陳永毅 劉 威 曾旭文*

據(jù)統(tǒng)計(jì)，近年來我國乳腺癌患者的發(fā)病率現(xiàn)逐年遞增的趨勢(shì)，而目前全球約有130萬人診斷為乳腺癌，有40萬人死于該疾病[1]。乳腺黏液癌(mucinous breast carcinoma，MBC)作為乳腺癌的特殊類型，因?yàn)榘l(fā)病率低，關(guān)于MBC的相關(guān)研究較少[2]。相關(guān)研究表明，患者的預(yù)后與腫瘤的組織學(xué)分級(jí)具有密切的聯(lián)系，乳腺癌的組織學(xué)等級(jí)越高，往往意味著較高的惡性程度和較差的預(yù)后[3]，因此，早期發(fā)現(xiàn)乳腺癌不同亞分類的臨床病理特征在一定程度上可為臨床診斷和預(yù)后評(píng)估提供參考。

腫瘤標(biāo)志物Ki-67是一種增殖細(xì)胞核抗原，與細(xì)胞周期相關(guān)聯(lián)，在細(xì)胞增殖的過程中參與有絲分裂，是目前臨床公認(rèn)的判斷惡性腫瘤細(xì)胞增殖活性程度的指標(biāo)之一[4]。磁共振成像(magnetic resonance imaging，MRI)是一種多參數(shù)成像，相比傳統(tǒng)使用的乳腺鉬靶X射線、乳腺超聲和CT檢查等，磁共振檢查具有無放射損傷、高敏感性、信息豐富和無創(chuàng)顯示血流動(dòng)力學(xué)等優(yōu)點(diǎn)[5]。本研究旨在探討多模態(tài)MRI影像對(duì)MBC病理組織分級(jí)及Ki-67表達(dá)的預(yù)測(cè)，以期為臨床提供可參考依據(jù)。

1 資料與方法

1.1 臨床資料

根據(jù)乳腺癌量化標(biāo)準(zhǔn)Nottingham聯(lián)合組織學(xué)分級(jí)[6]并參考美國放射學(xué)院乳腺影像學(xué)報(bào)告和數(shù)據(jù)系統(tǒng)(ACR BI-RADS)對(duì)乳腺病變的分級(jí)標(biāo)準(zhǔn)，選取2015年1月至2019年1月在廣州市紅十字會(huì)醫(yī)院就診，且超聲診斷為3級(jí)(BI-RADS 3)級(jí)及以上的120例MBC患者3級(jí)及以上的120例MBC患者，所有患者行MRI檢查前均行乳腺癌手術(shù)或化療，且有完整的病例報(bào)告和影像資序列；MBC患者均為女性，年齡分布為27-84歲，平均年齡53歲，絕經(jīng)前患者65例，絕經(jīng)后患者55例。本研究已獲得醫(yī)院倫理委員審批并通過，患者均已簽署知情同意書。

1.2 納入與排除標(biāo)準(zhǔn)

(1)納入標(biāo)準(zhǔn)：①臨床診斷為MBC；②知情并同意參與本研究；③積極配合相關(guān)檢查。

(2)排除標(biāo)準(zhǔn)：①其他類型的乳腺癌；②其他系統(tǒng)的惡性腫瘤；③精神疾病或認(rèn)知功能障礙。

1.3 儀器設(shè)備

采用3.0T超導(dǎo)型磁共振掃描儀(德國西門子公司)。

1.4 檢查方法

(1)DWI掃描。使用動(dòng)態(tài)增強(qiáng)磁共振(dynamic contrast enhancement MRI，DCE-MRI)和擴(kuò)散加權(quán)成像(diffusion weighted imagine，DWI)的多模態(tài)MRI影像進(jìn)行檢測(cè)。使用MRI掃描時(shí)首先掃描和獲取脂肪抑制T1加權(quán)成像(T1weighted image，T1WI)圖像和脂肪飽和T2WI前對(duì)比序列(S0)。所有患者取俯臥位后使用8通道的雙乳房線圈掃描，掃描參數(shù)：①T1WI序列，重復(fù)時(shí)間(repetition time，TR)為4.8 ms，回波時(shí)間(echo time，TE)為2.1 ms，反轉(zhuǎn)角12°，視野(field of view，F(xiàn)OV)為320 mm×320 mm，層厚1.0 mm，層間距0.5 mm，矩陣336×336；②脂肪抑制T2WI序列，采用精準(zhǔn)頻率反轉(zhuǎn)恢復(fù)序列，平均2次，TR 3 400.0 ms，TE 90.0 ms，回波鏈長度19 ms，反轉(zhuǎn)角90°，F(xiàn)OV為260 mm×320 mm，層厚3.0 mm，層間距0.3 mm，矩陣512×512。

(2)DCE-MR掃描。使用0.2 mmol/kg劑量的順磁性對(duì)比劑釓-二乙烯五胺乙酸(Gadolinium diethy lenetriamine pentaacetic acid，Gd-DTPA)，并以4 ml/s的速度靜脈注射造影劑后可獲得5個(gè)增強(qiáng)后序列(S1～S5)。第一個(gè)序列在快速注射造影劑60 s后獲得，之后則每間隔60 s分別按順序采集5個(gè)造影劑。掃描參數(shù)：DCE-MRI，TR 5.0 ms，TE 2.2 ms，反轉(zhuǎn)角12°，平均次數(shù)1次，F(xiàn)OV為320 mm×320 mm，層厚1.0 mm，層間距0.5 mm，矩陣336×336。分別于注藥前及注藥后即刻，60 s、120 s、180 s、240 s、300 s進(jìn)行掃描，掃描總時(shí)間為5 min。

1.5 圖像采集與預(yù)處理

(1)圖像采集：在工作站通過對(duì)DWI數(shù)據(jù)后操作處理，可以形成灰階表現(xiàn)彌散系數(shù)(apparent diffusion coefficient，ADC)圖。S2、S5增強(qiáng)ADC序列共有24張影像，每張影像的采集矩陣于DWI影像相同(220×90)。

(2)圖像預(yù)處理：將病灶從采集的MBC原始影像區(qū)域中分割出現(xiàn)進(jìn)行研究。對(duì)DCE-MRI的每個(gè)序列均進(jìn)行分割操作，采用實(shí)驗(yàn)室前期基于空間模糊C均值和馬爾科夫隨機(jī)的方法進(jìn)行分割，對(duì)DCE-MRI的每個(gè)序列進(jìn)行分割操作，將分割得到的每個(gè)序列的病灶區(qū)域與對(duì)應(yīng)的ADC影像進(jìn)行配準(zhǔn)，最終在ADC影像上獲取到與DCE-MRI病灶輪廓一致的病灶區(qū)域。

1.6 特征提取

對(duì)DCE-MRI的病灶區(qū)域影像選取蒙片，對(duì)第2增強(qiáng)序列和第5增強(qiáng)序列進(jìn)行分析，對(duì)其兩者在圖像像素上減去蒙片序列后再進(jìn)行特征提取，包括紋理特征、統(tǒng)計(jì)特征和形態(tài)特征。ADC病灶影像同樣提取上述3大特征。

1.7 樣本Ki-67表達(dá)特征

收集所有患者的病理報(bào)告，查看每例患者的MBC組織學(xué)分級(jí)情況，并通過免疫組化檢測(cè)出病理標(biāo)本相對(duì)應(yīng)的Ki-67陽性細(xì)胞的百分比，統(tǒng)計(jì)并分析Ki-67表達(dá)陽性與陰性、組織學(xué)分級(jí)、絕經(jīng)情況和年齡之間的差異性。

1.8 統(tǒng)計(jì)學(xué)方法

使用SPSS25.0統(tǒng)計(jì)軟件進(jìn)行分析，計(jì)數(shù)經(jīng)正態(tài)性檢驗(yàn)，數(shù)據(jù)采用均值±標(biāo)準(zhǔn)差()表示，采用t檢驗(yàn)，計(jì)數(shù)資料采用x2檢驗(yàn)，以%表示。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。影像特征預(yù)測(cè)Ki-67表達(dá)和組織學(xué)分級(jí)的能力則對(duì)提取的不同序列的影像特征進(jìn)行單變量回歸分析和多變量回歸分析，利用UDFS算法和Fisher Score算法將DCE-MRI與DWI參數(shù)不同的影像聯(lián)合預(yù)測(cè)腫瘤分級(jí)。

表1 組織樣本Ki-67表達(dá)特征[例(%)]

表2 單參數(shù)多變量邏輯回歸的兩種算法預(yù)測(cè)結(jié)果

表3 單參數(shù)多變量邏輯回歸預(yù)測(cè)的Ki-67結(jié)果

2 結(jié)果

2.1 樣本Ki-67表達(dá)特征比較

病理報(bào)告組織學(xué)分級(jí)中，Ⅱ級(jí)患者57例，Ⅲ級(jí)63例，Ⅱ級(jí)與Ⅲ級(jí)MBC患者組織標(biāo)本中Ki-67表達(dá)比較，差異有統(tǒng)計(jì)學(xué)意義(x2=2.151，P＜0.05)，表明組織學(xué)分級(jí)與Ki-67的表達(dá)具有關(guān)聯(lián)，Ki-67高表達(dá)的患者病例分級(jí)高；根據(jù)2011年St.Gallen早期乳腺癌國際專家共識(shí)[7]要求，將14%作為Ki-67陽性指數(shù)高低的界限值，當(dāng)Ki-67陽性細(xì)胞數(shù)＞14%是高表達(dá)，＜14%則是低表達(dá)。結(jié)果顯示，Ki-67低表達(dá)有17例，高表達(dá)有103例；孕激素受體(progesterone receptor，PR)是否陽性、絕經(jīng)情況和年齡的比較差異均無統(tǒng)計(jì)學(xué)意義，與Ki-67的表達(dá)無顯著的影響，見表1。

2.2 單參數(shù)多變量邏輯回歸分析

在單變量邏輯回歸分析對(duì)DCE-MRI和DWI的單個(gè)影像特征性能的比較中，最佳性能特征為紋理特征中的對(duì)比度特征，即對(duì)應(yīng)S0、S2、S5及ADC圖像序列預(yù)測(cè)分級(jí)任務(wù)生成的受試者工作特征(receiver operating characteristic，ROC)曲線下面積(area under curve，AUC)值分別為0.691、0.713、0.722和0.673，見圖1。

圖1 最優(yōu)單特征盒形圖

2.3 單參數(shù)多變量邏輯回歸的兩種算法預(yù)測(cè)結(jié)果

(1)兩種算法預(yù)測(cè)效果：使用多變量邏輯回歸分析DCE-MRI和DWI的各個(gè)序列，并比較Fisher Score算法和UDFS算法兩種特征選擇方法的效果。多變量邏輯回歸分析預(yù)測(cè)分級(jí)任務(wù)中S2序列最佳，AUC、特異度和靈敏度分別為0.78、0.648和0.935，見表2。

(2)Ki-67預(yù)測(cè)結(jié)果：S2使用UDFS算法特征預(yù)測(cè)中AUC最佳，為0.781，特異度為0.648，靈敏度為0.935；預(yù)測(cè)Ki-67表達(dá)結(jié)果顯示，DWI選擇Fisher Score特征算法時(shí)AUC最佳，為0.757，特異度為0.807，靈敏度為0.697，預(yù)測(cè)Ki-67表達(dá)見表3，多模態(tài)MRI影像見圖2。

3 討論

圖2 乳腺黏液癌多模態(tài)MRI影像圖

MBC屬較少見的一種乳腺癌類型，僅占原發(fā)性乳腺癌的1.3%～5.4%，作為一種侵襲性腫瘤，MBC具有大量的粘蛋白產(chǎn)生的特點(diǎn)，因此常可見腫瘤細(xì)胞簇飄浮于細(xì)胞外的粘蛋白池中。MBC的主要發(fā)病群體為女性老年和絕經(jīng)后的患者，其臨床特征與良性乳腺疾病極為相似，表現(xiàn)為乳腺腫塊，且腫塊的表面光滑、邊界清楚和具有良好的活動(dòng)性[8]。此外，MBC患者的彩超或鉬靶檢測(cè)可表現(xiàn)為與乳腺纖維腺瘤相類似的表現(xiàn)，因此也易被誤診為乳腺纖維腺瘤，因此清楚準(zhǔn)確地診斷MBC是一項(xiàng)極為重要的工作，應(yīng)引起臨床醫(yī)生的重視[9]。

Ki-67作為一種衡量腫瘤侵襲的重要指標(biāo)，在MBC的診斷中是判斷惡性腫瘤增殖活性程度的可靠指標(biāo)之一[10]。相關(guān)研究表明，Ki-67在腫瘤的診治和預(yù)后檢測(cè)方面均有重要的臨床意義，Ki-67的高表達(dá)水平往往意味著腫瘤的高增值性、高惡性程度和較差的預(yù)后[11]。目前，國內(nèi)多使用從MRI影響中提取的各類影像特征，來對(duì)MBC的各類預(yù)后指標(biāo)進(jìn)行分類和預(yù)測(cè)，但由于單一的參數(shù)和MRI的影像研究容易忽略已經(jīng)需要補(bǔ)充的信息，從而使結(jié)果顯得貧瘠和單薄[12]。因此，聯(lián)合不同參數(shù)的MRI影像，從多模態(tài)角度來預(yù)測(cè)MBC的組織學(xué)分級(jí)和Ki-67的表達(dá)具有更強(qiáng)的說服力[13]。

本研究結(jié)果顯示，組織學(xué)分級(jí)比較有顯著性差異；PR是否陽性、絕經(jīng)情況和年齡的比較均無顯著性差異，表明Ki-67的表達(dá)與這三者無顯著的影響。在單參數(shù)的多變量邏輯回歸分析中，使用兩種特征選擇方法中，得到的UDFS算法總體要比使用Fisher Score算法的好。而預(yù)測(cè)Ki-67表達(dá)中并無發(fā)現(xiàn)明顯的規(guī)律，這可能是樣本分布不均衡所致[14]。多變量邏輯回歸的最優(yōu)AUC均比單變量要高，表明多變量邏輯回歸分析更能充分利用不同特征的信息，考慮不同特征之間的聯(lián)系，從而使得建立的模型更加具有說服力[15]。本研究結(jié)果還顯示，相對(duì)于單參數(shù)多變量邏輯回歸預(yù)測(cè)結(jié)果的最佳AUC(0.781)，對(duì)于單一參數(shù)MRI的預(yù)測(cè)研究，多模態(tài)多參數(shù)MRI聯(lián)合應(yīng)用可充分發(fā)揮不同影像的優(yōu)勢(shì)，獲得更好的預(yù)測(cè)結(jié)果。

4 結(jié)論

相對(duì)于單一參數(shù)的磁共振圖像數(shù)據(jù)，多模態(tài)MRI影像聯(lián)合特征可以提高組織分級(jí)和Ki-67表達(dá)的預(yù)測(cè)性能，可在臨床MBC的前期診斷和預(yù)后治療中提供更加精確的診斷，且具有重要意義。