乳腺MRI特征及ADC值預測乳腺影像報告和數據系統4類良惡性病變

楊曉平，張立娜，黎 庶，柴瑞梅，董夢實

(中國醫科大學附屬第一醫院放射科，遼寧 沈陽 110001)

乳腺MRI在診斷乳腺癌和高危女性篩查中逐漸占據重要地位[1-2]。國內廣泛應用美國放射學會(American College of Radiology， ACR)發布的乳腺影像報告和數據系統(breast imaging reporting and data system， BI-RADS)[3]對乳腺病變進行描述和分類，但目前版本的BI-RADS中并未對4類病變進行細化分類， 4類病變的整體惡性概率從2%到95%不等，為下一步臨床治療帶來困擾，對乳腺MRI中BI-RADS 4類病變進行良惡性鑒別成為目前面臨的重要問題[4]。BI-RADS中的乳腺MRI征象描述是用于診斷分類的重要基礎，而作為重要補充的ADC值可有效提高MRI對乳腺良惡性病變的診斷效能[5]。本研究針對BI-RADS 4類病灶，探討乳腺MRI BI-RADS中的成像特征及ADC值對良惡性病變的鑒別診斷能力，嘗試建立Logistic回歸預測模型，并探討其診斷價值。

1 資料與方法

1.1 一般資料 收集2014年1月—2016年6月在我院接受乳腺MR檢查且診斷為BI-RADS 4類病變的79例患者，均為女性，年齡13～82歲，平均(43.4±10.9)歲；MR掃描前均未接受放化療等，且檢查后獲得組織病理學診斷。

1.2 儀器與方法 采用Siemens Magntom Verio 3.0T MR掃描儀，乳腺專用相控陣線圈。囑患者俯臥，充分暴露雙側乳腺，使之自然懸垂于檢查線圈內，雙臂置于頭部兩側，足先進。首先采集常規T1WI(TR 6.1 ms，TE 2.5 ms)及T2WI(TR 3 600 ms，TE 61 ms)。DWI采用單次激發平面自旋回波序列，b=0、50、400、800 s/mm2，TR 9 300 ms，TE 76 ms，矩陣168×168，FOV 32 cm×32 cm，層厚4 mm，無間隔，重建后獲得ADC圖像。動態增強掃描采用脂肪抑制快速小角度激發三維動態成像序列，TR 4.67 ms，TE 1.66 ms，矩陣384×296，FOV 36 cm×36 cm，層厚2.5 mm，連續無間斷掃描。對比劑采用釓雙胺注射液，劑量0.1 mmol/kg體質量，流率3 ml/s，并以20 ml生理鹽水沖洗，注入對比劑后連續掃描9個時相，共掃描541 s。

1.3 圖像分析 由2名至少有200例乳腺MRI閱片經驗的放射科醫師以盲法共同分析圖像，按照ACR 2013版BI-RADS MRI詞典[3]描述病變的影像學特征，有歧義時由另1名至少有500例乳腺MRI閱片經驗的放射科醫師決斷。在動態增強圖像中，將ROI放置于腫瘤最可疑的增強區域，盡量避開出血、壞死、囊變區，獲得病變的時間-信號強度曲線，并將其分為漸增型、平臺型和流出型[3]。在ADC圖中病灶信號最低處放置ROI，測量其ADC值，測3次取平均值。

1.4 統計學分析 采用SPSS 20.0統計分析軟件。計量資料以±s表示，采用兩獨立樣本t檢驗比較良惡性病變的ADC值，以ROC曲線獲得臨界值，以χ2檢驗比較腫塊型病變與非腫塊型病變的惡性率。采用單因素二元Logistic回歸分析比較良惡性病變之間的計數資料，將腫塊型病變和非腫塊型病變中差異有統計學意義的預測變量加入多因素預測模型，剔除P>0.1的變量，得出最佳模型；繪制ROC曲線評價該預測模型的診斷效能。P<0.05為差異有統計學意義。

2 結果

79例患者中，76例單發病變，3例多發，若為多發同質病灶，則納入增強最明顯者，共納入82個病灶。其中惡性病變50個，包括5個無特異性浸潤性癌、37個浸潤性導管癌、1個浸潤性小葉癌、2個浸潤性篩狀癌和5個導管原位癌；良性病變32個，包括6個乳頭狀病變、5個纖維腺瘤、12個增生性或非增生性纖維囊性改變、7個炎性病灶、1個纖維結節和1個復雜硬化病變。

2.1 MRI特征對良惡性病變的預測能力 腫塊型病變63個，其中41個(41/63，65.08%)為惡性；非腫塊型病變19個，其中9個(9/19，47.37%)為惡性；腫塊型病變與非腫塊型病變的惡性率差異無統計學意義(χ2=1.886，P=0.170)。5個導管原位癌中4個(4/5，80.00%)為非腫塊型，而45個浸潤性癌中40個(40/45，88.89%)為腫塊型。

對于腫塊型病變，單因素二元Logistic回歸分析顯示，良惡性病變之間的病灶形狀、邊緣及內部強化差異有統計學意義(P均<0.05)，其中邊緣毛刺和環狀強化的陽性預測值(positive predictive values， PPV)分別為92.86%、88.89%，陽性似然比(positive likelihood ratios， PLR)分別為6.98、4.29，比值比(odds radio， OR)分別為65.00和88.00。而T2WI信號對鑒別良惡性無統計學意義(P>0.05)，見表1。對于非腫塊型病變，單因素二元Logistic回歸分析顯示所有描述MRI特征對鑒別良惡性均無統計學意義(P均>0.05)。

2.2 增強曲線類型對良惡性病變的預測能力 腫塊型病變中，單因素二元Logistic回歸分析顯示各型增強曲線對鑒別良惡性均有統計學意義(P均<0.05)；非腫塊型病變中，各型增強曲線對鑒別良惡性均無統計學意義(P均>0.05)；見表2。

2.3 ADC值對良惡性病變的預測能力 良性病變(圖1)的ADC值為(1.333±0.277)×10-3mm2/s，惡性病變(圖2)為(0.942±0.175)×10-3mm2/s，差異有統計學意義(t=7.116，P<0.001)。

ROC曲線結果顯示，腫塊型病變中，鑒別良惡性的最佳ADC臨界值為1.081×10-3mm2/s，AUC為0.879，單因素二元Logistic回歸分析顯示ADC值≤1.081×10-3mm2/s對鑒別良惡性有統計學意義(P<0.001，表3)；非腫塊型病變中，鑒別良惡性的最佳ADC臨界值為0.953×10-3mm2/s，AUC為0.889，單因素二元Logistic回歸分析顯示ADC值對鑒別良惡性無統計學意義(P>0.05，表3)。

表1 MRI特征評估腫塊型乳腺病變良惡性的單因素二元Logistic回歸結果

表2 增強曲線類型評估乳腺良惡性病變的單因素二元Logistic回歸結果

表3 ADC值評估乳腺良惡性病變的單因素二元Logistic回歸結果

表4 MRI特征及ADC值預則腫塊型乳腺病變良惡性的多因素Logistic回歸分析結果

2.4 多因素Logistic回歸模型對病變良惡性的預測能力 腫塊型病變中，多因素分析結果顯示，病變形狀及曲線類型納入回歸模型后P均>0.1，故將其剔除；腫塊邊緣不規則、邊緣毛刺、不均勻強化、環狀強化及ADC值≤1.081×10-3mm2/s對惡性病變的預測能力有統計學意義(P均<0.05，表4)。將邊緣、內部強化及ADC值作為預測變量建立Logistic回歸預測模型(P<0.05，偽R2=0.62)，繪制該模型預測乳腺良惡性病變的ROC曲線，其AUC值為0.981(P<0.001)，敏感度為87.80%，特異度為100%(圖3)。

非腫塊型病變無預測變量建立Logistic回歸預測模型(P均>0.1)。

3 討論

本研究探討了基于BI-RADS描述術語的MRI特征及ADC值對BI-RADS 4類良惡性病變的預測能力，最終針對腫塊型病變建立了Logistic回歸預測模型。本研究發現腫塊型病變與非腫塊型病變的惡性率差異無統計學意義，與Liberman等[6]研究結果一致；而本組導管原位癌多表現為非腫塊型(4/5，80.00%)，與既往研究[6-8]結果(53.8%～90.0%)一致。

本研究中，對于腫塊型病變，毛刺樣邊緣的PPV為92.86%，這一特征高度提示惡性，與惡性腫瘤的生長及侵襲相關[9]；環狀強化的PPV為88.89%，這可能與惡性病變中心較易出血及液化壞死有關[10]。

本研究中漸增型曲線多為良性病變，流出型曲線多為惡性病變，而平臺型曲線良惡性病變重疊較多。有研究[9]表明將增強曲線類型加入Logistic回歸預測模型后有顯著預測效果，但本研究中未得到類似結果，可能與本組平臺型曲線所占比例及良惡性重疊均較大有關。

本研究結果表明惡性病變的ADC值明顯低于良性病變(P<0.001)。對于腫塊型病變，ADC值≤1.081×10-3mm2/s鑒別良惡性病變的PPV為89.74%；而對于非腫塊型病變，ADC值對鑒別良惡性無統計學意義，可能與非腫塊型病變常與正常乳腺組織混合、ADC值測量時ROI難以完全避開正常乳腺組織相關[11]。

Logistic回歸分析中，邊緣、內部強化及ADC值為鑒別腫塊型良惡性病變的重要指標，以此為變量建立Logistic回歸模型預測BI-RADS 4類病變的ROC曲線的AUC為0.981，具有較高診斷效能；而非腫塊型病變相關的描述術語模型擬合度不佳，各變量均未達到顯著性水平，如何鑒別診斷該類良惡性病變需要進一步研究。

圖1 患者女，45歲，右側乳腺纖維腺瘤 A.增強T1WI示腫塊呈圓形，邊緣不規則，內部強化均勻； B.時間-信號強度曲線呈平臺型； C.DWI圖像示腫塊擴散受限； D.ADC圖測量ADC值為1.520×10-3 mm2/s 圖2 患者女，42歲，右側乳腺浸潤性篩狀癌 A.增強T1WI示腫塊呈圓形，邊緣不規則，環狀強化； B.時間-信號強度曲線呈平臺型； C.DWI圖像示腫塊擴散受限； D.ADC圖測量ADC值為 0.894×10-3 mm2/s

圖3 腫塊型病變Logistic回歸模型預測良惡性乳腺病變的ROC曲線

本研究的局限性：①非腫塊型病變的樣本量相對較小；②為回顧性分析，僅將標準掃描流程中的半定量曲線分析納入，而未能探討定量參數Ktrans、Kep等的診斷效能，將在今后的前瞻性研究中予以補充；③影像學中的形態學特征為主觀描述特征，讀片過程中可能出現偏倚。

綜上所述，對于乳腺BI-RADS 4類腫塊型病變，影像學特征中的邊緣、內部強化及ADC值是鑒別其良惡性的重要指標，基于以上因素建立的Logistic回歸預測模型對良惡性腫塊型病變的診斷效能良好。