夏旭東，段成洲*，王功夏，李 銘，王海彬，王亞龍，崔振華，李佳憶

(1.安陽市腫瘤醫(yī)院影像科，河南 安陽 455001；2.河南護理職業(yè)學(xué)院護理系，河南 安陽 455000)

乳腺癌是否伴腋窩淋巴結(jié)(axillary node， ALN)轉(zhuǎn)移對臨床分期、選擇治療方案及評估預(yù)后至關(guān)重要。腋窩淋巴結(jié)清掃術(shù)或前哨淋巴結(jié)活檢術(shù)有創(chuàng)，且可能引起淋巴水腫等并發(fā)癥[1]；而超聲、CT、PET/CT及MRI等非侵入性方法也各有不足之處[2-3]。紋理分析對于定性診斷腫瘤、療效評估及預(yù)測預(yù)后等具有較高價值[4]，并已逐漸用于預(yù)測淋巴結(jié)轉(zhuǎn)移[5-6]。本研究評價MRI紋理分析預(yù)測乳腺癌ALN轉(zhuǎn)移的價值。

1 資料與方法

1.1 研究對象 以2018年1月-2020年5月172例于河南省安陽市腫瘤醫(yī)院經(jīng)病理學(xué)證實的女性乳腺癌患者為訓(xùn)練組，年齡22～71歲，平均(49.4±10.3)歲；另以2020年6月—12月37例女性乳腺癌患者為測試組，年齡26～68歲，平均(53.1±11.4)歲。納入標準：①術(shù)前2周內(nèi)于本院接受MR檢查；②MRI質(zhì)量良好。排除標準：①檢查前接受局部或全身治療等；②ALN直徑<5 mm。根據(jù)ALN狀態(tài)將2組分為ALN轉(zhuǎn)移與無轉(zhuǎn)移亞組，即陽性、陰性亞組。陽性亞組79例，年齡28～71歲，平均(57.3±9.2)歲，其中77例原發(fā)灶為浸潤性導(dǎo)管癌；陰性亞組93例，年齡22～68歲，平均(48.1±10.8)歲，其中86例原發(fā)灶為浸潤性導(dǎo)管癌。測試組分為陽性亞組20例、陰性亞組17例。檢查前所有患者均簽署知情同意書。

1.2 儀器與方法 采用Philips Achieva/Intera 3.0T MR儀，8通道乳腺專用相控陣線圈。囑患者俯臥，采用單次激發(fā)自旋回波-平面回波成像(single-shot spin echo-echo planar imaging， SSSE-EPI)序列行彌散加權(quán)成像(diffusion weighted imaging， DWI)，參數(shù)：TR 6 000 ms，TE 64 ms，F(xiàn)OV 34 cm×34 cm，b為0和1 000 s/mm2，獲得表觀彌散系數(shù)(apparent diffusion coefficient， ADC)圖。采用脂肪抑制技術(shù)行T1高分辨率各向同性容積激發(fā)動態(tài)增強(enhanced T1 high-resolution isotropic volume excitation， e-THRIVE)掃描，TR 4.7 ms，TE 2.3 ms，F(xiàn)OV 34 cm×34 cm，注射對比劑前掃描第一時相作為蒙片，之后采用高壓注射器經(jīng)手背靜脈以3 ml/s流率注入釓噴替酸葡甲胺(Gd-DTPA)對比劑(0.2 ml/kg體質(zhì)量)、以相同流率注入15 ml生理鹽水后掃描其余時相，每個時相掃描時間60 s，共8個時相。

1.3 圖像處理 采用固定窗寬、窗位以BMP格式導(dǎo)出MRI，由2名高年資影像科醫(yī)師以MaZda軟件于ALN直徑最大層面軸位MRI上沿其邊緣手動勾畫ROI，遇邊界模糊時以肉眼可分辨灰度變化為界先行勾畫，再利用ROI形態(tài)調(diào)整功能回縮各徑線1～2 mm，并填充為紅色(圖1、2)。以軟件提取ROI紋理參數(shù)值，包括9個一階直方圖參數(shù)(變異度、均值、偏度、峰度及第1、10、50、90、99百分位數(shù))和11個灰度共生矩陣(grey-level co-occurrence matrix， GLCM)參數(shù)(能量、對比度、相關(guān)、平方和、逆差矩、均和、和方差、和熵、熵、差方差及差熵)，取2名醫(yī)師測值的平均值作為結(jié)果。

圖1 患者女，42歲，乳腺浸潤性導(dǎo)管癌伴左側(cè)ALN轉(zhuǎn)移(陽性亞組) A.增強MR T1WI示ALN邊緣毛糙，不均勻強化； B.于增強T1WI中勾畫ALN 的ROI (紅色區(qū)域)； C.ADC圖顯示ALN呈不均勻低信號； D.于ADC圖中勾畫ALN的ROI(紅色區(qū)域)

圖2 患者女，62歲，乳腺浸潤性導(dǎo)管癌伴左側(cè)ALN增生(陰性亞組) A.增強MR T1WI示ALN邊緣光滑，較均勻強化； B.于增強T1WI中勾畫ALN的 ROI(紅色區(qū)域)； C.ADC圖示ALN呈稍高信號； D.于ADC圖勾畫中ALN 的ROI(紅色區(qū)域)

1.4 統(tǒng)計學(xué)分析 采用SPSS 24.0統(tǒng)計分析軟件及R語言，以組內(nèi)相關(guān)系數(shù)(intra-class correlation coefficient， ICC)評價2名醫(yī)師測值的一致性，ICC>0.75認為一致性良好，P<0.01為差異有統(tǒng)計學(xué)意義。以±s表示符合正態(tài)分布的計量資料，行組間獨立樣本t檢驗；以中位數(shù)(上下四分位數(shù))表示不符合正態(tài)分布的計量資料，行組間Mann-WhitneyU檢驗。采用線性回歸評估共線性程度，剔除方差膨脹系數(shù)(variance inflation factor， VIF)>10，即存在多重共線性的特征。對數(shù)據(jù)以R語言glmnet包行Lasso回歸分析以降維，并構(gòu)建單因素及多因素Logistic回歸模型，繪制受試者工作特征(receiver operating characteristic， ROC)曲線計算曲線下面積(area under the curve， AUC)，以Hosmer-Lemeshow擬合優(yōu)度檢驗繪制校準曲線評價模型，以DeLong檢驗對比其對訓(xùn)練組與測試組的診斷效能。P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

訓(xùn)練組2亞組年齡差異無統(tǒng)計學(xué)意義(t=1.436，P=0.174)。陽性亞組ALN平均直徑為(12.54±2.20)mm，陰性亞組為(8.36±1.53)mm(t=4.045，P=0.044)。

2.1 一致性分析 訓(xùn)練組2亞組ALN紋理參數(shù)值及組間比較結(jié)果見表1。2名醫(yī)師測量結(jié)果的一致性良好(ICC=0.801，P<0.01)。

2.2 單因素分析 以線性回歸去冗余后，共得到9個基于ADC、7個基于增強T1WI的紋理參數(shù)特征，以增強T1WI的熵效能最高(AUC=0.786)，見表2。

2.3 多因素分析 對Lasso模型行10倍交叉驗證，最優(yōu)log(λ)得到11個非零系數(shù)(圖3)。基于ADC圖的偏度、峰度、能量，2個序列的和熵及熵是影響預(yù)測ANL轉(zhuǎn)移的顯著特征，見表3。

2.4 模型驗證 訓(xùn)練組(χ2=4.593，P=0.831)及測試組(χ2=7.408，P=0.442)均具有較好擬合度；模型預(yù)測值與實際觀察值具有良好一致性。ALN預(yù)測模型對于訓(xùn)練組及驗證組均有較好效能，AUC分別為0.906和0.859，敏感度分別為85.60%和86.20%，特異度分別為79.80%和77.30%(圖4、5)，差異均無統(tǒng)計學(xué)意義(P>0.05)。

表1 基于增強T1WI和ADC圖提取的訓(xùn)練組紋理參數(shù)比較

續(xù)表

表2 MRI紋理特征參數(shù)預(yù)測乳腺癌ALN轉(zhuǎn)移效能的單因素分析結(jié)果

圖3 二元Lasso回歸模型選擇紋理特征 A.Lasso回歸交叉驗證圖； B.Lasso回歸系數(shù)分布圖

3 討論

腫瘤異質(zhì)性反映腫瘤生長情況和生物學(xué)特性[6]，而一階直方圖峰度、偏度和百分位數(shù)可用于判斷腫瘤異質(zhì)性[7]。本研究訓(xùn)練組16個紋理特征中，ADC圖一階直方圖參數(shù)偏度、峰度、Perc.1%及Perc.10%差異均有統(tǒng)計學(xué)意義(P均<0.05)，AUC均>0.7，而增強T1WI一階直方圖參數(shù)中僅均值差異顯著，但其診斷效能較差，AUC僅0.610，可能良惡性淋巴結(jié)強化方式存在重疊[8]。本研究多數(shù)二階紋理特征的AUC高于一階紋理特征，提示GLCM參數(shù)診斷效能高于一階直方圖參數(shù)，與LI等[9]報道相符，原因可能在于一階直方圖參數(shù)與腫瘤組織空間結(jié)構(gòu)缺乏相關(guān)性，僅能反映ROI內(nèi)像素灰度頻率分布而無法評估腫瘤內(nèi)的空間與位置關(guān)系；在增強序列中上述表現(xiàn)更為明顯，可能因增強后圖像分辨率較高，更能發(fā)揮GLCM的優(yōu)勢。

圖4 多因素Logistic回歸模型校準曲線 A.訓(xùn)練組； B.測試組

表3 多因素分析評價乳腺癌ALN轉(zhuǎn)移危險因素

圖5 預(yù)測ALN轉(zhuǎn)移模型的ROC曲線圖

本研究發(fā)現(xiàn)GLCM參數(shù)中的熵、和熵及能量的診斷效能較高(AUC均>0.7)。熵體現(xiàn)ROI內(nèi)紋理復(fù)雜程度，其值越高代表紋理越復(fù)雜、病變異質(zhì)性越強[10]。張娜等[11]以CT紋理分析鑒別肺孤立性結(jié)節(jié)，發(fā)現(xiàn)惡性結(jié)節(jié)的熵及和熵值更高。本研究陽性亞組熵、和熵值顯著高于陰性亞組；自2個序列圖像中提取的紋理特征中，均以熵的診斷效能為最優(yōu)，AUC值分別為0.781、0.786，提示熵是預(yù)測ALN轉(zhuǎn)移較為重要的獨立因素。能量是灰度共生矩陣原始值的平方和，對于鑒別腫瘤良惡性及評估治療效果具有重要意義[12]；共生矩陣中，元素集中分布時，能量值越小，腫瘤異質(zhì)性越強；逆差矩則反映紋理的同質(zhì)性，其值越大，圖像紋理越均勻。本研究ALN陽性亞組熵、和熵及逆差矩值均高于陰性亞組，能量值則低于陰性亞組，提示轉(zhuǎn)移淋巴結(jié)異質(zhì)性高于無轉(zhuǎn)移淋巴結(jié)，紋理特征不僅可鑒別腫瘤良惡性，亦可預(yù)測乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移。

常規(guī)MR檢查ALN多側(cè)重于形態(tài)學(xué)指標，但根據(jù)淋巴結(jié)徑線區(qū)分有無ALN轉(zhuǎn)移并不準確[13]。增強MR可利用動態(tài)增強時間-信號曲線鑒別腫瘤良惡性[14]，但目前對其預(yù)測乳腺癌ALN轉(zhuǎn)移情況的價值尚有爭議[8]。ZAITON等[15]以DWI及ADC值鑒別ALN轉(zhuǎn)移，AUC為0.884，敏感度為85%，特異度為81%，效能較好。本研究建立的多因素Logistic回歸模型鑒別乳腺癌ALN轉(zhuǎn)移的AUC為0.906，敏感度為85.60%，特異度為79.80%，且校準能力良好，并經(jīng)測試組驗證。MRI紋理分析與傳統(tǒng)MR技術(shù)相結(jié)合預(yù)測乳腺癌ALN轉(zhuǎn)移，可彌補傳統(tǒng)MR技術(shù)的不足，提高預(yù)測準確性[16]。

本研究的局限性：①僅選擇淋巴結(jié)直徑最大截面勾畫ROI，可能丟失重要空間信息；②由醫(yī)師手動勾畫ROI，耗時且具有主觀性；③乳腺癌病理分型較為單一。

綜上，基于MRI紋理分析預(yù)測乳腺癌ALN轉(zhuǎn)移具有較好效能。