孫藝寧，陳蘭

非腫塊型乳腺病變超聲診斷新進(jìn)展

孫藝寧，陳蘭

延邊大學(xué)附屬醫(yī)院超聲醫(yī)學(xué)科，吉林延吉 133000

非腫塊型乳腺癌的患病率逐漸增多，危害女性健康，早期確診對(duì)患者有重要意義，但因其不典型特征導(dǎo)致其檢出困難，臨床診斷時(shí)難以與炎癥性疾病相鑒別。本文將歸納總結(jié)超聲新技術(shù)在非腫塊型乳腺良惡性病變?cè)\斷中的進(jìn)展。

乳腺腫瘤；非腫塊型乳腺癌；自動(dòng)乳腺全容積成像技術(shù)；彩色多普勒超聲

非腫塊型乳腺病變（non-mass-like breast lesion，NML）是指病變彌漫、在超聲圖像上缺乏明顯形狀或邊緣的低回聲區(qū)域且在兩個(gè)不同掃查方向上不具備占位效應(yīng)的一種非占位性病變[1]。NML在臨床上較少見，占所有乳腺病變的9.2%[2]。常規(guī)超聲對(duì)NML的診斷特異性較低，診斷率21%～43%[3]。良性NML多為腺病，惡性NML多為導(dǎo)管內(nèi)癌和浸潤(rùn)性導(dǎo)管癌。美國(guó)放射學(xué)會(huì)乳腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）定義了乳房腫塊的分類，但未能提供NML的分類。目前，暫無(wú)NML的標(biāo)準(zhǔn)分類方法[4]。既往研究將NML分為乳腺低回聲區(qū)、微鈣化低回聲區(qū)和導(dǎo)管內(nèi)實(shí)性回聲區(qū)[5]。2004年，日本乳腺甲狀腺疾病學(xué)會(huì)對(duì)NML進(jìn)行了系統(tǒng)分類。他們的標(biāo)準(zhǔn)包括異常導(dǎo)管變化、多囊泡模式、乳房組織的低回聲區(qū)域和結(jié)構(gòu)異常[6]。本文將歸納總結(jié)超聲新技術(shù)在NML良惡性診斷中的新進(jìn)展。

1 自動(dòng)乳腺全容積成像

自動(dòng)乳腺全容積成像（automated breast volume scanner，ABVS）是一種新型的超聲成像技術(shù)，可提供標(biāo)準(zhǔn)化的圖像采集和整個(gè)乳房的冠狀圖像。通過(guò)連續(xù)檢查乳房橫切面，自動(dòng)進(jìn)行乳房三維立體重建，同時(shí)獲得形態(tài)學(xué)和冠狀面圖像[7]。研究顯示ABVS可提高區(qū)分乳腺病變性質(zhì)的敏感度、特異性和準(zhǔn)確性[8]。ABVS的優(yōu)勢(shì)在于它允許通過(guò)實(shí)時(shí)超聲對(duì)組織分布進(jìn)行非侵入性成像，具有高敏感度、特異性和準(zhǔn)確性[9]。在不同的應(yīng)變水平下，ABVS可獲得不同的脂肪、正常腺體組織、纖維組織、導(dǎo)管原位癌和浸潤(rùn)性導(dǎo)管癌的超聲特征[10]。研究表明：ABVS顯示的血管供應(yīng)情況、簇狀鈣化、導(dǎo)管改變、外周改變和冠狀切面等特征可用于預(yù)測(cè)良惡性病變[11]。ABVS比鉬靶能檢測(cè)到更多的NML，表明ABVS冠狀面成像可能比鉬靶更敏感地顯示結(jié)構(gòu)方面的異常。冠狀面能較直觀地顯示結(jié)構(gòu)扭曲、變形，可呈典型或不典型的“匯聚征”，且較二維超聲對(duì)鈣化、成角等邊界不規(guī)則的病灶檢出率高，因此對(duì)診斷NML的惡性病變具有較高的特異性。

2 剪切波彈性成像技術(shù)

剪切波彈性成像（shear wave elastography，SWE）可通過(guò)評(píng)估內(nèi)部和外周硬度來(lái)區(qū)分良性和惡性病變。SWE具有良好的重復(fù)性和較高的診斷效能。然而，關(guān)于SWE在NML中的診斷價(jià)值的獨(dú)立研究較少。研究表明，惡性病灶最硬的區(qū)域位于乳腺病灶的外圍而不是內(nèi)部，這意味著外周的彈性分析可能具有更好的診斷價(jià)值[12]。雖然SWE對(duì)NML有較好的診斷價(jià)值，但不應(yīng)忽視假陰性和假陽(yáng)性結(jié)果。多項(xiàng)研究表明，多種臨床因素與假陰性和假陽(yáng)性結(jié)果有關(guān)。在NML中，鈣化、小病灶和原位癌的出現(xiàn)與假陰性結(jié)果相關(guān)。在良性病變中，與乳頭的距離是引起假陽(yáng)性結(jié)果的主要原因[13]。為了減少假陽(yáng)性和假陰性結(jié)果，有必要使用其他成像技術(shù)進(jìn)行聯(lián)合診斷，如在NML鈣化的情況下需要進(jìn)行乳房X線攝影，由于內(nèi)部和外圍參數(shù)可反映病變的不同病理形態(tài)，影像技術(shù)的聯(lián)合應(yīng)用可進(jìn)一步提高NML的診斷準(zhǔn)確性。NML的彈性參數(shù)內(nèi)、外周最大值（Emax）和平均值（Emean）均高于良性病變，這主要與NML中導(dǎo)管內(nèi)原位癌的高比例有關(guān)[14]，由于惡性病灶容易滲入周圍組織，因此病變最硬的組織不是位于病灶內(nèi)部，而是位于周圍組織。所以對(duì)周圍組織的評(píng)估可能比內(nèi)部SWE彈性更有助于NML的鑒別診斷。有報(bào)道稱1～3mm內(nèi)殼的“硬邊”征和Emax/Emean具有較高的診斷價(jià)值，Emax在外周2.5mm處的曲線下面積為0.900[15]。Huang等[16]對(duì)乳腺腫塊病變的周圍組織進(jìn)行了研究，發(fā)現(xiàn)3mm處的外殼Emax具有最佳診斷價(jià)值。

3 超聲造影

超聲造影（contrast-enhanced ultrasonography，CEUS）可客觀地評(píng)價(jià)NML的血供，從而有助于鑒別NML的良惡性。與腫塊樣乳腺病變相比，NML具有獨(dú)特的對(duì)比增強(qiáng)特征。乳腺病變中乳腺NML的數(shù)量較少，既往研究?jī)A向于探索腫塊樣病變的特征、邊界和形狀。Xiao等[17]將病變范圍、邊界和形狀視為NML的獨(dú)立危險(xiǎn)因素。Wang等[18]研究表明，增強(qiáng)強(qiáng)度、增強(qiáng)順序、邊界增強(qiáng)范圍、外周血管和其直徑的增加均是NML的獨(dú)立危險(xiǎn)因素。二維超聲往往低估NML病灶的大小，尤其是當(dāng)其病理類型為導(dǎo)管內(nèi)癌的時(shí)候。CEUS測(cè)量的最大值更接近術(shù)后病理標(biāo)本測(cè)量值，表明超聲造影發(fā)現(xiàn)的病灶大小和形狀更接近病灶的真實(shí)狀態(tài)。由于大多數(shù)NML與正常腺體混合，因此在常規(guī)二維彩超上僅識(shí)別出具有低回聲的病變范圍。而在增強(qiáng)狀態(tài)下，腺體的基本回聲被掩蓋，僅顯示血供信息，可顯示惡性NML較為完整的形態(tài)，所以增強(qiáng)后的病變范圍較常規(guī)二維彩超顯示的范圍寬。研究顯示，乳腺惡性病灶周圍腫瘤微血管多于其中心[19]。惡性NML通常表現(xiàn)為早期強(qiáng)化、強(qiáng)化程度更高、范圍擴(kuò)大、外周血管出現(xiàn)。在NML中，較高的強(qiáng)化和病變范圍是惡性NML的獨(dú)立危險(xiǎn)因素。常規(guī)超聲結(jié)合CEUS可提高診斷效率，而CEUS是一種相對(duì)侵入性的方法，造影劑可能會(huì)引起過(guò)敏反應(yīng)。妊娠期和哺乳期女性不宜使用CEUS。

4 超微血管成像技術(shù)

超微血管成像技術(shù)（superb microvascular imaging，SMI）是一種新的多普勒技術(shù)，旨在通過(guò)一種新的自適應(yīng)算法來(lái)改善血流的可視化，尤其是慢血流信號(hào)，該算法可顯著消除雜波，同時(shí)保持較高的幀速率。它可在兩種模式下運(yùn)行：彩色模式SMI（colour superb microvascular imaging，cSMI）和灰階模式SMI（monochromr superb microvascular imaging，mSMI）。前者同時(shí)顯示帶有彩色編碼多普勒信號(hào)和傳統(tǒng)灰度超聲，后者減去背景信號(hào)僅顯示脈管系統(tǒng)。SMI對(duì)微血管表現(xiàn)出卓越的敏感度，因此能夠更詳細(xì)地評(píng)估血管的復(fù)雜性和分布，從而提高診斷惡性NML的診斷性能。此外，血管指數(shù)的定量分析有望提供更多關(guān)于血管分布程度的客觀信息。但是，要更有效地使用SMI，需要測(cè)量學(xué)習(xí)曲線。SMI特征與各種組織病理學(xué)因素（如微血管密度、組織學(xué)分級(jí)、淋巴結(jié)狀態(tài)、腫瘤直徑、激素受體狀態(tài)和腫瘤基因表達(dá)）之間的相關(guān)性有助于預(yù)測(cè)NML患者的預(yù)后或治療方案的選擇。最近開發(fā)的一種定量方法：高清微血管成像（high-definition microvasculature imaging，HDMI），可視化直徑小至300μm的亞毫米血管。HDMI技術(shù)基于超快超聲成像，包括血管增強(qiáng)和形態(tài)濾波及血管結(jié)構(gòu)形態(tài)的量化[20]，可獲得各種定量的微血管形態(tài)參數(shù)[21]，有研究表明HDMI定量微血管形態(tài)參數(shù)和SWE估計(jì)的彈性組合是改善乳腺腫塊分級(jí)的協(xié)同生物標(biāo)志物。將HDMI和SWE與臨床因素（病變深度和年齡）相結(jié)合，將進(jìn)一步提高診斷的準(zhǔn)確性[22]。

5 超聲引導(dǎo)下真空輔助活檢

自1995年推出以來(lái)，超聲引導(dǎo)下真空輔助活檢（vacuum-assisted biopsy，VAB）已成為乳腺結(jié)節(jié)首選診斷方法，如發(fā)現(xiàn)有簇狀鈣化、邊界不清、結(jié)構(gòu)扭曲或需要完全切除的病變，因?yàn)閂AB設(shè)備連續(xù)采樣可更好地檢測(cè)乳腺結(jié)節(jié)。最近推出的13-G無(wú)線VAB具有方便、準(zhǔn)確病理診斷的優(yōu)點(diǎn)。對(duì)高度懷疑惡性的小結(jié)節(jié)或有家族史的女性而言，快速而準(zhǔn)確地診斷良惡性非常重要。超聲是乳房活檢首選的一線成像方式，而超聲引導(dǎo)下穿刺活檢是一種具有高成本效益的快速方法，有助于明確診斷并提供預(yù)后信息，從而迅速?zèng)Q定未來(lái)的治療方案，無(wú)需進(jìn)行開放式手術(shù)活檢或冰凍切片分析。對(duì)一些較小的良性結(jié)節(jié)，甚至可在超聲引導(dǎo)下切除[23]。研究表明經(jīng)皮穿刺活檢有時(shí)會(huì)降低侵襲性癌癥的發(fā)現(xiàn)率，Seo等[24]研究指出VAB的低估率明顯低于半自動(dòng)穿刺活檢，是由于半自動(dòng)穿刺活檢會(huì)將空氣引入活檢腔，這可能會(huì)掩蓋鈣化病灶，而VAB可在手術(shù)過(guò)程中將空氣和血液從活檢腔中吸走，從而解決該問(wèn)題。此外，在使用VAB時(shí)，探頭位于病灶后方，因此不會(huì)掩蓋病灶。通過(guò)VAB可輕松獲得多個(gè)樣本，而使用半自動(dòng)穿刺針很難獲得超過(guò)7個(gè)樣本，即使是同軸針也是如此。因此，在高度懷疑NML時(shí)可用VAB作為診斷鑒別的首選設(shè)備。

6 光聲成像技術(shù)

光聲成像技術(shù)是一種相對(duì)較新的成像技術(shù)，該方法基于在發(fā)生光吸收的位置通過(guò)熱彈性膨脹將吸收的脈沖光能轉(zhuǎn)換為聲能，可產(chǎn)生組織中光吸收分布的高分辨率3D圖像，且不受光散射的影響。與光相比，這些聲波在傳播過(guò)程中的散射和衰減要小得多。使用換能器進(jìn)行檢測(cè)可重建聲源的空間分布，其分辨率完全取決于所用檢測(cè)器的帶寬和空間采樣。Kruger等[25]首先提出將近紅外光譜應(yīng)用于乳腺成像，Oraevsky等[26]在2001年使用基于激光的光聲成像系統(tǒng)展示了首例患者結(jié)果。一項(xiàng)小型患者隊(duì)列研究顯示，使用光聲乳房X光鏡，一種經(jīng)實(shí)驗(yàn)室制造的乳房成像儀，能夠以高成像和對(duì)比度實(shí)現(xiàn)惡性腫瘤的可視化，其對(duì)比度優(yōu)于X線攝影預(yù)計(jì)的乳房密度[27]。光聲成像還可利用血紅蛋白與光的高對(duì)比度可視化組織深處的脈管系統(tǒng)，并通過(guò)超聲實(shí)現(xiàn)高分辨率檢測(cè)。

7 人工智能成像

近年來(lái)，人工智能（artificial intelligence，AI）成像研究已廣泛擴(kuò)展，包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和深度學(xué)習(xí)在超聲中的應(yīng)用[28-29]。在BI-RADS 4A中NML的良性和惡性的超聲特征跨度會(huì)產(chǎn)生分類錯(cuò)誤的可能性。AI的發(fā)展為BI-RADS分類提供了一種新的方法[30]。AI可識(shí)別乳腺病變的形態(tài)和紋理特征，彌補(bǔ)人類視覺觀察的不足[31]。根據(jù)對(duì)BI-RADS 3類病變的研究，AI可以正確升級(jí)大多數(shù)被醫(yī)生誤診為3類的惡性病變。對(duì)于4A類，AI也表現(xiàn)出較高的診斷效率，BI-RADS 4A的分類準(zhǔn)確率可高于90%。目前，AI在BI-RADS分類中的應(yīng)用主要在于不同AI程序其可行性和準(zhǔn)確性略有不同[32-33]。研究表明，AI可達(dá)到與診斷醫(yī)生相似的分類級(jí)別[34]。另有研究表明，針對(duì)NML良性和惡性病變，仔細(xì)觀察病灶內(nèi)部回聲將有助于醫(yī)生提高肉眼診斷良惡性腫瘤的準(zhǔn)確率[35]。腫瘤邊緣的特征在良惡性病變的鑒別中也具有重要意義[36]。

乳腺病變可分為腫塊型和非腫塊型，腫塊型在二維超聲上具有典型圖像特征，因此臨床多可明確診斷。然而近幾年發(fā)現(xiàn)很多乳腺病變表現(xiàn)為非腫塊型，這類乳腺病變因其缺乏明顯形狀或邊緣的低回聲區(qū)域等圖像特征，二維超聲容易漏診。隨著各項(xiàng)超聲新技術(shù)的發(fā)展，彌補(bǔ)了二維超聲在NML診斷的不足，充分聯(lián)合利用超聲新技術(shù)，有助于發(fā)現(xiàn)病灶并鑒別良惡性病變；有助于更好地顯示受累病變導(dǎo)管數(shù)目、病變侵及范圍及其與周圍組織的關(guān)系；有助于明確病變血流灌注并對(duì)病灶進(jìn)行升降級(jí)等，對(duì)NML進(jìn)行合理的BI-RADS分類，提高超聲診斷率，為臨床提供可靠的診斷依據(jù)。

[1] TANG G, AN X, XIANG H, et al. Automated breast ultrasound: interobserver agreement, diagnostic value, and associated clinical factors of coronal-plane image features[J]. Korean J Radiol, 2020, 21(5): 550-560.

[2] IKEDA T, BANDO H, IGUCHI A, et al. Malignant lymphoma of the breast in a male patient: ultrasound imaging features[J]. Breast Cancer, 2015, 22(2): 201-205.

[3] WANG ZL, LI N, LI M, et al. Non-mass-like lesions on breast ultrasound: classification and correlation with histology[J]. Radiol Med, 2015, 120(10): 905-910.

[4] 中國(guó)抗癌協(xié)會(huì)乳腺癌專業(yè)委員會(huì). 中國(guó)抗癌協(xié)會(huì)乳腺癌診治指南與規(guī)范(2021年版)[J]. 中國(guó)癌癥雜志, 2021, 31(10): 954-1040.

[5] KO K H, HSU H H, YU J C, et al. Non-mass-like breast lesions at ultrasonography: feature analysis and BI-RADS assessment[J]. Eur J Radiol, 2015, 84(1): 77-85.

[6] Japanese Association of Breast and Thyroid Sonology. Guideline for breast ultrasound: management and diagnosis[M]. Tokyo: Nankodo, 2004: 35-37, 53-60

[7] ZANOTEL M, BEDNAROVA I, LONDERO V, et al. Automated breast ultrasound: basic principles and emerging clinical applications[J]. Radiol Med, 2018, 123(1): 1-12.

[8] 劉海珍, 李照喜, 郁春紅, 等. 自動(dòng)乳腺全容積成像在非腫塊型乳腺癌診斷中的應(yīng)用價(jià)值[J]. 臨床超聲醫(yī)學(xué)雜志, 2018, 20(4): 244-246.

[9] RELLA R, BELLI P, GIULIANI M, et al. Automated breast ultrasonography (ABUS) in the screening and diagnostic setting: indications and practical use[J]. Acad Radiol, 2018, 25(11): 1457-1470.

[10] SABOUR S. Automated versus handheld breast ultrasound examinations of suspicious breast masses: methodological errors in the reliability analysis[J]. Ultrasonography, 2020, 39(1): 102-103.

[11] ZHANG J, CAI L, CHEN L, et al. Re-evaluation of high-risk breast mammography lesions by target ultrasound and ABUS of breast non-mass-like lesions[J]. BMC Med Imaging, 2021, 21(1): 156.

[12] EVANS A, WHELEHAN P, THOMSON K, et al. Quantitative shear wave ultrasound elastography: initial experience in solid breast masses[J]. Breast Cancer Res, 2010, 12(6): R104.

[13] PARK S Y, CHOI J S, HAN B K, et al. Shear wave elastography in the diagnosis of breast non-mass lesions: factors associated with false negative and false positive results[J]. Eur Radiol, 2017, 27(9): 3788-3798.

[14] REN W W, LI X L, HE Y P, et al. Two-dimensional shear wave elastography of breast lesions: comparison of two different systems[J]. Clin Hemorheol Microcirc, 2017, 66(1): 37-46.

[15] XU P, WU M, YANG M, et al. Evaluation of internal and shell stiffness in the differential diagnosis of breast non-mass lesions by shear wave elastography[J]. World J Clin Cases, 2020, 8(12): 2510-2519.

[16] HUANG L, MA M, DU Z, et al. Quantitative evaluation of tissue stiffness around lesion by sound touch elastography in the diagnosis of benign and malignant breast lesions[J]. PLoS One, 2019, 14(7): e0219943.

[17] XIAO X, OU B, YANG H, et al. Breast contrast- enhanced ultrasound: is a scoring system feasible? A preliminary study in China[J]. PLoS One, 2014, 9(8): e105517.

[18] WANG Y, FAN W, ZHAO S, et al. Qualitative, quantitative and combination score systems in differential diagnosis of breast lesions by contrast-enhanced ultrasound[J]. Eur J Radiol, 2016, 85(1): 48-54.

[19] LI X, LI Y, ZHU Y, et al. Association between enhancement patterns and parameters of contrast-enhanced ultrasound and microvessel distribution in breast cancer[J]. Oncol Lett, 2018, 15(4): 5643-5649.

[20] BAYAT M, FATEMI M, ALIZAD A. Background removal and vessel filtering of noncontrast ultrasound images of microvasculature[J]. IEEE Trans Biomed Eng, 2019, 66(3):831-842.

[21] GHAVAMI S, BAYAT M, FATEMI M, et al. Quantification of morphological features in non-contrast- enhanced ultrasound microvasculature imaging[J]. IEEE Access, 2020, 8: 18925-18937.

[22] GU J, TERNIFI R, LARSON N B, et al. Hybrid high- definition microvessel imaging/shear wave elastography improves breast lesion characterization[J]. Breast Cancer Res, 2022, 24(1): 16.

[23] GAO Y H, ZHU S C, XU Y, et al. Clinical value of ultrasound-guided minimally invasive biopsy in the diagnosis or treatment of breast nodules[J]. Cancer Manag Res, 2020, 12: 13215-13222.

[24] SEO J, KIM S M, JANG M, et al. Ultrasound-guided cable-free 13-gauge vacuum-assisted biopsy of non-mass breast lesions[J]. PLoS One, 2017, 12(6): e0179182.

[25] KRUGER R A, LIU P. Photoacoustic ultrasound: pulse production and detection of 0.5% Liposyn[J]. Med Phys, 1994, 21(7): 1179-1184.

[26] ORAEVSKY A A, KARABUTOV A A, SOLOMATIN S V, et al. Laser optoacoustic imaging of breast cancer in vivo[J]. Proc SPIE, 2001, 1(20): 6-15.

[27] HEIJBLOM M, PIRAS D, XIA W, et al. Visualizing breast cancer using the Twente photoacoustic mammoscope: what do we learn from twelve new patient measurements?[J] Opt Express, 2012, 20(11): 11582-11597.

[28] QIU Y, YAN S, GUNDREDDY R R, et al. A new approach to develop computer-aided diagnosis scheme of breast mass classification using deep learning technology[J]. J Xray Sci Technol, 2017, 25(5): 751-763.

[29] VAN-ZELST J C M, TAN T, PLATEL B, et al. Improved cancer detection in automated breast ultrasound by radiologists using computer aided detection[J]. Eur J Radiol, 2017, 89: 54-59.

[30] SADOUGHI F, KAZEMY Z, HAMEDAN F, et al. Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review[J]. Breast Cancer (Dove Med Press), 2018, 10: 219-230.

[31] BI W L, HOSNY A, SCHABATH M B, et al. Artificial intelligence in cancer imaging: clinical challenges and applications[J]. CA Cancer J Clin, 2019, 69(2): 127-157.

[32] RODRíGUEZ-CRISTERNA A, GóMEZ-FLORES W, DE ALBUQUERQUE-PEREIRA W C. A computer- aided diagnosis system for breast ultrasound based on weighted BI-RADS classes[J]. Comput Methods Programs Biomed, 2018, 153: 33-40.

[33] JAMSHIDII N, CHANG J, MOCK K, et al. Evaluation of the predictive ability of ultrasound-based assessment of breast cancer using BI-RADS natural language reporting against commercial transcriptome-based tests[J]. PLoS One, 2020, 15(1): e0226634.

[34] LE E P V, WANG Y, HUANG Y, et al. Artificial intelligence in breast imaging[J]. Clin Radiol, 2019, 74(5): 357-366.

[35] MARCON M, CIRITSIS A, ROSSI C, et al. Diagnostic performance of machine learning applied to texture analysis-derived features for breast lesion characterisation at automated breast ultrasound: a pilot study[J]. Eur Radiol Exp, 2019, 3(1): 44.

[36] NIU S, HUANG J, LI J, et al. Application of ultrasound artificial intelligence in the differential diagnosis between benign and malignant breast lesions of BI-RADS 4A[J]. BMC Cancer, 2020, 20(1): 959.

R781.4

A

10.3969/j.issn.1673-9701.2023.01.030

陳蘭，電子信箱：chenlan5933@163.com

（2022-07-28）

（2022-12-06）