Imaging Differentiation of Supratentorial Ependymoma and High-Grade Glioma in Children Using VASARI Features [RESEARCH]

單憑常規 MRI 的「鈣化」與「非顯影邊界清晰度」這兩項特徵，就能以高達 0.98 的 AUC 完美區分兒童大腦幕上的室管膜瘤與高惡性度神經膠質瘤。即使這兩種罕見腫瘤在影像上常表現出高度重疊的囊性壞死與不均勻顯影，這種極簡的雙特徵組合，其鑑別能力幾乎媲美包含 16 項複雜參數的完整迴歸模型。

兒童幕上腫瘤術前鑑別的生存決策點

大腦幕上室管膜瘤（supratentorial ependymomas, sEPN）與大腦幕上高惡性度神經膠質瘤（supratentorial high-grade gliomas, sHGG）在小兒神經放射科學中，屬於相對罕見卻極具致命威脅的中樞神經系統腫瘤。這兩種腫瘤的術前精準鑑別，對神經外科醫師的開刀策略具有決定性的影響。對於 sEPN 而言，達成大範圍全切除（Gross Total Resection, GTR）是決定病患整體存活率的最關鍵因素；反觀 sHGG，由於腫瘤細胞常沿著白質纖維束具備高度浸潤性，過於激進的手術切除有時無法顯著延長預期壽命，反而可能造成嚴重的神經功能缺損，臨床上更傾向採取安全範圍內的次全切除配合後續放化療。

然而，在常規的術前磁振造影（MRI）掃描中，sEPN 與 sHGG 展現出令人困擾的影像重疊性。兩者皆常表現為體積龐大、內部伴隨囊性變化、壞死區以及高度不均勻對比劑強化的腫瘤實體。當放射科醫師在打報告時，往往只能給出「高度懷疑惡性腫瘤，需病理確診」的模糊結論。為了將主觀的影像描述轉化為客觀的量化指標，費城兒童醫院的研究團隊導入了 VASARI（一套專為神經膠質瘤設計的標準化 MRI 影像特徵詞彙庫） 系統。VASARI 系統過去在成人膠質瘤的應用已經被證實具備高度的可重複性與臨床價值，但將其全面應用於小兒 sEPN 與 sHGG 的術前鑑別，則是本篇論文的重要突破。

透過系統性地拆解腫瘤的幾何型態、邊界特徵以及組成比例，研究團隊試圖釐清一個核心問題：我們是否能依賴常規 MRI，找出足以左右診斷方向的決定性特徵組合，進而為個別病患量身打造最佳化的治療藍圖。

回顧 24 年 45 例罕見腫瘤的 VASARI 特徵

從 Methods 來看，這是一項時間跨度極長的回顧性世代研究。研究團隊搜集了費城兒童醫院自 2000 年至 2023 年間，年齡小於 21 歲，且經過嚴格的組織病理學或分子生物學確診為 sEPN 或 sHGG 的病患影像。考量到這兩種小兒大腦幕上腫瘤的罕見程度，研究團隊歷經長達 24 年的病歷回溯，最終篩選出符合條件的 45 位病患納入分析。在病患分佈上，包含了 26 例 sEPN 以及 19 例 sHGG。

在人口學變數的檢驗中，團隊確認了性別分佈並未對結果造成干擾。數據顯示 sEPN 組有 61.5% 為女性，而 sHGG 組為 78.9% 女性，兩者在統計學上沒有顯著差異（P = .18）。這使得後續的影像特徵分析排除了人口學的偏差干擾。在影像特徵的萃取上，放射科醫師針對術前 MRI 進行了高達 36 項特徵的評估；若將次級分類納入計算，總計評估了 54 個參數。這些參數不僅完全涵蓋了標準的 VASARI 評分項目，還額外加入了多項兒童腫瘤常見的特徵變數。

為了從這 54 個龐雜的參數中萃取出真正的訊號，研究採用了嚴謹的三階段統計策略。首先進行單變量分析（Univariate analysis），初步篩選出對兩組有顯著統計差異的變數。接著進入多變量邏輯斯迴歸（Multivariate logistic regression）建立完整預測模型。最關鍵的一步，團隊運用了 正則化二項式迴歸（一種在機器學習中用來懲罰過多變數、防止模型過度擬合的統計學演算法），搭配變數選擇機制，強迫系統剔除冗餘資訊，最終提煉出能在忙碌臨床現場實際運用的精簡模型（Parsimonious models）。

Table 2 呈現的 16 項顯著差異與完美 AUC

把焦點拉到 Results 的部分，Table 2 詳盡羅列了單變量分析的成果。在 54 個細項參數中，有高達 16 項影像特徵在 sEPN 與 sHGG 之間展現出顯著的統計學差異（P < .05）。這些具有鑑別力的特徵廣泛涵蓋了腫瘤的內部組成與外部效應，包括了：顯影與非顯影成分的體積比例、腫瘤內部鈣化的有無、T1WI 與 FLAIR 序列之間的訊號強度比值、T2WI 的整體訊號表現、是否伴隨鄰近顱骨的重塑（Calvarial remodeling），以及腫瘤侵犯的特定大腦區域分佈。

若細看這些特徵的病理對應關係，sEPN 通常源自於腦室外的皮質或白質，特別是那些帶有 ZFTA 基因融合的亞型，往往會推擠大腦皮質甚至造成上方顱骨的慢性重塑；而其內部的微小鈣化點，在 CT 或是對磁化率敏感的 MRI 序列上更是明顯。相對應地，sHGG 的侵襲路徑較少導致顱骨重塑，但其 T2WI 訊號與非顯影區域的比例往往暗示了更為瀰漫性的微觀神經束破壞。

當研究團隊將這 16 項具有顯著差異的影像特徵同時放入多變量邏輯斯迴歸模型時，產生了一個驚人的統計結果：該模型在鑑別 sEPN 與 sHGG 上，達成了 100% 的準確率，其接收者操作特徵曲線下的面積（AUC）直接封頂達到 1.0。這意味著，只要完整評估這 16 個特徵，常規 MRI 就能完全取代術中冰凍切片的第一線鑑別功能。然而，要在每天數十份 MRI 報告的龐大壓力下，要求放射科醫師逐一核對 16 項 VASARI 指標，顯然不具備任何實務操作的可行性。

Figure 1 極簡雙特徵模型的 0.98 預測力

這正是本篇論文最精華的價值所在。為了解決多變量模型過於笨重、無法落地於臨床常規讀片的問題，研究團隊透過變數選擇演算法，建構了兩個極簡版本的小型模型。Figure 1 畫出了這些精簡模型與完整模型的 ROC 曲線比較。

第一個精簡模型僅保留了兩個特徵：「是否具備鈣化（Presence of calcifications）」與「非顯影區邊界清晰度（Definition of nonenhancing margins）」。令人振奮的是，僅憑這兩個特徵組合，模型就能準確區分這兩種惡性腫瘤，其 AUC 依然高達 0.98。從影像病理學的角度來拆解這項結果非常合理：小兒 sEPN 由於生長模式偏向推擠型（Pushing border），其非顯影部分的邊界往往較為銳利，且內部基質極易產生鈣沉積；而 sHGG 作為高度浸潤性的星狀細胞或膠質細胞腫瘤，其非顯影區往往代表了向外延伸的水腫與腫瘤細胞混合區，邊界模糊不清且極少在初次診斷時出現粗大鈣化。

如果影像上難以判定鈣化（例如缺乏 CT 對照或 SWI 序列雜訊過高），團隊提供了第二個備用的極簡模型：同時評估「顯影區邊界清晰度（Definition of enhancing margins）」加上「非顯影區邊界清晰度（Definition of nonenhancing margins）」。這個純粹依賴「邊界幾何形態」的模型，同樣展現了極高的鑑別效力，其 AUC 達到 0.95。這證實了腫瘤向外擴展的巨觀型態，是定義小兒幕上高惡度腦瘤身份的關鍵簽名。這種化繁為簡的特徵組合，將原本 16 項的勾選清單，濃縮成了放射科醫師在閱片螢幕前三秒鐘內就能完成的心智決策。

單一醫學中心的小樣本限制與常規讀片啟示

儘管這些精簡模型的預測能力極佳，我們仍必須正視 Discussion 中作者坦承的統計邊界。首先，這是一項基於單一醫學中心的回顧性研究。雖然費城兒童醫院是全球頂尖的兒科重鎮，但長達 24 年的收案期間，MRI 的硬體技術（從 1.5T 到 3T 的普及、線圈通道數的增加）與掃描參數勢必存在變異。這可能會影響到「邊界清晰度」這種高度依賴空間解析度與對比解析度的視覺特徵判定。其次，45 例的總樣本數雖然在小兒罕見腦瘤中已屬不易，但若要將 AUC 0.98 的神級數據推廣到每一家社區醫院的放射科，仍需要進行大規模的多中心外部驗證。

對於第一線的放射科醫師而言，這篇論文提供了立即可以實踐的讀片策略。我們過去在描述這類巨大且成分複雜的兒童腦瘤時，常常將注意力放在囊腫大小、壞死範圍或是顯影的強弱上。然而，本篇研究明確指出，真正決定腫瘤本質的關鍵，藏在腫瘤的「非顯影區域邊界」以及「微小的鈣化點」之中。未來在撰寫這類報告時，我們應該主動運用 VASARI 詞彙庫的概念，精確描述非顯影腫瘤邊緣是「銳利（Well-defined）」還是「模糊浸潤（Poorly-defined）」。如果是前者合併鈣化，請勇敢地在 Impression 中將 sEPN 放在鑑別診斷的第一順位，這將直接賦予神經外科醫師追求大範圍全切除的強烈信心。

處理兒童幕上腫瘤時，別只被絢麗的對比劑強化區吸引；先確認 CT/SWI 有無鈣化，再調高視窗對比，仔細盯著非顯影區域的邊界，模糊就是 HGG，銳利就是 EPN。