原始研究的文章

前面。肿瘤防治杂志。,25May 2023
秒。癌症成像和Image-directed干预措施
卷13 - 2023 | https://doi.org/10.3389/fonc.2023.1167209

在肝细胞癌的术前预测VETC利用非高斯diffusion-weighted成像在高b值:一个试点研究

晨辉李 ^{1 __}

燕温^{1 __}

Jinhuan谢¹

Qianjuan陈¹

义乌见鬼 ²

Huiting张 ³

胡郭⁴

醴陵长 ^{1、5、6 *‡}

¹放射学、广西医科大学第一附属医院,南宁,广西,中国
²病理学系,广西医科大学第一附属医院,南宁,广西,中国
³先生的科学营销,西门子医疗有限公司,武汉,湖北,中国
⁴应用先生,西门子医疗有限公司,长沙,湖南、中国
⁵重点实验室区域高频率的早期预防和治疗肿瘤,Gaungxi医科大学,教育部,南宁,广西,中国
⁶广西重点实验室肝脏疾病的免疫学和新陈代谢,广西医科大学第一附属医院,南宁,广西,中国

背景:肿瘤血管封装集群(VETC)被认为是肝细胞癌(HCC)转移的一个重要原因。

目的:比较各种扩散参数的潜力来自monoexponential模型和四个非高斯模型(DKI、SEM、FROC CTRW)在肝细胞癌的术前预测VETC。

方法:86名肝癌患者(40 VETC-positive和46 VETC-negative)前瞻性。Diffusion-weighted图像获得使用6 b值(范围从0到3000年代/平方毫米)。各种扩散参数来源于扩散峰度(DK)、延伸型指数函数(SE),分数阶微积分(FROC)和连续时间随机漫步(CTRW)模型,结合传统的表观扩散系数(ADC)来自monoexponential模型计算。所有参数之间的比较VETC-positive和VETC-negative组使用一个独立样本t检验或Mann-Whitney U测试,然后两组之间有显著差异的参数组合建立一个由二元逻辑回归预测模型。接受者操作特征(ROC)分析是用来评估诊断性能。

结果:在所有研究扩散参数中,只有DKI_K和CTRW_α显著不同群体之间(P = 0.002和0.004,分别)。预测的存在VETC在肝细胞癌患者中,结合DKI_K和CTRW_αROC曲线下的面积较大(AUC)比两个参数分别(AUC = 0.747和0.678和0.672,分别)。

结论:DKI_K CTRW_α优于传统预测HCC的VETC ADC。

介绍

肝细胞癌(HCC)是全世界癌症死亡的第三大原因,和最常诊断原发性肝脏恶性肿瘤(1)。虽然部分肝切除术是最佳的治疗策略,术后肿瘤复发和转移发生率居高不下,导致可怜的预测肝癌患者(2,3)。最近,一种新的血管基于模式的转移机制,肿瘤血管封装集群(VETC),被认为是肝细胞癌转移的一个重要原因(4,5)。然而,肝细胞癌患者的VETC地位并不经常使用在操作之前,这限制了其临床应用。因此,相当多的临床重要性是附着在术前VETC评估通过radiology-based方法。

最近的研究表明,术前肝细胞癌的形态学特征基于磁共振成像(MRI)或计算机断层扫描(CT)可以用来描述VETC (6,7)。然而,定性评估的形态学特征是主观的和有限的观察人士之间的差异解释。Diffusion-weighted成像(驾车),它允许水分子扩散评估和组织显微结构的复杂性特征,被认为是一个有效的工具来确定肿瘤组织病理学类型术前(8,9)。此外,表观扩散系数(ADC),这是最常用的DWI-derived参数从monoexponential模型,被广泛用于描述和分类肝细胞癌(10,11)。然而,风扇等。6)发现,传统ADC值不是一个独立的预测多变量分析虽然VETC-positive显示明显区别的两组单变量分析,表明仍有一些限制使用ADC区分VETC HCC的地位。ADC不反映水扩散的非高斯特性复杂的亚细胞微观结构。因此,它在水扩散(不包含所有的信息12,13)。获得更加准确的水扩散信息和映射组织的微观结构,一些非高斯数学模型建立了基于高b值酒后驾驶,包括扩散峰度成像(DKI) (14),延伸型指数函数模型(SEM) (15),分数阶微积分(FROC)模型(16)和连续时间随机漫步(CTRW)模型(17,18)。

之前的研究表明,这些先进的非高斯模型优于monoexponential模型在检测显微结构的各种实体肿瘤的异质性,如胶质瘤、子宫内膜癌和肝细胞癌(18- - - - - -21)。然而,我们所知,这些非高斯模型没有进行VETC模式评估。因此,我们旨在比较monoexponential的潜力和非高斯模型(DKI、SEM、FROC CTRW)在术前VETC预测,以及寻找潜在的预测因子。

方法和材料

病人

这个未来的审判是伦理委员会批准广西医科大学第一附属医院(没有。ky - e - 245),并从所有参与个人获得知情同意。从2021年12月到2022年8月,159人的CT和/或超声结果显示原发性肝癌被招募。所有患者术前常规MRI和6 b值驾车在我们的研究所。

排除标准:(1)病人接受治疗之前(或射频消融动脉供血,等等),20例;(2)病人手术为不合格或未接受手术在我们医院,25例;(3)MRI和手术之间的间隔超过1个月,5例;(4)肝损伤太小(< 1厘米),6例;(5)最后病理结果显示其他恶性肿瘤而不是肝癌,14例;(6)MRI图像的质量进行分析不足,3例。最终,86名患者被纳入研究。

图像采集

一个MAGNETOM棱镜3 t磁共振扫描仪(德国西门子医疗)体线圈(18频道)和脊柱线圈(12通道)被用来检查病人。一个自由气息单发echo-planar-imaging (ss-EPI)结合集成那些动态填隙(iShim)被用来获得酒后驾驶数据为非高斯和monoexponential模型同时在三个正交方向。成像采集参数如下:6 b值= 0,200,600,1000,2000,3000 s /毫米²(1,1,1、2、4和6的平均值,分别),重复时间(TR) = 4900 ms,回波时间(TE) = 57毫秒,视野(FOV) = 380×261毫米²矩阵大小(MS) = 128×88,切片厚度(ST) = 5毫米,片差距= 1毫米,并行成像加速因子= 2,扩散计划=单极,带宽= 2442 Hz /像素和扫描时间= 4分钟,40年代。

常规MRI序列,列出了信息和参数如下:横向fat-suppressed t2影像获得了respiratory-triggered涡轮旋转回声序列(TR = 2800毫秒,TE = 85毫秒,FOV = 380×380毫米²= 320×320女士;圣= 3毫米,翻转角度(FA) = 120°);获得了在t2加权像日冕half-Fourier single-short涡轮旋转回声(急忙)序列(TR = 1000毫秒,TE = 95毫秒;FOV = 380×380毫米²女士= 192×192,圣= 5毫米,和FA = 160°);同相,不同相t1加权成像进行快速变质gradient-recalled dual-echo序列(TR = 81毫秒,TE = 1.3和2.5 ms;FOV = 380×296毫米²女士= 320×224,圣= 3毫米;和FA = 9°);fat-suppressed轴向t1的3 d体积插值屏息考试(氛围)序列(TR = 3.55, TE = 1.30毫秒,FOV = 380×296毫米²女士= 320×224,圣= 3毫米和FA = 9°- 30°)是用来捕捉图像在以下阶段:造影,晚期动脉相(25 - 35 s),门户静脉(55 - 65 s)阶段,和延迟阶段(3分钟)。

图像处理和分析

从五个扩散模型生成的数据进行了分析使用后处理软件Body-DiffusionLab (BoDiLab、成都中影医疗科技有限公司,有限公司,成都,中国)。模型的相应计算公式如下:

(1)Monoexponential模型

\begin{array}{l} 年代 (b) = {年代}_{0} 经验值 (- bADC) & (1) \end{array}

S (b)和S0和不使用扩散加权图像信号强度测量的b值,分别。ADC是表观扩散系数。

(2)扩散峰度成像模型

\begin{array}{l} 年代 (b) = {年代}_{0} 经验值 (- 双相障碍 + b^{2} D^{2} K / 6) & (2) \end{array}

D代表扩散系数,和K代表峰度。

(3)延伸型指数函数模型

\begin{array}{l} 年代 (b) = {年代}_{0} 经验值 ({(- bDDC)}^{α}] & (3) \end{array}

DDC代表分布式扩散系数,和αintravoxel异质性指数。

(4)分数阶微积分模型

\begin{array}{l} 年代 (b) = {年代}_{0} 经验值 (- - - - - - D μ^{2 (β - - - - - - 1)} {(γ G_{d} δ)}^{2 β} (Δ - \frac{2 β - 1}{2 β + 1} δ)] & (4) \end{array}

D代表扩散系数,β代表空间分数阶导数,μ是空间常数。G_d扩散梯度幅值,Δ梯度叶分离,δ是扩散梯度脉冲宽度。

(5)连续时间随机游走模型

\begin{array}{l} 年代 (b) = {年代}_{0} E_{α} (- {(双相障碍)}^{β}] & (5) \end{array}

D代表反常扩散系数、α和β分别代表时间扩散的异质性和空间扩散的异质性。

四个非高斯模型的配件进行跨所有b值使用醉酒驾车的数据。monoexponential模型,配件进行了使用酒后驾驶数据与b值为0,600,1000。参数包括扩散系数(DKI_D)和峰度(DKI_K) DKI模型,分布式扩散系数(SEM_DDC)和intravoxel异质性指数(SEM_α)从SE模型,扩散系数(FROC_D),分数阶导数在太空(FROC_β)和空间常数(FROC_μ)FROC模型,反常扩散系数(CTRW_D),时间扩散异质性(CTRW_α)和空间扩散异质性(CTRW_β)CTRW模型,和表观扩散系数(ADC) monoexponential模型。两名有经验的放射科医生蒙蔽自学和手动描述肿瘤的体积感兴趣的(VOI)沿着整个肿瘤的边界在每片DW图像(b值= 1000 s /毫米²)使用3 d切片机(正式版)。明显的囊性或坏死区域被排除在外的信号显示T2和对比度增强t1影像。随后,看到被应用于所有其他参数地图来确定参数值,平均值是使用。

临床和组织病理学评价

注册的临床记录病人从医院信息系统检索(他的)。手术切除肝组织被2独立评估有经验的病理学家蒙蔽了本研究以确定其病理分类。任何分歧都详细讨论,综述了数据,直到达成共识。值得注意的是,证据确凿的,VETC模式视为cd34多sinusoid-like血管形成网状网络和捕获单个肿瘤集群的整体/部分肿瘤(4,22)。

统计分析

所有统计分析生成使用SPSS软件(版本23.0,IBM)。分类和定量变量提出了数字/百分比和平均值±标准差(SD)。皮尔逊卡方检验(包括连续性校正在适当的时候)被用于分类数据的比较。另一方面,未配对的学生的学习任务(为正态分布数据)和Mann-Whitney U测试(非正态的分布数据)被用于连续变量VETC-positive和VETC-negative组之间的比较。P值小于0.05被认为是具有统计学意义。组内相关系数(ICC)被用来反映inter-observer协议向扩散参数(差:< 0.50,温和:0.50 - 0.75≤:0.75 -≤0.90,和优秀的:> 0.90)。平均扩散参数的值来衡量两个放射科医生进行进一步分析。二进制逻辑回归用于集成两组之间有显著差异的参数建立一个预测模型。最后,接受者操作特征(ROC)曲线绘制来评估每一个参数的预测能力有显著差异和它们的组合模型。最大Youden索引值被用来定义最优截断值,和相关的敏感性和特异性进行了评估。 DeLong test was used to assess the predictive power by comparing the area under the ROC curve (AUC).

结果

患者信息

在这项研究中,86名患者,包括72名男性和女性患者14(30 - 77岁,平均年龄:52)。有40 VETC-positive肝癌病例(30 - 77岁,平均年龄:52)和46 VETC-negative肝癌(38 - 77岁,平均年龄:52)。病人的详细临床资料证实表1。我们没有观察到的统计差异VETC-positive和VETC-negative团体之间的临床特点。

表1

表1病人的临床特点。

醉酒驾车参数在预测VETC

详细参数来源于每个非高斯模型和由两个观察员在ADC值测量表2。显著差异的平均值DKI_K和CTRW_α观察肝癌之间有或没有VETC (图1)。此外,inter-observer协议之间的两个观察员优秀(DKI_K,国际商会:0.948;95%置信区间:0.921—-0.966;CTRW_α,国际商会:0.904;95%置信区间:0.853—-0.937)(表2)。此外,ADC的平均valuse DKI_D CTRW_D CTRW_β,所有其他参数来源于SEM和FROC模型组间差异不显著(表3)。图2,3肝细胞癌的MRI扫描结果显示代表从VETC-positive病人获得(51岁男性)和VETC-negative病人(60岁男性),分别。

表2

表2扩散参数之间VETC-positive和VETC-negative组和两个放射科医师之间的协议。

图1

图1箱线图显示DKI_K和CTRW_αVETC-positive和VETC-negative组织的价值观。* *统计上的显著差异(P < 0.005)。

表3

表3平均值之间的扩散参数VETC-positive和VETC-negative组。

图2

图2代表组织病理学和放射图像的肝癌病例VETC(51岁男性)。(一)代表的CD34免疫组织化学染色(原放大×100)肿瘤切除肝组织显示典型的VETC模式集群网络式血管网络捕捉到。(B)的动脉相显示不均匀,显著增强病变在肝右叶。(C, D)1000年代DW图像获得的b值/毫米²和3000年代/毫米²,分别。(E, F)DKI_K地图(E),CTRW_α地图(F)。

图3

图3代表组织病理学和放射图像的肝癌病例没有VETC(60岁男性)。(一)代表的CD34免疫组织化学染色(原放大×100)切除的肝组织显示经典毛细血管模式与离散的流明。(B)动脉病变的显示不均匀,增强阶段肝脏右叶。(C, D)1000年代DW图像获得的b值/毫米²和3000年代/毫米²,分别。(E, F)DKI_K地图(E),CTRW_α地图(F)。

ROC分析

我们也评估扩散的性能参数与显著的组间差异决定VETC肝癌病例通过比较他们的ROC曲线(图4)。所示表4AUC,敏感性,特异性,最优截断值,Youden指数进行了分析。我们发现,相比个人DKI_K的AUC和CTRW_α(0.678和0.672),结合DKI_K和CTRW_α导致一个更大的AUC (0.747)。德龙试验表明,DKI_K之间的auc, CTRW_α和结合DKI_K CTRW_α没有显著差异(P > 0.05)。

图4

图4DKI_D ROC曲线,微分VETC-positive CTRW_α及其组合,VETC-negative肝癌。auc为相应的ROC曲线0.747 (DKI_K + CTRW_α),0.678 (DKI_K)和0.672 (CTRW_α)。

表4

表4诊断性能区分VETC-positive和VETC-negative肝癌。

讨论

在这项研究中,我们比较参数的预测能力来源于monoexponential在VETC面前模型和四个非高斯扩散模型。结果表明,在所有参数,只有DKI_K和CTRW_αVETC积极性的潜在因素。此外,这两个参数的组合有温和的诊断能力VETC (AUC = 0.747)。

此前的一项研究报告的风扇等。6)表明,VETC-positive例ADC值明显低于VETC-negative病例。符合这一发现,我们也观察到低VETC-positive组ADC值与VETC-negative组。然而,差异没有达到统计学意义,可能是因为我们有限的样本大小和在这项研究中,使用的差异因素如ROI选择,b值,和扫描协议。此外,证据确凿的,水分子在肿瘤组织中具有复杂结构的异质性表现出一种非高斯现象(23)。因此,使用基于高斯假设monoexponential醉酒驾车模型来区分这些显微结构的变化可能会导致争议的见解(24- - - - - -28)。此外,与ADC值相比,非高斯扩散model-derived参数,特别是在更高的b值,可以更好地说明了肿瘤的显微结构的复杂性和提供更强的病理相关性(8,29日,30.)。符合这种猜测,我们的研究发现,VETC DKI_K和CTRW_α值的预测能力优于传统的ADC值。越来越多的证据牵连,VETC模式异构的血管生成和可能增加异质性和侵略性在肝细胞癌(22,31日)。通过引入一个独特的参数,峰度(DKI_K) DKI模型建立的关系偏离高斯分布的程度的水分子位移和显微结构的异质性肿瘤组织(14,23)。增加DKI_K被认为发生在更异构的环境中与多个或大型接口(32)。在VETC-positive肝细胞,血管内皮细胞形成一个网状的复杂网络(22),导致更高的DKI_K值。越来越多的证据显示诊断潜在DKI_K拥有高于ADC和DKI_D预测HCC组织微观结构的变化(33,34我们的发现),这回声。此外,基于CTRW理论(17),CTRW_α描述水分子的概率被保留或释放时通过组织结构分散,和CTRW_β反映扩散“跳”的异质性长度在每一个举动。因此,CTRW模型可以反映出异质性intra-voxel扩散的时间和空间。一项研究由Karaman et al。(18AUC)表明,CTRW-derived参数提供高于ADC在大脑区分肿瘤的异质性,这是类似于我们的结果。

在我们的研究结果,预计DKI_K CTRW_α,其他非高斯模型参数与HCC的VETC不相关。一方面,未能达到统计学意义在其他参数可能部分由于有限的样本大小。另一方面,每个模型的参数集中在不同方面之间的非高斯特性,不一定是不同VETC定义的子组肿瘤血管形态。到目前为止,非高斯扩散模型很少大幅在肝癌研究,和各种参数的生物学解释仍然是有趣的。因此,潜在的潜在机制和上面的参数之间的关系和VETC需要进一步调查。

越来越需要放射科医生能够提供额外的信息来肿瘤学家可用于评估肿瘤分级、分类和预测。不幸的是,传统的核磁共振成像基于形态学特征无法满足这个挑战由于可实现的体素的大小的限制。相比之下,高b值酒后驾驶证明承诺能力区分肿瘤异质性和预测肿瘤侵犯(8)。然而,高b值醉酒驾车需要适当的选择的b值,可接受的收购时间,足够的信噪比(信噪比)(8),其操作在严格条件下通常需要很长时间。因此,在这些场景下,其应用程序没有在临床管理优先。小说方面,我们的研究是使用扫描协议,获得所有的b值所需的四个非高斯扩散模型在临床可接受的采集时间。根据先前的研究8,35,36),6 b值可分为低(0 - 200 s /毫米²),中等(600 - 1000 s /毫米²),高(2000 - 3000 s /毫米²)b值集群。我们的研究使用一个原型与ishim ss-EPI序列(37,38)和运动校正算法来减少图像失真,提高信噪比。这个方案取得了足够的成像质量和足够的inter-observer协议,表明传统的可行性应用先进的扩散模型肝脏成像。此外,五扩散模型计算获得的数据在一个单一的收购,以及各种参数的诊断能力比较预测VETC的发病率在这项研究。这种全面的比较更有意义和代表一个单独的调查。此外,结合多个扩散model-derived参数捕获不同的属性,如多孔性、多血管,微观结构,和异质性,这可能导致更高的预测精度在恶性肿瘤诊断(20.,39)。

我们的研究也有一些局限性。首先,样本的大小是有限的。并确定VETC更准确地说,只在我们医院病人肿瘤切除术是注册,用针刺活检病例被排除在外,可能会引入一些抽样偏差。在未来,我们将扩大样本量来提高结果的可靠性。第二,diffusion-weighted成像数据得到自由呼吸,这可能会导致一些干涉模型的曲线拟合。尽管没有达成共识,有些研究人员建议自由呼吸方案由于其再现性和采集时间短(40,41)。最后,只有VOI地区的平均值是评估,这可能减少的诊断效率参数,因为平均值可能不能反映整个肿瘤的异质性。在未来的研究中,我们计划引入更先进的分析方法,如直方图分析,和栖息地的分析,来评估这些扩散模型更全面的诊断效率。

结论

总之,这项初步研究表明DKI_K和CTRW_α值来源于非高斯扩散模型优于传统预测HCC的VETC ADC值。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

涉及人类受试者的研究回顾和批准广西医科大学第一附属医院伦理审查委员会。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

CL和YW贡献了同样的工作。研究和设计概念,CL, YW,和我。起草的手稿,CL。重要的修订手稿,所有作者。图像获取和后处理,CL, YW, JX,和质量控制。统计分析,赫兹。行政、技术或材料支持,噢,赫兹,HG,码。所有作者的文章和批准提交的版本。

资金

这项研究得到了国家自然科学基金(批准号82060310)。

确认

我们要感谢成员部门的放射学的广西医科大学第一附属医院的技术支持。我们感谢Medjaden inc .)科学编辑的手稿。

的利益冲突

作者赫兹和HG受雇于西门子医疗有限公司

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

1。唱H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram我Jemal,等。2020年全球癌症统计数据:globocan估计36癌症的发病率和死亡率全球185个国家。CA:中国癌症(2021)71 (3):209 - 49。doi: 10.3322 / caac.21660