楊曉平，張立娜，黎 庶，柴瑞梅，董夢(mèng)實(shí)

(中國醫(yī)科大學(xué)附屬第一醫(yī)院放射科，遼寧 沈陽 110001)

乳腺M(fèi)RI在診斷乳腺癌和高危女性篩查中逐漸占據(jù)重要地位[1-2]。國內(nèi)廣泛應(yīng)用美國放射學(xué)會(huì)(American College of Radiology， ACR)發(fā)布的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system， BI-RADS)[3]對(duì)乳腺病變進(jìn)行描述和分類，但目前版本的BI-RADS中并未對(duì)4類病變進(jìn)行細(xì)化分類， 4類病變的整體惡性概率從2%到95%不等，為下一步臨床治療帶來困擾，對(duì)乳腺M(fèi)RI中BI-RADS 4類病變進(jìn)行良惡性鑒別成為目前面臨的重要問題[4]。BI-RADS中的乳腺M(fèi)RI征象描述是用于診斷分類的重要基礎(chǔ)，而作為重要補(bǔ)充的ADC值可有效提高M(jìn)RI對(duì)乳腺良惡性病變的診斷效能[5]。本研究針對(duì)BI-RADS 4類病灶，探討乳腺M(fèi)RI BI-RADS中的成像特征及ADC值對(duì)良惡性病變的鑒別診斷能力，嘗試建立Logistic回歸預(yù)測(cè)模型，并探討其診斷價(jià)值。

1 資料與方法

1.1 一般資料 收集2014年1月—2016年6月在我院接受乳腺M(fèi)R檢查且診斷為BI-RADS 4類病變的79例患者，均為女性，年齡13～82歲，平均(43.4±10.9)歲；MR掃描前均未接受放化療等，且檢查后獲得組織病理學(xué)診斷。

1.2 儀器與方法 采用Siemens Magntom Verio 3.0T MR掃描儀，乳腺專用相控陣線圈。囑患者俯臥，充分暴露雙側(cè)乳腺，使之自然懸垂于檢查線圈內(nèi)，雙臂置于頭部?jī)蓚?cè)，足先進(jìn)。首先采集常規(guī)T1WI(TR 6.1 ms，TE 2.5 ms)及T2WI(TR 3 600 ms，TE 61 ms)。DWI采用單次激發(fā)平面自旋回波序列，b=0、50、400、800 s/mm2，TR 9 300 ms，TE 76 ms，矩陣168×168，F(xiàn)OV 32 cm×32 cm，層厚4 mm，無間隔，重建后獲得ADC圖像。動(dòng)態(tài)增強(qiáng)掃描采用脂肪抑制快速小角度激發(fā)三維動(dòng)態(tài)成像序列，TR 4.67 ms，TE 1.66 ms，矩陣384×296，F(xiàn)OV 36 cm×36 cm，層厚2.5 mm，連續(xù)無間斷掃描。對(duì)比劑采用釓雙胺注射液，劑量0.1 mmol/kg體質(zhì)量，流率3 ml/s，并以20 ml生理鹽水沖洗，注入對(duì)比劑后連續(xù)掃描9個(gè)時(shí)相，共掃描541 s。

1.3 圖像分析 由2名至少有200例乳腺M(fèi)RI閱片經(jīng)驗(yàn)的放射科醫(yī)師以盲法共同分析圖像，按照ACR 2013版BI-RADS MRI詞典[3]描述病變的影像學(xué)特征，有歧義時(shí)由另1名至少有500例乳腺M(fèi)RI閱片經(jīng)驗(yàn)的放射科醫(yī)師決斷。在動(dòng)態(tài)增強(qiáng)圖像中，將ROI放置于腫瘤最可疑的增強(qiáng)區(qū)域，盡量避開出血、壞死、囊變區(qū)，獲得病變的時(shí)間-信號(hào)強(qiáng)度曲線，并將其分為漸增型、平臺(tái)型和流出型[3]。在ADC圖中病灶信號(hào)最低處放置ROI，測(cè)量其ADC值，測(cè)3次取平均值。

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 20.0統(tǒng)計(jì)分析軟件。計(jì)量資料以±s表示，采用兩獨(dú)立樣本t檢驗(yàn)比較良惡性病變的ADC值，以ROC曲線獲得臨界值，以χ2檢驗(yàn)比較腫塊型病變與非腫塊型病變的惡性率。采用單因素二元Logistic回歸分析比較良惡性病變之間的計(jì)數(shù)資料，將腫塊型病變和非腫塊型病變中差異有統(tǒng)計(jì)學(xué)意義的預(yù)測(cè)變量加入多因素預(yù)測(cè)模型，剔除P>0.1的變量，得出最佳模型；繪制ROC曲線評(píng)價(jià)該預(yù)測(cè)模型的診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

79例患者中，76例單發(fā)病變，3例多發(fā)，若為多發(fā)同質(zhì)病灶，則納入增強(qiáng)最明顯者，共納入82個(gè)病灶。其中惡性病變50個(gè)，包括5個(gè)無特異性浸潤(rùn)性癌、37個(gè)浸潤(rùn)性導(dǎo)管癌、1個(gè)浸潤(rùn)性小葉癌、2個(gè)浸潤(rùn)性篩狀癌和5個(gè)導(dǎo)管原位癌；良性病變32個(gè)，包括6個(gè)乳頭狀病變、5個(gè)纖維腺瘤、12個(gè)增生性或非增生性纖維囊性改變、7個(gè)炎性病灶、1個(gè)纖維結(jié)節(jié)和1個(gè)復(fù)雜硬化病變。

2.1 MRI特征對(duì)良惡性病變的預(yù)測(cè)能力 腫塊型病變63個(gè)，其中41個(gè)(41/63，65.08%)為惡性；非腫塊型病變19個(gè)，其中9個(gè)(9/19，47.37%)為惡性；腫塊型病變與非腫塊型病變的惡性率差異無統(tǒng)計(jì)學(xué)意義(χ2=1.886，P=0.170)。5個(gè)導(dǎo)管原位癌中4個(gè)(4/5，80.00%)為非腫塊型，而45個(gè)浸潤(rùn)性癌中40個(gè)(40/45，88.89%)為腫塊型。

對(duì)于腫塊型病變，單因素二元Logistic回歸分析顯示，良惡性病變之間的病灶形狀、邊緣及內(nèi)部強(qiáng)化差異有統(tǒng)計(jì)學(xué)意義(P均<0.05)，其中邊緣毛刺和環(huán)狀強(qiáng)化的陽性預(yù)測(cè)值(positive predictive values， PPV)分別為92.86%、88.89%，陽性似然比(positive likelihood ratios， PLR)分別為6.98、4.29，比值比(odds radio， OR)分別為65.00和88.00。而T2WI信號(hào)對(duì)鑒別良惡性無統(tǒng)計(jì)學(xué)意義(P>0.05)，見表1。對(duì)于非腫塊型病變，單因素二元Logistic回歸分析顯示所有描述MRI特征對(duì)鑒別良惡性均無統(tǒng)計(jì)學(xué)意義(P均>0.05)。

2.2 增強(qiáng)曲線類型對(duì)良惡性病變的預(yù)測(cè)能力 腫塊型病變中，單因素二元Logistic回歸分析顯示各型增強(qiáng)曲線對(duì)鑒別良惡性均有統(tǒng)計(jì)學(xué)意義(P均<0.05)；非腫塊型病變中，各型增強(qiáng)曲線對(duì)鑒別良惡性均無統(tǒng)計(jì)學(xué)意義(P均>0.05)；見表2。

2.3 ADC值對(duì)良惡性病變的預(yù)測(cè)能力 良性病變(圖1)的ADC值為(1.333±0.277)×10-3mm2/s，惡性病變(圖2)為(0.942±0.175)×10-3mm2/s，差異有統(tǒng)計(jì)學(xué)意義(t=7.116，P<0.001)。

ROC曲線結(jié)果顯示，腫塊型病變中，鑒別良惡性的最佳ADC臨界值為1.081×10-3mm2/s，AUC為0.879，單因素二元Logistic回歸分析顯示ADC值≤1.081×10-3mm2/s對(duì)鑒別良惡性有統(tǒng)計(jì)學(xué)意義(P<0.001，表3)；非腫塊型病變中，鑒別良惡性的最佳ADC臨界值為0.953×10-3mm2/s，AUC為0.889，單因素二元Logistic回歸分析顯示ADC值對(duì)鑒別良惡性無統(tǒng)計(jì)學(xué)意義(P>0.05，表3)。

表1 MRI特征評(píng)估腫塊型乳腺病變良惡性的單因素二元Logistic回歸結(jié)果

表2 增強(qiáng)曲線類型評(píng)估乳腺良惡性病變的單因素二元Logistic回歸結(jié)果

表3 ADC值評(píng)估乳腺良惡性病變的單因素二元Logistic回歸結(jié)果

表4 MRI特征及ADC值預(yù)則腫塊型乳腺病變良惡性的多因素Logistic回歸分析結(jié)果

2.4 多因素Logistic回歸模型對(duì)病變良惡性的預(yù)測(cè)能力 腫塊型病變中，多因素分析結(jié)果顯示，病變形狀及曲線類型納入回歸模型后P均>0.1，故將其剔除；腫塊邊緣不規(guī)則、邊緣毛刺、不均勻強(qiáng)化、環(huán)狀強(qiáng)化及ADC值≤1.081×10-3mm2/s對(duì)惡性病變的預(yù)測(cè)能力有統(tǒng)計(jì)學(xué)意義(P均<0.05，表4)。將邊緣、內(nèi)部強(qiáng)化及ADC值作為預(yù)測(cè)變量建立Logistic回歸預(yù)測(cè)模型(P<0.05，偽R2=0.62)，繪制該模型預(yù)測(cè)乳腺良惡性病變的ROC曲線，其AUC值為0.981(P<0.001)，敏感度為87.80%，特異度為100%(圖3)。

非腫塊型病變無預(yù)測(cè)變量建立Logistic回歸預(yù)測(cè)模型(P均>0.1)。

3 討論

本研究探討了基于BI-RADS描述術(shù)語的MRI特征及ADC值對(duì)BI-RADS 4類良惡性病變的預(yù)測(cè)能力，最終針對(duì)腫塊型病變建立了Logistic回歸預(yù)測(cè)模型。本研究發(fā)現(xiàn)腫塊型病變與非腫塊型病變的惡性率差異無統(tǒng)計(jì)學(xué)意義，與Liberman等[6]研究結(jié)果一致；而本組導(dǎo)管原位癌多表現(xiàn)為非腫塊型(4/5，80.00%)，與既往研究[6-8]結(jié)果(53.8%～90.0%)一致。

本研究中，對(duì)于腫塊型病變，毛刺樣邊緣的PPV為92.86%，這一特征高度提示惡性，與惡性腫瘤的生長(zhǎng)及侵襲相關(guān)[9]；環(huán)狀強(qiáng)化的PPV為88.89%，這可能與惡性病變中心較易出血及液化壞死有關(guān)[10]。

本研究中漸增型曲線多為良性病變，流出型曲線多為惡性病變，而平臺(tái)型曲線良惡性病變重疊較多。有研究[9]表明將增強(qiáng)曲線類型加入Logistic回歸預(yù)測(cè)模型后有顯著預(yù)測(cè)效果，但本研究中未得到類似結(jié)果，可能與本組平臺(tái)型曲線所占比例及良惡性重疊均較大有關(guān)。

本研究結(jié)果表明惡性病變的ADC值明顯低于良性病變(P<0.001)。對(duì)于腫塊型病變，ADC值≤1.081×10-3mm2/s鑒別良惡性病變的PPV為89.74%；而對(duì)于非腫塊型病變，ADC值對(duì)鑒別良惡性無統(tǒng)計(jì)學(xué)意義，可能與非腫塊型病變常與正常乳腺組織混合、ADC值測(cè)量時(shí)ROI難以完全避開正常乳腺組織相關(guān)[11]。

Logistic回歸分析中，邊緣、內(nèi)部強(qiáng)化及ADC值為鑒別腫塊型良惡性病變的重要指標(biāo)，以此為變量建立Logistic回歸模型預(yù)測(cè)BI-RADS 4類病變的ROC曲線的AUC為0.981，具有較高診斷效能；而非腫塊型病變相關(guān)的描述術(shù)語模型擬合度不佳，各變量均未達(dá)到顯著性水平，如何鑒別診斷該類良惡性病變需要進(jìn)一步研究。

圖1 患者女，45歲，右側(cè)乳腺纖維腺瘤 A.增強(qiáng)T1WI示腫塊呈圓形，邊緣不規(guī)則，內(nèi)部強(qiáng)化均勻； B.時(shí)間-信號(hào)強(qiáng)度曲線呈平臺(tái)型； C.DWI圖像示腫塊擴(kuò)散受限； D.ADC圖測(cè)量ADC值為1.520×10-3 mm2/s 圖2 患者女，42歲，右側(cè)乳腺浸潤(rùn)性篩狀癌 A.增強(qiáng)T1WI示腫塊呈圓形，邊緣不規(guī)則，環(huán)狀強(qiáng)化； B.時(shí)間-信號(hào)強(qiáng)度曲線呈平臺(tái)型； C.DWI圖像示腫塊擴(kuò)散受限； D.ADC圖測(cè)量ADC值為 0.894×10-3 mm2/s

圖3 腫塊型病變Logistic回歸模型預(yù)測(cè)良惡性乳腺病變的ROC曲線

本研究的局限性：①非腫塊型病變的樣本量相對(duì)較??；②為回顧性分析，僅將標(biāo)準(zhǔn)掃描流程中的半定量曲線分析納入，而未能探討定量參數(shù)Ktrans、Kep等的診斷效能，將在今后的前瞻性研究中予以補(bǔ)充；③影像學(xué)中的形態(tài)學(xué)特征為主觀描述特征，讀片過程中可能出現(xiàn)偏倚。

綜上所述，對(duì)于乳腺BI-RADS 4類腫塊型病變，影像學(xué)特征中的邊緣、內(nèi)部強(qiáng)化及ADC值是鑒別其良惡性的重要指標(biāo)，基于以上因素建立的Logistic回歸預(yù)測(cè)模型對(duì)良惡性腫塊型病變的診斷效能良好。