Özet
Amaçlar:
Undifferentiated pleomorphic sarcoma (UPS) ve myxofibrosarcoma (MFS) arasındaki tanısal zorluk ve farklı prognozlar nedeniyle, doğru preoperatif ayırıcı tanı klinik kararları yönlendirmek için hayati önem taşır. Bu çalışmanın amacı, dinamik kontrast artırılmış manyetik rezonans görüntülemenin (DCE-MRI) ve intravoxel incoherent motion (IVIM) tabanlı habitat görüntülemenin UPS ve MFS’yi ayırt etmedeki potansiyelini değerlendirmektir.
Materyaller ve yöntemler:
Bu retrospektif çalışmaya, patolojik olarak doğrulanmış 31 UPS ve 28 MFS hastası dahil edildi ve hastalar 3.0-T MRI ile konvansiyonel MRI, IVIM ve DCE-MRI sekanslarından geçirildi. Hacim transfer sabiti (Ktrans) ve gerçek difüzyon katsayısı (D) haritaları sırasıyla DCE-MRI ve IVIM verilerinden oluşturuldu. Tümörün tamamının segmentasyonundan sonra, Ktrans ve D haritaları habitatları tanımlamak için K-means algoritması kullanılarak kümelenildi. Optimal habitat sayısı, dirsek yöntemi ve silüet skoru kullanılarak belirlendi. Klinik özellikler, konvansiyonel MRI bulguları ve habitat özellikleri arasındaki farklar UPS ve MFS grupları arasında karşılaştırıldı. Tanısal modeller oluşturmak için lojistik regresyon kullanıldı. Tanısal performansı değerlendirmek için alıcı işletim karakteristik (ROC) eğrisi ve DeLong testi uygulandı; modellerin klinik faydasını ve kalibrasyon performansını sırasıyla değerlendirmek için karar eğrisi analizi (DCA) ve kalibrasyon eğrisi kullanıldı.
Bulgular:
Üç habitat tanımlandı: Habitat 1 (hipervazopermeabilite), Habitat 2 (hipovazopermeabilite ve hiperhücresellik) ve Habitat 3 (hipovazopermeabilite ve hipohücresellik). DCE-MRI ve IVIM tabanlı habitat görüntülemeden elde edilen çeşitli habitat özellikleri UPS ve MFS arasında anlamlı farklılıklar gösterdi (p < 0.05). Hem Combined_Model (AUC = 0.957, %95 GA: 0.870-0.993) hem de Habitat_Model (AUC = 0.932, %95 GA: 0.835-0.981), Conventional_MRI_Model’den (AUC = 0.757, %95 GA: 0.628-0.860) anlamlı derecede daha iyi tanısal performans sergiledi. Habitat özelliklerine dayalı olarak oluşturulan tüm modeller iyi klinik fayda ve kalibrasyon performansı gösterdi (tüm Brier<0.15).
Sonuç:
DCE-MRI ve IVIM tabanlı habitat görüntüleme, UPS ile MFS’nin ayırt edilmesine yardımcı olabilir.
Giriş
Yumuşak doku sarkomları (STS’ler), tüm yetişkin malignitelerinin %1’ini oluşturan nadir görülen malign tümörler grubudur (). Undifferentiated pleomorphic sarkom (UPS) ve myxofibrosarkom (MFS), klinik özelliklerde ve hatta bazı görüntüleme bulguları ile patolojik bulgularda önemli ölçüde örtüşme göstererek doğru preoperatif tanı için büyük bir engel oluşturur (, ). UPS, tümörle ilişkili daha yüksek mortalite ve uzak metastaz ile ilişkilendirilirken, MFS uzak metastaz ve tümörle ilişkili ölüm riskinin daha düşük olmasına rağmen daha yüksek lokal nüks oranına sahiptir (, ). Dolayısıyla bu tümörlerin klinik yönetimi farklılık gösterebilir. UPS ve MFS arasındaki ayrım; cerrahi planlamayı, marjin değerlendirmesini, takip stratejilerini ve ek tedavi seçeneklerinin değerlendirilmesini etkileyebilir. UPS için, geniş rezeksiyon gibi daha agresif lokal kontrol yöntemleri ve seçilmiş hastalarda adjuvan kemoterapi düşünülebilir. Buna karşılık, MFS’nin lokal olarak infiltratif büyümesi nedeniyle titiz cerrahi planlama özellikle önemlidir; bu sayede tüm infiltratif sınırı kapsayan yeterli marjinler sağlanabilir ve lokal nüks azaltılabilir (). Bununla birlikte, tedavi kararları aynı zamanda tümörün yerleşimine, boyutuna, derecesine, rezektabliliğine ve multidisipliner değerlendirmeye de bağlıdır. Bu nedenle, UPS ve MFS arasında doğru preoperatif ayrım yapmak kritik öneme sahiptir; zira bu durum tedavi kararlarına yön verebilir ve prognozu etkileyebilir.
Çekirdek iğne biyopsisi (CNB), preoperatif STS tanısında yaygın olarak kullanılmaktadır; ancak invaziv yapısı tekrarlanabilirliğini sınırlar ve elde edilen sınırlı doku miktarı tümörün tamamını temsil etmeyebilir (). STS’lerdeki belirgin tümör içi heterojenlik (ITH) göz önüne alındığında, CNB’deki örnekleme yanlılığı önemli bir sınırlama oluşturmakta ve tanısal hatalara ile optimal olmayan tedavi kararlarına yol açabilmektedir.
Habitat görüntüleme, benzer görüntüleme özelliklerine sahip voksellerin denetimsiz kümelemesini kullanarak karşılaştırılabilir fonksiyonel özelliklere sahip tümör habitatlarını tanımlayan ve ayırt eden gelişmiş bir analitik tekniktir ve ITH’yi ortaya çıkarmada benzersiz avantajlar sunar (). Bu teknik, glioma (), meme kanseri () ve hepatoselüler karsinom () gibi çeşitli tümörlerdeki ITH’yi araştırmak için kademeli olarak uygulanmıştır. Dinamik kontrastlı MRG (DCE-MRI) ve intravoksel inkoherent hareket (IVIM), tümörlerdeki mikroskobik değişiklikleri nicel olarak yansıtan önemli non-invaziv fonksiyonel MRG sekanslarıdır (, ). DCE-MRI’den elde edilen Ktrans, mikrovdösel geçirgenliği ve vasküler durumu doğrudan yansıtarak tümör perfüzyonunun etkili bir şekilde değerlendirilmesini sağlar (). Tek-üstel DWI’den elde edilen ADC ile karşılaştırıldığında, IVIM’den elde edilen D, perfüzyon etkilerini ayırarak su difüzivitesini yansıtabilir ve böylece hücresel yoğunluğu daha doğru bir şekilde gösterir (). Buna göre, bu ön çalışma, doğru ayırt etme için non-invaziv görüntüleme biyobelirteçleri sunma amacıyla DCE-MRI ve IVIM tabanlı habitat görüntülemenin UPS’yi MFS’den ayırt etmedeki potansiyelini araştırmayı hedeflemektedir.
Materyaller ve yöntemler
Hastalar
Bu retrospektif çalışma, Dalian Tıp Üniversitesi İkinci Hastanesi Etik Komitesi (KY2025-069-01) ve Dalian Belediye Merkez Hastanesi (YN2024-086-01) tarafından onaylanmıştır. Çalışmanın retrospektif niteliği nedeniyle yazılı bilgilendirilmiş onam gerekliliğinden feragat edilmiştir. 2020 WHO sınıflandırma kriterlerine göre patolojik olarak UPS ve MFS tanısı konmuş hastalar, Haziran 2018 ile Haziran 2026 () arasında iki merkezden retrospektif olarak dahil edilmiştir. Dahil edilme kriterleri şunlardı: (1) Cerrahi örneklerin patolojik incelemesiyle tanının doğrulanması; (2) Ameliyat öncesi MRG (ameliyattan ≤2 hafta önce): konvansiyonel MRG, IVIM ve DCE-MRI; (3) MRG taramasından önce herhangi bir tedavi almamış olmak. Dışlanma kriterleri şunlardı: (1) Yetersiz klinik, görüntüleme veya patolojik veriler; (2) Zayıf görüntü kalitesi; (3) Önceki malignite öyküsü (Şekil 1).
MRG inceleme protokolü
MRG, tümörün konumu ve boyutuna göre seçilen özel bir iletim/alıcı bobini kullanılarak iki adet 3.0 T tarayıcıda (Discovery MR750w ve SIGNA Pioneer, GE Healthcare) gerçekleştirildi. Konvansiyonel MRG, T1WI spin-eko ve yağ bastırılmış T2WI sekanslarını içeriyordu (T1WI için TR/TE: 600-819/8–19 ms, T2WI için 3500-5000/60–100 ms; matris: 380 × 380; kesit kalınlığı: 3 mm; NEX = 2). DCE-MRG’den önce IVIM aşağıdaki parametrelerle uygulandı: TR/TE = 3000/70 ms; b-değerleri = 0, 25, 50, 75, 100, 200, 500, 800 s/mm²; NEX = 2-4; matris = 128×128; yaklaşık 153 s. DCE-MRG, T1-ponderlı bir gradyan-eko sekansı kullanılarak gerçekleştirildi (flip açıları: 5°, 10°, 15°; kesit kalınlığı: 3 mm; TR/TE: 5.0/2.0 ms). Üç kontrast öncesi fazdan sonra, gadodiamid bolusu (0.1 mmol/kg) saniyede 2 mL hızla enjekte edildi ve ardından 20 mL salin ile yıkama yapıldı. Her biri 7 saniye süren toplam 48 dinamik faz elde edildi ve toplam edinim süresi 336 saniye oldu. Görüntü alanı tümör boyutuna göre ayarlandı ve tüm görüntüler tümör hacminin tamamını kapsadı. Arteriyel giriş fonksiyonunu ve tümör kontrast kinetiğini yeterli şekilde örneklemek ve aynı zamanda sinyal-gürültü oranını korumak amacıyla, önceki STS DCE-MRG çalışmalarıyla uyumlu olarak 7 saniyelik bir zaman çözünürlüğü seçildi ().
MR analizi
Klinik ve patolojik verilerden habersiz iki radyolog, tümör derinliği, şekli, büyüme paterni, tümör nekrozu, T1WI heterojenliği, T2WI heterojenliği, T2WI’deki baskın sinyal yoğunluğu (SI), peritümoral ödem, peritümoral kontrastlanma, kuyruk belirtisi ve kemik/damar/sinir invazyonu da dahil olmak üzere konvansiyonel MRG görüntülerini bağımsız olarak değerlendirdi. Maksimum tümör kesiti üzerinde, alan yüzdelerini hesaplamak için ITK-SNAP kullanılarak farklı T2WI sinyal bölgeleri sınırlandırıldı; en yüksek yüzdeye sahip bölge T2WI’deki baskın SI olarak seçildi. Gözlemciler arası uyum, Cohen’in kappa istatistiği kullanılarak değerlendirildi; değerler zayıf (< 0.00), hafif (0.00-0.20), orta düzeyde (0.21-0.40), makul (0.4-0.60), önemli (0.61-0.80) veya neredeyse mükemmel (0.81-1.00) olarak yorumlandı. Anlaşmazlıklar fikir birliğiyle çözüldü.
Görüntü ön işleme ve tümör segmentasyonu
Tüm görüntüler sırasıyla Functool ve GenIQ yazılımları kullanılarak Advantage Workstation (ADW4.7, GE Healthcare) ile işlendi.
D haritaları, bi-eksponansiyel bir IVIM modeli kullanılarak elde edildi:
S
(
b
)
S
=
(
−
f
)
exp
(
−
b
D
)
+
f
exp
(
−
b
D
∗
)
S
(
b
)
S
0
=
(
1
−
f
)
exp
(
−
b
D
)
+
f
exp
(
−
b
D
*
)
burada S(b), b difüzyon ağırlıklandırmasındaki sinyal yoğunluğu, S0 ise b=0’daki sinyal yoğunluğu, D gerçek difüzyon katsayısı, D* sözde difüzyon katsayısı ve f perfüzyon fraksiyonudur ().
Ktrans haritaları, genişletilmiş Tofts modeli kullanılarak elde edildi:
C
t
(
t
)
=
v
p
C
p
(
t
)
+
K
t
r
a
n
s
∫
t
C
p
(
τ
)
exp
[
−
k
e
p
(
t
−
τ
)
]
d
τ
C
t
(
t
)
=
v
p
C
p
(
t
)
+
K
t
r
a
n
s
∫
0
t
C
p
(
τ
)
exp
[
−
k
e
p
(
t
−
τ
)
]
d
τ
burada Ct(t) doku kontrast ajanı konsantrasyonu, Cp(t) plazma kontrast ajanı konsantrasyonu (arteriyel giriş fonksiyonu), Ktrans plazmadan ekstravasküler ekstraselüler alana (EES) hacimsel transfer sabiti, Kep EES’den plazmaya geri akış hız sabiti ve Vp plazma hacim fraksiyonudur ().
T2WI sekansı daha yüksek uzamsal çözünürlük ve net anatomik detaylar sağlayabilir ve deformasyona karşı mükemmel bir direnç sergiler. Bu nedenle, diğer MRI sekansları referans alınarak iki radyolog, ilgi alanını (VOI) tanımlamak amacıyla ITK-SNAP kullanarak aksiyel T2WI üzerinde bağımsız olarak kesit bazında manuel segmentasyon gerçekleştirdi. Segmentasyondan önce, uzamsal çözünürlük, aralık ve hizalama tutarlılığını sağlamak için T2WI, D ve Ktrans haritaları birlikte kaydedildi ve T2WI uzayına yeniden örneklendi. Segmentasyon, diğer sekanslar referans alınarak gerçekleştirildi ve sınırları belirsiz veya özellikleri şüpheli olan bölgeler dışlandı. Anlaşmazlıklar fikir birliğiyle çözüldü.
Yaşam alanı görüntüleme ve parametre çıkarımı
Yaşam alanı görüntüleme, girdi olarak Ktrans ve D haritaları kullanılarak gerçekleştirildi. Tüm görüntüler önce tek tip bir vöksel boyutuna yeniden örneklendi ve yoğunluk normalizasyonu uygulandı. Her iki parametrenin dengeli bir katkıda bulunmasını sağlamak için Ktrans ve D değerleri, birleştirilmiş tüm vökseller üzerinden ayrı ayrı sıfır ortalamalı ve birim varyanslı olacak şekilde z-skor normalizasyonundan geçirildi. Ardından tüm hastalara ait vökseller tek bir N×2 matrisinde birleştirildi; bu matriste her satır bir vökseli temsil ederken iki sütun normalleştirilmiş Ktrans ve D değerlerine karşılık geliyordu. Bu birleştirilmiş matrise bir K-ortalamalar kümeleme algoritması uygulanarak benzer difüzyon-perfüzyon özelliklerine sahip vökseller ayrı yaşam alanları halinde gruplandırıldı. Dolayısıyla kümeleme, hasta bazında değil, birleştirilmiş vöksel yaklaşımıyla kohort düzeyinde gerçekleştirildi. Burada k, küme sayısını belirtir ve her bir küme merkezi, o kümeye atanan vöksellerin ortalama özellik vektörünü temsil eder. Dirsek yöntemi, küme içi kareler toplamını k’nin bir fonksiyonu olarak incelemek için kullanılırken, silüet katsayısı ise kümelerin bütünlüğünü ve ayrımını değerlendirmek için kullanıldı. Kümelemenin ardından her hasta için her bir yaşam alanından hacim yüzdesi (pVol), ortalama D (D_Mean) ve ortalama Ktrans (Ktrans_Mean) dahil olmak üzere nicel özellikler çıkarıldı. Tüm analizler Python (versiyon 3.8) içinde Visual Studio Code (VS Code) ortamı kullanılarak gerçekleştirildi (Şekil 2).
Patolojik değerlendirme
Sarkom tanısında geniş deneyime sahip ve klinik ile MR verilerinden habersiz tutulan iki patolog, tümör örneklerinin tamamını retrospektif olarak yeniden değerlendirdi. Histolojik sınıflandırma, 2020 WHO yumuşak doku tümörleri sınıflandırmasına göre gerçekleştirildi. Nihai patolojik tanı, cerrahi rezeksiyon örneklerine dayanıyordu. Herhangi bir uyuşmazlık, fikir birliği yoluyla çözüldü.
İstatistiksel analiz
İstatistiksel analizler SPSS 27.0 (IBM, Armonk, NY, ABD) ve Prism 10 (GraphPad Software, San Diego, CA, ABD) kullanılarak gerçekleştirildi. Sürekli değişkenler, duruma göre bağımsız örneklemler t-testi veya Mann–Whitney U testi ile karşılaştırıldı. Kategorik değişkenler ise ki-kare testi veya Fisher’ın kesin testi ile karşılaştırıldı. UPS ve MFS arasındaki habitat özelliklerinin çoklu karşılaştırmaları için P değerleri, uygun durumlarda Bonferroni düzeltmesiyle ayarlandı. Optimal habitat sayısı, dirsek yöntemi ile silüet katsayısının birleştirilmesiyle belirlendi. Tanısal modeller oluşturmak için lojistik regresyon kullanıldı. Alıcı işletim karakteristiği (ROC) eğrisi analizi gerçekleştirildi ve eğri altındaki alan (AUC), duyarlılık, özgüllük ve doğruluk hesaplandı. Modeller arasındaki AUC’leri karşılaştırmak için DeLong testi kullanıldı. Karar eğrisi analizi (DCA) ve kalibrasyon eğrileri, sırasıyla klinik faydayı ve kalibrasyon performansını değerlendirmek için kullanıldı ve Brier skorları raporlandı. İki yönlü P < 0.05 istatistiksel olarak anlamlı kabul edildi.
Sonuçlar
Hasta özellikleri
UPS ve MFS gruplarının klinik ve konvansiyonel MR özellikleri Tablo 1’de özetlenmiştir. Yaş, cinsiyet, en uzun çap veya tümör lokalizasyonunda anlamlı bir fark gözlenmedi (tümü P > 0.05). Konvansiyonel MR özellikleri arasında derinlik, şekil, tümör nekrozu, T1WI heterojenliği, T2WI heterojenliği, tümör çevresindeki ödem, tümör çevresindeki kontrastlanma ve kemik/damar/sinir invazyonu da gruplar arasında anlamlı bir fark göstermedi (tümü P > 0.05).
| Özellikler | UPS (n=31) | MFS (n=28) | P-değeri |
|---|
| Klinik özellikler |
|---|
| Yaş (yıl) | 64.61 ± 10.82 | 66.50 ± 14.99 | 0.579 |
| Cinsiyet | 0.648 |
|---|
| Erkek | 17 (%54.84) | 17 (%60.71) |
| Kadın | 14 (%45.16) | 11 (%39.29) |
| En uzun çap (cm) | 6.87 ± 4.61 | 7.90 ± 3.63 | 0.349 |
| Konum | 0.475 |
|---|
| Baş ve boyun | 0 (%0.00) | 2 (%7.14) |
| Gövde | 10 (%32.26) | 4 (%14.29) |
| Üst kol | 4 (%12.90) | 4 (%14.29) |
| Ön kol | 2 (%6.45) | 2 (%7.14) |
| Uyluk | 12 (%38.71) | 12 (%42.86) |
| Alt bacak | 3 (%9.68) | 4 (%14.29) |
| Geleneksel MR özelliği |
|---|
| Derinlik | 0.648 |
|---|
| Yüzeysel | 14 (%45.16) | 11 (%39.29) |
| Derin | 17 (%54.84) | 17 (%60.71) |
| Şekil | 0.746 |
|---|
| Yuvarlak veya oval | 12 (%38.71) | 12 (%42.86) |
| Düzensiz veya çok loblu | 19 (%61.29) | 16 (%57.14) |
| Büyüme paterni | 0.038* |
|---|
| Marjın genişletilmesi | 7(22.58%) | 7(25.00%) |
| Odaklı infiltrasyon | 8(25.81%) | 15(53.57%) |
| Geniş yayılımlı infiltrasyon | 16(51.61%) | 6(21.43%) |
| Tümör nekrozu | 0.401 |
|---|
| Hayır | 21(67.74%) | 16(57.14%) |
| Evet | 10(32.26%) | 12(42.86%) |
| T1WI heterojenliği | 0.763 |
|---|
| <50% | 20(64.52%) | 17(60.71%) |
| ≥ 50% | 11(35.48%) | 11(39.29%) |
| T2WI heterojenliği | 0.670 |
|---|
| <50% | 15(48.39%) | 12(42.86%) |
| ≥ 50% | 16(51.61%) | 16(57.14%) |
| T2WI’de baskın SI | 0.046* |
|---|
| Düşük | 3(9.68%) | 1(3.57%) |
| Orta | 18(58.06%) | 9(32.14%) |
| Yüksek | 10(32.26%) | 18(64.29%) |
| Tümör çevresinde ödem | 0.461 |
|---|
| Hayır | 17(54.84%) | 18(64.29%) |
| Evet | 14(45.16%) | 10(35.71%) |
| Tümör çevresinde kontrastlanma | 0.253 |
|---|
| Hayır | 12(38.71%) | 15(53.57%) |
| Evet | 19 (%61,29) | 13 (%46,43) |
| Kuyruk işareti | 0,029* |
|---|
| Hayır | 23 (%74,19) | 13 (%46,43) |
| Evet | 8 (%25,81) | 15 (%53,57) |
| Kemik/damar/sinir invazyonu | 0,225 |
|---|
| Hayır | 23 (%77,420) | 71 (%89,29) |
| Evet | 7 (%22,58) | 3 (%10,71) |
UPS, diferansiyasyonsuz pleomorfik sarkom. MFS, miksofibrosarkom. *İstatistiksel bir farkı temsil etmektedir (P < 0,05).
İki grup arasında üç konvansiyonel MRG özelliği anlamlı şekilde farklılık gösterdi. Büyüme paterni anlamlı derecede farklıydı (P = 0,038): UPS daha sık olarak yaygın infiltratif bir patern sergilerken (%51,61’e karşı %21,43), MFS daha sık olarak fokal infiltratif bir patern gösterdi (%53,57’e karşı %25,81). T2WI’deki baskın sinyal yoğunluğu da anlamlı şekilde farklıydı (P = 0,046): MFS daha sık olarak yüksek sinyal yoğunluğuna sahipken (%64,29’e karşı %32,26), UPS daha sık olarak orta sinyal yoğunluğu gösterdi (%58,06’ya karşı %32,14). Ayrıca, kuyruk işareti MFS’de UPS’ye göre anlamlı derecede daha yaygındı (%53,57’e karşı %25,81, P = 0,029) (Tablo 1, Şekil 3).
Habitat tanımlaması ve gruplar arası karşılaştırmalar
Dırnak yöntemi ve silüet katsayısına dayanarak üç habitat tanımlandı: Habitat 1 (hipervazopermeabilite; en yüksek Ktrans), Habitat 2 (hipovazopermeabilite ile hiperselülarite; düşük Ktrans, en düşük D) ve Habitat 3 (hipovazopermeabilite ile hiposelülarite; düşük Ktrans, yüksek D). Sonraki analizler için her bir habitatın ortalama Ktrans, ortalama D ve pVol değerleri çıkarıldı. (Şekil 2).
UPS ve MFS arasındaki habitat özelliklerinde anlamlı farklılıklar gözlemlendi (Bonferroni düzeltmeli P < 0,05). MFS ile karşılaştırıldığında UPS, Habitat 1’de daha yüksek ortalama Ktrans ve pVol, Habitat 2’de daha düşük ortalama D ve Habitat 3’te daha düşük pVol sergiledi (Tablo 2). Özellikler arasında D_Ortalama_Habitat 2, UPS’yi MFS’den ayırmada en yüksek tanısal değere sahipti (AUC = 0,904, %95 GA: 0,849-0,990) (Tablo 3).
| Özellikler | UPS (n=31) | MFS (n=28) | P-değeri |
|---|---|---|---|
| Habitat 1 | |||
| pVol (%) | 36,56 ± 5,38 | 32,04 ± 1,62 | <0,001* |
| Ktrans_Ortalama, dak⁻¹ | 0,94 ± 0,07 | 0,84 ± 0,06 | <0,001* |
| D_Ortalama, ×10⁻³mm²/s | 1,08 ± 0,16 | 1,15 ± 0,13 | 0,083 |
| Habitat 2 | |||
| pVol (%) | 33,69 ± 2,76 | 33,12 ± 1,40 | 0,328 |
| Ktrans_Ortalama, dak⁻¹ | 0,55 ± 0,30 | 0,53 ± 0,14 | 0,750 |
| D_Ortalama, ×10⁻³mm²/s | 0,91 ± 0,13 | 1,02 ± 0,08 | <0,001* |
| Habitat 3 | |||
| pVol (%) | 29,57 ± 5,36 | 34,86 ± 1,88 | <0,001* |
| Ktrans_Ortalama, dak⁻¹ | 0,16 ± 0,04 | 0,14 ± 0,05 | 0,229 |
| D_Ortalama, ×10⁻³mm²/s | 1,59 ± 0,17 | 1,66 ± 0,10 | 0,085 |
UPS, farklılaşmamış pleomorfik sarkom. MFS, miksofibrosarkom. Ktrans_Ortalama, ortalama Ktrans değeri. D_Ortalama, ortalama D değeri. pVol, hacim yüzdesi. P değerleri, Bonferroni düzeltmesi kullanılarak çoklu karşılaştırmalar için ayarlanmıştır. *Bonferroni düzeltmeli P < 0,05.
| Özellikler | AUC | Kesme Değeri | Duyarlılık | Özgüllük | Youden İndeksi | %95 GA |
|---|---|---|---|---|---|---|
| Geleneksel MRI özelliği | ||||||
| Büyüme deseni | 0.623 | – | – | – | – | 0.480-0.765 |
| T2WI’de baskın SI | 0.665 | – | – | – | – | 0.526-0.865 |
| Kuyruk benzeri desen | 0.639 | – | – | – | – | 0.498-0.780 |
| Ortam 1 | ||||||
| pVol (%) | 0.815 | 33.62 | 0.792 | 0.821 | 0.612 | 0.736-0.933 |
| Ktrans_Mean, min−1 | 0.844 | 0.90 | 0.774 | 0.857 | 0.631 | 0.773-0.945 |
| Ortam 2 | ||||||
| D_Mean, ×10-3mm2/s | 0.904 | 0.971 | 0.839 | 0.857 | 0.696 | 0.849-0.990 |
| Ortam 3 | ||||||
| pVol (%) | 0.849 | 33.00 | 0.864 | 0.600 | 0.464 | 0.789-0.946 |
UPS, farklılaşmamış pleomorfik sarkom. MFS, miksofibrosarkom.
Model oluşturma ve değerlendirme
Geleneksel MRI_Model, UPS ve MFS grupları arasında anlamlı farklılıklar gösteren büyüme deseni, T2WI’de baskın SI ve kuyruk belirtisinin varlığı gibi geleneksel MRI özellikleri kullanılarak oluşturuldu. Ortam_Model ise gruplar arasında anlamlı farklılıklar gösteren pVol_Ortam 1, Ktrans_Mean_Ortam 1, D_Mean_Ortam 2 ve pVol_Ortam 3 gibi ortam özellikleri kullanılarak oluşturuldu. Birleşik_Model ise yukarıdaki tüm özellikler kullanılarak oluşturuldu.
Hem Combined_Model (AUC = 0.957, %95 GA: 0.870-0.993) hem de Habitat_Model (AUC = 0.932, %95 GA: 0.835-0.981), Conventional_MRI_Model’den (AUC = 0.757, %95 GA: 0.628-0.860) önemli ölçüde daha iyi tanısal performans sergiledi. Combined_Model diğer modellerden daha üstün performans gösterdi (DeLong testi, tüm P < 0.05). DCA, tüm modellerde eşik değerin artmasıyla net faydanın azaldığını ortaya koydu; Combined_Model 0-0.6 arasındaki eşiklerde en yüksek net faydayı sağladı. Habitat özelliklerini içeren modeller, yalnızca geleneksel MRI özelliklerine dayanan modellere kıyasla daha yüksek net klinik fayda sağladı (Combined_Model, Brier=0.086; Habitat_Model, Brier=0.102). Bu sonuçlar Tablo 4, Şekil 4 ve 5‘te sunulmuştur.
| Model | AUC | Doğruluk | Duyarlılık | Özgüllük | F1 Puanı | %95 GA |
|---|---|---|---|---|---|---|
| Geleneksel MRI_Model | 0.757 | %67.80 | %67.86 | %67.74 | 0.667 | 0.628-0.860 |
| Habitat_Model | 0.932 | %88.14 | %89.29 | %87.10 | 0.877 | 0.835-0.981 |
| Combined_Model | 0.957 | %88.14 | %92.86 | %83.87 | 0.881 | 0.870-0.993 |
UPS, farklılaşmamış pleomorfik sarkom. MFS, miksofibrosarkom.
Tartışma
Bu ön çalışma, DCE-MRI ve IVIM tabanlı habitat görüntülemenin UPS ve MFS arasındaki ameliyat öncesi farklılaşmayı iyileştirmeye yardımcı olup olamayacağını değerlendirdi. Geleneksel MRI, büyüme paterni, T2WI’deki baskın SI ve kuyruk işareti açısından gruplar arasında önemli farklılıklar gösterdi. Ancak Conventional MRI_Model yalnızca orta düzeyde ayırt edicilik sağladı (AUC = 0.757; doğruluk = %67.80). Bu bulgular, geleneksel morfolojik ve sinyal yoğunluğu özelliklerinin bu kohortta sınırlı ayırt edici yeteneğe sahip olduğunu göstermektedir. Geleneksel MRI esas olarak anatomiyi ve sinyal yoğunluğunu tasvir ederken, fonksiyonel MRI tümörün mikroskobik ortamını yansıtabilecek nicel parametreler sağlayabilir.
Habitat görüntüleme, vökselleri normalleştirilmiş Ktrans ve D değerlerine göre kümeler halinde gruplayarak tamamlayıcı bir yaklaşım sunabilir. DCE-MRI’den elde edilen Ktrans, mikrovdösel geçirgenliği ve perfüzyonu yansıtırken, IVIM’den elde edilen D, perfüzyon etkileri ayrıldıktan sonra gerçek su difüzyonunu ve hücreliliği yansıtabilir (, ). Üç habitat tanımlandı: Habitat 1 (hipervazopermeabilite), Habitat 2 (hipovazopermeabilite ile hiperhücrelilik) ve Habitat 3 (hipovazopermeabilite ile hipohücrelilik). Bu vöksel bazlı kümelenme, tümör ortalaması analiz teknolojilerinin, örneğin geleneksel radyomiksin, tam olarak yansıtamayabileceği uzamsal heterojenliği yakalayabilir.
Gruplar arası karşılaştırmalar, UPS’nin Habitat 1’de daha yüksek pVol ve Ktrans’a, Habitat 2’de daha düşük D’ye ve Habitat 3’te MFS’e kıyasla daha düşük pVol’a sahip olduğunu gösterdi. Bu farklılıklar, UPS’de daha büyük bir hipervasküler/geçirgen bileşen ve daha hücreli düşük perfüzyonlu bir bölgenin bulunmasını yansıtabilirken, MFS’te düşük perfüzyon ve düşük hücreliliğe sahip daha fazla bölge mevcut olabilir; bu durum kısmen miksoit bileşenlere karşılık gelebilir. Ancak bu durumun histopatolojik korelasyonla doğrulanması gerekmektedir. Bu örüntü, genel olarak geleneksel MRI bulgularıyla tutarlı görünmektedir: MFS, UPS’ye kıyasla daha sık yüksek T2WI SI göstermiştir ().
Habitat_Model (AUC = 0.932, %95 GA: 0.835-0.981) ve Combined_Model (AUC = 0.957, %95 GA: 0.870-0.993), bu kohortta Conventional MRI_Model’e göre daha yüksek AUC değerleri gösterdi. Combined_Model ayrıca 0-0.6 eşik olasılıklarında en yüksek net faydayı sağlarken iyi bir kalibrasyon sergiledi (Brier = 0.086); Habitat_Model de iyi bir performans gösterdi (Brier = 0.102). Bu sonuçlar, habitat özelliklerinin geleneksel MRI’ye tamamlayıcı fonksiyonel bilgiler sunabileceğini göstermektedir. Daha yüksek performans, habitat görüntülemenin perfüzyon ve difüzyondaki bölgesel farklılıkları ölçme yeteneğiyle ilişkili olabilir, ancak bu durumun doğrulanması gerekmektedir.
Eğer doğrulanırsa, UPS ve MFS arasındaki daha doğru preoperatif ayrım, cerrahi planlamayı, marjin değerlendirmesini ve takibi potansiyel olarak etkileyebilir. DCE-MRI ve IVIM tabanlı habitat görüntüleme, bu tümörleri karakterize etmek için non-invaziv, kantitatif ve uzamsal çözünürlüğe sahip bir yaklaşım sunabilir. Bir ön çalışma olarak, bu bulgular umut verici olsa da kesin değildir. Daha büyük, ideal olarak çok merkezli çalışmalarda ek doğrulama gereklidir.
Sınırlamalar
Bu çalışmanın sınırlamaları bulunmaktadır. Örneklem büyüklüğü nispeten sınırlıydı ve bazı habitatlardaki gruplar arası farklılıklar istatistiksel anlamlılığa ulaşmadı; bu da daha büyük kohortlarda doğrulama gerektirmektedir. Gelecekteki çalışmalar, habitat sınırlarının tekrarlanabilirliğini artırmak için çok merkezli verileri ve makine öğrenmesi tabanlı segmentasyonu içerebilir. Pratik açıdan bakıldığında, klinik uygulamadan önce birkaç gereklilik dikkate alınmalıdır. Çok-b-değeri IVIM edinimi, geleneksel difüzyon ağırlıklı görüntülemeye kıyasla tarama süresini uzatır ve DCE-MRI, yeterli tarayıcı mevcudiyeti ile özel postişlem yazılımı gerektirir. Ayrıca, voxel düzeyinde eşleşmeyi sağlamak için DCE-MRI ve IVIM veri setleri arasında görüntü kaydı gereklidir ve habitat oluşturma şu anda zaman alıcı ve operatöre bağlı olan ilgi alanı hacminin manuel segmentasyonuna dayanmaktadır. Görüntüleme protokolünün basitleştirilmesi —örneğin b-değerlerinin sayısını azaltarak veya edinim dizilerini entegre ederek— gelecekteki otomatik segmentasyon algoritmalarıyla birlikte iş akışı yükünü azaltabilir ve tekrarlanabilirliği artırabilir. Küçük örneklem büyüklüğü ve iç/dış doğrulamanın olmaması nedeniyle performans abartılı olabilir; keşif niteliğindeki sonuçlar ve eşik değerleri dikkatli bir yorumlama ve daha büyük kohortlarda doğrulama gerektirir. Bu gelişmeler, fonksiyonel MRI tabanlı habitat görüntülemenin UPS ve MFS’nin preoperatif ayrımı için daha uygulanabilir bir araca dönüştürülmesine yardımcı olacaktır.
Sonuç
DCE-MRI ve IVIM tabanlı habitat görüntüleme, tümör içi heterojenliği karakterize etmek ve UPS ile MFS’yi ayırt etmek için potansiyel olarak daha nesnel bir yöntem sunmaktadır.
Beyanlar
Veri erişilebilirliği beyanı
Çalışmada sunulan orijinal katkılar makalede/ek materyallerde yer almaktadır. Daha fazla bilgi için ilgili yazarla iletişime geçilebilir.
Etik beyanı
İnsanları içeren çalışmalar Dalian Tıp Üniversitesi İkinci Hastanesi tarafından onaylanmıştır. Çalışmalar yerel mevzuata ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Katılımcılar bu çalışmaya katılmak için yazılı bilgilendirilmiş onamlarını vermişlerdir. Bu makalede yer alan potansiyel olarak tanımlanabilir görüntülerin veya verilerin yayımlanması için bireylerden yazılı bilgilendirilmiş onam alınmıştır.
Yazar katkıları
CC: Veri kürasyonu, Kavramsal tasarım, Orijinal taslak yazımı, Formal analiz. XW: Orijinal taslak yazımı, Metodoloji, Araştırma. ZZ: Yazılım, Formal analiz, Orijinal taslak yazımı, Metodoloji. YL: Proje yönetimi, Orijinal taslak yazımı, Araştırma. JZ: Orijinal taslak yazımı, Araştırma. KZ: Araştırma, Orijinal taslak yazımı. WW: Yazılım, Orijinal taslak yazımı, Metodoloji. SW: Denetim, Gözden geçirme ve düzenleme yazımı, Doğrulama, Fon sağlama.
Çıkar çatışması
Değerlendirici XL, yazar JZ ile geçmişte ortak yazarlık yaptığını sorumlu editöre beyan etmiştir.
Diğer yazarlar, araştırmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişki olmaksızın yürütüldüğünü beyan etmektedir.
Üretken yapay zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerin yanında sunulan alternatif metinlerin (alt metin) tamamı Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarların mümkün olduğunda inceleme yapması da dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.
Özet
Anahtar Kelimeler
DCE-MRI, habitat görüntüleme, IVIM, miksofibrosarkom, yumuşak doku sarkomları, farklılaşmamış pleomorfik sarkom
Atıf
Chen C, Wang X, Zhang Z, Liu Y, Zhou J, Zhang K, Wang W ve Wang S (2026) DCE-MRI ve IVIM tabanlı habitat görüntüleme ile farklılaşmamış pleomorfik sarkom ve miksofibrosarkomun ayırt edilmesi. Front. Oncol. 16:1937873. doi: 10.3389/fonc.2026.1937873
Alınma Tarihi
14 Temmuz 2026
Gözden Geçirme Tarihi
18 Eylül 2026
Kabul Tarihi
27 Ekim 2026
Yayınlanma Tarihi
16 Kasım 2026
Cilt
16 – 2026
Ujjwal Raghunandan Baid, Emory Üniversitesi, Amerika Birleşik Devletleri
Jingxuan Jiang, Şanghay Altıncı Halk Hastanesi, Şanghay Jiaotong Üniversitesi Tıp Fakültesine Bağlı, Çin
Xiangwen Li, Fudan Üniversitesi, Çin
© 2026 Chen, Wang, Zhang, Liu, Zhou, Zhang, Wang ve Wang.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.
*Yazışma: Shaowu Wang, wsw_2018@163.com
†Bu yazarlar bu çalışmaya eşit derecede katkıda bulunmuş olup ilk yazarlık unvanını paylaşırlar
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar yayıncı tarafından garanti edilmez veya onaylanmaz.

