单、双指数模型DWI鉴别肺部良恶性病变：Meta分析

黄俊浩，郭定波，欧芳元，易小琦，陈暇女，胡良波

(重庆医科大学附属永川医院放射科，重庆 402160)

肺部良恶性病变的鉴别诊断一直是胸部影像学的难点及重点。CT是肺部病变最常用的影像学检查方法，但良恶性病变的部分征象存在明显重叠，仅凭形态学、血供特点等难以鉴别。DWI是目前常用的胸部MRI技术，通过测量ADC值可定量评价肺部实性病变[1]。传统单指数模型DWI的ADC值常不同程度混合有微循环灌注成分。体素内不相干运动(intravoxel incoherent motion， IVIM)DWI双指数模型可分别反映水分子扩散与微循环灌注情况[2]，其中D值为纯扩散系数，有望更准确地评估肺部良恶性病变。本研究采用Meta分析探讨单、双指数模型DWI参数鉴别诊断肺部良恶性病变的价值。

1 资料与方法

1.1 文献检索 检索Embase、Pubmed、Cochrane Library、CNKI、万方和维普数据库建库至2018年12月，单指数及双指数模型DWI诊断肺部良恶性病变的中、英文文献。英文检索词为“intravoxel incoherent motion”“IVIM”“biexponential model”“diffusion-weighted imaging”“DWI”“lung”“pulmonary”。中文检索词为“体素内不相干运动”“IVIM”“双指数模型”“扩散加权成像”“肺”。由2名研究者独立进行文献检索，结果不一致则经讨论确定。采用主题词和自由词结合、网络与手工相结合的检索方法，并再次检索纳入文献的参考文献。

1.2 纳入及排除标准 纳入标准：①对象为人类的前瞻性或回顾性研究；②诊断“金标准”为病理学结果或临床长期随访结果；③研究目的为应用IVIM参数鉴别肺良恶性病变，并可提取IVIM参数值；④可直接或间接提取真阳性(true positive， TP)、假阳性(false positive， FP)、真阴性(true negative， TN)、假阴性(false negative， FN)的四格表数据；⑤同一题材补充数据后重新发表时，纳入最新研究结果。排除标准：①个案报道、述评、综述类文献及尚未公开发表文章或样本量<30[3]；②与IVIM鉴别诊断肺良恶性病变不相关；③数据不充足或重复发表文献。

1.3 文献质量评价和资料提取 采用诊断准确性试验质量评价工具(quality assessment of diagnostic accuracy studies， QUADAS)评价文献质量及发生偏倚的可能性[4]，以14个条目对纳入文献判断“是”“否”或“不清楚”，均为“是”评为A级，至少1个条目判断为“不清楚”且不含“否”为B级，任何1个条目判断为“否”则为C级。提取纳入文献的基本特征、研究设计及四格表数据。由2名放射科医师独立并交叉进行文献质量评价及资料提取，意见不同时由上级医师决定。

1.4 统计学分析 采用Meta-Disc 1.4及Stata 15.0统计分析软件。以Spearman相关分析检验有无阈值效应引起的异质性；以Cochran-Q检验和I2值分析非阈值效应引起的异质性，I2≤50%且P>0.05表示各研究间无明显异质性，反之则存在异质性。根据异质性分析结果选择相应效应模型进行合并，计算合并敏感度(sensitivity， Se)、特异度(specificity， Sp)、阳性似然比(positive likelihood ratio， PLR)、阴性似然比(negative likelihood ratio， NLR)、诊断比值比(diagnostic odds ratio， DOR)及其95%CI。绘制汇总受试者工作特征(summary receiver operating characteristic， SROC)曲线，计算AUC，P<0.05为差异有统计学意义。如合并效应量具有异质性，采用回归和亚组分析寻找异质性的因素。采用Deeks线性回归分析，绘制漏斗图并计算P值，检测并评价发表偏倚，数据呈对称分布且P>0.05提示发表偏倚小。

2 结果

2.1 文献检索与质量评价 共纳入10篇[5-14]文献，中、英文各5篇，文献筛选流程见图1，包括672例患者、695个病灶，其中良性病灶462个、恶性233个；A级文献2篇，B级文献4篇，C级文献4篇。见表1、2。

图1 文献筛选流程

2.2 统计学分析Spearman相关分析显示，ADC值(r=-0.204，P=0.629)和D值(r=-0.134，P=0.731)诊断肺部良恶性病变研究不存在阈值效应引起的异质性，可进行各个效应量合并；ADC值、D值DOR汇总提示研究间存在异质性(I2=65.8%、P=0.004 6；I2=71.7%，P=0.000 4)，故对 ADC值、D值采用随机效应模型进行加权合并；Meta回归分析显示，ADC值中的b值个数、D值中的设备场强与异质性因素相关(r=7.35、6.84，P均<0.05)；亚组分析显示，ADC值中b值个数≥10的研究无明显异质性(I2=40.0%，P=0.171 5)，b值个数<10的研究仍存在异质性(I2=64.9%，P=0.036 0)；D值中场强分别为1.5T、3.0T的研究间均存在异质性(I2=78.7%、65.6%，P=0.002 8、0.020 4)，表明场强并非是D值的主要异质性因素。Deeks线性回归分析法：ADC值、D值均未见不对称的偏峰分布(P=0.85、0.30)，未显示发表性偏倚。见表3和图2、3。

2.3 诊断效能评价 ADC值、D值鉴别诊断肺部良恶性病变的SROC曲线AUC分别为0.848 9、0.885 1(图4)；合并Se、Sp、PLR、NLR、DOR见表3。另外，ADC值与D值鉴别诊断肺部良恶性病变的汇总平均阈值分别为1.33×10-3mm2/s、1.03×10-3mm2/s。

表1 纳入文献基本资料及质量评价

注：—：未提及

表2 纳入文献的四格表数据

注：—：未提及

表3 IVIM参数合并分析及亚组分析结果

图2 ADC值(A)、D值(B)鉴别诊断肺良、恶性病变的DOR森林图

图3 ADC值(A)、D值(B)鉴别诊断肺良、恶性病变的Deeks漏斗图

3 讨论

目前肺部良恶性病变的DWI研究主要基于传统单指数模型，该模型可无创反映活体组织水分子的微观扩散运动，仅施加2个b值，通过两点法反映其线性关系，拟合公式为S(b)/S(0)=Exp(-b×ADC)。单指数模型计算得出的ADC值易受较多因素影响，微循环灌注的影响尤为显著，不足以反映体素内所有水分子的扩散情况，而复杂的组织信号衰减并非为简单线性关系，故得到的ADC值与实际存在偏差[15]。基于IVIM的DWI双指数模型采用多b值序列，较高b值用于单纯水分子扩散，而微循环灌注易受较低b值影响，从而将组织的扩散与灌注成分分离，得到真实扩散系数(D)与灌注相关系数(D*及f)，能真实反映生物组织的扩散特征[16]，更加准确地评估病变。IVIM模型的D值具备良好鉴别能力的主要原因可能在于恶性肿瘤细胞生长迅速、增殖旺盛，细胞体积大且排列紧密，导致恶性肿瘤细胞内水分子的扩散运动显著受限[17]。

国内外已有大量应用IVIM双指数模型鉴别诊断乳腺[18]、前列腺[19]、肝脏[20]及头颈部[21-22]等良恶性肿瘤的研究，结果均显示传统单指数模型ADC值的诊断效能低于双指数模型D值。IVIM DWI鉴别诊断肺部良恶性病变的研究相对较少。本研究的Meta分析结果显示，双指数模型D值鉴别诊断肺部良恶性病变的敏感度(0.90)较单指数模型ADC值敏感度(0.78)增高，而特异度(0.64)稍低于ADC值(0.71)，与周舒畅等[8]的结果相似，可能D值排除了微循环灌注的影响，从而降低了漏诊率。ADC值与D值的DOR分别为12.59、19.58，表明鉴别诊断能力均较好。SROC曲线显示ADC值、D值鉴别诊断肺良恶性病变的AUC分别为0.848 9、0.885 1，表明ADC值与D值均具有较高的诊断效能，且D值的鉴别诊断能力更佳。

本研究结果显示ADC值、D值均存在异质性，经回归分析，从发表年份、盲法、样本量、设备类型、b值个数、最大b值中筛选出ADC值中的b值个数和D值中的场强大小为异质性因素；亚组分析结果显示场强大小并非是D值的主要异质性因素，而ADC值的主的主要异质性因素为b值个数，这可能与多组b值覆盖了最佳合理的b值相关，而合理选择b值是平衡图像质量和扩散程度的重要前提, 亦是DWI图像质量的保障。

图4 ADC值(A)、D值(B)鉴别诊断肺良、恶性病变的SROC曲线

汇总分析结果显示，ADC值与D值阈值分别为1.33×10-3mm2/s、1.03×10-3mm2/s，鉴别肺部良恶性病变的效能较高，提示可尝试以此为诊断标准进行大样本量研究，进一步比较二者的诊断效能。

本研究的局限性：①仅对传统ADC值与D值鉴别诊断肺部良恶性病变进行对比，并未对IVIM其他参数(D*及f)进行全面探讨；②样本总量由多种疾病构成，可能会导致汇总结果存在一定偏倚；③部分纳入文献b值数量偏少，可能影响DWI判读结果。

综上所述，ADC值、D值对鉴别肺良恶性病变均有较高诊断效能；DWI双指数模型具有将组织扩散与灌注分离的优势，诊断效能更佳。