動態(tài)增強(qiáng)MRI瘤內(nèi)與瘤周影像組學(xué)特征對三陰性乳腺癌的診斷價值研究

陸歡 葛敏 王世威

乳腺癌是女性發(fā)病率最高的腫瘤之一[1]。三陰性乳腺癌（triple-negative breast cancer,TNBC）是指雌激素受體（estrogen receptor,ER）、孕激素受體（progesterone receptor,PR）及人表皮生長因子受體2（human epidermal growth factor receptor 2,HER-2）表達(dá)均為陰性的乳腺癌亞型[2]。TNBC占所有乳腺癌的10%～20%，與早期復(fù)發(fā)和較差的生存率有關(guān)[3]。利用影像診斷鑒別TNBC，靈敏度不高，發(fā)現(xiàn)可疑病變并建議活檢時，其陽性檢測率有限[4-5]。而近幾年，影像組學(xué)研究在腫瘤學(xué)領(lǐng)域取得了極大的進(jìn)展，也被積極地應(yīng)用于乳腺成像[6]。本研究旨在探討乳腺動態(tài)增強(qiáng)磁共振（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）瘤內(nèi)與瘤周影像組學(xué)特征，以鑒別TNBC與非TNBC（non-TNBC），現(xiàn)報道如下。

1 對象和方法

1.1 對象 選取2012年12月至2017年5月在浙江中醫(yī)藥大學(xué)附屬第一醫(yī)院接受治療的乳腺癌患者143例。納入標(biāo)準(zhǔn)：（1）患者為≥18歲的成年女性；（2）具有完整的臨床、病理與影像資料；（3）無其他部位原發(fā)腫瘤。排除標(biāo)準(zhǔn)：（1）MRI檢查前接受過任何術(shù)前活檢、手術(shù)或新輔助化療等治療；（2）合并其他系統(tǒng)嚴(yán)重疾病；（2）有MRI檢查禁忌證。其中TNBC患者23例，年齡31～72（54.5±9.65）歲；non-TNBC 患者 120 例，年齡 31～83（53.2±11.38）歲。兩組患者年齡比較無統(tǒng)計學(xué)意義（P＞0.05）。本研究經(jīng)醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)。

1.2 MRI檢查方法 患者術(shù)前均接受乳腺M(fèi)RI檢查。使用3.0 T高場強(qiáng)超導(dǎo)型德國西門子MRI掃描儀，16通道乳腺專用相控陣線圈。患者取俯臥位，雙側(cè)乳房自然懸垂于線圈的雙孔內(nèi)，頭先進(jìn)。采用如下序列掃描：（1）常規(guī)3D定位序列。（2）快速反轉(zhuǎn)恢復(fù)序列：重復(fù)時間（repetition time,TR）4 000.00 ms，回波時間（echo time,TE）70.00 ms，反轉(zhuǎn)時間（inversion time,TI）230.00 ms，層厚 4 mm，F(xiàn)OV 34 cm×34 cm，采集矩陣 448×448，激勵次數(shù)2，均行橫斷面掃描。（3）擴(kuò)散加權(quán)成像（diffusion weighted imaging,DWI）序列：采用單次激發(fā)平面回波序列進(jìn)行橫斷面掃描，具體參數(shù)為：TR 8 400 ms，TE 84 ms，層厚 4.0 mm，F(xiàn)OV 260 mm×221 mm，采集矩陣 90×220，激勵次數(shù)2，b值選擇0、400和1 000 s/mm2，掃描結(jié)束后自動重建出表觀擴(kuò)散系數(shù)（apparent diffusion coefficient,ADC）圖。（4）DCE-MRI掃描：行抑脂相軸位快速小角度激發(fā)三維動態(tài)成像T1WI序列，TR 4.5 ms，TE 1.6 ms，反轉(zhuǎn)角 12°，F(xiàn)OV 340 mm×340 mm，層厚 1.0 mm，無間距掃描，采集矩陣448×448，激勵次數(shù)1，單次掃描時間為60 s，注入對比劑后連續(xù)掃描5次，共連續(xù)重復(fù)掃描6個時相。對比劑采用釓噴酸葡胺注射液（gadolinium diethylene-triamine pentoacetic acid，Gd-DTPA）（北京北陸藥業(yè)股份有限公司），通過肘靜脈使用雙筒高壓注射器以0.1 mmol/kg的劑量，以2 ml/s的速率注入，注射完畢后追加推注10 ml 0.9%氯化鈉注射液。

1.3 組織病理學(xué)診斷分析 所有患者均進(jìn)行乳腺腫瘤切除術(shù)，術(shù)后病理標(biāo)本均進(jìn)行免疫組織化學(xué)檢測，包括ER、PR、HER-2和Ki-67。 免疫組化染色采用 SP法，整個實(shí)驗過程嚴(yán)格按照試劑盒說明書逐一進(jìn)行，結(jié)果的判定通過病理科專業(yè)醫(yī)師進(jìn)行讀片，確定乳腺癌免疫組織標(biāo)志物的染色情況，從而得出ER、PR、HER-2的表達(dá)結(jié)果。ER及PR的判定標(biāo)準(zhǔn)均為標(biāo)本中有＞1%的腫瘤細(xì)胞核著色視為陽性。HER-2表達(dá)情況為（+++）時認(rèn)定為陽性，（++）時需進(jìn)一步做熒光原位雜交（fluorescence in situ hybridization，F(xiàn)ISH）檢測判斷陰陽性，表達(dá)情況為（-）或（+）都判定為陰性。ER、PR、HER-2以及Ki-67可作為判斷分子分型的依據(jù)。ER和/或PR陽性，HER-2陰性為管腔上皮A型（Luminal A型）。ER和/或PR陽性，HER-2陽性為管腔上皮B型（Luminal B型）；ER和PR陰性，HER-2陽性為HER-2過表達(dá)型；ER、PR、HER-2陰性為基底細(xì)胞樣型（Basal-like型，又稱三陰性）。ER和/或PR為陽性，HER-2為陰性的樣本中有部分因為Ki-67的高表達(dá)也判定為Luminal B型。

1.4 腫瘤分割與影像組學(xué)特征提取

1.4.1 圖像選擇 從影像歸檔和通信系統(tǒng)（picturearchiving and communication systems，PACS）中導(dǎo)出選定患者M(jìn)RI圖像，采用Spin軟件顯示序列名稱。由具有10余年乳腺影像診斷經(jīng)驗的放射科醫(yī)師對所有圖像進(jìn)行評閱，以DCE-MRI增強(qiáng)早期（增強(qiáng)第二期）橫斷面圖像為基準(zhǔn)，選出病灶最大層面的圖像，明確動態(tài)各期圖像在同一層面。

1.4.2 腫瘤及瘤周區(qū)域勾畫 （1）利用3D Slicer軟件進(jìn)行病灶勾畫，同時勾畫出病灶區(qū)域外輪廓和邊界框；（2）以DCE-MRI為基準(zhǔn)，在動態(tài)增強(qiáng)T1WI第二期（組織強(qiáng)化接近最大值）上勾畫感興趣區(qū)域（region of interests，ROI）；（3）選擇病灶每個層面對腫塊進(jìn)行手動勾畫，避開瘤內(nèi)的囊變和壞死出血區(qū)，盡量包全病變實(shí)質(zhì)部分，較清楚地勾畫出理想?yún)^(qū)域；（4）瘤周區(qū)域選擇瘤體向外擴(kuò)5 mm進(jìn)行自動勾畫，然后手動調(diào)整確認(rèn)勾畫范圍；（5）對于非腫塊區(qū)域，邊緣不清，則勾畫明顯增強(qiáng)的區(qū)域；（6）對具有多發(fā)性腫塊的乳腺，只勾畫最大的病灶。（7）所有勾畫由2位乳腺疾病診斷醫(yī)師完成，年資分別為10年以上、3年以上。

1.5 統(tǒng)計學(xué)處理將Analysis Kit（AK）分析軟件中獲取的影像組學(xué)特征運(yùn)用3.3.2版本R軟件進(jìn)行處理。對影像組學(xué)特征數(shù)據(jù)進(jìn)行預(yù)處理標(biāo)準(zhǔn)化。按照7:3的比例，隨機(jī)分為訓(xùn)練集100個病例和驗證集43個病例。運(yùn)用mRMR算法及LASSO回歸分析將上述獲得的影像組學(xué)特征進(jìn)行降維建模，并使用ROC曲線評估模型的預(yù)測能力，AUC為0.7～0.8代表具有一定的鑒別能力，AUC＞0.8代表有非常好的鑒別能力。對模型性能進(jìn)行Hosmer-Lemeshow（H-L）檢驗。P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

AK軟件提取的影像組學(xué)特征共396個，首先運(yùn)用mRMR去除冗余和不相關(guān)的特征，保留20個特征。然后進(jìn)行LASSO回歸分析，選擇優(yōu)化的6個特征構(gòu)建最終的模型（圖1-2）。

圖1 瘤內(nèi)加瘤周訓(xùn)練組影像組學(xué)特征經(jīng)LASSO回歸的降維圖

圖2 瘤內(nèi)加瘤周訓(xùn)練組影像組學(xué)分?jǐn)?shù)系數(shù)圖

獲得瘤內(nèi)的影像組學(xué)分?jǐn)?shù)公式一：Radscore=0.26×HaralickCorrelation_angle45_offset7+0.243×Correlation_angle90_offset4 +0.131 ×ShortRunEmphasis_AllDirection_offset7_SD+0.317×ShortRunEmphasis_angle45_offset1+0.08×ClusterShade_AllDirection_offset1_SD+0.009×LongRunHighGreyLevelEmphasis_AllDirection_offset4_SD+1.683。

獲得瘤周的影像組學(xué)分?jǐn)?shù)公式二：Radscore=-0.065×LongRunHighGreyLevelEmphasis_AllDirection_offset1_SDE5）+（-0.116×LongRunHighGreyLevelEmphasis_AllDire-ction_offset4_SDE5）+（-0.15×GLCMEntropy_angle135_offset4E5）+1.617。

獲得瘤內(nèi)加瘤周的影像組學(xué)分?jǐn)?shù)公式三：Radscore=（-0.301×Inertia_AllDirection_offset1_SDP5）+0.024×Inertia_AllDirection_offset7_SDP5+（-0.103×ShortRun-HighGrey LevelEmphasis_AllDirection_offset1_SDP5）+（-0.228×GL CMEntropy_angle90_offset1P5）+0.313×ClusterProminence_angle0_offset7P5+0.109×ShortRunHighGreyLevel-Emphasis_AllDirection_offset7_SDP5+1.668。

ROC曲線顯示，驗證集中瘤內(nèi)、瘤周、瘤內(nèi)加瘤周的 AUC分別為 0.74、0.71、0.81；靈敏度分別為 0.83、0.67、0.83；特異度分別為 0.64、0.83、0.83，見表 1、圖 3-4（插頁）。H-L檢驗的結(jié)果也表明3個模型與實(shí)際結(jié)果有較好的一致性（P＞0.05）。

表1 瘤內(nèi)、瘤周、瘤內(nèi)加瘤周的ROC曲線分析結(jié)果

圖3 訓(xùn)練集的ROC曲線

圖4 驗證集的ROC曲線

3 討論

乳腺癌是一種具有幾個不同生物學(xué)亞群的疾病[7-8]。基于基因表達(dá)的分子分型在臨床中用于選擇最合適的治療方法，并被證明對個體化治療有價值[9]。然而，TNBC缺乏這3種受體的表達(dá)，因此目前沒有靶向治療，局限于一般的細(xì)胞毒性化療。TNBC往往體積較大，級別較高，診斷時累及淋巴結(jié)，預(yù)后較差[10-13]。影像基因組學(xué)作為影像與基因相結(jié)合的產(chǎn)物，成為腫瘤診斷、治療、評估治療反應(yīng)及預(yù)后的潛在生物標(biāo)志物，為個性化治療及精準(zhǔn)醫(yī)療創(chuàng)造了新途徑[14]。腫瘤周圍由實(shí)質(zhì)組織組成的瘤周區(qū)域可以被認(rèn)為是腫瘤微環(huán)境的代表，它的影像組學(xué)特征被作為腫瘤周圍浸潤淋巴細(xì)胞密度的研究指標(biāo)，或可作為免疫治療的潛在成像標(biāo)記[15-16]。Braman等[17]指出，DCE-MRI影像組學(xué)報告瘤內(nèi)特征與腫瘤鄰近區(qū)域瘤周特征的結(jié)合可預(yù)測新輔助化療乳腺癌患者病理緩解程度。因此瘤內(nèi)和瘤周影像組學(xué)特征的評估不但有助于乳腺癌影像診斷，進(jìn)一步提高乳腺癌的檢出率，還能為外科醫(yī)生在手術(shù)過程中無法確切判定的瘤周性質(zhì)特征進(jìn)行術(shù)前評估，更加精確手術(shù)范圍，同時還可以對腫瘤治療預(yù)后進(jìn)行有效評估。迄今為止，大多數(shù)乳腺癌研究都集中在瘤內(nèi)[18]，腫瘤的周圍環(huán)境還沒有得到相對的探索，從瘤周中提取的影像組學(xué)特征可能有助于增強(qiáng)對腫瘤侵襲性的預(yù)測。本研究的病灶數(shù)量為143例，運(yùn)用mRMR算法及LASSO回歸分析將獲得的影像組學(xué)特征進(jìn)行降維，選擇優(yōu)化的6個特征構(gòu)建最終的模型。

從本研究的結(jié)果可以看出，在鑒別TNBC和 non-TNBC上，通過勾畫瘤內(nèi)和瘤周獲得的影像組學(xué)特征經(jīng)過建模后的模型AUC為0.81，單獨(dú)的瘤內(nèi)圖像以及單獨(dú)的瘤周圖像獲得的AUC分別為0.74和0.71，前者的模型性能比后兩者均要好。有研究顯示，DWI聯(lián)合T2加權(quán)成像鑒別乳腺良惡性腫瘤的AUC為0.774，而兩者的影像組學(xué)特征鑒別乳腺良惡性腫瘤，其AUC為0.842[19]。他們的結(jié)果表明，影像組學(xué)特征能幫助鑒別乳腺X線檢查懷疑乳腺癌病灶的良惡性。此外，有研究結(jié)果顯示基于肺結(jié)節(jié)內(nèi)的影像組學(xué)特征鑒別肉芽腫和肺腺癌的模型AUC為0.75，而聯(lián)合肺結(jié)節(jié)內(nèi)和周圍的影像組學(xué)特征鑒別肉芽腫和肺腺癌的模型AUC可達(dá)0.80[20]。其結(jié)果表明，瘤周特征可以幫助提高模型的性能。這也與本結(jié)果顯示的瘤周特征作用相一致。另外也有研究顯示，基于亞實(shí)性結(jié)節(jié)內(nèi)的影像組學(xué)特征鑒別肺腺癌浸潤性模型的AUC為0.852，而聯(lián)合亞實(shí)性結(jié)節(jié)內(nèi)和外的影像組學(xué)特征鑒別肺腺癌浸潤性模型的AUC為0.876[21]。這同樣也與本結(jié)果顯示的瘤周特征作用相匹配。

本研究的局限性如下。第一，本研究是回顧性分析，并且是單中心的研究，樣本存在一定的偏移，可能會降低本研究結(jié)論的準(zhǔn)確性。第二，樣本量偏小、只勾畫了DCE-MRI第二期圖像，可能會導(dǎo)致建模以及結(jié)果的偏移。第三，ROI的勾畫是手動逐層勾畫，可重復(fù)性不如半自動的ROI勾畫，而且耗時較長。后續(xù)，筆者還會根據(jù)這些局限性進(jìn)行改善，首先利用關(guān)鍵影像組學(xué)特征，進(jìn)行深度學(xué)習(xí)，創(chuàng)建全自動檢測分割模型。其次，新入組的病例會多期像勾畫，以DCE-MRI為基準(zhǔn)，先在動態(tài)增強(qiáng)第二期上勾畫ROI，其余序列以及分段讀出擴(kuò)散加權(quán)成像的ROI與其保持一致，降低結(jié)果的偏差。

綜上所述，影像組學(xué)特征能幫助臨床醫(yī)師診斷和預(yù)測乳腺病灶。本研究結(jié)果顯示，在鑒別TNBC和non-TNBC上，通過勾畫瘤內(nèi)和瘤周獲得的影像組學(xué)特征經(jīng)過建模后的模型性能總體上比單獨(dú)的瘤內(nèi)圖像以及單獨(dú)的瘤周圖像獲得的影像組學(xué)特征模型均要好。本研究瘤周的影像組學(xué)特征有助于模型性能的提升，可能是因為腫瘤微環(huán)境的存在。然而，腫瘤的微環(huán)境還有待于進(jìn)一步研究。