RSNA2018乳腺影像學

黃嘉，艾濤，李嫣，胡益祺，詹晨奧，夏黎明

乳腺X線檢查

1.鉬靶

乳腺密度與罹患乳腺癌的風險以及鉬靶作為篩查工具的有效性有關。乳腺致密組織易導致腫瘤被掩蔽，因此對女性的補充篩查建議有很大影響。一種準確和實用的測量方法對于個性化篩查方案和評估預防性干預措施的有效性至關重要。Aimilia等探究了基于區域(area-based，ABD)和基于體積(volume-based estimates of breast density，VBD)的全自動定量測量乳腺密度與乳腺影像報告和數據系統(Breast Imaging Reporting and Data System，BI-RADS)密度分類評估之間的關系，以及評估了補充篩查的潛在意義。他們通過對2012-2013年篩查隊列中(n=11107名女性)的雙側鉬靶圖像進行回顧性分析。使用全自動軟件提取ABD、VBD和BI-RADS乳腺密度分類的定量指標。采用兩兩相關和線性回歸研究ABD與VBD測量值之間的關系，并根據年齡、BMI和種族(41%白人、50%黑人、9%其他/未知)進行調整。結果顯示VBD(12.5%±6.9%)和ABD(16.5%±16.0%)相關(r=0.95)，同時VBD低于ABD[b=0.41，95%CI 為(0.40，0.41)]。與BI-RADS相比，兩種密度測量均存在顯著差異，且隨著BI-RADS密度的增加而增加(P<0.001)。在放射科醫師和軟件評估的乳房密度分類之間存在中度一致性(k=0.67，SE=0.01)，與報道的放射科醫師間的閱讀器間可變性一致。因此在鉬靶檢查中，VBD的測量值與ABD的估計值密切相關；然而，報告的乳房密度比體積評估的更低。軟件生成的乳腺密度評分與臨床BI-RADS密度分類中度一致。

Sun等提出了兩種新的深度學習模型，它們可提供客觀、準確、可重復的乳腺密度分類，以解決醫師間評估差異的問題。第一個深度學習模型，用于BI-RADS乳腺密度自動報告，使用四個乳腺密度標簽(A-幾乎全是脂肪，B-分散的纖維腺體密度，C-不均勻密度，D-極高密度)進行了訓練。第二個模型用來區分“散在高密度”和“不均勻高密度”，根據ACR指南在隨訪決策方面提供幫助。也就是說，第二個模型是一個兩類分類器，將標簽A和B、C和D分別合成一個類。將兩種模型相結合，得到最優的隨訪決策。通過對2004-2016年6528個乳腺鉬靶(26112幅圖像)進行訓練，每幅圖像有4個標準視圖(L-CC、R-CC、L-MLO和R-MLO)。患者年齡24～93歲，在四個(A、B、C、D)密度標簽的分布分別是24%、52%、20%、4%。以臨床報告中的乳腺密度作為基準。結果顯示兩種模型訓練和測試的AUCs分別為0.98、0.96，四種乳腺密度分類的訓練和測試AUCs分別為(0.98、0.96)、(0.92、0.88)、(0.92、0.93)和(0.97、0.96)。這些初步結果優于現有的乳腺密度分類算法。因此這項輔助系統，用于自動分類和報告BI-RADS密度，可以對乳腺癌進行適當的乳腺密度評估。

鉬靶篩查對于早期檢測是有效的，但容易出現不必要的召回和活組織檢查。假陽性召回一直被確定為乳腺癌篩查的缺點。這些被召回的婦女未來患乳腺癌的風險增加的程度仍不清楚。Rasika等對所有在1988-2013 年在大型有組織的乳腺篩查項目中進行過兩次或兩次以上乳腺X線檢查的婦女都納入了這項研究。對她們進行追蹤直到乳腺癌診斷，或最后一次篩查日期大于5年，或2013年12月31日隨訪結束，以先到者為準。通過Poisson回歸評估假陽性的婦女與陰性的婦女相比患乳腺癌的相對危險度，并根據年齡和五年周期進行了調整。結果顯示，鉬靶篩查假陽性與患乳腺癌的風險增加有關。鉬靶篩查假陽性后乳腺癌最有可能發生在同側乳腺。

由于缺乏對人口老齡化的研究，人們一直在爭論停止乳腺X線篩查的年齡。Stamatia等對75歲及以上進行乳腺X線攝影篩查并進行活檢、結果為惡性病變的患者進行回顧性分析，記錄患者的人口統計學、病變信息、病理結果和治療情況。非乳腺惡性腫瘤病例、乳腺X線檢查以外的其他方式診斷的乳腺癌病例以及記錄缺失或不完整的病例均被排除在外。對于年齡在75歲及以上女性(10%)的篩查人群，這樣相對較小的比例，在該群體中診斷出的患者占所有被診斷為乳腺癌患者的16%，具有顯著增高的癌癥檢出率。診斷為低等級的腫瘤，大部分具有侵襲性(81%)。大多數(98%)患者接受了手術切除，這表明大多數75歲及以上的女性身體健康，并希望進行手術切除。鑒于存在這樣的發病率，應在該年齡組中進行乳腺X線篩查。該研究證明了75歲及以上女性乳腺癌篩查的價值。Angela等回顧性分析2001-2016年在大型社區乳腺中心檢出的DCIS篩查病例。年齡較小的患者更容易患中或高級別DCIS，DCIS的等級和患者年齡具有反比關系。由于在年輕患者中篩查到的DCIS往往是高級或中級，因此年輕患者進行乳腺X線篩查仍然具有臨床重要性。

Alejandro等比較了以計算機為基礎的檢測系統與放射科醫生在鉬靶中檢測乳腺癌的獨立表現。研究發現基于深度學習的計算機系統在乳房X線攝影中檢測乳腺癌的性能與放射科醫生相當。無論是用于決策支持(防止在鉬靶閱片中出現相對常見的忽略和解釋錯誤)，還是作為獨立的閱讀器，在放射科醫師水平上運行的計算機系統都可能預示著鉬靶在乳腺癌檢測工作流程中的突破。在某些情況下，如果缺乏經驗豐富的乳腺放射科醫生，它甚至可能允許發展或延續篩查項目。

Alyssa等探究了是否可以使用基于人工智能(AI)的軟件來提高放射科醫師對乳腺癌篩查和檢測的敏感性。該研究從社區收集在2011年10月-2017年3月的乳腺圖像。在317例乳腺X線片的癌癥患者中，139例有回顧性結果，其中90例被認為是可行的。由7名放射科醫師組成的盲法回顧性研究，每位放射科醫師用和不用基于AI的計算機輔助檢測(AI-CAD)定量評分觀察病例，分析了有無AI閱片者對真假陽性召回的決策變化。所有使用AI-CAD的放射科醫師顯示其癌癥檢出率(CDR)顯著改善(P=0.0069)。在人工智能軟件的幫助下，經驗不足的普通放射科醫師的敏感度高于乳腺專科醫師。閱片者在沒有幫助的情況下檢測到25%～71%(平均51%)的早期癌癥。使用AI軟件結果，整體閱片者CDR為41%至76%(平均62%)。總體而言，使用AI軟件的閱片者誤報率增加不到1%。在這個主要為假陰性乳腺X線片的豐富數據集中，在neuScore的AI-CAD輔助下，放射科醫師對癌癥檢測的敏感度顯著改善。使用AI-CAD，閱片者小組中放射科醫師的CDR增加， 6%～64%(平均27%)，假陽性召回的增加可忽略不計。本研究通過使用基于AI的計算機輔助檢測軟件和定量評分，為放射科醫師在乳腺X線攝影解釋中提供了可測量的顯著優勢。在臨床實踐中使用AI可能有助于加快工作流程，增強癌癥的早期檢測，并減少乳腺X線片假陰性。

2.數字化乳腺斷層攝影

數字化乳腺斷層攝影(digital breast tomosynthesis，DBT)通過減少召回和增加癌癥檢出來改善篩查結果。DBT已經在多個個體、多個機構和基于人群的實踐中顯示出改善篩查指標的價值，特別是降低召回率和改善癌癥檢出。早期結果的可持續性尚未得到充分證明。該技術是否是首選的篩查工具，需要長期的結果來證明。Liane等將DBT與2D全視野數字乳腺X線攝影(full-field digital mammography，FFDM)進行比較，評估DBT在7年間的篩查指標。進行了124669次DBT篩查試驗。篩查指標從乳腺成像電子數據庫獲得。從2011年8月開始，每隔一年進行評估，評估召回率(recall rate，RR)、癌癥檢出率(cancer detection rate,CRD)、篩查召回陽性預測值(PPV1)和活檢陽性預測值(PPV3)，并與2D-FFDM進行比較。DBT的RR較2D-FFDM顯著下降，并呈逐年下降趨勢：7.9%、8.8%、7.8%、7.5%、6.9%、6.7%、6.2%(2D= 11.4)(P<0.0001)。CDR呈現穩定趨勢，較2D顯著改善：5.8、5.2、5.4、5.6、6.6、5.6、5.1(2D=3.8)(P<0.0001)。與2D相比，PPV1表現出持續顯著的改善：7.2、5.8、7.0、7.5、9.5、8.4、8.2(2D=3.3)(P<0.0001)。與2D相比，PPV3也出現了顯著的增長，并且在連續DBT年份中呈上升趨勢：35%、31%、36%、37%、47%、42%、44% (2D=2.9)(P<0.05)。DBT的持續使用表明，假陽性篩查的召回和活檢更少，這對于降低篩查的危害至關重要。

然而，大多數DBT研究分析的是患病率而不是發病率。Emily等調查了連續6年DBT篩查的結果，按人口水平逐年(DBT Y1-6)和逐輪進行(DBT R1-6)。結果顯示在群體水平上，DBT篩查比FFDM具有更高的整體CDR和更低的RR，細針穿刺率保持相對穩定。通過一輪篩選確定結果的數據很少，但是，該數據可能有助于指導DBT篩查基準。與單獨的FFDM相比，連續數年的DBT篩查顯示召回減少并且PPV1增加。進一步的長期DBT數據可以幫助指導按年齡、密度和風險進行新的個性化篩查算法。

乳腺X線檢查的起始篩查年齡一直是一個有爭議的問題，主要是由于報告的年輕女性的低CDR和高RR。然而，DBT可以改善鉬靶篩查的性能并改善篩查指南的合理性。Amir等回顧性分析了2008年8月-2017年4月在2個成像中心40～54歲女性乳腺X線檢查的資料，從而比較了FFDM和DBT對40～54歲女性乳腺篩查的表現。該研究包括了目前進行的所有FFDM篩查以及在安裝DBT后進行的所有DBT篩查。在3個年齡組之間，比較FFDM和DBT篩查檢出的癌癥的RR、CDR和特征：40～44歲(組1)，45～49歲(組2)和50～54歲(組3)。結果顯示40～54歲的女性中進行了16938次 FFDM篩查和28313 次DBT篩查。在FFDM中，RR從第1組(17.4%)、第2組(14.0%)到第3組(11.3%)顯著下降；然而，在DBT篩查中，RR僅從第1組(12.2%)到第2組(9.1%)顯著降低，第2組和第3組(8.4%)之間沒有顯著差異。與FFDM相比，DBT在所有3個年齡組的RR顯著降低。與第3組(5.0)相比，第1組和第2組(2.4和2.3)的FFDM中每1000次檢查的CDR顯著降低，但在DBT中，3組中的CDR沒有顯著差異(3.0、4.4和3.8)。在45～49歲的女性中，FFDM比DBT的CDR顯著增加(P=0.03)。在FFDM和DBT亞組中，侵襲性與原位癌的比例相似。因此，與FFDM篩查相比，40～49歲女性的DBT篩查性能得到改善，可以進一步證明在年輕時行乳腺X線篩查的價值。

與FFDM相比，DBT掃描提高了準確性，但延長了閱片時間。一項研究評估使用AI來縮短閱片時間，同時保持或提高敏感度和特異度。Emily等開發了一種基于深度卷積神經網絡的AI系統，用于識別DBT層面中可疑的軟組織和鈣化病變。該研究比較了24名放射科醫生在閱讀260例DBT病例(使用AI和不使用AI)時的表現。病例組包括65例惡性病變的腫瘤患者和65例經活檢證實為良性病變的患者。使用AI和不使用AI的閱片分兩次進行，間隔至少4周的記憶消除期。采用ROC曲線下面積(AUC)測量使用AI與不使用AI診斷惡性病變的效能，并評估了閱片時間、敏感度、特異度和召回率。結果顯示使用AI可提高腫瘤檢測效能，AUC增加0.057，敏感度增加8.0%，特異度增加6.9%，召回率下降7.2%，閱片時間下降52.7%。放射科醫生使用AI對DBT進行閱片，能增加乳腺癌的檢出率，顯著減少閱片時間，同時提高敏感度和特異度。

So等比較常規鉬靶結合DBT和MRI在檢測乳腺癌的術前分期方面的應用。他們研究顯示，在非致密乳腺組中，乳房鉬靶結合DBT的敏感度(92.5%～94.4%)低于鉬靶結合MRI(96.3%～98.1%)，但高于單純鉬靶(88.8%～92.5%)。 鉬靶加DBT(97.1%～100%)的PPV高于鉬靶加MRI(94.7%～100%)和單純鉬靶(94.7%～97.0%)。然而，鉬靶加DBT和鉬靶加MRI的敏感度和PPV均無顯著差異(P>0.05)。在致密乳腺組中，鉬靶加MRI的敏感度(93.3%～98.2%)明顯高于鉬靶加DBT(87.6%～92.0%)或單純鉬靶(84.9%～87.6%)(P<0.05)，而鉬靶加MRI的PPV(92.1%～97.5%)低于鉬靶加DBT(96.1%～97.6%)或單純鉬靶(96.1%～97.5%)，但差異無統計學意義。在非致密乳腺組中，當DBT和MRI用作乳房鉬靶檢查的輔助時，兩者對篩查檢測乳腺癌術前分期的診斷效能沒有顯著差異。然而，在致密乳腺組中，DBT敏感度低于MRI。在非致密乳腺組中，鉬靶加DBT在乳腺癌的術前分期中可以提供與鉬靶加MRI相似的診斷效能。

3.對比增強能譜乳腺X線成像

對比增強能譜乳腺X線成像(contrast-enhanced spectral mammography，CESM)是一種新興的成像工具，已被證明比傳統乳腺X線具有更高的敏感度，并且具有相對于乳腺MRI更高的特異度、相同的靈敏度。但是對于患者是否同意其使用CESM以及篩查中的相關風險知之甚少。Matthew等評估患者對在篩查環境中使用CESM的態度和關注點。該研究邀請有乳腺X線片的患者完成一項調查，患者乳腺X線顯示乳腺異常或極度致密。患者被要求評估他們對個人相比同齡人的乳腺癌風險的看法，以及對篩查召回、輻射暴露和對比劑過敏有關的關注程度，然后確定哪些因素可能阻止他們進行輔助篩查檢查，如CESM。研究表明，乳腺致密的女性可能會接受CESM作為輔助篩查檢查，并且由于其相對較高的敏感度和低成本，實際上使用CESM的傾向超過MRI或超聲(US)。

乳腺鉬靶的一個缺點就是由良性乳腺病變相對高的活檢率引起的傷害——特別是BI-RADS 4a和4b病變。Margarita等探究了CESM是否可以通過減少良性腫塊活檢而不影響惡性腫塊活檢來增加軟組織病變的活檢PPV。57名年齡在34～74歲(平均49歲)的女性，其中60個BIRADS 4a或4b的軟組織病變于2016年4月-2017年11月進行US、立體定向或DBT引導的定向活檢。在活檢前進行CESM。該隊列包括46個腫塊、6個不對稱致密影和8個結構扭曲。病理學證實9個惡性病變和51個良性病變。4名獲得(Mammography Quality Standards Act,MQSA)資格的放射科醫師對每個病變進行了3次BI-RADS評級：首先是鉬靶/DBT，其次是US加入，第三次加入CESM。閱片者記錄病變是否增強、與背景相比如何增強和背景實質的增強。比較了BI-RADS評級的差異。結果顯示在BI-RADS 4a和4b病變的診斷中增加CESM可導致PPV顯著增加，對腫瘤診斷率的影響最小。BI-RADS 4a和4b軟組織病變的診斷評估中使用CESM可顯著減少推薦良性活檢的女性人數，同時遺漏極少數腫瘤。Maria等研究發現CESM利用放射組學分析乳腺癌侵襲性和激素狀態，可以指導治療決策。

Yael等評估CESM中背景實質強化(background parenchymal enhancement，BPE)的程度、BPE分類的閱片者一致性以及BPE與乳腺癌的相關性。共有412名(80%)女性接受CESM篩查。平均年齡為53歲(28～77歲)，86.2%～94%的乳腺密度BI-RADS評為C-D。大多數女性(76.4%～90.5%)在CESM中具有極小或輕微的BPE。總體上閱片者對BPE評分的一致性很好(ICC 0.88，95%CI 0.81～0.92)。該研究共進行了122例(24%)活檢。其中45例(37%)組織病理學結果為惡性。在多變量分析中，BPE顯示與年齡(P=0.004，OR 0.942，95%CI 0.905～0.981)和活檢率(P=0.006，OR 2.646，95%CI 1.319～5.307)顯著相關。中度或顯著的BPE可預測惡性活檢結果(P=0.002，OR 3.105，95%CI 1.541～6.259)。因此，CESM BPE與年齡和活檢率相關。中度或顯著的BPE與惡性活檢結果相關，因此，CESM BPE評分可用作乳腺癌的額外風險評估工具。

Rong等比較了CESM與FFDM對可疑惡性微鈣化(BI-RADS 4)的診斷性能。結果顯示，與FFDM相比，CESM提高了BI-RADS 4乳腺X線攝影鈣化的診斷性能，特別是在特異度和總體符合率方面。在這個小隊列中所有DCIS病變的可檢測性可以驗證其在先前"僅鈣化"疾病中的潛在用途，但仍需要進一步的大樣本來確認。CESM改善了BI-RADS 4乳腺X線攝影鈣化的診斷性能，并減少了不必要的活檢。

Dong等比較了CESM和MRI對乳腺病變的診斷價值。2017年7月-2018年2月經臨床檢查或乳腺X線檢查懷疑乳腺異常的235名患者接受了CESM和MRI檢查。分析了CESM和MRI圖像以及病理標本。235例患者中發現263個乳腺病變，其中177個為惡性，86個為良性。CESM檢查的敏感度、PPV、陰性預測值(NPV)和假陰性與MRI相當(91.5%、94.7%、83.7%、8.5%對91.5%、90.5%、82.1%、8.5%)。重要的是，CESM的符合率和特異度高于MRI(81%、89.5%對80.2%、71.7%)，而假陽性較低(10.5%對19.8%)。 CESM和MRI的AUC分別為0.950和0.939，顯示出相當高的診斷效能(P=0.48)。對于測量之間的一致性，CESM的平均腫瘤大小為3.1(0～16) cm，MRI為3.4(0～17) cm，組織病理學結果為3.2(0～16) cm，CESM、MRI和組織病理學直徑之間的平均差異大小分別為-0.01 cm，-0.05 cm，95%的一致性間隔范圍分別為-0.34～0.31 cm，-0.87～0.22 cm。 CESM與組織病理學的Pearson相關系數(r=0.774，P=0.000)與MRI一致(r=0.771，P=0.000)。結果顯示CESM在乳腺癌檢測中的符合率、特異度高于MRI，假陽性低于MRI。CESM在評估乳腺癌病變大小方面與組織病理學表現出良好的相關性，這與MRI一致。CESM為診斷乳腺病變和測量癌癥大小提供了額外的增強信息，與組織學具有高度相關性。

4.乳腺CT

Eun等研究低劑量灌注乳腺計算機斷層掃描(CT)對浸潤性乳腺癌腫瘤血管的量化和組織學生物標志物預測的有效性。該項研究共招募了139名浸潤性乳腺癌患者。在注射對比劑后，患者在能譜CT下，俯臥位進行低劑量灌注CT。有效劑量小于1.2 mSv。測量乳腺癌、正常乳腺組織和脂肪中的灌注參數：峰值強化程度、反卷積模型灌注平均通過時間、達峰時間、血容量、通透性以及Patlak模型的血容量通透性。使用Mann-Whitney檢驗比較癌癥和正常組織或脂肪的CT灌注參數。使用Mann-Whitney或Kruskal-Wallis檢驗在癌癥的CT灌注參數和組織學生物標志物[包括腫瘤分級，雌激素受體(ER)，孕酮受體(PR)，人表皮生長因子受體2(HER2)和Ki67]之間進行相關性分析。結果顯示在乳腺癌中，峰值強化程度、灌注、血容量、通透性和血容量通透性顯著較高，平均通過時間、達峰時間短于正常腺體組織和脂肪中的值(P<0.001)。在ER-、PR-、HER2+、Ki-67+或超過20 mm的癌癥中，峰值強化程度顯著增加(P<0.05)。在ER-、PR-、HER2+、Ki-67+、高等級或超過20 mm的癌癥中，峰值時間減少(P<0.05)。在ER-、PR-、Ki-67+或高等級癌癥中，血容量通透性增加(P<0.05)。 HER2-過表達型的腫瘤顯示出比luminal型腫瘤更高的峰值強化程度和血容量通透性(P<0.02)。

Chushan等評估了雙能譜CT定量參數對乳腺癌轉移性腋窩前哨淋巴結的術前診斷。對2015年6月-2017年12月的193名女性乳腺癌患者進行了雙期對比增強DEsCT。在轉移性和非轉移性SLN之間比較定量GSI和形態學參數。定量參數適用于單變量和多元邏輯回歸模型。研究結果發現來自雙能譜CT的靜脈期Hounsfield單位曲線的斜率可用于區分乳腺癌的轉移性和非轉移性腋窩前哨淋巴結。

乳腺超聲

1.常規超聲

Hee等比較乳腺致密的無癥狀患者乳腺超聲和鉬靶檢出乳腺導管原位癌的臨床和病理特點。該項研究納入了2014年2月-2016年9月236例原發性導管原位癌、乳腺致密的無癥狀患者。患者分為兩組，鉬靶組(165例)包括鉬靶檢出的乳腺導管原位癌患者，超聲組(71例)包括僅用超聲檢出的乳腺導管原位癌患者。比較兩組臨床病理特征。亞組分析的截止年齡為50歲，截止腫瘤大小為20 mm。結果顯示超聲組導管原位癌核分級明顯較低，無壞死，激素受體陽性，而鉬靶組HER2、Ki-67陽性明顯較多。超聲檢出的乳腺導管原位癌在乳腺致密的無癥狀患者中比鉬靶檢出的顯示出更有利的預后特征。

Na等探討US和MRI監測能否預測乳腺癌患者新輔助化療(NAC)后腋窩反應。該研究納入2012年1月-2017年8月臨床腋窩淋巴結(LN)陽性并行NAC及后續手術的乳腺癌患者131例。他們在NAC術前、術中、術后分別進行了乳腺和腋窩的US檢查及3T MRI檢查。回顧了US和MRI在三次不同時間所獲得的圖像，記錄腋窩LNs的數目、大小、形狀、淋巴結門的存在、皮層厚度以及腫瘤的大小。結果顯示NAC時腋窩LNs數目、皮質厚度、NAC后腋窩LNs數目及腫瘤大小可用于乳腺癌患者腋窩反應的預測。通過US和MRI監測腋窩LNs和腫瘤的形態學特征指標，可為乳腺癌患者接受NAC治療提供決策依據。

2.超聲彈性成像

Ji等比較常規US和剪切波彈性成像(shear wave elastrography，SWE)，并評估超聲影像組學特征是否能鑒別乳腺良惡性腫瘤。該研究回顧性分析了2014年3月-11月在活檢或手術前接受US和SWE檢查的296名女性的328個經病理證實的乳腺腫塊。利用Matlab軟件中的紋理分析算法從US和SWE圖像中提取其影像組學特征。在328個乳腺腫塊中，205個(62.5%)為良性，123個(37.5%)為惡性。進行影像組學特征選擇后，保留了22個US特征和6個SWE特征。在單因素分析中，SWE的6項影像組學特征(P<0.0001)和US的22項影像組學特征(P<0.03)中的21項在良惡性腫塊中均有顯著差異。經多因素分析，US的3個影像組學特征和SWE的2個影像組學特征與惡性乳腺腫塊獨立相關。在使用對數回歸模型對良惡性腫塊的鑒別中，US的AUC為0.929，SWE的AUC為0.992 (P<0.001)。因此，定量超聲影像組學特征可用于乳腺癌的診斷，SWE的診斷價值明顯優于US。

低氧和致密的乳腺癌微環境可促進轉移和對治療的耐受性。Myoung等探究了浸潤性乳腺癌中SWE的腫瘤硬度參數是否與腫瘤缺氧或纖維化有關。研究結果表明SWE測量的腫瘤硬度與影響腫瘤預后的腫瘤缺氧及生物標志物有關，與纖維化無關。SWE測量的腫瘤硬度參數與腫瘤缺氧及組織學生物標志物顯著相關，可用于預測浸潤性乳腺癌的預后。

當使用單一類型的彈性成像降低超聲BI-RADS 4a病變分類時，將遺漏一些腫瘤。Xue等探究了不同類型的彈性成像的組合是否可以提高彈性成像輔助降低BI-RADS 4a類病變的準確性并減少不必要的活組織檢查。從2016年1月-2018年2月，共有329名美國BI-RADS 4a類乳腺病變患者入組研究。在活組織檢查之前，這些病變通過彈性成像評估，包括彈性成像(EI)、虛擬觸摸組織成像(VTI)和虛擬觸摸IQ(VTIQ)，并比較不同組合的診斷效能。結果顯示單純EI、VTI和VTIQ，特異度顯著高于BI-RADS(P<0.001)，而敏感度顯著低于BI-RADS(76.5%、70.6%、67.6%與100%)(P<0.05)。在不同類型彈性成像的組合中，EI+VTI的AUC為0.800，陰性預測值為99.5%。與單一型彈性成像相比，EI+VTI的敏感度顯著增加(P<0.05)。 EI+VTI和BI-RADS之間的敏感度無顯著差異(97.1% vs 100%，P=1.000)，而特異度顯著高于BI-RADS(P<0.001)。當使用EI+VTI降低病變分級時，57.1%的病變將被降級，99.5%的病變是良性的。因此，EI和VTI組合降低BI-RADS 4a類病變，提高了敏感度并減少了乳腺癌的誤診率。不同類型的彈性成像的組合提供了降低BI-RADS 4a類病變的高度敏感方式，在臨床實踐中應用可能不會增加誤診的概率。

3.對比增強超聲成像

Lei等通過分析計算機圖像提取乳腺癌對比增強超聲(contrast-enhanced ultrasound，CEUS)成像的定量特征，探討術前預測乳腺癌不同分子亞型的預后。該研究收集了189例患者的CEUS圖像。所有患者均獲得手術病理學和分子分型結果。通過在圖像上繪制乳腺癌的邊界，確定腫瘤的整個內部區域。病變區域內的高灌注被定義為高亮度區域。計算機在動態CEUS文件中提取不同區域圖像的時間和特征，繪制時間強度曲線(TIC)。從TIC中，提取特征，例如流入率(WiR)、流出率(WoR)、上升時間(RT)、基礎強度(BI)、峰強度(PI)和EI(=PI-BI)等。在不同的分子分型組中計算每個區域中的曲線參數。結果顯示每個分子亞型Luminal A、Luminal B、HER2 +和三陰性乳腺癌(TNBC)的患者數量是分別為46、75、37和31。提取的有效特征包括內部亮區的EI、內部亮區的WoR、內部整體區域的WoR、內部整體區域的RT等。WoR的內部截止值為1.566。明亮的區域可能有助于鑒別Luminal A亞型，特異度為82.61%。區分Her2+和TNBC，內部整體區域的WOR截止值為5.7496，敏感度為74.19%。因此，對比增強超聲的放射組學特征可以促進術前預測乳腺癌分子亞型。

乳腺MRI

1.常規乳腺MRI

Fusun等探究乳腺MRI對乳腺癌的術前分期、臨床評估和治療計劃的影響。在該前瞻性多中心研究中，獲取9個中心的432名連續乳腺癌患者的影像學(鉬靶、超聲檢查和乳腺MRI)結果、治療計劃和組織病理學結果。并對術前乳腺MRI對常規乳腺成像的影響、對臨床放射學的影響評估和手術治療計劃進行了調查。由于手術切緣陽性，共有8例需要再切除手術。MRI改變了14%根據常規成像計劃BCS的患者的手術治療計劃。術前評估中常規成像和MRI間的差異有統計學意義(P=0.001)。在乳腺癌患者的術前評估中，乳腺MRI增加到常規乳腺成像有助于降低再切除手術并以此提供更準確的治療計劃。

2.MR功能成像

①擴散加權成像(DWI)：Jin等對2015年7月-2018年1月的74例ER陽性、淋巴結陰性的浸潤性乳腺癌患者(平均年齡49.3歲)進行了術前DWI檢查。探究來源于病灶組織的ADC值與雌激素受體陽性、淋巴結陰性的浸潤性乳腺癌患者復發風險的相關性。兩名放射科醫師使用軟件工具對全腫瘤基于像素的ADC數據進行直方圖分析，提取各種ADC直方圖參數(均值、最小值、最大值、第5、25、50、75、95百分位ADC)。ADC差值(定義為ADC最大值和最小值的差值)用于評估瘤內異質性。通過ROC曲線和對數回歸分析評估定量ADC指標與風險組(低風險，RS<18；中風險，RS 18～30；高風險，RS>30)間的相關性。研究發現全病灶直方圖分析得出的ADC差異值有助于發現ER陽性、淋巴結陰性、復發風險低的浸潤性乳腺癌患者。因此，在ER陽性、淋巴結陰性的乳腺癌中，全病灶直方圖評估的ADC差異值可作為復發風險的定量生物學標志。

Bo等對220例參加了新輔助化療并在治療前行DCE-MRI、DW-MRI和T2WI掃描的的乳腺癌患者進行回顧性分析。根據BI-RADS報告對DCE-MRI和T2WI進行了評估。MRI形態學模式按1～5級用于腫瘤分類，對腫瘤壞死的程度和腫瘤周圍水腫進行評估。基于整個腫瘤體積ROI從DW-MRI計算5、15、25、50、75和95百分位數的ADC值。評價原發性乳腺癌激素受體(HR)和HER2亞型治療前MRI形態和ADC特征。結果顯示具有MR形態學模式及ADC較低的5或15百分位數有助于區分乳腺癌新輔助化療前亞型。

Jin等對2013年6月-2014年6月新診斷浸潤性乳腺癌的258名女性(平均年齡50.9歲，年齡23～85歲)術前乳腺DWI進行了評估。將手動興趣區置于病變內測量平均、最小和最大ADC值，并計算ADC差異值(其為最大和最小ADC的差值)以評估腫瘤內異質性。探究DWI上的ADC參數是否與侵襲性乳腺癌患者無遠處轉移生存率相關。結果表明DWI的高ADC差異值與浸潤性乳腺癌患者的無遠處轉移生存率顯著相關。

②動態增強磁共振成像(DCE-MRI)：Rhea等回顧性分析了94名原發性浸潤性乳腺癌患者治療前DCE-MRI掃描和10年隨訪數據，對于每個患者，以最具代表性的原發病灶層面生成信號增強對比圖，并從中計算形態學特征。提取放射學特征(直方圖、行程長度、結構和共現矩陣特征)并進行腫瘤象限的總結。采用卡方檢驗和Kruskal-Wallis試驗評估激素受體狀態、腫瘤大小、術后治療、TNM分期和復發結果等表型的差異。通過腫瘤影像學檔案獲得116名診斷為原發性浸潤性乳腺癌的女性的獨立數據集(2002-2006)來驗證表型的重現性。使用Kaplan-Meier曲線評估各表型間的生存概率，并將表型聚類賦值添加到基線Cox比例危險模型中，建立組織病理學預后因子來預測RFS。結果顯示腫瘤異質性的內在影像學表型可以預測10年的復發。放射表型可提供腫瘤異質性的非侵入性特征，以增強個性化預后和治療。

Joao等回顧性分析了2011年1月-2013年1月接受多參數DCE-MRI和DWI的91例乳腺浸潤性導管癌患者，對其進行直方圖分析，計算均值、方差、峰度和偏度，并獲取相應的乳腺癌免疫組化分子亞型。91例乳腺癌DCE圖像和ADC圖像的直方圖分析顯示，乳腺癌分子亞型之間無顯著差異。將Luminal A/B與HER-2過表達型/三陰性乳腺癌進行均值、方差、峰度和偏度測量，DCE(P=0.405、0.252、0.667、0.809)和ADC(0.204、0.081、0.941、0.574)均無顯著差異。直方圖測量也用于Luminal A與其他亞型，DCE(0.659、0.162、0.516、0.833)和ADC(0.204、0.222、0.495、0.896)無顯著差異。盡管直方圖分析在診斷影像學上有許多有價值的應用，DCE-MRI和ADC圖的直方圖分析不能預測浸潤性乳腺癌的分子亞型。

盡管DCE-MRI在預測乳腺癌新輔助化療(NAC)的治療反應方面具有重要意義，但之前的工作主要關注腫瘤或軟組織的紋理分析或缺乏直接生物學解釋的基于深度學習的方法。Nathaniel等引入了血管網絡疾病(vessel net disease，VND)的功能放射學描述，并評估在治療前DCE-MRI上腫瘤相關血管系統復雜性的差異是否能夠區分對NAC有反應和無反應的患者。他們回顧性分析了76例(訓練組53例，測試組23例)NAC患者的1.5或3T DCE-MRI掃描結果，其中24例經手術證實為病理完全緩解(pCR)，訓練組14例，測試組10例。采用半交互式方案分割腫瘤和血管網絡。在滑動窗口內，對一系列與腫瘤中心相關的二維表示的血管系統進行了血管方向計算。計算每種表示的血管朝向分布的統計數據(平均值、中值、標準差、偏度和峰度)，共得到20個VND特征。通過三倍交叉驗證使用Wilcoxon秩和檢驗選出最優的特征，然后訓練一個線性判別分析分類器來預測測試組中的反應性。并和以下性能進行比較：腫瘤內部與周圍的紋理特性；一個3層LeNet卷積神經網絡(CNN)。結果顯示前4位VND的特征能鑒別病理完全緩解(pathologic complete response,pCR)，其 AUC為0.75。與非pCR相比，pCR的特點是減少了血管病變。與其他先進的放射組學方法相比，VND的效能相當或更好，包括腫瘤內和腫瘤周圍紋理(AUC=0.75)和深度學習(AUC=0.67)。結合VND、紋理特征和CNN的預測得到了最佳的預測精度(AUC=0.80)。VND特征捕獲血管網絡結構，與NAC反應相關，并為已建立的放射組學和深度學習方法增加了預測價值。因此，定量評價血管網絡結構作為一種功能放射學生物標志物，可為乳腺癌的NAC反應預測提供可解釋的依據。

3.多參數MRI

腫瘤浸潤性淋巴細胞(tumor-infiltrating lymphocytes,TILs)反映了宿主免疫系統試圖根除惡性腫瘤，并在乳腺癌中具有預后價值。Elena等評估多參數乳腺MRI在預測TILs存在中的作用。他們回顧性分析了2015年1月-2017年4月行乳腺多參數MRI檢查的患者，MRI方案包括T2WI、DWI和DCE-MRI。由經驗豐富的病理學家評估核心活檢的免疫組化和組織學資料。對T2是否存在瘤內壞死、假性包膜和瘤周水腫進行了評估。在減影圖像上記錄早期邊緣和延遲邊緣增強(DRE)。利用OLEA軟件對DWI、DCE、T2圖像進行分析。結果顯示TILs的存在與高腫瘤分級和分子亞型特質顯著相關(P<0.05)。TILs與DRE之間存在顯著相關性(P<0.05)。TILs的存在與低平均ADC(P<0.05)、較高的ADC偏度和峰度(P<0.05)相關。TILs的存在與DRE或更低的平均ADC間相關性顯著(P<0.05)。在多變量分析中，與TILs存在相關的變量為腫瘤分級、DRE和平均ADC(P<0.05)。多參數MRI可提供乳腺癌微環境的新見解，提示腫瘤浸潤淋巴細胞的存在。

Yu等評估定量MRI放射組學在識別轉移與非轉移腋窩淋巴結和Ki-67表達中的應用。該研究包含300例乳腺癌病例的DCE-MRI數據庫。患者年齡25～77歲，平均(47.2±9.6)歲，中位數47歲。臨床隊列包括48例Ki-67低表達(Ki-67增殖指數<14%)和252例Ki-67高表達(Ki-67增殖指數≥14%)，提示腫瘤的侵襲性。該隊列中還包括腋窩淋巴結轉移93例，未轉移201例。對原發病灶進行計算機放射組學分析，在現有的CADx工作站上進行自動腫瘤分割和提取。這些計算機提取的特征包括6類基于MRI的表型：大小、形狀、形態學、增強紋理、動力學和增強方差動力學。在Ki-67表達及淋巴結狀態的識別中，通過對各種放射表型的分析，得到的AUC值為0.50 (se=0.05)～0.69 (se=0.04)。Ki-67基于MRI的腫瘤信號的AUC為0.71 (se=0.04)。在評估腋窩淋巴結狀態中，放射組學腫瘤標記的AUC為0.67(se=0.03)。這兩種特征都具有顯著差異。因此，對原發性乳腺腫瘤進行定量MRI放射組學分析有助于鑒別侵襲性腫瘤，包括鑒別Ki-67表達和鑒別轉移性與非轉移性淋巴結。Heather等利用提取的放射學特征和機器學習分類，評估計算機輔助診斷(CAD)在兩組患者(一組在中國，一組在美國)乳腺DCE-MRI中的表現。該研究納入1461例乳腺病變DCE-MR圖像(中國，GE掃描儀，良性病變300例，惡性腫瘤302例；美國，飛利浦掃描儀，良性病變268例，惡性腫瘤591例)。38個描述大小、形狀、形態學、動力學和紋理的放射學特征被提取。當使用中國獲取的MRIs的放射特征對機器分類器進行訓練并對美國獲取的MRIs進行獨立測試時，AUC=0.77(0.02)，反之AUC=0.79(0.02)。對于每組數據的交叉驗證，美國數據庫的AUC=0.82(0.02)，中國數據庫的AUC=0.80(0.02)。不同方法間的aAUC比較沒有顯著差異。從DCE-MRI中提取的放射學特征對乳腺病變的良惡性分類是可靠的，這一結果將促進影像組學的臨床應用。