MRI影像組學鑒別三陰性與非三陰性乳腺癌的價值

張晶 李隴超 折霞 湯敏 張瀝

乳腺癌是女性最常見的惡性腫瘤，近年來發病率呈上升趨勢［1］。而三陰性乳腺癌約占所有乳腺癌的15%～20%，其惡性程度高，進展快，生存期短［2］。若能在術前經影像學檢查準確鑒別診斷三陰性乳腺癌，對整個治療方案的選擇具有重要的指導作用［3］。MRI 能夠提供功能信息和形態學特征，在乳腺癌診斷方面發揮著巨大作用。然而傳統的成像模式主觀性強，可重復性不佳，模態單一，不能完全反映圖像信息。既往研究顯示乳腺MRI圖像中隱含著許多肉眼無法直接觀測信息，這些圖像的紋理信息與腫瘤組織的顯微結構、生物學特性等相關［4,5］。

影像組學通過先進的算法，高通量地提取并分析大量高級且定量的特征，并選擇具有臨床意義的生物標志物進行分析［6,7］。然而基于多參數MRI 組學研究擴展到三陰性乳腺癌的評估，國內未見報道［8］。本研究旨在探討基于MRI 影像組學鑒別診斷三陰性與非三陰性乳腺癌的價值，進而為臨床治療方案的制定提供依據。

資料與方法

1.一般資料

回顧性納入2015 年1 月～2020 年3 月陜西省人民醫院行多參數MRI 檢查并獲得病理結果的病例。入組標準：（1）術后病理為乳腺癌，且乳腺病灶為單發腫塊型女性患者；（2）術前兩周內行乳腺多參數MRI 檢查；（3）術前未進行乳腺穿刺活檢和其他治療；（4）臨床資料完整；（5）患者無其他惡性腫瘤病史及乳腺癌家族史。排除標準：（1）圖像質量不佳影響觀察；（2）術后分子分型病理結果不完整。

2.MRI 掃描

采用Philips 3.0 T 超導MRI，接收線圈為4 通道乳腺表面專用線圈。先行常規TIWI 及抑脂T2WI掃描。掃描參數：T1WI，TR 465 ms，TE 8 ms，翻 轉 角110°，視野250 mm×321 mm×144 mm，層厚4 mm，層間距0 mm，矩陣252 mm×265 mm；抑脂T2WI 采用精準頻率反轉恢復（spectral adiabatic inversion recovery，SPAIR），TR 3851 ms，TE 90 ms，回波鏈長度21 ms，翻轉角110°，視野250 mm× 321 mm×144 mm，層厚4 mm，層間距0 mm，矩陣280×277；擴散加權成像（diffusion weighted imaging，DWI）采用平面回波成像（echo planar imaging，EPI）序列，b值 取0、1000 s/mm2，TR 7634 ms，TE 74 ms，視野320 mm×250 mm×158 mm，層厚4 mm，層間距0 mm，矩陣128×97，激勵次數4 次。

動態增強（dynamic contrast-enhanced，DCE）掃描方案：注藥前平掃1 次，使用高壓注射器經肘靜脈快速團注釓布醇，劑量為0.1 mmol/kg。采用快速梯度回波序列，參數包括：TR 4.5 ms，TE 2.2 ms，翻轉角12°，視野280 mm×340 mm×150 mm，層厚1.5 mm，層間距0 mm，矩陣280×337，激勵次數2次。分別于注藥前、注藥后即刻及64、128、191、255 和318 s 進行掃描，掃描總時間為7 min 7 s。

3.影像組學分析

圖像分割：將T2WI、ADC、DCE 圖像分別導入ITK-SNAP 軟 件（Version 3.6.0，https://itk.org/），由1 名主治醫師手動逐層勾畫三維體積興趣區（volume of interest，VOI），無需避開囊變和壞死區。并由1 名MRI 副主任醫師（10 年工作經驗）進行再次勾畫（圖1）。隨后將結果與第一位勾畫醫師進行一致性分析，采用組間相關系數（interclass correlation coefficient，ICC）表示。

圖1 乳腺癌病灶VOI 勾畫示意圖，在a)DCE、b)T2WI、c)DWI、d)ADC 序列上沿病灶內緣勾勒興趣區，生成融合后的e)VOI 圖（見封面彩圖）

特征提取和篩選：所有特征提取和篩選均使用A.K 軟件完成。從每位患者的ADC、DCE、T2WI圖像獲得的VOIs 分別提取5 大類共402 個影像組學特征。包括一階、二階及高階統計特征共三組，分別為直方圖特征、形態學矩陣、灰度共生矩陣參數、游程矩陣參數、灰度區域大小矩陣參數、Haralick 矩陣特征。若提取的特征出現異常值現象，則通過所在列的中位數替換異常值。通過隨機分層抽樣的方法以7∶3 的比例將兩組病例分為訓練組及驗證組，并對數據進行標準化處理。采用單因素方差分析進行初篩，通過Spearman 相關性分析（閾值0.9）和LASSO 算法減少重復變量。

建立組學模型：本研究采用Logistic 回歸分析法構建預測鑒別診斷模型。包括四組不同的特征集，分別為：ADC 圖特征集；T2WI 序列特征集；DCE序列特征集；聯合ADC、T2WI 及DCE 特征集。

4.病理學檢查

所有病灶均經術后病理證實，并對標本進行免疫組織化學檢測，根據雌激素受體、孕激素受體、人表皮生長因子受體2 和Ki-67 等分型。按照2015 年StGallen 會議對乳腺癌分子分型的最新共識，將乳腺癌分為非三陰性（Luminal A 型；Luminal B 型；人表皮生長因子受體2 過表達型）和三陰性。

5.統計方法

所有統計學分析均使用SPSS 25.0 軟件和A.K軟件進行。比較兩組間特征的差異時，計數資料采用卡方檢驗，計量資料采用t 檢驗，P 小于0.05表示具有統計學差異。單因素分析采用Mann-Whitney U 檢驗，多因素分析采用Logistic 回歸法，對具有統計學意義的影像組學特征變量行進一步分析并建立預測模型，繪制ROC 曲線并計算曲線下面積（area under curve，AUC）、敏感度和特異度以及準確度，AUC>0.7 表明模型有良好鑒別能力。

結果

共計106 例患者，其中三陰性乳腺癌24 例，非三陰性82 例（典型病例圖像如圖2、3），臨床資料見表1。兩組患者間的絕經狀態、年齡、淋巴結轉移情況及病理類型間的均無統計學差異（P＞0.05）。

表1 三陰性與非三陰性乳腺癌的臨床資料

圖2 45 歲，浸潤性乳腺癌，三陰性，ER（-），PR（-），Her-2（-），Ki-67 50%，T2N0M0 IIA期。a)左乳外下象限類圓形T2WI 稍高信號影；b)增強掃描早期不均勻明顯強化；c)DWI呈高信號，病變區ADC 值約1.087 ×10 -3 mm2/s；d)ADC 圖圖3 34 歲，左乳浸潤性乳腺癌，非三陰性型，ER（+），PR（+），Her-2（3+），Ki-67 30%，HER-2 過 表 達 型，T2N1M0 IIB期。a)左乳外上象限斑片狀T2WI 稍高信號影；b)增強掃描后較周圍腺體呈明顯強化；c)DWI 呈高信號，病變區ADC 值約0.841×10-3 mm2/s；d)ADC 圖

兩名醫師T2WI、ADC、DCE 序列ICC 結果分別為：0.91（95%CI：0.87～0.93）、0.93（95%CI：0.91～0.95）、0.95（95%CI：0.92～0.97）。402 個特征經過篩選后T2WI、ADC、DCE 特征集最終組學特征數分別為9、10、8 個。1206 個特征經過篩選后多參數序列聯合特征集最終組學特征為19 個。

影像組學模型診斷效能：應用多元Logistic 回歸分析對上述篩選好的特征參數進行建模，單序列和聯合特征集診斷模型的AUC 值、敏感度、特異度見表2。

表2 訓練組和驗證組的影像組學標簽單序列及聯合特征集診斷模型鑒別三陰性與非三陰性乳腺癌的效能

討 論

三陰性乳腺癌由于缺乏有效的靶向治療和內分泌治療，較非三陰性乳腺癌預后差，化療手術和放療是其主要的治療手段。目前臨床主要通過分析穿刺活檢獲得的樣本進行術前評估，但是點穿刺，不能完全反映腫瘤的異質性，其診斷價值仍存在一定的局限。雖然三陰性乳腺瘤好發于絕經前女性，但本研究中兩組絕經狀態差異無統計學意義。研究結果顯示利用機器學習MRI 影像組學標簽可較準確的區分三陰性與非三陰性乳腺癌，尤其是基于T2WI 的MRI 組學可提高診斷效能。

影像組學通過勾畫三維VOI，不僅能提供解剖信息，還可提供有關腫瘤的功能信息。從而定量分析腫瘤影像組學特征并獲得微環境信息，達到定量評估腫瘤異質性的目的。因此，運用影像組學方法可預測乳腺癌分子分型，為個性化診斷和治療提供幫助。

本研究結果顯示，聯合特征集和單序列特征集均有較高的診斷效能。現有研究在選擇序列上尚未達成一致，因此分析了常用MRI 的ADC、DCE 和T2WI 序列［10,11］。本研究中，T2WI 特征集鑒別診斷效能最高，分析原因可能是T2WI 突出組織間T2橫向馳豫的差別，被檢查部位含液體量多的組織，比如說囊變、導管擴張會在T2WI 上表現為高信號，即肉眼觀察比較亮。而且T2WI 具有信號強度與潛在形態直接相關的優點（通過細胞內和細胞外/血管外空間），可在無對比劑的情況下提供有價值的信息［12,13］。此外，在三陰性乳腺癌中，由于其侵襲性高，病灶在T2WI 上中表現出較非三陰性乳腺癌更高的信號強度，提示T2WI 信號可能與腫瘤侵襲性有關［14］。該結果也說明在某些患者中不需要復雜序列，單一T2WI 序列就可構建穩定和有效的模型，也有助于簡化掃描方案。因此，選擇最有價值的序列更為重要。為適應臨床實際情況，還可進一步探索其他序列的診斷性能。

雖然ADC 和DCE 特征集在診斷效能上略低于T2WI，但在腫瘤勾畫方面卻有一定優勢。由于DWI 序列受T2穿透效應的影響，因此在ADC 圖像上勾畫腫瘤邊界可能更準確，觀察者間一致性更高。本研究采用了DCE 序列中的第3 期相（即注射對比劑后第3 分鐘采集的圖像），該期相圖像上惡性病變與乳腺正常實質的對比度較好，有利于勾畫腫瘤邊界，進行準確分割［15］。

機器學習包括多種分類算法，本研究數據使用了Logistic 回歸算法顯示該機器學習模型影像組學特征在鑒別方面AUC 值較高。Logistic 回歸算法也是目前最流行的算法，非常便利，實現率高。

近年來，國內外一些學者報道了基于影像組學特征，用于三陰性乳腺癌的鑒別診斷研究。吳佩琪等［16］基于DWI 聯合DCE 序列組學特征標簽鑒別三陰與非三陰性乳腺癌的AUC 值高達0.941（0.863～1），符合率77.2%。馬文娟等［17］研究顯示基于X 線影像組學特征的分類模型可有效區分三陰與非三陰性乳腺癌，AUC 為0.791。Xie 等［18］研究結果顯示多模態MRI 的直方圖特征可用于鑒別診斷三陰性型乳腺癌與其他分子分型乳腺癌，具有良好的診斷價值，AUC 為0.76。Leithner 等［19］通過ANN 算法將三陰性與其他癌癥區分開來，AUC 為0.86（0.77～0.92）。Cain 等［20］和Agner 等［21］研究表明使用DCE 序列提取部分組學特征可預測三陰性乳腺癌。

與既往研究不同，本研究通過單因素方差分析、Spearman 相關系數及LASSO 邏輯回歸分析，對有鑒別診斷意義的單變量特征進行篩選組合，通過比較多個序列和聯合序列特征集，旨在構建更具診斷價值的影像組學標簽。

本研究存在以下不足：（1）采用手動分割，難免存在主觀性誤差，但本研究采用了三維VOI，盡量保留了病灶的完整信息；（2）本研究為單中心研究，樣本量較少，尤其是三陰性乳腺癌組，且只進行了內部驗證，缺乏外部病例驗證。今后研究還需擴大樣本量進一步驗證。

基于MRI 的影像組學特征在鑒別三陰與非三陰性乳腺癌方面具有較大價值，尤其是基于T2WI序列的組學標簽，可能是潛在的生物學標志。