趙悠帆，陳中偉，周潔潔，繆海衛(wèi)，李建策，王美豪

溫州醫(yī)科大學(xué)附屬第一醫(yī)院 放射影像中心，浙江 溫州 325015

乳腺癌是女性人群中最常見的癌癥，也是癌癥相關(guān)死亡的第二位原因[1]。早期診斷和治療能夠延長(zhǎng)患者的生存期甚至達(dá)到治愈的效果。磁共振成像（magnetic resonance imaging，MRI）是目前檢查乳腺癌敏感性最高的影像學(xué)檢查，但特異性有待提高[2]。美國(guó)放射學(xué)會(huì)（American College of Radiology，ACR）發(fā)布的第五版乳腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（BI-RADS）中，依據(jù)病灶的形態(tài)學(xué)特征及動(dòng)態(tài)增強(qiáng)曲線特征將乳腺病變分為7類，其中第4類定義為可疑惡性病變，其惡性概率為2%～95%，但跨度較大，通常需要活檢來明確診斷，這使部分患者接受了沒有必要的有創(chuàng)活檢檢查，增加了額外的費(fèi)用。傳統(tǒng)的BI-RADS主觀評(píng)分，其結(jié)果一致性不高，且準(zhǔn)確性依賴醫(yī)師的臨床經(jīng)驗(yàn)[3]。影像組學(xué)使用高級(jí)數(shù)學(xué)算法從醫(yī)學(xué)圖像中提取和分析肉眼無法識(shí)別的定量特征來獲得更客觀、全面的信息，從而能夠提高診斷的準(zhǔn)確性[4]。另外，乳腺癌是一種多因素相關(guān)的疾病，局限于影像資料可能會(huì)限制疾病診斷的準(zhǔn)確性。已有研究表明乳腺癌可能與年齡、代謝等臨床因素相關(guān)[5-7]。多方面綜合考慮可能有利于疾病的準(zhǔn)確診斷。本研究旨在建立基于動(dòng)態(tài)增強(qiáng)磁共振（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）影像組學(xué)和臨床相關(guān)風(fēng)險(xiǎn)因素的列線圖，并評(píng)價(jià)其鑒別乳腺M(fèi)RI BI-RADS 4類病灶良惡性的效能。

1 資料和方法

1.1 一般資料 收集2017年1月至2019年6月在溫州醫(yī)科大學(xué)附屬第一醫(yī)院行術(shù)前乳腺M(fèi)RI檢查及血生化檢查的女性患者。所有患者均行穿刺或手術(shù)，并獲得病理結(jié)果。納入標(biāo)準(zhǔn)：①患者在行乳腺M(fèi)RI檢查前未接受穿刺活檢或手術(shù)，包括淋巴結(jié)及對(duì)側(cè)乳腺；②患者未經(jīng)化療等任何治療措施；③在MRI檢查后1個(gè)月內(nèi)經(jīng)穿刺活檢或手術(shù)獲得病理結(jié)果；④MRI影像診斷報(bào)告中被歸為BI-RADS 4類（包括4A、4B、4C）。排除標(biāo)準(zhǔn)：①因壓脂不充分、偽影等原因?qū)е翫CE圖像質(zhì)量較差；②序列掃描不全；③對(duì)側(cè)乳腺有乳腺癌病史；④血生化檢查與病理檢查間隔時(shí)間大于14 d。本研究共納入185例患者，良性病變患者69例，年齡23～78（44±11）歲，良性病灶71個(gè)；惡性病變患者116例，年齡22～72（49± 9）歲，惡性病灶118個(gè)。本研究獲溫州醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會(huì)批準(zhǔn)。

1.2 臨床特征 收集患者各項(xiàng)臨床特征，包括年齡、絕經(jīng)狀態(tài)及血生化指標(biāo)。所有血液樣本均在空腹條件下采集。血生化指標(biāo)包括總膽紅素、直接膽紅素、總蛋白、白蛋白、丙氨酸氨基轉(zhuǎn)移酶、天冬氨酸氨基轉(zhuǎn)移酶、堿性磷酸酶、γ-谷氨酰轉(zhuǎn)移酶、血糖、尿素、肌酐、估算腎小球?yàn)V過率、尿酸、總膽固醇、甘油三酯、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、載脂蛋白A1、載脂蛋白B、肌酸激酶、乳酸脫氫酶、脂蛋白（a）。

1.3 MRI檢查方法 所有患者M(jìn)RI圖像均采用GE Signa HDxt 3.0T MR掃描儀和乳腺專用8通道相控陣線圈獲得。掃描時(shí)患者取俯臥位，兩側(cè)乳腺自然懸垂于乳腺線圈內(nèi)，掃描范圍包括兩側(cè)乳腺組織及腋窩軟組織。囑咐患者掃描過程中自由呼吸、保持不動(dòng)，盡可能減少因呼吸、心跳等產(chǎn)生的偽影。乳腺完全掃描序列包括，軸位和矢狀位STIR序列、T1WI同反相位序列、軸位DWI序列及軸位DCE。DCE掃描序列具體參數(shù)如下：采用VIBRANT序列，TR：5 ms；TE：2 ms；FA：10°；層厚：1.2 mm；FOV： 340 mm×340 mm；矩陣：416×416。DCE-MRI序列共包括6期，于注射對(duì)比劑前先行蒙片掃描，再經(jīng)靜脈以2.5 m L/s高壓注射器注射造影劑釓噴酸葡胺（Gd-DTPA），劑量為0.1 mmol/kg，注射對(duì)比劑后連續(xù)掃描5期，每期掃描時(shí)間90 s。

1.4 感興趣區(qū)域（region of interest，ROI）分割 由2名經(jīng)驗(yàn)豐富的高年資放射科醫(yī)師在不知道病理結(jié)果的情況下，參考手術(shù)部位，使用ITK-SNAP軟件（版本3.4.0，http://www.itksnap.org/）在MRI增強(qiáng)后第一期圖像上病灶最大層面，協(xié)商達(dá)成一致共同手動(dòng)勾畫ROI。對(duì)于非腫塊病灶，選擇單個(gè)連續(xù)病灶的最大層面進(jìn)行ROI勾畫。ROI略小于病灶邊緣，以減少部分容積效應(yīng)的影響。隨后將ROI投影到其他參數(shù)圖上。

1.5 特征提取與特征選擇 通過GE AW4.2后處理工作站計(jì)算獲得以下3種DCE參數(shù)圖：信號(hào)增強(qiáng)比率（signal enhancement ratio，SER）、最大上升斜率（maximum slope of increase，MSI）、最大下降斜率（maximum slope of decrease，MSD）。所有參數(shù)圖以DCIOM格式保存，并導(dǎo)入Artificial Intelligence Kit軟件[通用電氣醫(yī)療（中國(guó)）有限公司]進(jìn)行影像組學(xué)分析。分別從每個(gè)病灶的DCE參數(shù)圖及其衍生圖像[高斯拉普拉斯算子（laplacian of gaussian，LoG）、小波（wavelet）和局部二值模式（local binary p attern，LBP）]中提取特征。每幅圖像提取18個(gè)一階特征、24個(gè)灰度共生矩陣（gray-level co-occurrence matrix，GLCM）特征、14個(gè)灰度相關(guān)矩陣（gray level dependence matrix，GLDM）特征、16個(gè)灰度游程矩陣（graylevel run-length matrix，GLRLM）特征、16個(gè)灰度區(qū)域大小矩陣（gray-level size zone matrix，GLSZM）特征和5個(gè)鄰域灰度差矩陣（neighbourhood gray-tone difference matrix，NGTDM）特征。最終從一個(gè)病灶中共提取3 948個(gè)影像組學(xué)特征。根據(jù)7:3的比例，隨機(jī)將所有病例分成訓(xùn)練集和測(cè)試集。所有提取的特征進(jìn)行z-score標(biāo)準(zhǔn)化后，在訓(xùn)練集中采用最大相關(guān)最小冗余（max-relevance and min-redundancy，mRMR）和最小絕對(duì)值收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）算法組合的方式選擇最優(yōu)特征子集，并計(jì)算特征相應(yīng)的系數(shù)。

1.6 統(tǒng)計(jì)學(xué)處理方法 所有統(tǒng)計(jì)分析均使用R語(yǔ)言（版本3.6.4，https://www.r-project.org/）完成。首先，通過對(duì)所選影像組學(xué)特征按其系數(shù)加權(quán)求和來計(jì)算影像組學(xué)評(píng)分（rad-score），使用Wilcoxon秩和檢驗(yàn)進(jìn)行影像組學(xué)評(píng)分的組間比較。接著采用單因素logistic回歸分析尋找預(yù)測(cè)乳腺癌的相關(guān)臨床因素。選擇單因素分析中P＜0.05的臨床特征，并采用向后逐步logistic回歸進(jìn)行多因素分析，篩選獨(dú)立臨床風(fēng)險(xiǎn)因素，建立臨床模型。最后，運(yùn)用多因素logistic回歸方法基于臨床風(fēng)險(xiǎn)因素和影像組學(xué)評(píng)分構(gòu)建組合模型，繪制列線圖。繪制各模 型ROC曲線，并采用Delong檢驗(yàn)比較其ROC曲線下面積（AUC）。使用Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)評(píng)價(jià)組合模型的校準(zhǔn)度。最后通過決策曲線分析評(píng)價(jià)模型的臨床實(shí)用性。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料 在本研究的189個(gè)病灶中，惡性病灶共118個(gè)，其中浸潤(rùn)性導(dǎo)管癌82個(gè)（占69.5%），導(dǎo)管內(nèi)原位癌28個(gè)（占23.7%），其他類型惡性病變8個(gè)（占6.8%）；良性病灶共71個(gè)，其中腺病46個(gè)（占65%），導(dǎo)管內(nèi)乳頭狀瘤14個(gè)（占11.4%），乳腺炎5個(gè)（占7.0%），其他良性病變6個(gè)（占8.5%）。

2.2 列線圖構(gòu)建結(jié)果 經(jīng)過特征篩選后，最終保留了11個(gè)特征用于計(jì)算影像組學(xué)評(píng)分，見圖1和表1。在訓(xùn)練集和測(cè)試集中，惡性病灶的影像組學(xué)評(píng)分均顯著高于良性病灶，差異有統(tǒng)計(jì)學(xué)意義（P＜0.001）。單因素分析顯示年齡、總膽紅素、直接膽紅素、估算腎小球?yàn)V過率、總膽固醇、低密度脂蛋白膽固醇、載脂蛋白B、乳酸脫氫酶是乳腺癌發(fā)生的影響因素（P＜0.05）。多因素分析顯示年齡、總膽紅素和低密度脂蛋白膽固醇水平增高是乳腺癌的危險(xiǎn)因素（見表2）。根據(jù)影像組學(xué)評(píng)分、年齡、總膽紅素和低密度脂蛋白膽固醇構(gòu)建組合模型，繪制列線圖，見圖2。該組合模型在訓(xùn)練集和測(cè)試集中的Hosmer-Lemeshow檢驗(yàn)結(jié)果顯示差異無統(tǒng)計(jì)學(xué)意義（P=0.59、0.48），表明該組合模型的擬合度較好。

2.3 各模型的診斷效能 臨床模型、影像組學(xué)模型和組合模型訓(xùn)練集ROC曲線的AUC值分別為0.73、0.86和0.93。組合模型的AUC值顯著高于臨床模型（P＜0.001）和影像組學(xué)模型（P=0.014）。在測(cè)試集中，臨床模型AUC值為0.73，影像組學(xué)模型AUC值為0.80，組合模型的AUC值為0.88。組合模型AUC值高于影像組學(xué)模型（P=0.037），而與臨床模型差異無統(tǒng)計(jì)學(xué)意義（P=0.057）。見圖3。表3羅列了3種模型分別在訓(xùn)練集和測(cè)試集中乳腺癌的診斷效能。組合模型相較于臨床模型和影像組學(xué)模型，準(zhǔn)確性、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值均有所提高。決策分析顯示，組合模型的臨床實(shí)用性高于臨床模型及影像組學(xué)模型（見圖4）。

表1 篩選出的影像組學(xué)特征及其相應(yīng)系數(shù)

圖1 LASSO特征降維過程

表2 臨床特征的單因素和多因素logistic回歸分析

圖2 鑒別診斷乳腺M(fèi)RI BI-RADS 4類病灶良惡性的列線圖

3 討論

在本研究中，我們結(jié)合DCE-MRI影像組學(xué)和臨床特征建立了列線圖，并評(píng)估了其在乳腺M(fèi)RI BIRADS4類病灶中的診斷效能。結(jié)果表明，基于影像組學(xué)和臨床相結(jié)合的列線圖在乳腺M(fèi)RI BI-RADS 4類病灶的診斷中具有較好的應(yīng)用價(jià)值。

MRI是乳腺的重要影像學(xué)檢查方法，而DCE-MRI是乳腺M(fèi)RI檢查的重要序列，它通過注射造影劑，提高病灶與正常組織的對(duì)比度，獲得更準(zhǔn)確的病變形態(tài)特征，此外還能反映病灶內(nèi)新生血管等微循環(huán)的特征，對(duì)乳腺癌有較好的診斷效能[8]。雖然BI-RADS通過對(duì)影像征象的主觀性解讀，能夠?yàn)槿橄俨∽兣R床決策提供幫助，但是其結(jié)果一致性不佳限制了臨床使用價(jià)值。而影像組學(xué)能夠通過定量分析，做出客觀的判斷。已有研究證明，從DCE圖像中提取的定量影像組學(xué)特征能夠較好地用于區(qū)分乳腺良惡性病變，甚至可以區(qū)分乳腺癌的不同分子亞型[9]。 ZHANG等[10]進(jìn)行了基于多參數(shù)MRI的乳腺癌診斷影像組學(xué)分析，結(jié)果表明，與基于其他序列的影像組學(xué)模型相比，基于DCE-MRI的藥代動(dòng)力學(xué)參數(shù)圖的影像組學(xué)具有最高的診斷效能（AUC為0.84）。但是由于藥代動(dòng)力學(xué)參數(shù)的結(jié)果受較多的因素影響[11-12]，它在常規(guī)臨床檢查中并沒有得到廣泛的應(yīng)用。而在本研究中，基于常規(guī)乳腺DCE-MRI序列半定量參數(shù)的影像組學(xué)模型就能獲得與定量藥代動(dòng)力學(xué)參數(shù)相近的診斷效能（在訓(xùn)練和測(cè)試集中的AUC分別為0.86和0.80）。該方法容易推廣使用。另外，CHEN等[13]從DCE-MRI注射造影劑后第三期圖像（約114 s）中提取影像組學(xué)特征來鑒別鉬靶上僅表現(xiàn)微鈣化的BI-RADS 3-5乳腺病變的良惡性。其所構(gòu)建的DCEMRI影像組學(xué)模型靈敏度為75%，特異度為78%，準(zhǔn)確性為76.5%，AUC為0.88，但缺乏驗(yàn)證。本研究提取了DCE-MRI半定量參數(shù)圖的特征用于構(gòu)建影像模型，相比單期圖像特征，更能夠反映腫瘤內(nèi)部微循環(huán)特征及其異質(zhì)性。

圖3 各模型的ROC曲線

表3 不同模型對(duì)乳腺癌的診斷效能

圖4 各模型決策曲線

本研究顯示年齡、低密度脂蛋白水平和總膽紅素水平是預(yù)測(cè)乳腺癌的獨(dú)立風(fēng)險(xiǎn)因素。流行病學(xué)研究顯示年齡是乳腺癌的危險(xiǎn)因素。在80歲前，乳腺癌的發(fā)生率隨著年齡增長(zhǎng)而幾乎呈線性增長(zhǎng)[14]。另有臨床研究表明低密度脂蛋白水平與乳腺癌發(fā)生風(fēng)險(xiǎn)呈正相關(guān)[15-17]。低密度脂蛋白能夠影響細(xì)胞的增殖和遷移，進(jìn)而促進(jìn)疾病的發(fā)展[16，18-19]。此 外，本研究顯示總膽紅素水平也是乳腺癌的獨(dú)立危險(xiǎn)因素之一。然而目前關(guān)于膽紅素與乳腺癌之間的潛在聯(lián)系尚未明確，仍需進(jìn)一步探索。

乳腺癌的發(fā)生受多種因素影響。綜合患者各方面信息綜合考慮，有助于更準(zhǔn)確的診斷和個(gè)體化治療。正如我們所設(shè)想的，結(jié)合臨床與影像特征的列線圖能進(jìn)一步提高在乳腺M(fèi)RI BI-RADS 4類病灶中的診斷效能。另外，乳腺DCE-MRI和血生化檢查是常規(guī)的術(shù)前檢查，結(jié)果容易獲得，本研究于此基礎(chǔ)上建立的列線圖在具有較高診斷效能的同時(shí)而沒有給患者額外增加其他檢查。

本研究尚有一些不足之處。首先，這是一項(xiàng)來自單中心的回顧性研究，樣本量有限，本研究中開發(fā)的列線圖仍需要大樣本多中心研究進(jìn)一步驗(yàn)證。其次，本研究中采用在病灶最大層面上勾畫二維ROI，而不是三維立體勾畫病灶，這可能會(huì)導(dǎo)致部分抽樣偏差。再次，雖然手動(dòng)勾畫ROI的方式在目前各種病灶分割方式中最為精確，但在一定程度上也會(huì)受到主觀因素的影響。相信隨著計(jì)算機(jī)技術(shù)的飛快發(fā)展，在不久的將來能夠?qū)崿F(xiàn)病灶準(zhǔn)確的自動(dòng)分割。

綜上，基于臨床風(fēng)險(xiǎn)因素和乳腺DCE-MRI影像組學(xué)的列線圖，能夠較好地鑒別乳腺M(fèi)RI BI-RADS 4類病灶的良惡性，為臨床提供了一種無創(chuàng)且有效的診斷工具來更好地幫助乳腺病灶術(shù)前定性。