺神经内分泌细胞,占胰腺肿瘤的1%–3%,是胰腺第二常见的恶性肿瘤[1–4]。无功能PNETs(NF-PNETs)比功能性PNETs更为常见,约占所有PNETs的70%–90%[5]。NF-PNETs具有从惰性到高度侵袭性的异质性生物学行为[6]。临床结局不一,5年生存率范围为30%至66%[7]。

迄今为止,手术切除仍是治疗指南中的首选。然而,关于手术方式的范围尚无共识,部分原因在于术前预测淋巴结转移(LNM)的挑战性,而LNM已被明确证实是与预后相关的重要预后因素。例如,欧洲神经内分泌肿瘤学会(ENETS)共识指南建议对>2 cm的PNETs应常规行胰腺切除联合区域淋巴结清扫[8]。相比之下,美国国家综合癌症网络(NCCN)指南建议对>2 cm或淋巴结阳性的肿瘤行根治性手术联合区域淋巴结切除,而对于1–2 cm的肿瘤,应考虑行淋巴结清扫[9]。因此,术前准确预测LNM对于手术决策至关重要,可避免对低风险PNETs患者的过度治疗。

既往研究发现肿瘤大小、分级、Ki-67等多种因素与PNETs患者的LNM相关[10–15]。然而,这些变量主要基于术后病理结果。作为一种无创影像学手段,磁共振成像(MRI)在PNETs的检出、分期及评估肿瘤生物学行为方面发挥着关键作用[16–19]。MRI的解剖学和功能学参数已被用作肿瘤分级、复发及术后结局的预测因子[20–22]。然而,很少有研究关注MRI在预测PNETs LNM方面的性能。本研究旨在利用多中心数据集评估临床特征和MRI特征在PNETs患者LNM及预后术前预测中的作用。

材料与方法

患者

这项多中心回顾性研究来源于中国4家医院。本研究按照《赫尔辛基宣言》进行,并经北京大学肿瘤医院机构审查委员会批准;免除知情同意。

检索了4家医院2011年5月至2018年6月的病历。纳入所有经病理确诊淋巴结状态明确且已切除的无功能性胰腺神经内分泌肿瘤(NF-PNETs)患者,并根据以下排除标准排除患者:(1)无可用MRI或MR图像不足以分析;(2)MRI与手术之间的时间间隔超过两周;(3)患者术前接受过局部或全身治疗。招募流程见图1。共有66例来自北京肿瘤医院的患者构成训练组,而来自北京大学第一医院(n = 46)、青岛大学附属医院(n = 37)和昆明医科大学第一附属医院(n = 38)的121例患者构成验证组。

从病历中获取基线临床信息,包括性别、年龄、体重指数(BMI)、症状(有或无)、总胆红素(TB)、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、空腹血糖(FBG)、中性粒细胞-淋巴细胞比值(NLR = 淋巴细胞计数/中性粒细胞计数)、癌胚抗原(CEA)、糖类抗原199(CA199)、糖类抗原724(CA724)和神经元特异性烯醇化酶(NSE)。病理分析基于WHO 2019分类,包括肿瘤分级(根据核分裂计数和Ki-67指数)、血管侵犯、神经侵犯和淋巴结状态。

图1 入组患者研究流程图 查看原图 ↗

MR扫描方案

所有检查均在1.5 T(n = 37)或3.0 T(n = 150)MRI扫描仪上进行,使用8通道相控阵体线圈,患者取仰卧位。MRI序列包括T2加权单次激发脂肪自旋回波(SSFSE)、快速自旋回波(FSE)T1加权成像和弥散加权成像(DWI)。DWI采用单次激发平面回波成像(EPI)序列在对比剂给药前进行,至少具有b值0和1000 s/mm²。动态对比增强MRI采用屏气脂肪抑制3D T1加权LAVA-Flex序列,在静脉注射钆喷酸葡胺(Gd-DTPA,Magnevist,Bayer Schering Pharma,柏林,德国)剂量为0.1 mmol/kg、流速2 mL/s之前和之后进行,随后使用动力注射器以20 mL生理盐水冲洗。图像分别在动脉期(20–35 s)、门静脉期(60–80 s)和延迟期(180–240 s)采集。MR扫描方案列于附加文件1:表S1。

MRI特征分析

所有患者按随机顺序排列,阅片者对临床信息和病理报告设盲。

定性分析

两名放射科医师独立评估定性变量(H.B.Z.和P.N.,均有12年腹部MRI经验),并评估观察者间一致性。当存在分歧时,引入一名资深放射科医师(X.Y.Z.,有15年腹部MRI经验)进行仲裁,仲裁后的结果用于后续分析。评估以下定性特征:(a)肿瘤位置(胰头/颈、体部或尾部),(b)大小(最大轴位径线),(c)T2-WI上的信号强度(SI)(相对于周围胰腺实质呈低信号、等信号或高信号),(d)外生性生长(存在或不存在),(e)动脉期明显强化(存在或不存在),(f)因肿瘤压迫导致上游胆总管扩张(CBDD)和/或主胰管扩张(MPDD)的存在,(g)血管及邻近器官侵犯的存在,(h)同时性肝转移的存在,(i)肿瘤边缘(规则或不规则)。肿瘤远端主胰管直径≥ 5 mm时视为扩张,而胆总管直径≥ 10 mm时定义为扩张。血管侵犯定义为肿瘤直接侵犯邻近血管并导致管腔阻塞或闭塞、与胰周主要动脉接触超过90°,或与邻近静脉接触超过180°。规则边缘定义为:呈圆形或椭圆形且边界清晰(图2a–f)。否则,具有结节外生长和融合性多结节生长的肿瘤定义为边缘不规则(图3a–f)[23, 24]。肿瘤边缘的观察者间一致性水平由两名盲法放射科医师独立评估。

图2 胰腺神经内分泌肿瘤在T2WI(左)、DWI(中)和动脉期(右)图像上具有规则肿瘤特征。a–c MR图像显示一个圆形、边界清楚、轮廓光滑的肿瘤。肿瘤-胰腺交界面锐利,可见假包膜(箭头)。d–f MR图像显示位于胰头的椭圆形但规则的肿瘤,肿瘤-胰腺交界面清晰光滑。尽管MR图像上未显示假包膜,该肿瘤仍归类为形态规则 查看原图 ↗
图3 NF-PNETs在T2WI(左)、DWI(中)和动脉期(右)图像上显示不规则特征。在(a–c)上,肿瘤显示边界不清的结节状肿瘤-胰腺交界面,并向邻近正常胰腺实质浸润。在(d–f)上检测到高度浸润性肿瘤,呈融合性多结节生长且缺乏边界,显示直接穿透至十二指肠,并经病理证实 查看原图 ↗

淋巴结评估

若肿瘤位于胰头/颈部,区域淋巴结包括沿胆总管、肝总动脉、门静脉、胰头前后面以及沿肠系膜上动脉分布的淋巴结。若肿瘤位于胰体/尾部,区域淋巴结包括沿肝总动脉、脾动脉和肠系膜上动脉分布的淋巴结[25]。分析扫描野内所有可见的区域淋巴结。测量最大淋巴结的大小(长径和短径),随后计算短/长径比。还记录DWI序列上检测到的短径> 5 mm、> 10 mm的淋巴结数目。此外,当淋巴结形态异常呈圆形或伴有中心坏死时,报告为形态学受累的淋巴结转移(LNM)。

定量分析

由两名放射科医师共同在b值为1000 s/mm2的DWI图像上手动放置感兴趣区(ROI)。以DCE-MRI和T2WI图像作为ROI分割的参考。在每个层面上沿原发胰腺肿瘤的外缘绘制ROI,并仔细避开血管结构、胆管、胰管及正常胰腺组织。将病灶全部层面的ADC值取平均值作为ADCmean。同时记录肿瘤的最大(ADCmax)和最小(ADCmin)ADC值。随后将肿瘤体积乘以层厚。

手术切除后随访

常规检查包括影像学检查和实验室检查,前2年每3~6个月进行一次,之后每年一次。无病生存期(DFS)定义为手术至发生事件(肿瘤复发、死亡或末次阴性随访)之间的时间间隔。末次随访日期为2021年6月27日。

统计学

采用独立样本t检验或Mann–Whitney检验比较LNM组与非LNM组临床因素和MRI特征的差异,连续变量采用独立样本t检验或Mann–Whitney检验,分类变量采用卡方检验或Fisher精确检验。采用Kappa系数评估观察者间一致性,0.0–0.20、0.21–0.40、0.41–0.60、0.61–0.80和0.81–1.00分别认为一致性轻微、一般、中等、显著和完美。根据LNM状态,单因素logistic回归纳入33个变量;多重比较采用Bonferroni校正(p < 0.05/33 ≈ 0.0015认为有统计学意义,p < 0.01认为单因素logistic回归中潜在显著)。将单因素分析中潜在显著的变量代入方程建立多因素logistic回归模型。计算优势比(OR)检验与LNM相关的独立因素,然后用于建立预测NF-PNETs中LNM的多因素模型。在训练队列和验证队列中分别计算受试者工作特征(ROC)曲线下面积(AUC)、灵敏度、特异度、阳性预测值(PPV)、阴性预测值和准确率,以评估模型的诊断性能。截断值采用最大Youden指数选择。绘制列线图以供临床应用。采用Kaplan–Meier法及log-rank估计比较验证组中模型定义的LNM组与病理LNM组的DFS曲线。所有统计分析采用IBM SPSS(版本22.0;IBM Corp.,纽约,美国)和R包3.6.2(R Foundation for Statistical Computing,维也纳,奥地利)进行。双侧p值 < 0.05认为有统计学意义。

结果

患者特征

训练队列和测试队列中187例患者的临床、病理和MRI特征见表1。除临床症状(p = 0.011)和NSE水平(p = 0.039)外,训练组与验证组之间NF-PNETs临床特征未发现显著差异。在187例PNETs患者中,41例(21.9%)有LNM,146例(78.1%)无LNM。

定性变量获得显著至完美观察者间一致性,ICC范围为0.787至0.926。

表1 训练组和验证组患者的临床特征、MRI特征 查看原表 ↗

术前临床因素和MRI特征与LNM的单因素和多因素分析

在训练队列中,最大淋巴结长径(p < 0.001)、最大淋巴结短径(p < 0.001)、最大淋巴结形状(p < 0.001)、短径 > 5 mm的淋巴结数量(p < 0.001)和短径 > 10 mm的淋巴结数量(p < 0.001)在淋巴结阳性组与淋巴结阴性组之间差异有统计学意义。结合上述变量,临床医生认为AST(p = 0.003)、肿瘤边缘(p = 0.007)、MPDD或CBDD(p = 0.009)和同时性肝转移(p = 0.002)可能与LNM潜在相关。

根据多因素logistic回归分析,最大淋巴结短径(OR,1.488;95% CI,1.162–1.907,p = 0.002)和肿瘤边缘不规则(OR,4.722;95% CI,1.093–20.404,p = 0.038)是与NF-PNETs淋巴结转移(LNM)相关的独立因素。结果见表2。NF-PNET的代表性病例见附加文件1:图S1和S2。

表2 训练队列中NF-PNETs术前临床和MRI危险因素与LNM的单因素和多因素分析 查看原表 ↗

构建用于预测NF-PNETs中LNM的模型

根据多因素logistic回归结果,建立用于预测NF-PNETs中LNM的多因素模型为Y = 0.398*最大淋巴结短径(mm)+ 1.552*肿瘤边缘(1,规则;2,不规则)。该模型在训练队列和验证队列中的AUC分别为0.890(95% CI,0.795–0.986)和0.849(95% CI,0.740–0.957)(图4a、b)。Y的截断值为5.7;Y > 5.7提示LNM,Y ≤ 5.7提示非LNM。各参数的诊断性能见表3。由训练队列生成的列线图见图4c。

图4 受试者工作特征曲线和列线图。a、b 该模型在学习组和验证组中预测LNM的受试者工作特征曲线。c 由训练队列生成的用于预测NF-PNETs中LNM的列线图。LNM:淋巴结转移 查看原图 ↗
表3 该模型在训练组和验证组中预测NF-PNETs中LNM的诊断性能 查看原表 ↗

淋巴结状态与患者结局之间的关系

验证组中所有患者的中位随访时间为24个月(95%CI,18至26个月)。病理性LNM患者相比非LNM患者表现出更差的DFS(36个月DFS率:28.4% vs 94.1%,p < 0.001)。模型定义的LNM患者相比非LNM患者也表现出更差的DFS(36个月DFS率:46.8% vs 92.3%,p < 0.001)。病理性LNM与模型定义的LNM患者之间DFS无差异,病理性非LNM与模型定义的非LNM患者之间DFS也无差异(均p > 0.05)。按淋巴结状态分组的生存曲线见图5。

图5 病理性定义LNM患者和模型定义LNM患者DFS的Kaplan–Meier分析。DFS:无病生存,LNM:淋巴结转移 查看原图 ↗

讨论

由于NF-PNETs的生物学行为在病理和分子异质性方面往往存在差异,目前用于PNETs管理的指南一直存在争议,尤其是关于是否应清扫区域淋巴结的问题,虽然对患者至关重要,但仍未解决。在这项多中心研究中,我们分析了187例NF-PNETs的术前临床和MRI特征与LN状态之间的关系。我们发现,在这项多中心研究中,胰腺肿瘤边缘不规则和最大淋巴结短径是LNM的独立预测因素,在训练队列和验证队列中AUC分别达到0.890和0.849。此外,MRI特征预测的LNM与DFS相关,表明放射学因素可作为预测患者结局的潜在生物标志物,这可能指导外科医生术前决策和NF-PNETs患者的个体化管理。

我们的结果表明,肿瘤边缘不规则的NF-PNETs似乎更具浸润性,且更易转移至邻近淋巴结,这与既往研究一致。Okabe等[23]发现,边界不清不仅与肿瘤大小、高组织学分级、同时性肝转移和淋巴结转移等疾病进展相关临床变量显著相关,而且与较差的总生存期独立相关。同样,De Robertis等[26]报告,边界不清在G2-3期和III–IV期PNETs中比在G1期和低分期肿瘤中更常见,其识别G2-3期和III–IV期肿瘤的特异性较高(90.3%和96%)。我们当前的数据显示,边缘不规则的肿瘤发生恶性淋巴结的可能性是边缘清晰肿瘤的4.72倍,从而进一步验证了PNETs中边缘不规则与肿瘤侵袭性之间的关联。该现象的特征在于,与形态规则肿瘤相比,边界不清肿瘤内部存在弥漫性或局部强化减低,这与缺氧相关,而缺氧进一步导致转移频率增加、后续治疗耐药风险增高以及总生存期下降。

最大淋巴结的短轴也被发现是LNM的独立关键预测因素。既往报告显示,影像学淋巴结增大可用于区分伴或不伴LNM的PNETs。Choi等[27]研究了166例NF-PNETs的CT特征以预测LNM,并将影像学淋巴结增大确定为LNM的强独立预测因素,与其他预测因素相比具有最高OR(11.76)。Partelli等[28]分析了188例无功能PNETs的临床、病理和影像学特征。影像学淋巴结状态(OR,5.58)和肿瘤分级(G2 vs G1:OR,4.87)是LNM的独立预测因素(AUC,0.80)。尽管来自淋巴结的许多其他定量参数,如淋巴结短/长径比和淋巴结数量,被认为可反映转移负荷并与许多癌症的预后相关,但在本研究中并非NF-PNETs的主要独立因素。

既往研究以不同的肿瘤大小截断值证实了肿瘤大小与LNM之间的关联。例如,Tsutsumi等[29]将肿瘤大小≥ 1.5 cm的PNETs确定为恶性淋巴结的指征。Jiang等[30]评估了100例NF-PNETs中用于预测LNM的术前参数,发现影像学肿瘤直径> 2.5 cm可作为LNM的可靠预测因素。Choi等[31]和Partelli等[28]分别发现,LNM的最佳肿瘤大小阈值应为2 cm和4 cm。相反,Jutric等[32]开展的一项大型临床研究分析了2735例PNETs患者的淋巴结状态,结果显示,在小于1 cm的1级肿瘤中,LNM发生率为24%。这些结果表明,通过评估肿瘤大小来识别LNM困难且不可靠。在我们的研究中,我们认为肿瘤大小在多因素分析中不是LNM的独立风险预测因素,这与既往研究结果一致。

近年来,由弥散加权成像(DWI)衍生的表观弥散系数(ADC)值能够以定量方式无创反映生物微环境中的结构和功能变化,已被报道作为一种影像标志物用于识别胰腺神经内分泌肿瘤(PNETs)的侵袭性和分级。然而,关于ADC值与淋巴结(LN)状态关系的信息仍然相对少见。Harimoto等[33]发现神经侵犯和较低的平均ADC值(≤ 1458 × 10–6 mm2/s)是淋巴结转移(LNM)的独立预测因素。我们应该注意到,在本研究的单因素分析中,仅ADCmin是组织学淋巴结转移的显著预测因素,而在多因素分析中它并非PNETs中LNM的独立风险预测因素。若干因素可能导致结果不同。首先,PNETs的临床行为和组织病理学表现从良性到高度恶性肿瘤差异很大,这可能进一步导致ADC值之间的重叠。在评估DWI预测PNETs组织学分级方面也观察到了类似研究。例如,Pereira等[34]报道PNETs的ADCmean值在G1-PNETs中显著更高,而Hwang等[19]指出ADC在G1与G2+3肿瘤之间无显著差异。其次,由于回顾性多中心设计,本研究中使用了不同的MR扫描仪以及不同的扫描方案。众所周知,方案的设备和设置会对ADC结果产生很大影响。第三,纳入的患者相对样本量较小,既往研究[33]仅纳入了40例具有病理LN信息和MR图像的患者。因此,今后应开展更大样本量的前瞻性研究来验证这些数据。

既往研究已显示LNM对PNETs患者无病生存期和总生存期的预后价值[10, 15, 20, 35, 36]。在本研究中,我们将LNM作为分层因素,并评估基于MRI特征的模型在预测患者结局方面的作用。我们组的DFS在病理性LNM与非LNM患者之间显示出显著差异。在独立MRI特征预测的LNM与阴性患者中也获得了类似结果,表明MRI特征在PNETs管理中的预后价值。换言之,如果无功能胰腺神经内分泌肿瘤(NF-PNETs)患者的术前MRI特征提示淋巴结转移,通常应行切除联合淋巴结清扫术。相反,当LNM风险很低时,不主张行淋巴结清扫。

本研究存在若干局限性。第一,作为回顾性多中心研究,患者选择和验证中的偏倚不可避免,这可能导致研究存在异质性。第二,由于回顾性多中心设计,使用了不同的MR扫描仪和协议,尽管形态学分类和最大淋巴结短轴测量未明显受到不同扫描仪和协议的影响。第三,所提出的模型显示出相对较低的敏感性(训练组为76.2%,验证组为75.0%)。相反,在训练组(93.3%)和验证组(88.1%)中均获得了令人满意的特异性,这意味着该组NF-PNETs可能不需要接受不必要的淋巴结清扫术,从而避免对低风险NF-PNETs患者的过度治疗。截断值采用最大约登指数法选择,该方法平衡了敏感性和特异性,因为它能为临床决策提供最准确的LNM预测。提高敏感性的因素仍需探索并整合到LNM预测模型中,这将是进一步研究的重点。此外,尽管肿瘤边缘不规则被认为是LNM的预测因素,但OR的置信区间范围过宽(95% CI,1.093–20.404),需要进一步研究来验证结果。最后,其他MR序列的信息,如DCE序列,未被纳入,应在未来研究中加以探讨。

总之,我们构建了一种简单而新颖的方法,基于MR图像上原发肿瘤的不规则形状和区域最大淋巴结的短轴,术前预测NF-PNETs的LNM。作为一种无创且稳定的方法,MR预测因素可作为生物标志物,有助于选择最佳手术方式并指导NF-PNETs患者的个性化治疗和监测。

补充信息

附加文件1. MR协议和扫描参数。

引用

  1. Zhu, Nie, Jiang, et al. Preoperative prediction of lymph node metastasis in nonfunctioning pancreatic neuroendocrine tumors from clinical and MRI features: a multicenter study. Insights Imaging. 2022. PMID: 36209332. doi:10.1186/s13244-022-01301-9
  2. 全文:PMC9547759(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9547759/

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。