增强能谱乳腺摄影与MRI诊断乳腺癌效能比较：Meta分析

杨 柳，李白艳，郑欢露，姚 娟

(新疆医科大学第一附属医院影像中心，新疆 乌鲁木齐 830054)

乳腺癌是常见的恶性肿瘤，其发病率和死亡率均占女性恶性肿瘤第1位[1]，严重危害女性健康[2]。早发现、早诊断、早治疗对预后至关重要。MRI是准确诊断乳腺癌及预后评估的重要检查方法[3]。对比增强能谱乳腺摄影(contrast-enhanced spectral mammography, CESM)是近年来发展迅速的一项乳腺影像学技术，目前已有学者[4-5]对CESM诊断乳腺癌的效能等进行了系统评价与分析，但关于CESM与MRI两种检查方法对乳腺癌诊断效能的比较尚缺乏循证医学证据。本研究检索近10年发表的相关文献，并进行系统分析，以期为影像学诊断乳腺癌和制定临床诊疗路径提供循证医学依据。

1 资料与方法

1.1 文献检索 检索的中文数据库包括中国知网数据库、中国生物医学文献服务系统和万方数据库，英文数据库包括Cochrane Library、Web of Science、Springerlink、Embase、PubMed和Ovid。收集公开发表的与CESM、MRI诊断人类乳腺癌相关的文献。中文检索词为乳腺癌、乳腺肿瘤、乳腺肿块、对比增强能谱乳腺摄影、能谱对比增强乳腺摄影、对比增强光谱乳腺X线、增强光谱钼靶、对比增强能谱成像；英文检索词包括breast cancer、breast carcinoma、breast mass、CESM、contrast-enhanced spectral mammography、spectral contrast-enhanced mammography、contrast enhancement spectrum mammogram、enhanced spectral molybdenum target。手动检索与主题词相关的系统综述或研究的参考文献、会议论文和增刊等，作为对电子检索的补充；同时检索欧洲灰色文献利用协会(European Association for Grey Literature Exploitation， EAGLE)、国际灰色文献(GreyNet International， GreyNet)及欧洲灰色文献信息系统(Open Grey， OG)，以重视灰色文献的补充。检索时间为2008年5月1日—2018年5月1日。为避免漏查文献，对检索词进行交叉检索，并对所纳入文献和相关综述中提供的参考文献进行二次检索。

1.2 文献纳入和排除标准 纳入标准：①研究对象为年龄≥18岁的女性乳腺癌患者；②研究内容为CESM与MRI比较诊断乳腺癌的前瞻性或回顾性研究；③同时对乳腺进行了CESM与MRI两项检查，以病理结果为金标准；④能够直接或间接提取两种检查方法的真阳性(true positive, TP)、假阳性(false positive, FP)、真阴性(true negative, TN)及假阴性(false negative, FN)数据。排除标准：①MRI与CESM受检者为非同组患者；②重复发表或者数据重复的文献;③个案报道、文献综述、案例分析以及评论类文献。

1.3 文献数据提取 由2名影像学专业医师分别进行数据提取，遇有分歧时经讨论达成一致。提取数据包括第一作者、发表年、研究方法、年龄、总例数及CESM/MRI检出病灶数，以及两种检查方法TP、FP、TN、FN的例数。

1.4 纳入文献质量评价 参照Cochrane协作网推荐，以国际公认的最新评价系统——诊断准确性实验质量评价工具-2(quality assessment of diagnostic accuracy studies-2， QUADAS-2)[6]评价入选文献的质量。由2名独立评价员分别回答每个部分的相关标志性问题，意见不一时协商解决。采用Review Manager 5.3软件绘制风险偏倚图及汇总表，分析发生偏倚的风险。

1.5 统计学分析 采用Meta Disc 1.4软件进行异质性检验。以χ2检验评价敏感度和特异度的异质性，采用CochranQ检验对诊断比值比(diagnostic odds ratio, DOR)、阳性似然比(positive likelihood ratio, PLR)、阴性似然比(negative likelihood ratio, NLR)进行异质性检验，将异质性分为3类，用I2表示，I2<50%表示异质性较低，75%>I2≥50%表示异质性中等，I2≥75%表示异质性较高。异质性较低时，采用固定效应模型进行汇总分析；I2≥50%时，采用随机效应模型进行汇总分析。以Meta Disc 1.4软件对诊断结果的敏感度、特异度、PLR、NLR、DOR进行汇总分析，用95%CI和森林图表示。绘制综合受试者工作特征曲线(summary receiver operating characteristic curve, SROC)，以Q*值表示诊断试验的准确性，并计算AUC：AUC越大、越接近1，说明诊断效能越高。运用STATA 13.0软件绘制诊断性实验Deek's漏斗图，并记录P值，P<0.05提示存在发表偏倚[7]。

2 结果

2.1 文献筛选结果 初检获得661篇文献，逐层筛选后最终纳入12篇文献[8-19](中文4篇，英文8篇)，共计845例患者、980个病灶。文献检索流程及结果见图1。纳入文献基本特征见表1。

图1 文献筛选流程图

2.2 纳入文献质量评价 使用QUADAS-2评价系统对入选文献进行质量和偏倚性评价，虽然部分文献在部分领域为高风险(红色)，但总体而言偏倚风险评价结果、文献质量评价结果整体以低风险为主(绿色)，见图2。纳入文献的Deek's漏斗图显示本研究两种方法略不对称，但Deek's检验P均>0.05(CESM：P=0.23；MRI：P=0.80)，表示均不存在明显发表偏倚，见图3。

2.3 Meta分析结果

2.3.1 异质性结果分析 MRI的敏感度(I2=24.9%)、CESM和MRI的DOR(I2=0、36.8%)、CESM和MRI的NLR(I2均=0)异质性均较低，故采用固定效应模型进行汇总分析。CESM的敏感度(I2=50.3%)、CESM和MRI的特异度(I2=85.2%、90.9%)、CESM和MRI的PLR(I2=89.3%、94.9%)的异质性中等或较高，采用随机效应模型进行汇总分析。

2.3.2 诊断效能评价 评价指标包括敏感度、特异度、PLR、NLR、DOR、SROC和AUC。分析合并结果，CESM与MRI敏感度相同，均为0.97，而特异度均较低。PLR均>1，NLR均<1，DOR均明显>1。SROC曲线显示CESM和MRI的的AUC和Q*值均较高，CESM的曲线较MRI更接近左上角。见表2、图4～6。

3 讨论

常规乳腺X线摄影检查是诊断乳腺癌的常规方法，但对高密度乳腺腺体内的乳腺病变检出率低，对非钙化性肿瘤更易漏检。MRI是目前临床诊断乳腺癌的重要手段，但禁忌证较多，且操作复杂，检查时程长，患者耐受性较差[20]。临床上MRI不能诊断乳腺钙化、特别是非肿块型钙化和不定型钙化病灶，且诊断乳腺肿瘤的假阳性较高(尤其是BI-RADS 4类病变)，导致过度活检而增加治疗成本。

表1 纳入文献基本特征

注：—：未提及；*：中位数

表2 CESM与MRI对乳腺癌的汇总诊断效能

图2 偏倚风险汇总图 A.纳入文献逐条评价结果； B.纳入文献总体质量评价

图3 CESM(A)和MRI(B)的Deek's漏斗图

CESM为新兴影像学技术，由碘对比剂K缘效应而产生非线性吸收衰减，结合肿瘤区丰富的高通透性毛细血管对碘剂的沉积作用，利用双能量曝光，分别获得低能和高能两种图像；其低能图像相当于常规乳腺摄影图像，而高能图像则为增强减影图像，二者相结合，既能显示乳腺癌的解剖结构(特别是钙化)，又能反映病灶血流特点，同时拥有传统乳腺常规乳腺摄影和MRI的优点。

3.1 Meta结果分析 本研究汇总分析结果显示，CESM和MRI诊断乳腺癌敏感度较高(二者均为0.97)而特异度较低(0.69和0.51)，但CESM较MRI高。分析原因，考虑因乳腺癌细胞可分泌部分物质，如血管生成素样蛋白-4(Angptl4)，可破坏血管内皮细胞间连接,增加毛细血管通透性；而CESM的成像原理则源于对比剂在毛细血管的沉积作用，故病变部位的显像更具有特征性。本研究中两种诊断方法的DOR值均远大于1，提示CESM与MRI均具有较好判别效果；但森林图显示部分文献OR值相对较大，可能与选择性偏倚、样本量小、研究类型及成像参数有关。本研究中CESM和MRI的SROC曲线AUC均接近1，说明诊断准确率较高；CESM整体数值更靠近左上角，提示其准确率较MRI更高。

图4 CESM(A)和MRI(B)诊断乳腺癌特异度森林图 图5 CESM(A)和MRI(B)诊断乳腺癌DOR森林图

图6 CESM(A)和MRI(B)诊断乳腺癌的SROC曲线

3.2 文献质量评价发表偏倚 本研究纳入文献在患者选择及待评价诊断实验设计方面的偏倚风险均非常低，虽部分研究在检测指标、金标准以及流程和时间间隔方面风险较高，但均未超过30%，整体而言纳入文献质量较好，且Deek's漏斗图提示不存在明显发表偏倚，保证了汇总分析结果的稳定性及可信度。

3.3 异质性分析 本研究异质性检验结果显示特异度和PLN的同质性较差，原因可能在于文献来源地域差异、检查参数设置差异、检测人员水平差异及纳入文献的研究类型差异。

3.4 发展前景 CESM技术集乳腺常规乳腺摄影(解剖成像)和MRI增强(功能成像)优势于一体，提高了乳腺疾病的诊断能力。目前人工智能和影像组学已成为影像学研究的热点[21]，利用人工智能，基于CESM海量图像数据，通过层次网络结构深度学习，可提高图像评价的一致性、可重复性和准确率，有助于筛查及诊断乳腺癌。影像组学可通过高通量CESM图像数据进行深层次挖掘，将视觉信息转化为深层次特征信息，提供更加详细的量化诊断。

综上所述，CESM在诊断乳腺癌具有较高准确率，与MRI比较其特异度和诊断效能均较高，且接受度好，可作为筛查及诊断乳腺癌的工具，尤其有利于诊断致密型乳腺病变。