單、雙指數模型DWI鑒別肺部良惡性病變：Meta分析

黃俊浩，郭定波，歐芳元，易小琦，陳暇女，胡良波

(重慶醫(yī)科大學附屬永川醫(yī)院放射科，重慶 402160)

肺部良惡性病變的鑒別診斷一直是胸部影像學的難點及重點。CT是肺部病變最常用的影像學檢查方法，但良惡性病變的部分征象存在明顯重疊，僅憑形態(tài)學、血供特點等難以鑒別。DWI是目前常用的胸部MRI技術，通過測量ADC值可定量評價肺部實性病變[1]。傳統(tǒng)單指數模型DWI的ADC值常不同程度混合有微循環(huán)灌注成分。體素內不相干運動(intravoxel incoherent motion， IVIM)DWI雙指數模型可分別反映水分子擴散與微循環(huán)灌注情況[2]，其中D值為純擴散系數，有望更準確地評估肺部良惡性病變。本研究采用Meta分析探討單、雙指數模型DWI參數鑒別診斷肺部良惡性病變的價值。

1 資料與方法

1.1 文獻檢索 檢索Embase、Pubmed、Cochrane Library、CNKI、萬方和維普數據庫建庫至2018年12月，單指數及雙指數模型DWI診斷肺部良惡性病變的中、英文文獻。英文檢索詞為“intravoxel incoherent motion”“IVIM”“biexponential model”“diffusion-weighted imaging”“DWI”“l(fā)ung”“pulmonary”。中文檢索詞為“體素內不相干運動”“IVIM”“雙指數模型”“擴散加權成像”“肺”。由2名研究者獨立進行文獻檢索，結果不一致則經討論確定。采用主題詞和自由詞結合、網絡與手工相結合的檢索方法，并再次檢索納入文獻的參考文獻。

1.2 納入及排除標準 納入標準：①對象為人類的前瞻性或回顧性研究；②診斷“金標準”為病理學結果或臨床長期隨訪結果；③研究目的為應用IVIM參數鑒別肺良惡性病變，并可提取IVIM參數值；④可直接或間接提取真陽性(true positive， TP)、假陽性(false positive， FP)、真陰性(true negative， TN)、假陰性(false negative， FN)的四格表數據；⑤同一題材補充數據后重新發(fā)表時，納入最新研究結果。排除標準：①個案報道、述評、綜述類文獻及尚未公開發(fā)表文章或樣本量<30[3]；②與IVIM鑒別診斷肺良惡性病變不相關；③數據不充足或重復發(fā)表文獻。

1.3 文獻質量評價和資料提取 采用診斷準確性試驗質量評價工具(quality assessment of diagnostic accuracy studies， QUADAS)評價文獻質量及發(fā)生偏倚的可能性[4]，以14個條目對納入文獻判斷“是”“否”或“不清楚”，均為“是”評為A級，至少1個條目判斷為“不清楚”且不含“否”為B級，任何1個條目判斷為“否”則為C級。提取納入文獻的基本特征、研究設計及四格表數據。由2名放射科醫(yī)師獨立并交叉進行文獻質量評價及資料提取，意見不同時由上級醫(yī)師決定。

1.4 統(tǒng)計學分析 采用Meta-Disc 1.4及Stata 15.0統(tǒng)計分析軟件。以Spearman相關分析檢驗有無閾值效應引起的異質性；以Cochran-Q檢驗和I2值分析非閾值效應引起的異質性，I2≤50%且P>0.05表示各研究間無明顯異質性，反之則存在異質性。根據異質性分析結果選擇相應效應模型進行合并，計算合并敏感度(sensitivity， Se)、特異度(specificity， Sp)、陽性似然比(positive likelihood ratio， PLR)、陰性似然比(negative likelihood ratio， NLR)、診斷比值比(diagnostic odds ratio， DOR)及其95%CI。繪制匯總受試者工作特征(summary receiver operating characteristic， SROC)曲線，計算AUC，P<0.05為差異有統(tǒng)計學意義。如合并效應量具有異質性，采用回歸和亞組分析尋找異質性的因素。采用Deeks線性回歸分析，繪制漏斗圖并計算P值，檢測并評價發(fā)表偏倚，數據呈對稱分布且P>0.05提示發(fā)表偏倚小。

2 結果

2.1 文獻檢索與質量評價 共納入10篇[5-14]文獻，中、英文各5篇，文獻篩選流程見圖1，包括672例患者、695個病灶，其中良性病灶462個、惡性233個；A級文獻2篇，B級文獻4篇，C級文獻4篇。見表1、2。

圖1 文獻篩選流程

2.2 統(tǒng)計學分析Spearman相關分析顯示，ADC值(r=-0.204，P=0.629)和D值(r=-0.134，P=0.731)診斷肺部良惡性病變研究不存在閾值效應引起的異質性，可進行各個效應量合并；ADC值、D值DOR匯總提示研究間存在異質性(I2=65.8%、P=0.004 6；I2=71.7%，P=0.000 4)，故對 ADC值、D值采用隨機效應模型進行加權合并；Meta回歸分析顯示，ADC值中的b值個數、D值中的設備場強與異質性因素相關(r=7.35、6.84，P均<0.05)；亞組分析顯示，ADC值中b值個數≥10的研究無明顯異質性(I2=40.0%，P=0.171 5)，b值個數<10的研究仍存在異質性(I2=64.9%，P=0.036 0)；D值中場強分別為1.5T、3.0T的研究間均存在異質性(I2=78.7%、65.6%，P=0.002 8、0.020 4)，表明場強并非是D值的主要異質性因素。Deeks線性回歸分析法：ADC值、D值均未見不對稱的偏峰分布(P=0.85、0.30)，未顯示發(fā)表性偏倚。見表3和圖2、3。

2.3 診斷效能評價 ADC值、D值鑒別診斷肺部良惡性病變的SROC曲線AUC分別為0.848 9、0.885 1(圖4)；合并Se、Sp、PLR、NLR、DOR見表3。另外，ADC值與D值鑒別診斷肺部良惡性病變的匯總平均閾值分別為1.33×10-3mm2/s、1.03×10-3mm2/s。

表1 納入文獻基本資料及質量評價

注：—：未提及

表2 納入文獻的四格表數據

注：—：未提及

表3 IVIM參數合并分析及亞組分析結果

圖2 ADC值(A)、D值(B)鑒別診斷肺良、惡性病變的DOR森林圖

圖3 ADC值(A)、D值(B)鑒別診斷肺良、惡性病變的Deeks漏斗圖

3 討論

目前肺部良惡性病變的DWI研究主要基于傳統(tǒng)單指數模型，該模型可無創(chuàng)反映活體組織水分子的微觀擴散運動，僅施加2個b值，通過兩點法反映其線性關系，擬合公式為S(b)/S(0)=Exp(-b×ADC)。單指數模型計算得出的ADC值易受較多因素影響，微循環(huán)灌注的影響尤為顯著，不足以反映體素內所有水分子的擴散情況，而復雜的組織信號衰減并非為簡單線性關系，故得到的ADC值與實際存在偏差[15]。基于IVIM的DWI雙指數模型采用多b值序列，較高b值用于單純水分子擴散，而微循環(huán)灌注易受較低b值影響，從而將組織的擴散與灌注成分分離，得到真實擴散系數(D)與灌注相關系數(D*及f)，能真實反映生物組織的擴散特征[16]，更加準確地評估病變。IVIM模型的D值具備良好鑒別能力的主要原因可能在于惡性腫瘤細胞生長迅速、增殖旺盛，細胞體積大且排列緊密，導致惡性腫瘤細胞內水分子的擴散運動顯著受限[17]。

國內外已有大量應用IVIM雙指數模型鑒別診斷乳腺[18]、前列腺[19]、肝臟[20]及頭頸部[21-22]等良惡性腫瘤的研究，結果均顯示傳統(tǒng)單指數模型ADC值的診斷效能低于雙指數模型D值。IVIM DWI鑒別診斷肺部良惡性病變的研究相對較少。本研究的Meta分析結果顯示，雙指數模型D值鑒別診斷肺部良惡性病變的敏感度(0.90)較單指數模型ADC值敏感度(0.78)增高，而特異度(0.64)稍低于ADC值(0.71)，與周舒暢等[8]的結果相似，可能D值排除了微循環(huán)灌注的影響，從而降低了漏診率。ADC值與D值的DOR分別為12.59、19.58，表明鑒別診斷能力均較好。SROC曲線顯示ADC值、D值鑒別診斷肺良惡性病變的AUC分別為0.848 9、0.885 1，表明ADC值與D值均具有較高的診斷效能，且D值的鑒別診斷能力更佳。

本研究結果顯示ADC值、D值均存在異質性，經回歸分析，從發(fā)表年份、盲法、樣本量、設備類型、b值個數、最大b值中篩選出ADC值中的b值個數和D值中的場強大小為異質性因素；亞組分析結果顯示場強大小并非是D值的主要異質性因素，而ADC值的主的主要異質性因素為b值個數，這可能與多組b值覆蓋了最佳合理的b值相關，而合理選擇b值是平衡圖像質量和擴散程度的重要前提, 亦是DWI圖像質量的保障。

圖4 ADC值(A)、D值(B)鑒別診斷肺良、惡性病變的SROC曲線

匯總分析結果顯示，ADC值與D值閾值分別為1.33×10-3mm2/s、1.03×10-3mm2/s，鑒別肺部良惡性病變的效能較高，提示可嘗試以此為診斷標準進行大樣本量研究，進一步比較二者的診斷效能。

本研究的局限性：①僅對傳統(tǒng)ADC值與D值鑒別診斷肺部良惡性病變進行對比，并未對IVIM其他參數(D*及f)進行全面探討；②樣本總量由多種疾病構成，可能會導致匯總結果存在一定偏倚；③部分納入文獻b值數量偏少，可能影響DWI判讀結果。

綜上所述，ADC值、D值對鑒別肺良惡性病變均有較高診斷效能；DWI雙指數模型具有將組織擴散與灌注分離的優(yōu)勢，診斷效能更佳。