(皖南醫(yī)學院第一附屬醫(yī)院，安徽 蕪湖 241000)

三陰性乳腺癌 (triple negative breast cancer，TNBC) 是一種獨特的乳腺癌亞型，不表達雌激素受體(ER)、孕激素受體(PR)和人表皮生長因子-2 (HER-2)。TNBC占整個乳腺癌的10%～27%，復發(fā)率最高，腫瘤迅速增殖，療效最差[1]。因此，早期準確診斷尤為重要。眾所周知，乳腺癌的惡性超聲(US)特征包括形狀不規(guī)則、邊界不清、方向不平行、后聲衰減、微鈣化等。然而，TNBC往往呈橢圓形或圓形、邊緣有界等良性包塊外觀表現(xiàn)，因此很難與纖維腺瘤相鑒別，從而降低超聲的診斷性能，并延誤正確的治療[2]。超聲組學是指計算機輔助診斷(CAD)系統(tǒng)對二維超聲圖像進行高通量特征行提取，然后進行特征篩選，建立模型，旨在探究該模型鑒別TNBC和纖維腺瘤的診斷效能[3]。

1 對象與方法

1.1研究對象 回顧性收集2019年1月—2021年8月于我院接受乳腺腫瘤切除術(shù)并獲得病理結(jié)果的患者。納入標準：①術(shù)后經(jīng)病理證實為TNBC或纖維腺瘤；②術(shù)前于我院進行常規(guī)超聲檢查；③既往無穿刺活檢及手術(shù)治療史 。排除標準：①曾于術(shù)前放化療的患者；②直徑>5 cm的腫瘤，因為這些腫瘤可能沒有包括在一個平面上，這使得很難定義感興趣區(qū)(ROI)。 最終納入78例患者，其中27例TNBC患者和51例纖維腺瘤患者[年齡26～78歲，平均(49.25±11.73)歲]。

1.2儀器與圖像采集 選用Philips EPIQ5 超聲儀，線陣探頭頻率為7～14 MHz?；颊哐雠P位，探頭多角度掃查病灶，術(shù)前采集腫瘤最大直徑圖像并存儲為DICOM格式。

1.3超聲組學特征提取及模型構(gòu)建 將DICOM圖片導入至3D Slicer軟件進行ROI的勾畫，見圖1。然后使用3D Slicer軟件拓展的pyradiomics平臺從超聲圖像中提取ROI的影像特征。特征提取出來后，隨機抽取10例，由兩名醫(yī)師對同一圖像進行2次ROI勾畫來評估觀察者之間的一致性。將TNBC與乳腺纖維腺瘤例數(shù)按7∶3的比例隨機分配為訓練集及驗證集。選取55例作為訓練數(shù)據(jù)集(19/36=陽性/陰性)，另外23例作為獨立驗證數(shù)據(jù)集(8/15=陽性/陰性)。采用Lasso回歸進行特征降維。然后通過Logistic回歸構(gòu)建模型，采用受試者工作特性曲線(ROC)來評估超聲組學模型的鑒別效能。

圖1 TNBC患者腫塊ROI示意圖

2 結(jié)果

2.1臨床參數(shù) 本次研究對象訓練集和驗證集的基本臨床信息，見表1。TNBC和乳腺纖維腺瘤患者在訓練集和驗證集的年齡、腫塊最大直徑比較，差異無統(tǒng)計學意義(P>0.05)。

表1 訓練集和驗證集臨床資料比較

2.2觀察者一致性評估 利用3D Slicer軟件拓展的pyradiomics平臺從超聲圖像感興趣區(qū)提取的超聲組學特征，進行觀察者一致性評估。結(jié)果顯示觀察者間提取影像組學特征一致性檢驗的ICC>0.75，表明觀察者間一致性良好。兩名經(jīng)驗豐富的超聲醫(yī)生對隨機選取的10個病灶進行特征提取的觀察者間重復性較高。因此，所有的結(jié)果都是基于第一個超聲科醫(yī)生的測量結(jié)果。

2.3超聲組學模型構(gòu)建及驗證 通過Lasso回歸進行特征降維，以選擇信息最豐富的特征。首先，采用10次交叉驗證，得到λ最優(yōu)參數(shù)。其次，利用基于最優(yōu)參數(shù)λ的Lasso方法計算各特征的系數(shù)，選取系數(shù)非零的特征。最終從685個特征中篩選出5個非零系數(shù)超聲組學特征，然后進行Logistic回歸構(gòu)建模型，即最終得到一個基于超聲組學特征的超聲組學評分公式用于鑒別TNBC和乳腺纖維腺瘤，見表2。超聲組學評分是由每個系數(shù)加權(quán)的選定特征的線性組合計算出來。

表2 超聲組學評分中特征及其系數(shù)

采用ROC曲線分析評價模型的性能。下面的區(qū)域計算ROC曲線(AUC)進行量化。利用ROC曲線分析該模型在鑒別TNBC和乳腺纖維腺瘤的診斷效能，訓練集的AUC為0.958，靈敏度為100%，特異度為83.30%；驗證集的AUC為0.958，靈敏度為100%，特異度為80.00%，見圖2。

圖2 Logistic回歸模型中鑒別TNBC與乳腺纖維腺瘤的ROC曲線

3 討論

復雜和異質(zhì)性的TNBC可以根據(jù)基因表達分為不同的亞型，這些亞型與不同的治療相關(guān)。TNBC早期具有較高的遠處轉(zhuǎn)移風險，易侵襲肺、肝和腦等重要器官，預后極差，需要早期診斷[4-5]。但TNBC具有明顯良性征象[6]，且檢查結(jié)果易受醫(yī)生的主觀性影響，在臨床工作中難與良性腫瘤纖維腺瘤相鑒別。因此，快速準確的診斷十分重要。本課題組試圖通過一種更簡單的方法在大量病變中準確鑒別TNBC與纖維腺瘤，影像組學是利用人工智能技術(shù)從放射影像中挖掘高通量特征，可以提高影像輔助臨床診斷的效果。本研究利用影像組學方法對二維超聲圖像進行特征提取，建立模型，研究該模型對TNBC與纖維腺瘤的鑒別診斷效能。研究結(jié)果表明，基于超聲圖像的組學特征能夠有效區(qū)分TNBC與纖維腺瘤，關(guān)鍵步驟包括特征提取、特征選擇和模型構(gòu)建。在特征提取過程中，采用影像組學方法從原始二維圖像中提取了685個特征。在特征篩選過程中，本研究采用Lasso回歸進行特征降維，采用10次交叉驗證，最終篩選出5個非零系數(shù)超聲組學特征，分別為original.9、original.66、original.68、original.69、wavelet-LHL.65。最后建立了鑒別TNBC和乳腺纖維腺瘤的模型，并對其進行驗證。結(jié)果顯示訓練集與驗證集AUC值均為0.958。

以前研究大多采用CT、鉬靶、磁共振等利用影像組學對乳腺進行研究。周晶等[7]利用多參數(shù)MRI影像組學特征術(shù)前預測TNBC與非TNBC，AUC值在訓練集和驗證集中分別為0.91、0.84；Xie TW等[8]研究多模態(tài)MRI的直方圖特征可用于鑒別診斷TNBC與其他分子分型乳腺癌，具有良好的診斷價值，AUC值為0.76。Feng QL等[9]研究基于術(shù)前增強胸部計算機斷層掃描提取的放射組學特征診斷TNBC，驗證集的AUC為0.881。這些研究表明影像組學模型在診斷TNBC表現(xiàn)出具有較好的診斷效能。雖然已有多項研究報道了影像組學對TNBC的鑒別診斷，但這些檢查往往價格昂貴且有創(chuàng)，診斷效能較低，且臨床應用較少。超聲檢查廣泛應用于乳腺疾病的篩查，在影像學檢查中檢出率較高。近年來超聲影像組學研究取得了迅速發(fā)展，主要集中于乳腺、甲狀腺和肝臟等器官領域[10-12]。但關(guān)于超聲組學對乳腺疾病的研究較影像少，且還沒有強有力的證據(jù)表明基于超聲圖像的影像組學可以有效地鑒別TNBC。本研究旨在利用超聲影像組學篩選出有效特征，更好地鑒別TNBC與乳腺纖維腺瘤。 研究結(jié)果表明超聲組學對于TNBC和乳腺纖維腺瘤的鑒別效能較高，且優(yōu)于CT、鉬靶、磁共振等建立的模型。這可能由于TNBC在超聲圖像的異質(zhì)性較高所致[13-14]。

我們此次研究的局限性：①病變數(shù)量少，可能導致結(jié)果不穩(wěn)定，未來仍需要更大樣本量的超聲組學研究；②不同機器檢查患者，所得到的超聲圖像可能影響結(jié)果的分析；③本次研究為單中心回顧性研究；④研究提取的特征是基于每個病例二維圖像，其值不能準確代表整個三維病變。

總而言之，本研究建立的超聲組學模型具有基于術(shù)前超聲圖像無創(chuàng)鑒別TNBC與纖維腺瘤的潛力[15]。提高早期超聲診斷TNBC的準確率，并減少侵入性活檢的數(shù)量，對臨床醫(yī)生給乳腺癌患者制定治療方案中具有一定的指導意義。