0 引言

       孤立性纤维瘤（solitary fibrous tumor, SFT）是一种罕见的侵袭性肿瘤，起源于血管周围的脑膜间质^{[1, 2]}。2016年，世界卫生组织（World Health Organization, WHO）将具有相同分子学特征的SFT与血管外皮细胞瘤（hemangiopericytoma, HPC）合并为SFT/HPC，2021年又将混合术语“SFT/HPC”修订为“SFT”。由于这种颅内肿瘤极易复发，并且术中出血概率极高，因此SFT一旦确诊，必须积极地进行精确的术前准备、制订合理的手术方案及术后治疗^{[1, 3, 4]}。而脑膜瘤是一种临床和放射学表现特征与SFT 极为相似的常见肿瘤，在WHO颁布的第五版中枢神经系统肿瘤分类中，脑膜瘤分为三个主要等级类别（WHO 1~3级），并涉及15种不同的组织学亚型，且多为预后良好的良性肿瘤。其中，无症状的WHO 1级脑膜瘤可保守治疗，2级脑膜瘤需要手术切除后分次放疗，而3级脑膜瘤术后需系统的放化疗来提高生存率，因此并非所有脑膜瘤都需要积极治疗^{[5, 6, 7]}。由于SFT和脑膜瘤具有不同的生物学行为和治疗方法，所以在手术或治疗前准确区分这两种肿瘤可以为后续治疗策略及随访计划提供更可靠的诊断基础。

       MRI作为一种无创的检查手段，已经广泛应用于鉴别颅内SFT和脑膜瘤^{[8, 9, 10]}。近年来兴起的多模态功能MRI技术为区分这两种脑肿瘤提供了强有力的支持。在这一背景下，本文主要就MR扩散加权成像（diffusion weighted imaging, DWI）应用于SFT和脑膜瘤的鉴别诊断进行综述，为临床应用及研究提供新思路。

1 颅内SFT与脑膜瘤相似的影像学特征

       颅内SFT属于间质性肿瘤的一种。组织学上，SFT有较为疏松的梭形肿瘤细胞以及较为致密的血管外皮样细胞，两种结构常混合存在，即表现为疏密交替分布，在镜下观察可见细胞形态具有多样性^{[11, 12, 13]}。这种“无结构”的生长模式，也使MR信号趋向多样化，既呈现出血管外皮瘤具有的明显的蛇形血管流空影与更多的侵袭性表现，又呈现出经典SFT的肿瘤包膜现象以及较为常见的钙化征象，在T1加权图像（T1 weighted image, T1WI）上，可表现为与大脑皮层灰质相等或稍低信号^{[14, 15]}，在T2加权图像（T2 weighted image, T2WI）上呈等到高信号。脑膜瘤是最常见的颅内脑外肿瘤，起源于蛛网膜粒帽细胞，镜下可见由紧密堆积的多边形细胞组成^{[16, 17]}。在15种脑膜瘤亚型中，血管瘤型脑膜瘤是一种特殊的WHO 1级亚型，其特点是肿瘤实体血供丰富。在免疫组化上，血管瘤型脑膜瘤与SFT相似，两者都可表达CD34，这使它们在影像学上的特征也更为相似^[18]。WHO 2级和3级的脑膜瘤被认为是高级别肿瘤，包括脊索样脑膜瘤、透明细胞型脑膜瘤和非典型脑膜瘤（2级），以及乳头状脑膜瘤、横纹肌状脑膜瘤和间变型脑膜瘤（3级）^[19]。相对于低级别（WHO 1级）脑膜瘤的影像学特征更具有侵袭性的表现，如较多的颅骨侵犯现象^{[20, 21]}，以及在增强T1WI上常表现为明显的强化^{[22, 23, 24]}。

       尽管脑膜瘤分型众多，但基于以上特点，绝大多数研究将其分为三个主要类别与SFT进行鉴别：低级别（WHO 1级）、高级别（WHO 2/3级）以及血管瘤型脑膜瘤。通过这种分组，研究者能够更系统地提取肿瘤的特征，提高临床应用的价值。

2 DWI在鉴别颅内SFT和脑膜瘤中的研究现状

2.1 DWI概述

       DWI作为一种成熟的MR功能成像技术，已广泛用于疾病的鉴别诊断和预后评估。该技术可通过重新排列细胞内外水分子的运动，提供肿瘤微环境的信息，并通过表观扩散系数（apparent diffusion coefficient, ADC）值来反映水分子扩散运动的程度^{[25, 26, 27]}。

2.2 ADC值在鉴别颅内孤立性纤维瘤和脑膜瘤中的应用

2.2.1 基于ADC值鉴别SFT和脑膜瘤

       DWI衍生的ADC测量值已经应用于区分SFT和各种级别以及特定亚型的脑膜瘤。绝大多数研究发现，颅内SFT患者的平均ADC值显著高于脑膜瘤患者。这可能是由于SFT具有丰富的新生血管，细胞外间隙较大，使得水分子可以快速运动，从而具有较高的ADC值^{[28, 29]}。已有研究通过勾画感兴趣区域（region of interest, ROI）来测量肿瘤代表性区域的ADC值，从而证实SFT有较高的平均ADC值^[30]。有学者分析了肿瘤整体的空间异质性后，认为运用MRI纹理分析可客观定量地评估肿瘤异质性或进行肿瘤鉴别诊断^[31]。刘静静等^[32]利用全容积ADC直方图，通过提取病变图像的像素值和灰度分布情况来获取与病变有关的参数后对图像进行了纹理分析发现，SFT的平均ADC值显著大于WHO 2级脑膜瘤。但对于此结果仍存在一定的争议，也有研究同样采用纹理分析对SFT和WHO 2级脑膜瘤的ADC图像参数进行评估，发现SFT的ADC平均测量值低于WHO 2级脑膜瘤^[33]。与多数研究不同的是，该研究的ROI层面的选择未包含肿瘤内囊变、坏死及出血成分，可能会产生由于勾画局部区域ROI而导致的抽样误差。OHBA等^[34]的研究则发现SFT与WHO 1/2级脑膜瘤的平均ADC值无显著差异。该研究纳入的低级别脑膜瘤数量占整体脑膜瘤数量的比例较高（72/79），且有报告称高级别脑膜瘤的平均ADC值或最小ADC值显著低于低级别脑膜瘤^{[35, 36]}。因此，纳入样本量比例不均衡有可能促使结果发生选择性偏倚。与其他类型脑膜瘤相比，血管瘤型脑膜瘤更容易观察到高ADC值^{[37, 38]}，且与SFT的鉴别的研究结果不尽相同，单独鉴别SFT和血管瘤型脑膜瘤的研究则更倾向于认为这两种肿瘤的ADC值无显著差异^[39]。荣伟等^[40]发现血管瘤型脑膜瘤的ADC值明显低于SFT患者，但也有研究发现该肿瘤的平均ADC值明显高于SFT和WHO 1级脑膜瘤^[41]。

       除了ADC平均值的应用外，部分学者针对动态标化的ADC值对SPT和脑膜瘤的鉴别进行了研究。LIU等^[42]的研究纳入非典型脑膜瘤，即WHO 2级脑膜瘤，通过提取第1百分位数（ADC 1）、第10百分位数（ADC 10）、第50百分位数（ADC 50）、第90百分位数（ADC 90）和第99百分位数（ADC 99），分析全肿瘤ROI得到了ADC值分布图，该项研究显示，SFT的ADC平均值、ADC1、ADC10、ADC50和ADC90均大于非典型脑膜瘤组（P<0.05），且ADC的低百分位数具有较高的受试者工作特征曲线下面积（AUC=0.920）。此外，有研究认为将ADC值标准化后的评价方法比绝对ADC值更加精确^[43]。一项纳入了低级别（WHO 1级）和高级别（WHO 2级）脑膜瘤的研究将肿瘤ADC值除以对侧正常大脑白质的ADC值，从而得到了标准化ADC（normalized ADC, nADC），并提出了nADC在区分SFT和WHO 2级脑膜瘤方面具有较高的临床价值。同时该研究指出，nADC比率大于1.3是区分SFT与WHO 1级脑膜瘤的临界值^[44]。此外，有学者研究发现，nADC临界值大于1.15时，区分SFT与脑膜瘤的敏感度为75%，特异度为60%^[45]。关于鉴别血管瘤型脑膜瘤与颅内SFT的研究发现，SFT组的ADC值第90百分位数明显高于血管瘤型脑膜瘤组，其AUC值可达0.87^[46]，SFT的最小ADC值显著低于血管瘤型脑膜瘤^[47]，而DWI信号值标准化后的结果并不是两者的独立预测因素^[48]。

2.2.2 基于ADC图像的均匀性、峰度和熵鉴别SFT和脑膜瘤

       除了ADC值本身的应用外，有研究者还通过对ADC图像的均匀性、峰度和熵等反映肿瘤异质性的参数去度量图像灰阶强度的分布情况，并量化肿瘤的异质性。研究发现，SFT的ADC熵值最高，其次为WHO 1级脑膜瘤，且SFT的ADC图均匀性明显小于脑膜瘤，表明SFT的异质性明显大于脑膜瘤，而这可能是由于SFT存在较多的微小坏死囊变区所致^[3]。有研究者将上述ADC图像纹理参数联合了常规影像学特征进行分析发现，其AUC值高达0.938^[33]。然而，也有研究发现ADC熵值在SFT与WHO 2型脑膜瘤之间差异无统计学意义，ADC图的峰度则被发现有较高的诊断价值^{[32, 46]}。WANG等^[49]则发现SFT与脑膜瘤ADC值的偏度、峰度、均值及其他参数差异均无统计学意义，与上述研究不同的是，该研究仅包括过渡性脑膜瘤这一种亚型，不只是局限于血管瘤型脑膜瘤这种特殊亚型和高/低级别脑膜瘤的影像，在样本含量充足的条件下，单一亚型脑膜瘤与SFT鉴别也是我们以后应去探索的方向。

       综上所述，大多数研究表明SFT的平均ADC值高于脑膜瘤，但在ROI选择、肿瘤异质性分析和样本量等方面存在差异，导致结果不一致。此外，由于血管瘤型脑膜瘤与SFT组织学特征具有较高的相似性，单独利用ADC值鉴别两者增加了困难。ADC图像的均匀性、峰度和熵等参数在鉴别SFT和脑膜瘤方面显示了较大潜力，研究指出SFT的ADC熵值较高，均匀性较低，反映其较高的异质性。然而，不同级别及亚型的脑膜瘤中这些参数的表现存在争议。一些研究指出，即使结合了这些额外的纹理参数，SFT与某些特定亚型的脑膜瘤（如过渡性脑膜瘤）之间的ADC参数差异仍无统计学意义，这表明在鉴别这两种肿瘤时，还需考虑其他影像学特征或分子标记物，结合多模态影像学技术，如动态对比增强MRI和磁共振波谱成像，以及探索潜在的生物标志物，为这两种肿瘤的鉴别提供更全面的视角，从而为临床提供更为精确的诊断工具和治疗策略。

2.3 DWI与其他磁共振序列在鉴别颅内SFT和脑膜瘤中的联合应用

       WEI等^[50]验证了硬脑膜尾征在SFT和脑膜瘤中的分布有统计学差异，并将其与基于磁共振常规序列的放射组学特征融合，开发了名为HMDT 的放射组学诊断模型，其AUC值高达0.91，该研究发现HMDT的诊断能力明显高于单独ADC值的诊断模型。LI等^[39]利用机器学习支持向量机方法对纹理特征进行分类，且对比了T2WI、DWI及增强T1WI的分类结果，发现增强T1WI的诊断效能高于DWI序列，其 AUC值为0.90。这可能是由于SFT血流供应更加丰富，其肿瘤内部较脑膜瘤来说更易引起出血坏死^{[51, 52]}，而T1WI增强序列则容易捕捉到这类信息。但该研究仅纳入了67例病例，由于样本含量较少，且仅包含血管瘤型脑膜瘤这一种特殊亚型，因此其结果具有一定的局限性。CHEN等^[45]将磁共振敏感加权成像（susceptibility weighted imaging, SWI）和DWI结合进行分析，该种方法可获得较高的分辨能力，敏感度为81.25%，特异度为78.12%，优于单独应用DWI或SWI，这表明联合参数鉴别颅内SFT和脑膜瘤可能更有价值。单一的常规序列虽更好获取，但并不能充分反映肿瘤之间的差别，更易使结果产生偏倚。因此，为了避免单一常规磁共振序列的片面性，DWI等多模态 MRI序列的使用在临床诊疗中占比越来越重。通过联合多模态MRI分析，可以更系统深入地获取肿瘤细微的生物学特性，同时各序列之间也可以相互补充，以提高SFT和脑膜瘤的影像学诊断准确性。

       总之，DWI与其他磁共振序列联合应用在区分颅内SFT和脑膜瘤方面展示了显著的潜力。通过结合硬脑膜尾征等放射学特征和放射组学特征，以及多模态影像技术，如增强T1WI和SWI可以显著提高诊断准确性。这些方法提供了比单一ADC值或常规序列更高的敏感性和特异性以及更多的定量信息。然而，这些研究仍存在样本量较小和亚型单一等局限性。未来的研究应扩大样本量，涵盖更多肿瘤亚型，以进一步验证和优化这些联合诊断模型。通过多模态MRI技术的综合应用，可以更全面地反映这两种肿瘤的生物学特性，减少诊断偏差，为临床诊断和治疗提供更为精准的依据。

2.4 颅内SFT与脑膜瘤组织学差异对ADC值的影响

       以细胞紧密堆积为特征的组织将具有较低的ADC值，而细胞外与细胞内空间比率高的组织将具有相对较高的ADC值^[36]。脑膜瘤由紧密堆积的多边形细胞组成，这些细胞通过桥粒相互连接，并且在光学显微镜下，以颗粒状外观为特征。高级别脑膜瘤表现为较高的细胞密度和核分裂活跃度，常伴有坏死区域和血管侵犯，这些特点限制了水分子的自由扩散，因此与低级别脑膜瘤相比，高级别脑膜瘤有较低的ADC值，这与之前的报告一致^[35]。虽然SFT也是高度细胞化的肿瘤，但由于梭状的细胞外形及大量的鹿角状血管使得细胞外与细胞内的比率较高，使其与更高的ADC值相关^[53]。相比之下，血管瘤型脑膜也显示出丰富的血管结构，但其细胞密度可能更高，这也加大了应用单纯ADC值与SFT之间鉴别的困难^[37]。尽管如此，一项研究仍报道了血管瘤型脑膜瘤的ADC值第90百分位数显著高于SFT^[46]，这表明在特定情况下，ADC值可以作为区分这两种肿瘤的有用指标。

3 问题与展望

       本文通过对DWI在区分SFT和脑膜瘤中的研究进展进行了综述，系统梳理了目前研究的进展，现有的研究存在以下局限性：（1）大部分研究为纳入的样本量过少的回顾性研究，且多为单中心研究，因此部分数据源于成像数据队列而忽视了病变的异质性特征，可能会导致数据的过拟合及较低的可重复性，未来应进行更多前瞻性的多中心研究，提高研究质量和全面性。（2）大部分纳入的脑膜瘤与SFT病例未关注WHO 1型脑膜瘤的分型，一些特殊型脑膜瘤可能会使结果产生离群值，从而增加选择偏倚。（3）迄今为止，并未有研究采用自动分割技术提取肿瘤的ROI，手动分割的ROI主要是基于观察者的经验分析，易引起测量偏倚。自动分割技术需要大量数据支撑，SFT的罕见性给自动分割模型的开发带来了很大的挑战，随着人工智能中迁移学习的发展，未来可利用迁移学习技术来帮助实现最小数据量建立高效能的自动分割模型。（4）由于血管瘤型脑膜瘤的罕见性使分析大量病例变得困难，目前关于ADC值是否为SFT与血管瘤型脑膜瘤的独立预测因素仍具有很大的争议，因此未来研究尽量选用多中心来扩大样本量、优化模型等方法去评估ADC值在鉴别SFT与血管瘤型脑膜瘤中是否有诊断价值。（5）目前采用DWI及其他功能MRI序列的研究仍较少，所以我们无法评估这些先进的MRI序列所获取的生物学标记是否可以为临床提供更有力的诊断效能。在未来的研究中，可以进一步探讨DWI与不同磁共振序列的组合应用，以提高SFT和脑膜瘤的鉴别力。同时结合机器学习技术，可在更小的数据量和更低的经济成本下提高该罕见疾病的诊断准确率。

       尽管存在一些局限性，但不可否认的是，DWI在显示组织微结构和组织生理代谢方面的优势，为区分脑肿瘤类型提供了新的方向。随着技术的不断进步和研究的深入开展，相信DWI将成为未来更为精准、个体化脑肿瘤诊断的重要工具，为患者提供更好的医疗服务。