劉剛虎 汪 飛 程蘭蘭 胡漢金

安慶市立醫(yī)院醫(yī)學(xué)影像科 (安徽 安慶 246003)

乳腺病變是女性常見、多發(fā)病之一，包括乳腺結(jié)節(jié)等良性病變與乳腺癌等惡性病變。乳腺是女性機(jī)體重要部分，一旦發(fā)生惡性病變，往往需要對(duì)乳房進(jìn)行手術(shù)治療，給女性生理及心理帶來極大損害。近年來乳腺癌發(fā)病率逐漸上升，且出現(xiàn)年輕化趨勢(shì)。根據(jù)2020年國(guó)際癌癥研究機(jī)構(gòu)(IARC)發(fā)布數(shù)據(jù)顯示，乳腺癌新發(fā)病例約占全球新發(fā)癌癥病例的11.7%，首次超過肺癌成為癌癥發(fā)病率全球第一[1]。中國(guó)乳腺癌患者占所有癌癥患者9.1%，也是中國(guó)女性癌癥發(fā)病類型首位。乳腺癌死亡人數(shù)約占中國(guó)癌癥死亡總數(shù)3.9%，占女性癌癥死亡率第四位，嚴(yán)重危害女性健康[2]。乳腺癌早期癥狀不明顯，30%的女性確診時(shí)已是晚期，錯(cuò)過最佳治療期，影響女性生命質(zhì)量。對(duì)乳腺良惡性病變進(jìn)行準(zhǔn)確鑒別對(duì)患者的治療方案起確定性作用，從而改善預(yù)后。隨著醫(yī)學(xué)影像學(xué)的發(fā)展，動(dòng)態(tài)增強(qiáng)MRI(dynamiccontrast enhanced MRI，DCE-MRI)在乳腺良惡性病變?cè)\斷中廣泛應(yīng)用，DCE-MRI可以直觀反映病灶的血流動(dòng)力學(xué)特征，其較傳統(tǒng)CT檢查具有解剖圖像清晰，無輻射等的優(yōu)點(diǎn)[3-4]。但影像學(xué)診斷乳腺疾病結(jié)果依賴操作者與新技術(shù)應(yīng)用的熟練程度及診斷經(jīng)驗(yàn)，存在“異病同影”的問題，缺乏特征性指標(biāo)。如何提高影像學(xué)對(duì)乳腺疾病的診斷能力成為研究熱點(diǎn)之一。因此學(xué)者們提出了乳腺癌的預(yù)測(cè)模型，利用數(shù)學(xué)模型結(jié)合影像學(xué)資料，做出更準(zhǔn)確客觀的診斷[5]。因此，本研究基于多模態(tài)MRI影像學(xué)表現(xiàn)，采用logistic回歸分析的方法構(gòu)建乳腺良惡性病變?cè)\斷模型，旨在提高對(duì)乳腺良惡性病變鑒別診斷的水平。

1 資料與方法

1.1 一般資料回顧性分析2021年1月至2023年10月來我院進(jìn)行乳腺檢查患者161例臨床資料。

納入標(biāo)準(zhǔn)：術(shù)前兩周內(nèi)行乳腺M(fèi)RI平掃和DCE-MRI掃描；均經(jīng)手術(shù)病理證實(shí)疾病良惡性。排除標(biāo)準(zhǔn)：既往有其他惡性腫瘤病史或乳腺疾病史；有MRI禁忌證；不能耐受上臂上舉。

最終納入161例乳腺疾病患者，均為女性，經(jīng)術(shù)后病理檢查確診。良性病變者60例：乳腺纖維腺瘤者35例，乳腺腺病16例，導(dǎo)管內(nèi)乳頭狀瘤12例，部分患者合并多種良性病變；惡性病變者101例：浸潤(rùn)性導(dǎo)管癌76例，導(dǎo)管原位癌14例，浸潤(rùn)性小葉癌3例，浸潤(rùn)性乳腺癌3例，實(shí)性乳頭狀癌2例，粘液癌1例，腺樣囊性癌1例，浸潤(rùn)性癌1例。分別納入良性組及惡性組，見表1。

表1 病例基本情況[n(%)]

1.2 DCE -MRI 掃描方法采用德國(guó)西門子3.0T Skyra MR超導(dǎo)型掃描儀，檢查前患者去除身上金屬物品，取俯臥位，雙乳充分暴露、自然懸垂于線圈中心，雙臂置于頭兩側(cè)。檢查過程中保持平靜呼吸、避免移動(dòng)和吞咽動(dòng)作。

掃描序列和參數(shù)：軸位T1WI：視野(Field of View，F(xiàn)OV)340 m m×340 mm、重復(fù)時(shí)間(repetition time,TR)450ms，回波時(shí)間(echo time,TE)為9.7ms、層厚/層間距 4mm/1mm、矩陣 320×320；T2WI：TR4050ms、TE80ms；抑脂T2WI：FOV 340mm×340mm，TR4200ms、TE60ms，層厚/層間距3mm/1mm，矩陣384×384。DWI序列：FOV340mm×340mm，TR/TE=7600/71ms，層厚/層間距5mm/1mm，矩陣160×160，b值(激勵(lì)次數(shù))為50s/mm2，1000s/mm2。

DCE-MRI：TR 4.7ms，TE 1.77ms，層厚 1.2mm，反轉(zhuǎn)角10°，F(xiàn)OV 320mm×320mm，矩陣320×320。應(yīng)用乳腺容積成像序列進(jìn)行增強(qiáng)掃描，第一個(gè)時(shí)相先掃蒙片，隨后采用高壓注射器以2mL/s速率，注射0.2mmol/kg對(duì)比劑釓噴酸葡胺注射液和等量生理鹽水，注入對(duì)比劑后行動(dòng)態(tài)增強(qiáng)掃描，單期掃描時(shí)間為1min，共獲得7期圖像。

將所得數(shù)據(jù)及圖像上傳至Syngo工作站，由2名高年資乳腺放射科醫(yī)師進(jìn)行后處理及重建，判定診斷結(jié)果采用雙盲法，意見不一致時(shí)共同協(xié)商認(rèn)定。

1.3 統(tǒng)計(jì)方法選擇SPSS 20.0統(tǒng)計(jì)學(xué)軟件進(jìn)行統(tǒng)計(jì)分析，計(jì)數(shù)資料以率[n(%)]表示，比較采用χ2檢驗(yàn)或Fisher精確檢驗(yàn)；定量資料以平均數(shù)±標(biāo)準(zhǔn)差表示，比較采用t檢驗(yàn)；非正態(tài)分布的定量資料采用中位數(shù)(四分位數(shù)距)[M(Q)]表示，組間比較采用Mann-Whitney U檢驗(yàn)。實(shí)施Logistic回歸分析，建立Logistic回歸模型；繪制受試者工作特征曲線(ROC)評(píng)估評(píng)價(jià)模型診斷能力；當(dāng)P<0.05，表明差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 病例基本情況兩組腺體分型比較差異無統(tǒng)計(jì)學(xué)意義(P>0.05)。年齡、生育史等差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見表1。 單因素分析顯示，兩組TIC曲線、ΒI-RADS分級(jí)、早期強(qiáng)化率、邊緣形態(tài)及病灶大小比較差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見表2。

表2 影響乳腺良惡性病變DCE-MRI危險(xiǎn)因素分析[n(%)]

2.2 影響乳腺良惡性病變賦值二分類型指標(biāo)賦值為0、1，數(shù)值型賦值為實(shí)測(cè)值，病變良惡性賦值：良性病變=0，惡性病變=1。見表3。

表3 影響乳腺良惡性病變DCE-MRI危險(xiǎn)因素賦值

2.3 影響乳腺良惡性病變二元Logisitic回歸分析根據(jù)二元Logistic回歸分析結(jié)果顯示，TIC曲線、ΒI-RADS分級(jí)、早期強(qiáng)化率、邊緣形態(tài)及病灶大小是乳腺良惡性病變危險(xiǎn)征像。從而建立Logistic回歸診斷模型為：Y=-0.633+0.645TIC曲線+2.112×ΒIRADS分級(jí)+1.142×早期強(qiáng)化率+1.136×邊緣形態(tài)+1.136×病灶大小，見表4。

表4 影響乳腺良惡性病變二元Logisitic回歸分析

2.4 二元Logisitic診斷模型的評(píng)價(jià)與驗(yàn)證結(jié)果采用ROC曲線評(píng)價(jià)基于DCE-MRI表現(xiàn)的Logisitic回歸分析乳腺良惡性診斷模型，敏感度83.33%，特異度為85.15%，ROC曲線下面積AUC為0.944，提示該模型具有較高的診斷效能。

圖1 Logisitic乳腺良惡性診斷模型ROC曲線分析圖

圖2A-圖2C 左乳乳腺纖維腺瘤；患者女，35歲，左乳乳腺纖維腺瘤。圖2A MRI橫軸位脂肪抑制T2WI示左乳外上象限見一類圓形團(tuán)塊狀高信號(hào)影，信號(hào)欠均勻，其內(nèi)可見低信號(hào)分隔，境界清晰；圖2B 病灶增強(qiáng)呈不均勻強(qiáng)化；圖2C 動(dòng)態(tài)增強(qiáng)后病變區(qū)時(shí)間-信號(hào)強(qiáng)度曲線圖呈流入型。圖3A-圖3C 左乳浸潤(rùn)性導(dǎo)管癌；患者女，61歲，左乳浸潤(rùn)性導(dǎo)管癌。圖3A MRI橫軸位脂肪抑制T2WI示左乳外上象限見不規(guī)則分葉狀腫塊影，邊緣可見毛刺，境界不 清；圖3B 增強(qiáng)后病灶明顯強(qiáng)化，強(qiáng)化程度欠均勻，中心見斑點(diǎn)狀相對(duì)低信號(hào)；圖3C 動(dòng)態(tài)增強(qiáng)后病變區(qū)時(shí)間-信號(hào)強(qiáng)度曲線圖呈流出型。

3 討 論

乳腺惡性病變是婦女較為常見的腫瘤疾病，且發(fā)病率一直處于上升趨勢(shì)。隨著影像學(xué)技術(shù)在醫(yī)學(xué)領(lǐng)域的發(fā)展，MRI已成為乳腺良惡性病變臨床鑒別重要方式。尤其是DCE -MRI技術(shù)，具有多序列成像、多參數(shù)、多方位等特點(diǎn)，且有較高的軟組織的空間分辨率。TIC曲線可以反映病灶血流灌注情況，腫瘤強(qiáng)化特征及血流輪廓情況，可克服乳腺脂肪組織較多引起的環(huán)形偽影問題[6-7]。但同時(shí)乳腺良惡性病變的組織結(jié)構(gòu)差異較大，形態(tài)不規(guī)則、邊界不清及內(nèi)部砂礫樣鈣化等惡性腫物共同特征，在實(shí)際診斷中不一定同時(shí)具備，而且良、惡性腫物影像學(xué)資料存在部分征象重疊，難免影響診斷的準(zhǔn)確性[8-9]。二元Logistic回歸分析，能夠?qū)⒔y(tǒng)計(jì)學(xué)意義的因子從諸多因素中分析出，并進(jìn)行各因子交互分析，起到篩選作用[10-11]。因此，廣泛應(yīng)用于臨床研究各種疾病診斷模型建立中。本研究通過分析DCE-MRI表現(xiàn)，構(gòu)建乳腺良惡性病變的二元Logistic回歸分析診斷模型，并進(jìn)行ROC曲線判斷該模型效能。

本研究應(yīng)用DCE -MRI表現(xiàn)的資料，經(jīng)過二分類Logistic回歸分析，篩選出TIC曲線、ΒI-RADS分級(jí)、早期強(qiáng)化率、邊緣形態(tài)及病灶大小5項(xiàng)特征變量具有統(tǒng)計(jì)學(xué)意義，提示其在乳腺良惡性鑒別診斷中的作用，需要著重觀察。本研究建立診斷模型，ROC曲線研究結(jié)果顯示，敏感度83.33%，特異度為85.15%，ROC曲線下面積AUC為0.944，提示該模型具有較高的診斷效能。基于DCE-MRI表現(xiàn)二元Logistic乳腺良惡性病變?cè)\斷模型，作為乳腺病變無創(chuàng)診斷工具，有良好的臨床推廣價(jià)值。

TIC曲線主要分為平臺(tái)型、流入型、流出型(廓清型)，主要由MR的動(dòng)態(tài)增強(qiáng)序列注射造影劑后，根據(jù)病灶強(qiáng)化程度在不同時(shí)相上的數(shù)值描繪，反映病灶血流動(dòng)力學(xué)特征，對(duì)于病變性質(zhì)判斷有所幫助[12]。研究結(jié)果顯示良惡性病變TIC曲線比較差異性具有統(tǒng)計(jì)學(xué)意義。其機(jī)制在于良性、惡性病變對(duì)于造影劑的攝取和排泄速度不同所致，而惡性病變有較多的腫瘤新生血管，致使造影劑排泄較快。但腫瘤血管發(fā)育不良具有較高的血管通透性，加速腫瘤部位對(duì)比劑的滲出。因此，信號(hào)強(qiáng)度在短時(shí)間內(nèi)迅速上升，達(dá)到峰值后呈下降趨勢(shì)，TIC曲線多呈流出型[13-14]。同理，信號(hào)強(qiáng)度迅速上升并達(dá)到峰值后，保持緩慢但穩(wěn)定上升的流入型曲線更傾向于良性病變。但是同樣良惡性病變曲線重疊較大，尤其是平臺(tái)型曲線，需結(jié)合臨床病理檢查。DCE -MRI早期強(qiáng)化程度受病灶血管及血液灌注情況直接影響，因此，成為乳腺良惡性病變重要診斷參考指標(biāo)[15-16]。早期強(qiáng)化率≥100%OR值為1.906，提示早期強(qiáng)化率≥100%患者發(fā)生乳腺惡性病變概率是小于100%的患者的近2倍，丁寧[17]等研究結(jié)果顯示乳腺病變良惡性診斷指標(biāo)中早期強(qiáng)化率ROC曲線的AUC為0.783，也說明其在乳腺病變良惡性診斷中的重要性，與本研究結(jié)果具有一致性。乳腺癌具有多種形態(tài)特征，其中病灶形態(tài)不規(guī)則、邊緣不整齊是其主要表現(xiàn)[18-19]。本研究結(jié)果顯示邊緣形態(tài)不清晰是乳腺惡性病變獨(dú)立危險(xiǎn)因素。主要與惡性腫瘤的浸潤(rùn)性或不均衡生長(zhǎng)有關(guān)，良性病變?nèi)缋w維瘤等，呈現(xiàn)異常增殖，膨脹性生長(zhǎng)狀態(tài)，但并不侵入鄰近組織，因此包膜完整，動(dòng)態(tài)增強(qiáng)后呈現(xiàn)邊界清楚、形態(tài)規(guī)則狀態(tài)[20-21]。而惡性病變因浸潤(rùn)傾向，包膜突破，呈現(xiàn)邊緣不清楚、形態(tài)不規(guī)則[22]。 綜上所述，本研究建立基于DCE-MRI表現(xiàn)的logistic回歸分析模型，能有效診斷乳腺良惡性病變，有助于乳腺病變?cè)缙谠\斷及制訂正確的治療方案。本研究作為回顧性研究，存在一定局限性，本研究數(shù)據(jù)組來自一個(gè)醫(yī)療中心，且樣本量相對(duì)較小，導(dǎo)致結(jié)果缺少泛化性和穩(wěn)健性，需要進(jìn)一步進(jìn)行多中心數(shù)據(jù)分析。為了使模型更加簡(jiǎn)單，僅對(duì)用DCE-MRI序列提取的影像特征進(jìn)行研究，這可能降低模型的效能，需要在后續(xù)研究中進(jìn)一步深入探討。