在脑肿瘤手术过程中，不同观察者对术中超声图像的解读结果的一致性

《Frontiers in Surgery》：Inter-observer agreement in interpreting intraoperative ultrasonography during brain tumour surgery

术中超声（iUS）观察者间变异研究显示，脑肿瘤手术不同阶段及肿瘤类型差异显著影响iUS解读一致性，术前变异度最低（DSC 0.87），术中次之（0.74），术后严重下降（0.32）。机器学习辅助iUS可提升诊断准确性。

　　这项研究探讨了术中超声（iUS）在脑肿瘤手术中的观察者间一致性问题。术中超声作为一种强大的影像技术，正在被越来越多地用于辅助脑肿瘤切除手术。它相较于其他术中影像方式，如术中磁共振成像（iMRI），具有实时成像、设备成本低、易于整合进手术流程以及对术时时间影响较小等优势。然而，超声图像的解读通常依赖于观察者的主观判断，这可能导致解读结果存在差异。因此，研究的重点在于量化评估不同脑肿瘤类型和手术阶段下，观察者之间在iUS图像解读中的差异程度。

研究采用了三种常见的脑内肿瘤类型：转移瘤、高级别胶质瘤（HGG）和低级别胶质瘤（LGG），并在每种手术过程中选取了三个阶段：术前、术中和接近切除完成。研究人员从实际手术中收集了九张代表性iUS图像，并邀请了18名神经外科医生（包括5名主任医师、7名高级研究员和6名住院医师）进行解读。每位参与者使用3D Slicer软件对图像中的肿瘤区域进行手动分割，并对分割难度进行评分。研究团队还通过Python和R软件对分割结果进行了统计分析，计算了数字图像相关引擎相似系数（DSC）以评估观察者之间的差异。

结果显示，所有观察者在九张iUS图像上共计算了1,377个DSC值。其中，转移瘤的DSC值最高（0.72?±?0.32），其次是HGG（0.64?±?0.33），最后是LGG（0.58?±?0.25；p?
通过热图分析，研究人员发现不同肿瘤类型和手术阶段下，观察者之间的一致性存在空间差异。热图显示，随着手术的进行，一致性逐渐下降，尤其是在切除腔边缘附近。此外，研究团队还比较了高经验和低经验外科医生在不同肿瘤类型和手术阶段下的DSC值，发现两者之间没有显著差异。这表明，即使经验丰富的外科医生在iUS图像解读中也存在一定的主观性，而经验对一致性的影响可能不如其他影像技术明显。

在讨论部分，研究指出iUS图像的解读存在一定的挑战，尤其是在切除腔边缘区域。这些区域的影像往往受到后壁声学增强（PAE）的影响，这种现象使得区分残留肿瘤和增强效应变得困难。PAE通常出现在液体填充的结构下，如囊肿，因为液体对超声的衰减程度低于固体组织，从而产生更强的回声和更高的回声性。这可能导致iUS在判断残留肿瘤时出现较高的假阳性率。为了解决这一问题，研究提到一种新的方法，即使用一种与脑组织衰减系数相似的耦合液，以减少由常规使用的生理盐水引起的增强效应。

此外，研究还探讨了经验对观察者间一致性的影响。虽然在其他影像技术（如MRI）中，经验通常有助于提高一致性，但iUS由于其高度依赖于操作者，使得经验的影响更加复杂。某些研究发现，经验对iUS解读的一致性有积极影响，而另一些研究则未发现显著差异。这可能与iUS图像的解读需要操作者手动调整探头位置有关，而静态图像可能无法提供足够的实时反馈，从而影响一致性。因此，研究团队认为，他们未发现经验对一致性有显著影响的原因可能在于实验设计与实际手术流程存在差异。

研究还指出，未来可以通过引入人工智能技术来改善iUS图像的解读一致性。人工智能在神经外科领域的应用正在迅速增长，涵盖手术流程优化、实时监测与诊断、预后预测、体积评估以及神经外科教育等方面。一种可能的解决方案是采用定量方法来解读iUS图像，例如利用像素亮度与组织学特征之间的关系。近年来，机器学习方法已被用于实时肿瘤区分和组织学与分子诊断。此外，一项多中心研究利用脑肿瘤术中超声数据库（BraTioUS）展示了卷积神经网络（CNN）模型在胶质瘤分割中的可行性。

研究的局限性主要体现在缺乏“真实世界”标准来验证观察者的分割结果。理想情况下，可以结合组织学活检数据，以更准确地判断图像中的哪些区域是肿瘤，哪些不是。此外，实验设计中使用的是静态图像，而实际手术中外科医生可以实时调整探头位置以获取更清晰的影像信息。因此，这种静态图像的解读方式可能无法完全反映真实手术环境下的挑战。最后，研究中使用的样本数量（9张图像）相对较少，但通过邀请18名神经外科医生参与，提高了研究的可靠性。

综上所述，这项研究揭示了术中超声在脑肿瘤手术中存在显著的观察者间一致性差异。这些差异不仅与肿瘤类型有关，还受到手术阶段的影响。研究强调了在切除腔边缘区域准确解读肿瘤的重要性，并指出经验可能在一定程度上无法弥补这一差异。因此，研究建议未来应更多地依赖定量方法和人工智能技术，以提高iUS图像解读的一致性和准确性，从而支持更精确的手术决策。