作者：郑文静，滨州医学院医学影像学院；刘杨颖秋，曹金凤，山东省淄博市中心医院放射科
肾透明细胞癌（clear cell renal cell carcinoma,ccRCC）是一种起源于肾上皮的恶性肿瘤，约占
目前DWI及其各种高级扩散模型，如扩散张量成像（diffusion tensor imaging,DTI）、扩散峰度成像（diffusion kurtosis imaging,DKI）、体素内不相干运动（introvoxel incoherent motion,IVIM），以及基于DWI技术的影像组学研究已广泛性用于ccRCC的术前检查并取得重要进展。因此，本文对DWI技术及相关影像组学在ccRCC病理分级方面的研究进展进行综述。
1. DWI各种检查技术在ccRCC病理分级中的应用
1.1 DWI
DWI是检测活体组织内水分子扩散运动的无创方法，水分子净移动可以用表观扩散系数（apparent diffusion coefficient,ADC）值来量化，水分子的运动主要受到细胞和细胞膜的限制。因此，细胞数高的组织比细胞数低的组织对水分子扩散的限制更大。DWI应用的扩散敏感梯度场参数用b值（b-value）表示，理论上b值越高信号越接近真实的组织ADC值。
ZHU等对146例ccRCC患者使用3.0T MRI扫描仪，采用0和1500 s/mm2的b值组合计算ADC值，结果表明ADC值与ccRCC分级呈负相关；但是本研究只使用两个b值来计算ADC，因此，为了获得更准确的ADC数据，可能需要获得额外的b值。
CAO等对129例ccRCC患者的研究选取了0和800 s/mm2两个b值，研究结果表明，随着病理分级的增加，ccRCC的ADC值降低，与ZHU等的研究结果一致，且此项研究的重要发现是在区分不同病理级别ccRCC时，ADC可以区分Ⅰ与Ⅲ级、Ⅰ与Ⅳ级、Ⅱ与Ⅲ级、Ⅱ与Ⅳ级和Ⅲ与Ⅳ级，对于Ⅰ与Ⅱ级尚不能区分。
1.2 DTI
DTI利用组织水扩散率生成图像，是DWI的高级形式，能够在三维中评估水分子的运动。相较于DWI的ADC值，DTI提供了更多的定量参数，包括各向异性分数（fractional anisotropy,FA）、平均扩散系数（mean diffusivity,MD）、轴向扩散系数（axial diffusivity,AD）、径向扩散系数（radial diffusivity,RD）、相对各向异性（relativeanisotropy,RA）、容积比（volume ratio,VR）值等，还可以生成束状图。
肾脏DTI主要用ADC值描述水分子在单位时间内扩散运动的范围，用FA值描述水分子各向异性分量在整个扩散张量中的比例，以反映肾脏微观结构。冯强等纳入30例患者进行分析，其病理诊断为ccRCC且病变最大径≥1 cm，使用1.5T MRI扫描仪进行DTI，比较了不同病理分级ccRCC的细胞密度（cell density,CD）的差异，这项研究结果表明ADC、FA值与CD呈负相关。
FENG等使用1.5T MRI扫描仪对30例ccRCC肿瘤进行研究发现ADC和FA值与CD呈显著负相关，与冯强等结果一致。FENG等认为DTI可以无创性评估ccRCC病理分级，然而，该研究基于单指数模型，此模型在腹部的应用存在不足，今后应开展基于双指数模型的
1.3 DKI
DKI是在DWI基础上发展起来的功能磁共振新技术，以非高斯模型为基础，其理论基础是活体组织中的水分子扩散在细胞膜、细胞内外间隔及细胞器等因素影响下呈现非高斯分布，而DKI可以通过计算真实与理想状态下高斯分布扩散位移偏移大小，进而更准确的表明微观结构变化。DKI的峰度参数包括：平均峰度（mean kurtosis,MK）、轴向峰度（axial kurtosis,Ka）、径向峰度（radial kurtosis,Kr）；扩散参数包括：MD、FA、AD、RD。
LI等对65例病理诊断为ccRCC的患者进行DKI评估，并将所有ccRCC分为1～4级，该研究的结果表明MD值随病理分级的增加而降低，MK值随病理分级的增加而升高，表明DKI可以鉴别不同级别的ccRCC，但在这项研究中，样本量较少，且该研究使用的图像为二维图，可能会遗漏一些肿瘤信息，因此还需要增大样本量以及使用三维图像进行分析，对研究结果进行进一步的验证。
YE等研究表明高级别ccRCC的MD值明显低于低级别ccRCC,MK值显著高于低级别ccRCC，结果与LI等的研究结果一致，YE等还发现MD的曲线下面积（area under the curve,AUC）最大，认为MD可能是DKI对ccRCC分级价值最大的参数。
CAO等对确诊的ccRCC患者在3.0TMRI扫描仪上进行DKI和DWI评估，表明ccRCC的ADC、MD值随病理分级的增加而降低，而MK、Ka、Kr值随病理分级的增加而升高，其中MK的AUC最高，与LI等的研究相比，此研究增加了参数（Ka、Kr），对ccRCC的病理分级进一步增加了依据；然而，此研究没有将DKI参数与ccRCC的免疫组化特征联系起来。
1.4 IVIM
IVIM是DWI的扩展模型，使用DWI双指数模型将水分子的扩散系数与灌注分离，不仅能反映水分子的扩散运动，还可以同时体现病变内毛细血管网的微循环灌注情况。IVIM的参数包括反映组织内水分子扩散情况的水分子扩散参数即单纯扩散系数（D）、组织内微循环灌注情况所导致的水分子扩散参数即假性扩散系数（D*）和反映组织内微循环灌注情况的参数即灌注分数（f）。SHI等报道59例ccRCC患者，将这些患者分为低级别和高级别两组，使用了11个b值（0、20、50、100、300、500、800、1000、1500、2000和3000s/mm2）。结果显示D与ccRCC分级呈负相关，D*、f值与ccRCC分级的关系并不明显。
YE等对60例ccRCC患者进行了IVIM和DKI回顾性分析，结果表明高级别ccRCC的ADC、D值明显低于低级别ccRCC,D*、f两组间差异无统计学意义，但是，此研究的感兴趣区（region of interest,ROI）仅包含肿瘤最大切面上的实性区域，而不是整个肿瘤，由于肿瘤存在异质性，这可能导致一定程度的结果偏倚。ZHU等研究表明D*值与ccRCC分级呈负相关，f值与ccRCC分级呈正相关，与YE等研究不同。
上述研究结果不够一致可能与患者病理分布、检查设备差异以及不同的成像参数设置有关，需要进一步探讨证实。
2. 基于DWI的影像组学在ccRCC病理分级中的应用
影像组学是一门提取、分析和解释定量成像参数的科学，利用计算机后处理技术，将医学图像转化为高维、定量的图像特征。通过使用模型构建算法，影像学特征可以显示与肿瘤组织病理学和异质性的关联，反映肿瘤的显微特征，并为肿瘤分型和分级、基因定位和早期治疗反应预测提供有用的信息。
影像组学包括纹理分析（texture analysis,TA）、机器学习（machine learning,ML）、深度学习（deep learning,DL）等方法。纹理分析是一种从医学图像中像素或体素灰度分布中提取附加信息的客观定量方法，并且提供定量的统计参数。ML与DL是人工智能的分支，专注于开发能够通过分析数据集学习和改进的算法，而不需要事先进行明确的编程。ML可以将纹理分析的参数作为输入特征，提高医学成像诊断的灵敏度。DL则不需要人工选择特征，而算法本身判断哪些特性对模型的建立最合适。目前，已有研究将影像组学用于ccRCC病理分级。
GOYAL等对29例ccRCC患者的DWI进行纹理分析，得到6个定量的一阶统计指标：平均强度、标准差、熵、正像素的平均值、偏
CHEN等基于DWI图像建立了ccRCC病理分级的ML模型，研究纳入了99例ccRCC患者，采用定量纹理分析软件MaZda提取纹理特征，包括直方图、共现矩阵、行程长度矩阵、梯度模型和自回归模型，用组内相关系数（intraclass correlation efficient,ICC）评估纹理特征的再现性，结果显示纹理特征均具有较好的再现性（ICCs均≥0.80），并进一步使用ML开发多层感知器分类器，最终建立了一种基于ML的分级模型，该模型在训练集和验证集的AUC分别为0.997和0.758，提示该模型对于ccRCC的病理分级具有较好的准确性和稳定性，有较好的临床应用价值。
但此研究提取的纹理特征是基于肿瘤最大水平的MR图像的二维ROI，可能会因层面的选择而产生偏差，理想情况下，应该提取整个病灶的三维影像特征，以获得全面的肿瘤特征，未来仍需进一步研究。目前缺乏DWI深度学习对于ccRCC病理分级的应用。
3. 小结
目前，DWI、DTI、DKI、IVIM等序列已广泛应用于ccRCC的病理分级研究，并具有一定的应用价值，但对于IVIM序列的D*及f值还需进一步研究。影像组学的应用提高了ccRCC病理分级的准确性，但还存在部分研究的样本例数偏少，各个科研机构的设备型号不全相同或成像技术不统一等问题，未来需要进一步加大样本量、进行多中心研究对上述研究进行论证。
综上所述，磁共振DWI技术及相应的影像组学在ccRCC病理分级方面的研究有着广阔的前景。
来源：郑文静,刘杨颖秋,曹金凤.DWI技术在肾透明细胞癌病理分级中的研究进展[J].医学影像学杂志,2024,34(05):143-146.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
