S'abonner

Differentiation between adrenocortical carcinoma and lipid-poor adrenal adenoma using a multiparametric MRI-based diagnostic algorithm - 28/09/24

Doi : 10.1016/j.diii.2024.03.005 
Carmelia Oloukoi a, b, Anthony Dohan a, b, c, Martin Gaillard b, c, d, Christine Hoeffel e, Lionel Groussin-Rouiller b, c, f, Jérome Bertherat b, c, f, Anne Jouinot b, c, f, Guillaume Assié b, c, f, David Fuks b, d, Mathilde Sibony b, g, Philippe Soyer a, b, Anne-Sophie Jannot h, i, Maxime Barat a, b, c,
a Department of Radiology, Hôpital Cochin, AP-HP, 75014 Paris, France 
b Université Paris Cité, Faculté de Médecine, 75006 Paris, France 
c Génomique et Signalisation des Tumeurs Endocrines, Institut Cochin, INSERM U 1016, CNRS UMR8104, Université Paris Cité, 75014 Paris, France 
d Department of Pancreatic and Endocrine Surgery, Hôpital Cochin, AP-HP, 75014 Paris, France 
e Department of Radiology, Hôpital Robert Debré, CRESTIC, URCA, 51000 Reims, France 
f Department of Endocrinology, Hôpital Cochin, AP-HP, 75014 Paris, France 
g Department of Pathology, Hôpital Cochin, AP-HP, 75014 Paris, France 
h AP-HP.Centre- Université Paris Cité, Hôpital Européen Georges Pompidou, Medical Informatics, Biostatistics and Public Health Department, 75015, Paris, France 
i INSERM, UMR_S1138, Cordeliers Research Center, Université Paris Cité, 75006 Paris, France 

Corresponding author.

Highlights

A diagnostic algorithm combining signal intensity index on chemical-shift imaging and apparent diffusion coefficient value on diffusion-weighted imaging helps discriminate between lipid-poor adrenal adenoma and adrenocortical carcinoma with 75% accuracy.
Best sensitivity (96%) for the diagnosis of adrenocortical carcinoma vs. lipid-poor adrenal adenoma is obtained using the association of the diagnostic algorithm with adrenal lesion size.

Le texte complet de cet article est disponible en PDF.

Abstract

Purpose

The purpose of this study was to evaluate the capabilities of multiparametric magnetic resonance imaging (MRI) in differentiating between lipid-poor adrenal adenoma (LPAA) and adrenocortical carcinoma (ACC).

Materials and methods

Patients of two centers who underwent surgical resection of LPAA or ACC after multiparametric MRI were retrospectively included. A training cohort was used to build a diagnostic algorithm obtained through recursive partitioning based on multiparametric MRI variables, including apparent diffusion coefficient and chemical shift signal ratio (i.e., tumor signal intensity index). The diagnostic performances of the multiparametric MRI-based algorithm were evaluated using a validation cohort, alone first and then in association with adrenal tumor size using a cut-off of 4 cm. Performances of the diagnostic algorithm for the diagnosis of ACC vs. LPAA were calculated using pathology as the reference standard.

Results

Fifty-four patients (27 with LPAA and 27 with ACC; 37 women; mean age, 48.5 ± 13.3 [standard deviation (SD)] years) were used as the training cohort and 61 patients (24 with LPAA and 37 with ACC; 47 women; mean age, 49 ± 11.7 [SD] years) were used as the validation cohort. In the validation cohort, the diagnostic algorithm yielded best accuracy for the diagnosis of ACC vs. LPAA (75%; 46/61; 95% CI: 55–88) when used without lesion size. Best sensitivity was obtained with the association of the diagnostic algorithm with tumor size (96%; 23/24; 95% CI: 80–99). Best specificity was obtained with the diagnostic algorithm used alone (76%; 28/37; 95% CI: 60–87).

Conclusion

A multiparametric MRI-based diagnostic algorithm that includes apparent diffusion coefficient and tumor signal intensity index helps discriminate between ACC and LPAA with high degrees of specificity and accuracy. The association of the multiparametric MRI-based diagnostic algorithm with adrenal lesion size helps maximize the sensitivity of multiparametric MRI for the diagnosis of ACC.

Le texte complet de cet article est disponible en PDF.

Keywords : Adrenal gland disease, Adrenal gland neoplasm, Adrenocortical carcinoma, Diagnostic algorithm, Magnetic resonance imaging

List of abbreviations : AA, ACC, ADC, AL, ALR, APW, ASR, CI, CT, DWI, FS, GBCA, HASTE, HU, IP, IQR, LPAA, MRI, OP, PET, ROI, RPW, SD, SI, SII, TSE


Plan


© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 105 - N° 10

P. 355-363 - octobre 2024 Retour au numéro
Article précédent Article précédent
  • The role of MR imaging in ovarian tumor risk stratification
  • Laure Fournier
| Article suivant Article suivant
  • Ultra-low dose chest CT for the diagnosis of pulmonary arteriovenous malformation in patients with hereditary hemorrhagic telangiectasia
  • Jean-Etienne Delpon, Joel Greffier, Hugo Lacombe, Apolline Barbe, Morgane Bouin, Fabien De Oliveira, Adeline Mansuy, Laura Delagrange, Anne-Emmanuelle Fargeton, Jean-Paul Beregi, Vincent Cottin, Sophie Dupuis-Girod, Salim Aymeric Si-Mohamed

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.