灌注成像在脑胶质瘤鉴别和分级诊断中的价值

陈世艳,符芳雄,陈旺生

胶质瘤(glioma,GM)是最常见的原发性脑肿瘤,确切病因不明确。据2021年WHO中枢神经系统分类第五版,GM分为1～4级[1],预后最差的GBM,中位生存期仅约15个月[2]。GM病理生理学改变与异常血管化密切相关,在一定程度上可反映肿瘤的生物学行为,精准的鉴别和分级诊断是制定治疗方案和改善预后的基础。灌注成像能够反应组织的血流动力学状态,是脑GM鉴别和分级诊断的重要参考依据。本文就计算机断层灌注成像(computed tomography perfusion,CTP)、磁共振灌注成像(perfusion weighted imaging,PWI)在GM的鉴别与分级诊断中的意义和价值的相关研究进展予以综述。

胶质瘤血管微血管形成机制

GM的血管形成是一个复杂的过程,涉及许多机制、通路和调节因子,目前所知的肿瘤血管生成(angiogenesis)的细胞机制主要包括:经典的出芽血管生成;血管的共同选择;血管内陷;血管生成拟态;骨髓来源的血管以及肿瘤干细胞来源的血管等。其中,经典的出芽血管生成是最重要的机制,GM的新生血管在内皮细胞因子(vascular endoth elial growth factor,VEGF)的驱动下,在既有肿瘤血管的基础上迁移和分化形成新的微血管[3]。

VEGF属于血小板衍生的生长因子超基因家族,是重要的促血管生成活性的生长因子,是GM血管生成中关键的调节因子。VEGF对内皮细胞具有促有丝分裂和抗凋亡作用,增加血管通透性,促进细胞迁移,VEGF介导的信号传导也有助于肿瘤发生,在GM细胞中的阳性表达率远远高于正常脑细胞。GM血管的生长受到双向调节因子的相互作用,血管生成诱导因子除了上述提到的VEGF之外,还有成纤维细胞生长因子(fibroblast growth factor,FGF)能促进血管内皮细胞的分裂和趋化,参与PI3K/AKT信号通路,抑制内皮细胞的凋亡;组织金属蛋白酶抑制剂(tissue inhibitorof matrix metallo proteinases,TIMPs)能降解细胞外基质(extracellular matrix,ECM)促进内皮细胞移动与之重建;缺氧诱导因子-1(hypoxia inducible factor-1,HIF-1)被认为是GM血管生成最关键的因子,低氧环境是诱导肿瘤血管生成的驱动因素,肿瘤细胞在增殖初期尚能维持其微血管结构的营养支持。随着肿瘤组织的直径达到1～2 mm时表现出高而紊乱的代谢活性,部分瘤体开始处于缺氧状态使得HIF-1激活,在肿瘤低氧的初始期HIF-1刺激多种血管诱导因子促进血管内皮细胞的激活、增殖,基膜降解、出芽、细胞迁移、重塑形成管腔样结构[4]。这些复杂的因素在一定程度上决定了GM血管异质性和侵袭性,是肿瘤进展的主要原因。基于肿瘤脉管系统形成差异,导致不同肿瘤之间和不同分级的GM之间的BBB通透性不尽相同,是灌注成像对胶质瘤进行鉴别和分级诊断的基础。

计算机断层灌注成像

1.计算机断层灌注成像(computed tomography perfusion,CTP)原理

CTP是在静脉注射对比剂后,对感兴趣区层面进行连续扫描,从而获得感兴趣区时间-密度曲线(time-density curve,TDC),利用数学模型(非去卷积法和去卷积法)计算相对脑血流量(relative cerebral blood flow,rCBF)、相对血脑容量(relative cerebral blood volume,rCBV)、平均运输时间(meantransit time,MTT)、对比剂峰值时间(time to peak,TTP)和渗透表面积乘积(permeability surface area product,PS)等参数,量化反映局部组织血流灌注状态以及血管化程度等微循环信息[5]。

2.CTP在胶质瘤鉴别诊断中的意义和价值

CTP可反映微血管密度和毛细血管通透性状况,不同肿瘤之间、同一肿瘤不同级别之间的内部血管形态和分布各异,血流动力学表现不尽相同。因此,在使用灌注参数对GM与PCNSL等常规影像特征相似的颅脑肿瘤进行对比时,需要先将GM进行鉴别,再选择不同的对照方式,得出的结果更具有信服力。Schramm等[6]使用Patlak方法基于CTP图像对GM与PCNSL鉴别,并计算CBF、CBV和Ktrans平均值,结果显示与正常脑实质相比,LGG的灌注参数并无统计学意义,HGG的灌注参数值均明显升高,PCNSL的Ktrans值明显增加;在HGG与PCNSL之间比较,仅有CBV值可作为区分二者的参数。Xyda等[7]在前者研究的基础上对脑肿瘤患者进行全脑容积CTP(VCTP)灌注参数评估,LGG与PCNSL相鉴别时,最准确的诊断标志物是Ktrans;HGG与PCNSL相鉴别时,CBF和CBV均可区分二者,并且,在研究中所有CBF和CBV值高于临界点的肿瘤实体(CBF=83.3 mL/100 mL/min和CBV=4.80 mL/100 mL),经组织病理学证实均为HGG。

虽然VCTP可分析整个肿瘤血流动力学,但是Patlak模型基于的假设太多,有一定的缺陷,目前已被大部分临床研究所抛弃。因此,肿瘤鉴别时还是需要注意肿瘤感兴趣区域的选择。Onishi等[8]鉴别GM、PCNSL、METS时,选取了肿瘤(t)和瘤周(p)区域的CTP参数(CBV、CBF、MTT和PS),结果发现rCBVt和rCBFt可以区分 GBM 和其他肿瘤,并且rCBVt的诊断性能最佳(曲线下面积 = 0.8636)。rCBVt和 rPSt的组合可以区分 GBM与其它肿瘤(敏感度81.8%和特异度94.1%);METS的rMTTp在统计学上高于GBM和PCNSL,rMTTp和rCBFp联合应用也可区分METS与其它肿瘤(敏感度90.9%和特异度82.1%)。此外,肿瘤区域的选择的细化与参数的联合应用均有助于肿瘤的鉴别诊断。Lee等[9]也得到类似研究结果,PS和CBV的联合分析不仅有助于鉴别GBM与PCNSL,还有助于脑脓肿和HGG之间的鉴别。在以往部分研究中PS在GM、METS和PCNSL相互鉴别时效果甚微[10]。但当PS与CBV相互联合却能发挥更好的鉴别效果。这种联合应用充分发挥了单一参数各自的价值。

GM除了需要与脑肿瘤相互鉴别,有时和非肿瘤疾病的鉴别也相对困难,肿瘤样脱髓鞘病变(TDL)在常规MR成像上表现不典型,与HGG相似甚至在组织病理学上TDL也经常与GM混淆。TDL生物学特征是固有正常或炎症血管,缺乏新生血管,基于此差异或许使用CTP能在一定程度上加以区分,Jian等[11]比较5名TDL与24名HGG患者的CTP参数显示了TDL的CBF、CBV和PS明显低于HGG,虽然该研究样本量较小,而HGG并非均富血供,但是结果也具有一定的提示作用。

以往CTP研究通常侧重于GM在组织病理层面的鉴别,然而随着GM的基因靶点研究的深入,GM的分子亚型被公认为与恶性程度更相关。Wang等[12]对46名GM患者行CTP扫描,结果表明IDH突变型的rCBV和rPS值低于IDH野生型,MGMT甲基化的rCBF值低于MGMT非甲基化者,TERT野生型组的MVD低于TERT突变组,上述差异均具有统计学意义。这几种常见的GM标志物( IDH、MGMT和 TERT )均与GM的无进展生存期和总生存期独立或交互相关,利用CTP成像有助于其鉴别,对GM的治疗决策起到至关重要的作用。

3.CTP在胶质瘤分级诊断中的意义和价值

微血管增殖程度是GM病理学分级的最重要依据之一[13],不同级别GM微血管结构变化多样,CTP参数也随着GM分级相应变化,在分级诊断中发挥重要作用。Jain等[14]对GM患者进行分级并比较CTP参数(PS、CBV和CBF),结果表明LGG的平均值低于HGG,且CBV和PS在GM分级中比CBF和MTT有更高的可预测性,尤其在区分3级和4级GM,PS更为可靠。CTP参数主要基于对微血管增殖和新血管生成的估计,仅凭这一成像基础可能会忽略其它与分级相关的因素而导致低估非增强肿瘤的分级。因此,有研究将CTP衍生的CBV和双能 CT 测量的电子密度(ED)相结合,发现rCBV加rED以及CBV加ED的组合比单独的参数更准确。GM分级的最重要特征之一是微血管增殖程度,除此之外,还有核异型性、有丝分裂和坏死的特征。HGG的另一个特点是肿瘤细胞密度高,核质比高。无需对比剂或辐射即可分析的ED可反映细胞密度和核质比,因此,它们认为CBV和ED可能是互补的参数,这样的技术联合,既能发挥CTP的优势,还能弥补CTP的部分局限性[15]。

除了与其它技术的联合可以提升GM分级的准确性,CTP参数之间的关联性也是分级诊断的一种方式。Jain等[16]评估了CTP参数(rCBV相对于PS变化率和rCBV与PS比率)与GM分级之间的关系,2级GM的rCBV与PS的变化率和比率均最高,其次是3级,然后是4级(变化率分别为1.64、0.91、0.27;比率分别为3.26、2.46、1.41),rCBV与PS的变化率和比率可以作为肿瘤微血管水平发生变化的影像学关联,rCBV升高提示微血管密度增加,意味着非渗漏血管增加,PS升高则提示渗漏血管较多,反映了由于肿瘤缺氧导致的促血管生成表达增加,有助于从肿瘤血管生成和血管表型变化的角度理解GM分级。

近年来,AI在医学影像的应用愈加广泛,有研究基于BN-U-net-W网络模型的128排全脑CTP图像分割方法,得出CBF、PMB、CVB在HGG与LGG的鉴别中具有统计学意义(P<0.05),而两组MTT无显著性差异(P>0.05)[17]。虽然CTP参数在GM分级中的研究结果大多是类似的,但是与人工智能结合借助智能算法规范图像感兴趣区域的选择,可以提高诊断的效率,降低误诊和漏诊的风险。

4.CTP在胶质瘤鉴别分级诊断中优势与不足

从1991年Miles[18]提出至今,CTP成像技术已经较为成熟,相对其它灌注技术扫描时间更短,多层面的CTP灌注也大大提高时间分辨率和空间分辨率,此外,CTP不会受到由于肿瘤的出血性元素或矿物质沉积引发的易感伪影影响,因其广泛的可用性和低成本而非常适合研究脑肿瘤,能直观反映灌注参数,客观量化GM血管分布和血流动力学状态。血管增殖和血液供应与灌注加权图像的对比度增强直接相关,CTP衰减值和对比浓度的线性关系[19],是脑GM的鉴别诊断和分级诊断基础。但CTP仍存在缺点,对病灶感兴趣区、输入动脉及输出静脉的选择,缺乏统一的灌注参数标准值等,此外,随着CTP检查覆盖范围的提高,辐射量也相应增加。随着功能成像技术的不断完善和发展,加上与人工智能的结合,或许能弥补一些由于客观因素所带来应用上的缺陷,CTP将在GM的鉴别和分级诊断上将展现更大的价值。

磁共振灌注成像

磁共振灌注成像(perfusion weighted imaging,PWI)利用快速成像序列和图像后处理技术反映组织的微血管分布及血流灌注情况,具有无辐射、成像范围更广、病灶检出敏感性高等优点,可提供脑部血流动力学方面的信息,反映肿瘤内部的异质性更佳。MRI良好的软组织分辨率,使其对周围水肿的显示也更清晰、准确,是GM的鉴别诊断与分级诊断主要检查方式[20]。

1.PWI原理

PWI采用快速成像技术,通过注射内源性或外源性对比剂,测量血流动力学参数来反映组织的血流灌注及微血管渗透情况。PWI参数可提供肿瘤血管生成和毛细血管通透性的可靠的替代标志物,二者是GM鉴别诊断、分级和预后评估的重要生物学指标。目前,PWI成像主要包括基于T2的动态磁敏感增强灌注成像(DSC)、基于T1的动态增强灌注成像(DCE)和动脉自旋标记灌注成像(ASL)。

基于T2的动态磁敏感增强灌注成像DSC:基于T2加权的DSC成像,外源性对比剂透过脑血管后使血管周围磁场发生改变,使T2弛豫时间缩短,T2信号强度显著降低。利用示踪剂动力学模型和对比剂稀释理论可以由从信号强度-时间过程曲线(SI-TCC)和对比剂浓度-时间过程曲线(CC-TCC)获得相应动力学参数来评估血流动力学测量值。脑部常用的灌注参数为CBV、CBF、MTT、TTP等。

基于T1的动态增强灌注成像DCE:DCE采用T1加权进行成像,通过注射外源性对比剂后引起周围组织的T1值缩短,从而导致信号强度改变。DCE不仅能提供组织形态学信息,也可通过对应后处理技术获得更多的灌注信息,包括:(1)基于时间-信号强度曲线,对多种指标对组织强化特征进行分析,常用指标有起始强化时间、最大梯度、最大信号强度、TTP和受试者操作特征曲线下面积(area under curve,AUC)等;(2)通过拟合药代谢动力学模型获得血管通透性信息,在细胞分子功能水平上反映病变组织内微血管灌注和渗透情况,常用的定量参数有容积转运常数(ktrans)、速率常数(Kep)、细胞外间隙分数(Ve)、血浆分数(Vp)等[21]。

动脉自旋标记灌注成像ASL:ASL是一种无创性灌注加权成像方法,利用动脉血中的水分子作为内源性示踪剂,定量测量CBF[22]。由于水在正常组织和肿瘤中的高渗性,ASL不需要使用复杂的泄漏校正算法来获得定量的结果,而且信噪比、空间分辨率、可容忍的图像失真量可以与成像时间相互权衡,可重复性好,但是获取的参数较为单一。

2.PWI在胶质瘤的鉴别诊断中的意义和价值

常规MRI上区分GM与其它常见的脑肿瘤性病变相对困难,许多情况下GM与PCNSL表现相似,正确鉴别二者利于疾病的治疗及预后。DSC是PWI中应用最广泛的。Xu等[23]一项荟萃研究表明DSC可能是区分HGG和PCNSL的最佳技术(AUC=0.9812),灵敏度最高为0.963(95%CI:0.924,0.986)。定量测定DSC获得的rCBV是GM与其它颅脑肿瘤鉴别最主要的参数,百分比信号恢复(PSR)是一种从 DSC成像中获得的新灌注参数,被认为是比rCBV更好的用于鉴别脑肿瘤的定量参数。rCBV反映病变新生血管,但不能反映毛细血管通透性信息,而PSR反映毛细血管密度和通透性两者的相互作用。Surendra等[24]在鉴别LGG、HGG、PCNSL和METS时,也得出PSR比rCBV的鉴别性能更佳的结论。因为rCBV的计算可能会受到对比剂泄漏的影响,虽可通过一些校正方式弥补,但是增加一些计算量。而PSR的计算很简单,不需要复杂的后处理应用程序,可作为当前常用的DSC参数的补充。除了一些补充参数可提高DSC对GM的鉴别效果,使用动态纹理参数分析(DTPA),从DSC增强灌注图的第一次对比阶段提取特征,也发现了多发性硬化病变(MS)、GBM和PCNSL三者存在显著差异,认为DTPA结合分类算法用于临床常规鉴别这3种疾病有很大潜力[25]。

DSC技术虽然广泛应用于区分GM、METS和PCNSL,但DSC存在空间分辨率低以及对出血、钙化和金属外科植入物的易感伪影的敏感性高等缺陷。DCE成像对易感性伪影不太敏感,可弥补DSC技术不足,对血管微环境进行无创分析从而鉴别GM与其它颅脑肿瘤。有报告表明PCNSL的平均Ktrans值与Ve值(0.50±0.18;0.83±0.19)明显大于HGG(0.25±0.08;0.68±0.25)与METS(0.29±0.10;0.47±0.31),HGG与METS在各渗透率参数上没有观测到明显差别[26],作者解释PCNSL的Ktrans值之所以可以明显高于HGG,原因是PCNSL血管壁的外缘被肿瘤细胞浸润并破坏,并使血管周围间隙变宽,导致大量对比剂渗漏。但Lin等[27]一项研究却指出Ktrans在HGG和PCNSL之间没有差异,他们分析原因认为这两项研究结果的矛盾可能与使用不同计算参数模型相关。肿瘤的生长是异质的,PCNSL在病理上也会表现为低灌注,因此根据单个DCE参数来判断肿瘤类型有可能带来矛盾的结果。DCE基于传统的对伪彩色图像灌注程度对肿瘤的判断,不能用于细化对肿瘤的感知。然而,直方图分析对肿瘤异质性敏感,可以提取比肉眼看不到的更多信息。Zhang等[28]分析了DCE的AUC和直方图中HGG和PCNSL之间的差异,发现基于AUC图的直方图特征在PCNSL组总是明显高于HGG组(P<0.001),因此,DCE与直方图相结合或能提高GM的鉴别诊断。HGG与METS的鉴别在各渗透率参数上常常不能观测到明显差别,由此需要借助其它参数进行区分,DCE的洗脱对数斜率和信号强度时间曲线的AUC被证明是区分富血供和乏血供肿瘤的最佳方法。Jung等[29]分析显示洗脱对数斜率在区分富血供肿瘤(GBM和黑色素瘤)与乏血供METS的鉴别能力最佳(AUC=0.76),信号强度时间曲线次之(AUC=0.70和0.74)。另有研究在GBM和METS周围的白质的药代动力学灌注差异中发现GBM瘤周白质区域的对比吸收曲线下的初始面积iAUC和Ktrans在统计学上明显升高,其中iAUC更适合评估GBM,肿瘤周围白质iAUC增高一般提示GBM,但是iAUC与GBM的发生并不是线性关系,这也意味着肿瘤周围白质iAUC的降低并不能排除GBM[30]。

ASL利用动脉血中的水分子作为内源性示踪剂定量测量CBF,相比于以上两种方式,它无需考虑BBB的渗漏效应,对肿瘤血流动力学评估更佳准确。CBF作为ASL最常规的参数,对GM与METS之间的鉴别仍存在争议。Fu等[31]进行一项小样本量(346名患者)的荟萃分析,证明了ASL来源的rCBF在区分METS和GM方面具有很高的敏感度[0.88(95%CI:0.65,0.96)]、特异度[0.85(95%CI:0.74,0.92)]和AUC[0.92(95%CI: 0.89,0.94)]。除了CBF,还有研究发现通过ASL与CE+T1WI测量的肿瘤体积差和比值(ROC曲线下的面积=0.865;0.852)也可能对鉴别GBM和METS有价值[32]。CBF可能因为METS的原发肿瘤而导致GM与METS的鉴别结果的不确定性因素较多,但是在GM与PCNSL的鉴别中CBF可以发挥有效的作用。证据表明可通过比较ASL绝对脑血流量(aCBF)和正常脑血流(nCBF)来确定在非典型HGG和PCNSL分化中的潜力,Di等[33]的研究结果显示PCNSL和非典型HGG组中的aCBF、nCBF和肿瘤微血管密度存在显着差异(P<0.05),并且,aCBF值与肿瘤微血管密度之间有很强的正相关(ρ=0.83,P=0.0029),意味着ASL衍生的aCBF值可能与肿瘤微血管密度直接相关。另一项研究使用3D-PCASL测量GBM(n=21 )和PCNSL(n=118)血流参数,得出ASL在PCNSL和GBM的鉴别诊断中具有很高的敏感度(maxTBFmean=86%,nTBF=95%)和特异度(maxTBFmean=77%,nTBF=73%),这项研究优势在于患者样本量相比以往类似研究更大以及使用标准化值允许使用不同技术评估脑肿瘤血流,其结果更令人信服[34]。

3.PWI在胶质瘤分级诊断中的意义和价值

DSC通过检测rCBV和rCBF来评估肿瘤新血管生成和对周围组织的侵袭,被认为是高度准确的肿瘤分级和预测指标[35],尤其是rCBV作为反映肿瘤血流动力学特性的重要参数,大部分研究证明rCBV可以提高GM分级的准确性[36]。Zhang等[37]在比较LGG和HGG多参数ROC分析时得出标准化平均rCBV(最佳阈值、AUC、敏感度和特异度分别为2.240 mL/100 g、0.844、87.8%和75.9%)。多数文献显示HGG最大rCBV明显大于LGG。但有少数研究存在矛盾的结果,Sahin等[38]发现LGG与HGG在rCBV上无明显区别,产生结果差异可能与实验对象选取感兴趣区不同或者肿瘤亚型相关。Gaudino等[39]的研究指出rCBV在幕上肿瘤与幕下肿瘤分级中存在最佳阈值(幕上肿瘤3.04,幕下肿瘤1.77),与早期Law等[40]提出的基准值1.75十分接近。但是,Abrigo等[41]使用rCBV阈值<1.75来区分LGG和非增强HGG时,认为DSC对非增强脑GM分级的诊断性能的证据有限。同样,其它DSC衍生参数在GM的分级中也存在矛盾的结果,例如,Zhang等[42]认为MTT与GM分级呈正相关,但是,Alkenhal等[43]认为MTT未显示非增强2级和3级GM之间存在显著差异。

众所周知,DSC在GM的分级应用中表现出色,但无论哪种DSC衍生参数都会在类似研究中产生一些矛盾的结果(少数研究结果有所差异),这可能与GM本身的异质性、纳入研究的亚型、灌注图像感兴趣区选取的差异与灌注过程缺乏统一的标准有关。为了尽可能规避客观因素带来的误差,放射组学与机器学习相结合或能帮助DSC在GM分级中更有信服力。Sudre等[44]基于GM患者的DSC图像提取了放射组学特征,并采用RF模型预测等级,结果发现2级和3级分化主要由形状特征驱动,而纹理和强度特征可以更好区分3级和4级。另有一项荟萃研究分析利用机器学习算法(MLA)基于GM患者DSC图像对HGG和LGG的瘤体自动分割,也表现出良好的准确性[45]。

BBB完整时对比剂不能外渗,DCE的定量参数Ktrans、Ve、Kep值近乎为0,GM微血管通透性升高,Ktrans、Ve、Kep随之增加。有研究在分析幕上2～4级GM的多模态MRI诊断(T1WI、T2WI、DWI、DTI、DCE、ASL)与病理学的一致性发现,DCE表现最佳,其敏感度0.92,特异度0.95[46]。Okuchi等[47]的一项荟萃分析认为DCE定量参数可以很好区分HGG和LGG,敏感度、特异度和曲线下面积分别为0.93、0.90和0.96。但是在GM的具体分级中,DCE还存在缺陷,较多文献指出Ktrans和Ve难以区分3级和4级,原因为3级和4级之间新生血管基底膜均不完整,微血管通透性接近[48]。为了更精准的对GM进行分级,有研究利用DCE图像的纹理特征进行分析3级和4级的差异。DCE可以对表征肿瘤血管系统的灌注参数进行绝对量化,但测量DCE参数图的异质性仍然存在障碍,因为需要复杂的数学模型生成可量化的参数。相比之下,从动态时间-信号强度曲线导出的无模型参数不太容易受到数学模型的影响。因此,Xie等[49]在比较DCE无模式和基于模型参数的文本特征在胶质瘤分级中的效能时发现,在所有4个无模型和基于模型的DCE参数(Max SI、Max Slope、基于Extended Tofts的vp和基于Patlak的vp)中,熵和IDM这两个常用的纹理特征可以在多次测量中显著区分3级和4级并显示出良好的诊断效率。这也印证了DCE的纹理特征在区分不同级别的胶质瘤方面显示出良好的能力。尽管如此,无模型的参数在临床上的应用并不广泛,这与其生理基础不够明确相关,因此DCE参数图的异质性并不能简单解决。近年来,深度卷积神经网络(CNN)算法在医学影像方面应用日趋成熟,CNN算法在进行图像分割时,自动提取原始图像特征,这或许可以避免人工提取的失误,Chen[50]基于CNN对GM的DCE图像进行特征提取并进行分级,结果表明CNN在DCE图像分割中具有良好的性能。不同级别胶质瘤的DCE直方图显示Ktrans、Kep、Ve 、Vp等指标存在显着差异。随着深度学习的发展,DCE在GM分级中固有的缺陷或将攻克。

ASL可提供绝对CBF量化值,可重复性强。研究表明ASL可以鉴别HGG和LGG,但是脑肿瘤评估的最佳ASL技术尚未达成共识,这种缺乏共识和指南可能导致临床不愿在常规中采用ASL对GM进行分级。为了评估ASL区分肿瘤分级的诊断性能,Delgado等[51]对505名GM患者进行了系统回顾,结果显示pCASL(AUC=0.88)和PASL(AUC=0.90)计算的CBF在GM分级方面具有较好的性能。但这项出色的结果的前提是排除间变性少突星形细胞瘤对分级的影响。为了更进一步验证ASL对GM分级的效能,Alsaedi等[52]通过引入相对TBF (rTBF)降低研究中年龄和血液动力学变化相关的风险,以减少了组内的数值散乱,发现绝对TBF可以区分HGG和LGG,不能区分2级和3级以及3级和4级GM,相比之下,rTBF可有效分级,但是对于不同的ASL方法和采集参数,单项研究中报告的定量测量结果应具体分析。目前多数分析ASL灌注参数研究采用传统方式将GM瘤体区域与镜像区进行对比,结果也证实对GM分级有统计学意义,但是传统的预测方式的效能和精度不如多参数联合人工智能分析效果更佳。刘等[53]基于DSC、3D-ASL和多b值扩散加权成像(DWI)联合机器学习进行建模分析,以期构建一种效能最高的胶质瘤术前分级预测模型,通过使用RFE算法预测8个模型(rASL-CBF、DSC-CBV、DSC-CBF、ADCstand、Age、rf、AQP值和ADCslow-bi)效能和精度,结果显示SVM模型对GM分级预测效能和精度最高[AUC=0.969(95%CI:0.931～1.000)],而采用GM瘤体区与健侧区的相比等传统的方法建立的DSC、DWI、3D-ASL常规预测模型其预测效能和精确度都较低[AUC=0.836 (95%CI:0.724～0.947)]。

4.PWI 3种技术在胶质瘤鉴别和分级诊断中的比较

在对GM的鉴别和分级诊断中,DSC 、 DCE 和ASL技术有其各自特点。DSC主要用于反映GM血管的新生情况,具有时间分辨率高、测量血脑容量精准的优势,在GM鉴别和分级诊断中的应用最广泛,尤其在GM、PCNSL和METS之间具有较高诊断价值,DSC衍生的rCBV被认为是反映肿瘤血流动力学最佳参数,是3种技术中鉴别HGG和LGG效果最佳的。DSC局限性在于不仅空间分辨率较低,而且T2加权技术可能产生较强的易感伪影,还由于DSC是基于理想的单室模型,对比剂外渗可以导致rCBV产生误差。

DCE通过测量通过BBB的对比剂泄漏来估计血管通透性,最大的优势是可以减少磁敏感伪影,但是仅凭借肿瘤的渗透性差异在GM的鉴别和分级方面仍不够精确。虽然DCE基于无模型的参数在区分3级和4级GM的也表现出良好的能力,但是其生理基础仍不明确。不仅如此,由于GM的BBB破坏及血管超渗透性等因素,DCE成像部分钆对比剂容易渗漏到血管外细胞外间隙,并且其参数获取的计算模型复杂,可重复性差。

ASL相较于DSC和DCE最大的优势在于无需外源性对比剂,避免对比剂渗漏的问题,不受BBB完整性的影响,可以准确评估GM微循环信息,反映肿瘤血管生成情况,从而进行GM鉴别和分级,作为肾功能不全、对比剂过敏等患者的首选。虽然ASL是重复无创监测的理想选择,但是获取的参数较为单一。而过于单一参数则避免不了在应用上局限,因此ASL引入TBF值或与联合其它技术衍生的参数等综合判断GM的鉴别和分级,尽可能发挥ASL的应用价值。

简而言之,这3种MRI灌注成像技术各有其优势与不足,合理选择或联合应用对GM的鉴别和分级才能发挥至最大的价值。

总结与展望

基于血流灌注特点的对GM的鉴别和分级诊断,CTP和PWI的参数与GM血管生成、血流动力分布均存在相关性,许多研究均显示良好的诊断效能。但是由于肿瘤生长的异质性和每种灌注技术固有的缺陷导致有些研究结果并不理想。因此,在对GM进行鉴别和分级诊断时,根据具体需求进行选择合适的成像技术,能够将GM与多种疾病予以鉴别并进行分级。虽然目前AI技术在GM的鉴别和分级诊断上还未形成系统的应用标准,随着放射组学与深度学习算法相结合的AI技术的不断发展,将进一步显示出更大的潜力和价值,可望更接近分子病理诊断结果,成为放射科医师的重要辅助诊断手段。