定量MRI参数在区分肾肿瘤亚型和分级中的临床应用：一种结合内部皮质参考的多参数方法 Ekrem Anil Sari, Serap Sari, Canan Altay, Altug Didikoglu, Furkan Mert Kervan, Mustafa Secil

《Journal of Clinical Medicine》：Clinical Utility of Quantitative MRI Parameters for Differentiation of Renal Tumor Subtypes and Who Grades: A Multiparametric Approach with Internal Cortical Reference Ekrem Anil Sari, Serap Sari, Canan Altay, Altug Didikoglu, Furkan Mert Kervan and Mustafa Secil

　　**摘要**
**背景/目的**：评估定量磁共振成像（MRI）参数（T1、T2*、R2* 和 ADC）在区分肾肿瘤亚型和世界卫生组织（WHO）分级中的临床效用和诊断性能，并评估其在非侵入性肿瘤表征中的潜在作用。
**方法**：这项回顾性研究包括了82名经组织病理学确认患有肾肿瘤的患者，这些患者在2019年7月至2024年1月期间接受了术前增强MRI检查。使用基于标准化感兴趣区域（ROI）的分析方法，从肿瘤区域和对应的健康肾皮质获取定量测量数据。参数包括T2*、原始T1值和增强后T1值、R2*（1/T2*）以及ADC值。评估了观察者间的一致性。随机森林模型被用作辅助分析工具。
**结果**：该队列包括82名患者（平均年龄：59.3岁）。肿瘤被分类为多种亚型，其中透明细胞癌最为常见（n = 46）。高级别肿瘤（WHO 3-4级）表现出显著较低的ADC值（p = 0.029）和较大的肿瘤体积（p = 0.0017）。不同肿瘤亚型之间的T2*、R2*和ADC值存在显著差异（p < 0.05）。定量MRI参数显示出中等程度的鉴别性能，其中ADC被确定为最可靠的生物标志物。随机森林模型的整体准确率为93.2%，主要依赖于ADC和增强后T1值。
**结论**：定量MRI参数，特别是ADC，为肾肿瘤的临床表征提供了有意义的非侵入性生物标志物。结合对照肾皮质的比较进行解读，可能有助于提高临床决策能力。需要在更大的队列中进行进一步验证。

**1. 引言**
随着断层成像技术的广泛应用，肾肿块越来越多地被偶然发现，这些肿块涵盖了具有不同组织病理学亚型、分子特征和临床行为的多种肿瘤[1]。尽管成像技术有所进步，但准确地进行非侵入性表征仍然是一个重大的临床挑战，尤其是在区分肿瘤亚型和预测治疗前的组织病理学分级方面。肿瘤分级是肾细胞癌预后和治疗决策的关键决定因素。高级别肿瘤（WHO 3-4级）与低级别肿瘤（1-2级）相比，临床预后明显较差，两组之间的生存率差异显著[2]。因此，可靠的术前肿瘤分级估计有助于风险分层并指导个体化治疗策略。目前肾肿瘤的治疗方法包括主动监测、外科切除、消融治疗和系统治疗。在这种情况下，磁共振成像（MRI）作为一种有价值的非侵入性工具脱颖而出，因为它具有出色的软组织对比度，并能够提供解剖和功能信息。定量MRI技术能够客观评估组织特性和肿瘤微环境。定量参数如原始T1和增强后T1弛豫时间、T2*弛豫时间、表观扩散系数（ADC）和衍生的R2*值已被证明是反映细胞密度、血管丰富度和组织组成的有希望的成像生物标志物[3]。其中，ADC已被广泛研究并被认为是肿瘤细胞密度的替代标志物。然而，其他定量参数（尤其是T2*和R2*指标）的额外价值尚未完全理解[4,5,6]。最近的研究探索了多参数MRI和定量方法在肾肿瘤表征中的应用，包括T1映射和基于扩散的分析[7,8]。与以往的研究不同，我们的方法结合了多种定量MRI参数，并使用对侧健康肾皮质作为内部参考，这可能提高临床可解释性。此外，大多数先前的研究是单独评估这些参数的，限制了它们的临床应用。一种全面的多参数方法可能提供更牢固和可重复的肾肿瘤表征。尽管使用内部参考（如对侧肾皮质）的标准化策略可以减少个体间差异并提高测量可靠性，但这方面的研究仍不够充分。因此，本研究旨在探讨多参数MRI方法在区分肾肿瘤亚型和WHO分级中的临床效用。与以往的研究不同，我们整合了多种定量MRI参数，并使用对侧肾皮质作为内部参考以增强可重复性和实际应用性。此外，还结合了基于随机森林的机器学习模型作为辅助分析工具，以评估成像参数的综合诊断性能，而不是建立一个独立的预测模型。具体来说，本研究旨在：（1）评估定量MRI测量的观察者间一致性；（2）评估不同肿瘤分级之间的成像参数差异；（3）研究肾肿瘤亚型之间的变异；（4）探索这些参数在肿瘤分类中的潜在临床效用[9]。

**2. 材料与方法**
**2.1. 伦理考虑**
这项回顾性研究得到了Dokuz Eylul大学医学院伦理委员会的批准（决定号：2023/28-11），并遵循了《赫尔辛基宣言》中规定的原则。由于研究的回顾性设计，免除了知情同意的要求。
**2.2. 研究人群**
本研究包括了2019年7月至2024年1月期间在我们机构接受手术治疗的、组织病理学确认患有肾肿瘤的成年患者。最初共识别出204名患者。其中，选择了那些接受了包含全肾实质覆盖的标准化肾成像协议的术前MRI检查的患者（n = 100）进行进一步评估。排除标准如下：在外部机构进行的MRI检查、年龄小于18岁、存在囊性肾肿瘤，以及由于明显伪影（如运动相关降解）导致图像质量不足以进行定量分析的情况。应用这些标准后，最终有82名患者被纳入研究队列。
**2.3. MRI方案**
所有MRI检查均在1.5特斯拉系统（Philips Healthcare，荷兰Best）上进行。成像方案包括常规解剖序列，如轴向和冠状T2加权涡轮自旋回波（TSE）、脂肪抑制T2加权成像（SPIR）、双相梯度回波（GRE）T1加权成像以及动态增强GRE T1加权成像。扩散加权成像（DWI）使用b值1000 s/mm2进行，自动生成相应的表观扩散系数（ADC）图（TR/TE = 2084/101 ms；层厚 = 5 mm）。T2*映射和衍生的R2*值使用mDixon Quant序列获取（TR = 5.32 ms；矩阵 = 192 × 192；层厚 = 3 mm）。T1映射在增强前后均使用相同的采集参数进行（TR = 2.14 ms；TE = 0.956 ms；层厚 = 10 mm）。
**2.4. 图像分析**
术前MRI数据集使用机构图像存档和通信系统（PACS）在专用工作站（Sectra Workstation IDS7，版本24.2.16.6066；Sectra AB，瑞典Link?ping）上进行评估。从医院数据库中检索人口统计、临床和组织病理学信息。定量分析针对肾肿瘤的增强部分进行。对于每个病变，选择三个圆形感兴趣区域（ROI），面积范围为10至20 mm2（平均约15 mm2），并将其平均值用于统计分析。系统性地排除了显示出血、坏死、囊性变性或明显脂肪变化的区域。此外，为了避免测量一致性，避开了信号异质性高或变化大的区域[图1]。ROI被有意设置在最显固态的肿瘤区域，以减少部分体积效应并避免包含非肿瘤成分，如坏死区、囊性区或出血区。
**2.5. 统计分析**
描述性统计以频率形式报告分类变量，连续变量以平均值±标准差或中位数及其四分位距（IQR）的形式报告，具体取决于数据分布。通过直方图观察和Shapiro-Wilk检验评估正态性。由于MRI衍生变量不符合正态分布，因此在整个分析中应用了非参数统计方法。观察者间一致性使用Spearman等级相关系数进行评估。在分级分析中，肿瘤被分为低级别（WHO 1-2级）和高级别（WHO 3-4级）。此外，还研究了肿瘤大小（最大直径，单位mm）与WHO分级之间的关系。对于亚型评估，最常见的肿瘤类型（透明细胞癌、乳头状癌和嫌色细胞癌）使用二元分类框架（存在与否）进行分析。独立组之间的比较使用Mann-Whitney U检验进行，而肿瘤组织与对侧正常肾皮质之间的配对比较则使用Wilcoxon符号等级检验进行。双尾p值<0.05被视为具有统计学意义。统计分析使用IBM SPSS Statistics for Windows版本29.0（IBM公司，美国阿蒙克）进行。
**2.6. 机器学习**
随机森林算法被用作辅助分析工具，以区分肾肿瘤组织和健康肾皮质。模型参数通过袋外（OOB）误差估计和10折交叉验证进行优化，每次分割时随机抽样的变量数量（mtry）设置为5。为了减少过拟合，节点大小设置为10，最大节点数量限制为5。使用第一观察者的数据集进行训练，而第二观察者的数据集作为独立测试数据。所有统计分析均使用R软件版本4.3.2（R Foundation for Statistical Computing，奥地利维也纳）进行，数据可视化使用ggplot2包生成。

**3. 结果**
**3.1. 患者特征和肿瘤亚型**
研究队列包括82名患者，其中32名为女性，50名为男性，平均年龄为59.3 ± 13.7岁（范围：20-79岁）。平均肿瘤大小为60.7 ± 34.2 mm，范围从16到170 mm。52名患者的WHO分级信息可用，主要是那些患有透明细胞癌和乳头状细胞癌的患者。其中，18个肿瘤被分类为高级别（3-4级），34个被分类为低级别（1-2级）。肾肿瘤亚型的分布如图3所示，透明细胞癌是最常见的组织学亚型。亚型定义如下：1 = 清透明细胞肾细胞癌（ccRCC），2 = 乳头状肾细胞癌（pRCC），3 = 色素沉着性肾细胞癌（chRCC），4 = 肿细胞瘤，5 = 未分类肾细胞癌和肉瘤样透明细胞肾细胞癌，6 = 鳞状细胞癌和高级别乳头状尿路上皮癌，7 = 含脂肪的肿瘤，包括血管脂肪瘤（AML）和分化良好的脂肪肉瘤，8 = 淋巴瘤。各组患者数量分别为：1 = 46例，2 = 8例，3 = 8例，4 = 7例，5 = 2例，6 = 3例，7 = 5例，8 = 3例。

3.2. 观察者间一致性分析显示，从肾肿瘤测量中获得的全部定量MRI参数在观察者间具有很强的一致性（图S1）。其中，对比增强后T1值的一致性最高（R = 0.97），而R2*值的相关性最低（R = 0.87）。尽管存在这种变异性，所有参数均具有统计学意义（p < 0.0001），表明总体再现性较高。对于来自对侧正常肾皮质的测量数据，相关性介于中等至较强之间（图S2）。T2* mDixon Quant值的一致性最高（R = 0.94），而ADC值的相关性相对较低（R = 0.53）。虽然所有相关性均具有统计学意义（p < 0.0001），但一致性程度通常低于肿瘤测量数据。

3.3. WHO分级的MRI数据比较
3.3.1. WHO分级（严重和非严重）与MRI数据的比较
ADC值在低级别和高级别肿瘤之间表现出显著差异（p = 0.029），高级别病变的ADC值较低。其余定量MRI参数在两组之间未检测到显著差异[图4]。图4. 根据WHO肿瘤分级比较定量MRI参数。箱线图显示了低级别（1-2级）和高级别（3-4级）肿瘤之间的差异。(a) T2* mDixon Quant，(b) R2*，(c) 原始T1，(d) 对比增强后T1，(e) ADC值。统计比较使用了Wilcoxon符号秩检验。

3.3.2. 肿瘤大小与WHO分级的比较
高级别肿瘤的肿瘤大小显著大于低级别肿瘤（p = 0.0017）[图5]，表明肿瘤大小与组织病理学侵袭性可能存在关联。

3.4. 诊断类别之间的差异展示
3.4.1. 清透明细胞癌
透明细胞肾细胞癌（ccRCC）与其他肿瘤亚型在T2* mDixon Quant、R2*和ADC值上存在显著差异。T2* mDixon Quant和R2*的p值分别为0.019和0.024，而ADC值显示出最强的统计学意义（p < 0.001）。与其他肿瘤类型相比，ccRCC表现出较高的T2* mDixon Quant和ADC值，以及较低的R2*值[图6]，表明这种亚型具有独特的定量MRI特征。

3.4.2. 乳头状肾细胞癌
当乳头状肾细胞癌（pRCC）与其他肿瘤亚型进行比较时，除对比增强后T1值外，所有定量MRI参数均显示出显著差异。ADC（p = 0.00077）和原始T1（p = 0.0053）的差异最为明显。T2* mDixon Quant和R2*值也显示出具有统计学意义的差异，尽管不那么显著（分别为p = 0.026和p = 0.033）。与其他肿瘤类型相比，pRCC表现出较低的T2* mDixon Quant、原始T1和ADC值，以及较高的R2*值[图7]，表明其具有独特且可能的可识别定量MRI特征。

3.4.3. 色素沉着性肾细胞癌
在色素沉着性肾细胞癌（chRCC）与其他肿瘤亚型的比较中，T2* mDixon Quant和R2*值存在显著差异，而其余参数未见显著差异。与其他肿瘤类型相比，chRCC表现出较高的T2* mDixon Quant和R2*值[图8]。

3.5. 根据所有患者的MRI测量值比较肿瘤组织与健康肾脏皮质
在82名患者的队列中，使用配对分析比较了肾肿瘤的定量MRI参数和对侧正常肾皮质的数据。T2* mDixon Quant、R2*、对比增强后T1和ADC值显示出显著差异，而原始T1未见显著差异（p = 0.22）。在显著参数中，ADC显示出最强的统计学意义（p < 0.0001），而R2*的相关性虽然较弱但仍具有显著性（p = 0.0018）。与对侧正常皮质相比，肾肿瘤表现出较低的T2* mDixon Quant和ADC值，以及较高的R2*和对比增强后T1值[图9]，突显了这些参数在肿瘤检测和组织鉴别中的潜力。

3.6. 机器学习分析
应用随机森林模型作为辅助分析方法，利用定量MRI参数区分肾肿瘤组织与对侧正常肾皮质。模型训练使用第一观察者的数据集，而第二观察者的数据集作为独立测试集。模型在500棵树之前达到稳定状态；然而，为了分析的一致性，保留了500棵树。此外，在训练数据集内进行了10折交叉验证，以提高模型鲁棒性并降低过拟合风险。当包括所有五个参数时，模型在独立测试数据集上的准确率达到93.2%。表1提供了详细的分类性能和错误率。图10. 随机森林模型分析。(a) 树的数量与错误率之间的关系；(b) 基于随机森林距离的多维尺度（MDS）图；(c) 变量重要性图，显示每个参数的平均准确率降低和基尼指数的平均降低。特征重要性分析表明，ADC和对比增强后T1值是最有影响力的变量，显示出最高的准确率降低和基尼指数降低[图10]。阈值分析进一步表明这些参数可能有助于有效区分肿瘤和健康组织，这与图9中的发现一致。然而，这些发现应谨慎解释，因为训练和测试数据集均来自同一患者队列，尽管由不同观察者评估，且未进行外部验证。

4. 讨论
MRI广泛用于肾肿瘤的诊断和分期。除了常规序列外，先进的技术如T1、T2、T2*成像和扩散加权成像（DWI）也有助于肿瘤特征描述。尽管这些技术更常用于心脏成像，但也在脑肿瘤、淋巴结和肾肿瘤中进行了研究[10,11]。然而，评估肾肿瘤中T1映射、对比增强后T1、T2*、R2*和ADC值的研究仍然有限[10,11,12,13,14,15,16]。本研究在单一分析中整合了多种定量MRI参数，包括原始和对比增强后T1、T2*成像、R2*和ADC值。此外，使用对侧健康肾皮质的测量数据作为内部参考，可能提高定量成像的临床可解释性。关于测量方法，定量值是通过标准化的ROI放置从肿瘤组织和对侧肾皮质获得的。观察者间一致性分析显示，特别是对比增强后T1值具有很强的相关性（R = 0.97），表明再现性良好。相比之下，健康皮质的ADC测量一致性中等，可能是由于缺乏明确的目标区域和ROI放置的可变性增加。在所有参数中，ADC与肿瘤级别的相关性最一致。与Mytsyk等人的先前研究一致，ADC值随肿瘤级别的升高而降低[14]。同样，我们队列中高级别肿瘤的ADC值显著低于低级别肿瘤。这一发现可能反映了高级别肿瘤中细胞密度增加和细胞外空间减少，导致扩散受限。先前的研究还探讨了MRI参数与肿瘤级别之间的关系。Adams等人报告高级别肿瘤的原始T1值较高，归因于胶原含量的增加[11]。他们还观察到高级别肿瘤倾向于更大的肿瘤大小。另一项研究发现低级别肿瘤的T2成像值较长[15]。相比之下，我们的研究未在不同级别组之间发现原始T1或T2*值的显著差异。这些差异可能与肿瘤组成、多种肿瘤亚型的包含以及研究方法之间的差异有关。与先前文献一致，我们队列中肿瘤大小与肿瘤级别显著相关[17]。然而，随着偶然发现的肾肿瘤数量增加，肿瘤大小本身可能不是肿瘤侵袭性的可靠指标。在亚型分析中，透明细胞、乳头状和色素沉着性肾细胞癌是最常见的肿瘤类型。定量MRI参数在不同亚型之间显示出显著差异。透明细胞肿瘤显示较高的T2*和ADC值，以及较低的R2*值，而乳头状肿瘤显示较低的T2*和ADC值，以及较高的R2*值，这与先前报告一致[18]。同样，?olako?lu等人的发现也证实了乳头状肿瘤的ADC值显著较低[19]。色素沉着性肿瘤在T2*和R2*值上表现出显著差异，尽管相关数据在文献中仍然有限。在将肿瘤组织与对侧健康肾皮质进行比较时，除原始T1外，所有参数均显示出显著差异。这些发现表明，定量MRI参数，特别是ADC，可能提供有用的非侵入性肿瘤检测生物标志物[6]。应用随机森林模型作为辅助分析工具，准确率达到93.2%，能够区分肿瘤组织和健康皮质。然而，由于训练和测试数据集来自同一患者队列，不能排除潜在的过拟合风险。与先前的综述一致，人工智能在放射学中的应用需要标准化的数据集和可靠的验证[20]。本研究存在几个局限性。首先，相对较小的样本量和肿瘤亚型分布不均可能限制普遍性。其次，缺乏使用类似多参数方法的先前研究，限制了与现有文献的直接比较。第三，对比增强后T1序列是在单相中获取的，可能限制了对动态对比行为的评估。第四，肿瘤亚型分布不均，乳头状和色素沉着性肿瘤的数量相对较少，可能限制了统计功效和普遍性。此外，尽管识别出统计学上的差异，但尚未建立临床适用的决策阈值。由于样本量有限和类别不平衡，未进行基于阈值的分析（例如使用Youden指数的灵敏度和特异性）。需要更大、更平衡的队列进行未来研究，以实现可靠的阈值确定和临床应用。最后，ROI放置是手动完成的，与自动化方法相比可能存在观察者差异。尽管存在这些局限性，研究结果表明，多参数定量MRI，特别是ADC，可能为肾肿瘤特征描述提供有临床意义的信息。需要更大队列和外部验证的进一步研究。**结论**

定量磁共振成像（Quantitative MRI）在肾肿瘤的无创评估中发挥着重要作用，它通过T1、T2*、R2*和ADC等参数提供了关于肿瘤亚型和级别的宝贵信息。本研究显示，ADC值与肿瘤级别和大小存在显著相关性。多参数分析进一步表明，透明细胞瘤中的T2*、R2*和ADC值；乳头状瘤中的T2*、R2*、原生T1和ADC值；以及嫌色瘤中的T2*和R2*值可能有助于肿瘤亚型的区分。当将肿瘤测量结果与对侧正常肾皮质进行比较时，除原生T1外，所有参数均显示出了显著差异。这些发现表明，定量MRI参数，尤其是ADC值，可以作为具有临床意义的肾肿瘤表征的无创生物标志物。

随机森林（Random Forest）模型在区分肿瘤组织和健康皮质方面表现出较高的准确性；然而，这些结果应谨慎解读，并需要在更大规模、更具代表性的队列中进行进一步验证。总体而言，定量MRI作为一种无创工具在肾肿瘤表征方面具有广阔的应用前景。将其整合到临床实践中有助于实现更个体化的决策制定，尽管仍需对成像方案进行标准化，并在更大规模、更具同质性的群体中进行验证。

**补充材料**

以下支持性信息可在此下载：**
https://www.mdpi.com/article/10.3390/jcm15103653/s1
- 图S1：肾脏肿瘤测量结果的观察者间一致性：x轴显示第一观察者的测量结果，y轴显示第二观察者的测量结果。通过比较肾脏肿瘤的T2 mDixon (a)、R2* (b)、T1原生 (c)、T1增强 (d) 和 ADC (e) 值，评估第一观察者和第二观察者之间的测量一致性；
- 图S2：对侧肾脏皮质测量结果的观察者间一致性：x轴显示第一观察者的测量结果，y轴显示第二观察者的测量结果。通过比较对侧肾脏健康皮质的T2 mDixon (a)、R2* (b)、T1原生 (c)、T1增强 (d) 和 ADC (e) 值，评估第一观察者和第二观察者之间的测量一致性。