基于DCE-MRI紋理分析鑒別雌激素受體陽性乳腺癌亞型的初步研究

王卉 胡云婷 謝元亮 王翔 萬維佳

1華中科技大學同濟醫學院附屬武漢中心醫院放射科（武漢430014）；2華中科技大學同濟醫學院附屬同濟醫院放射科（武漢430030）

在全世界范圍內，乳腺癌已經發展為女性腫瘤死亡的首要疾病[1]。目前在醫學上，乳腺癌在基因水平上被分為4 種分子分型，分別為Luminal A型、Luminal B型、HER-2 過表達型（HER-2型）和基底細胞樣型（basal like型）[2]。其中，Luminal A型和Luminal B型乳腺癌組織病理學均表達為雌激素受體（ER）陽性，和（或）孕激素受體（PR）陽性，故統稱ER 陽性乳腺癌。ER 陽性乳腺癌是其最常見的類型，約占所有乳腺癌的60%～80%[3]。乳腺癌的分子分型對治療方案的選擇具有重要意義。ER 陽性早期乳腺癌在術后前5年的預后優于激素受體陰性的患者，而在診斷后5～15年，其預后則相對較差[3]。

臨床工作中常用組織病理學等方法來鑒別腫瘤分子亞型，不僅有創、耗時較長，而且易受取材等主觀因素影響。紋理分析是一種新興的計算機輔助診斷技術，可定量顯示圖像像素與排列方式的細微變化，不受圖像灰度和診斷者主觀因素的限制，其對多種腫瘤不均質性的評價價值得到普遍證實，近年來已逐漸成為研究熱點[4-9]。但有關ER 陽性乳腺癌亞型的鑒別診斷鮮見[10-12]，本文將探索使用DCE-MRI紋理分析區分Luminal A型與Luminal B型乳腺癌的可行性。

1 對象與方法

1.1 研究對象回顧性分析2018年1-10月華中科技大學同濟醫學院武漢中心醫院96例乳腺癌患者的影像資料。納入標準：（1）經病理證實ER 陽性；（2）具有完整的乳腺動態增強MR 影像資料；（3）同一機型，相同掃描及重建參數。排除標準：（1）影像檢查前行穿刺或新輔助化療者；（2）非腫塊型患者。最終共納入患者51例，其中Luminal A型19例，平均年齡（50.59 ± 7.73）歲；Luminal B型32例，平均（54.34 ± 12.73）歲。所有患者均行MR檢查后1周內行腫瘤切除手術，并經病理檢查確診。

1.2 乳腺DCE-MRI 圖像采集采用PHILIPS Achieva 3.0T TX 超導型MR 掃描儀，乳腺專用表面線圈（8 通道相控陣）。動態增強掃描采用dyneTHRIVE 序列容積成像，TR/TE=4.7 ms/2.3 ms，矩陣384 × 384，視野36 cm × 36 cm，Volume 各方位均設為1 mm；動態增強前先掃描蒙片，然后用高壓注射器通過肘靜脈團注釓噴酸葡胺（馬根維顯，Magnevist）0.2 mmol/kg，隨后團注20 mL 生理鹽水，速度均為2 mL/s；每分鐘采集1個時相，整個掃描序列共采集8個時相（共計8 min）。選用動態增強掃描第3個時相圖像[13-14]。

1.3 紋理分析將所選圖像以DICOM 格式導入計算機輔助診斷平臺Firevoxel進行分析，遵循盲法原則，逐層手動勾畫并填充感興趣區（ROI）。腫瘤ROI在病灶的每一層軸位DCE-MRI 序列上被手動定義，每一層ROI 盡可能包括更多的腫瘤組織，包括囊變、壞死及出血，以此來更好地評估不均質性，且ROI 稍小于實際腫瘤的大小，由此生成3D ROI。多病灶多中心病例時選擇最大病灶。閱片前醫師已知患者組織病理為ER 陽性乳腺癌，但不知腫瘤的分子標記的具體信息。軟件自動提取紋理參數（均值、標準偏差、偏度、峰度、不均勻度和熵）以及腫塊體積大小，每項參數各提取2次，取平均值作最終的特征參數值。

1.4 分子分型標準依據2015 版《中國抗癌協會乳腺癌診治指南與規范》[2]，將ER、PR及HER-2 作為判斷乳腺癌分子分型的依據，Luminal A型是指ER和/或PR（+）、HER-2（-）、Ki-67≤14%；Luminal B型包含ER和（或）PR（+）、HER-2（-）、Ki-67≥14%以及ER和/或PR（+）、HER-2（+）、Ki-67 任何水平兩種情況。

1.5 統計學方法采用SPSS 19.0軟件進行統計分析。計量資料以均數±標準差表示。組間比較采用獨立樣本t檢驗；對兩組間差異有統計學意義的參數以Medcalc軟件建立ROC 曲線，計算計算曲線下面積（area under the curve，AUC），確定臨界值，評價其對2 種亞型之間的鑒別診斷效能。以P＜0.05為差異有統計學意義。

2 結果

對病變區域ROI的分割效果及直方圖輸出界面見圖1、2，并對每個ROI 提取7個特征參數，統計結果見表1。Luminal A型與Luminal B型兩組間信號均值、標準差、偏度以及體積的差異無統計學意義，其他3個特征（峰度、不均質性和熵）的差異均具有統計學意義（圖3）。其中，Luminal A型峰度小于Luminal B型，差異有統計學意義（P＜0.01）（圖3A）；而前者不均質性和熵則大于后者，差異亦具有統計學意義（P＜0.01）（圖3B、3C）。峰度、不均質性和，熵鑒別診斷ER 陽性乳腺癌亞型的診斷效能（圖4），其ROC 下面積（AUC）分別為0.832、0.859和0.891，其中熵的鑒別診斷效能最高，以熵≤4.22 診斷Luminal B型的敏感度為90.62%，特異度為78.95%。

3 討論

目前乳腺癌制訂臨床治療方案主要依據分子分型，對大多數患者而言，Luminal A型僅僅需要內分泌治療，且預后較好，而Luminal B型通常進行化療和內分泌治療[2]。相對于臨床常用免疫組化法來確定分子分型，紋理分析不依賴于醫師的主觀因素及臨床經驗，通過定量分析圖像的紋理特征參數輔助診斷疾病[9]。本研究初步證明了DCE-MRI紋理分析區分Luminal A型與Luminal B型乳腺癌的可行性。從DCE-MRI 中提取的特征可以初步被視為鑒別Luminal 乳腺癌兩種分子亞型的潛在生物標志物。

表1 Luminal A型與Luminal B型乳腺癌患者的DCI-MRI紋理特征值結果比較Tab.1 DCE-MRI texture parameters between Luminal A and Luminal B breast cancer patients ±s

表1 Luminal A型與Luminal B型乳腺癌患者的DCI-MRI紋理特征值結果比較Tab.1 DCE-MRI texture parameters between Luminal A and Luminal B breast cancer patients ±s

分型Luminal A Luminal B t 值P 值例數19 32特征值信號均值147.00±63.04 214.22±151.46-1.836 0.072標準偏差50.12±26.36 51.98±34.53-0.202 0.841偏度-1.07±0.39-3.33±0..42 1.893 0.064峰度-0.51±0.42 0.03±0.60-3.450 0.001不均質性0.35±0.08 0.25±0..05 5.456 0.000熵4.29±0.09 4.15±0..07 6.151 0.000體積1.73±1.25 1.91±1.40-0.460 0.647

圖1 Luminal A型乳腺癌DCE-MRI 興趣區示意圖及直方圖Fig.1 ROC and histogram of DCE-MRI with Luminal A breast cancer

圖2 Luminal B型乳腺癌DCE-MRI 興趣區示意圖及直方圖Fig.2 ROC and histogram of DCE-MRI with Luminal B breast cancer

圖3 差異有統計學意義的紋理參數在Luminal A 與Luminal B型乳腺癌患者中的箱形圖Fig.3 Box-plot of Luminal A and Luminal B breast cancer patients with statistically significant differences in texture parameters

臨床工作中，醫生對疾病的診斷在很大程度上依賴于病變的形態。由于本研究所使用的紋理分析軟件限制，只提取了病變的體積大小1項形態學指標，但兩組之間差異并無統計學意義，這與FAN 等[14]結論一致，而與JUAN 等[12，15]結論不一致。筆者認為這可能與患者就診時間以及病理診斷時間不一致有關，其需要在相同的條件下使用動態分析進一步驗證。

在本研究中，Luminal A亞型乳腺癌的峰度低于Luminal B亞型，而前者的不均質性和熵則高于后者。峰度是描述數據分布曲線陡緩程度的參數，被認為是腫瘤不均質性的生物標志物[16]，其與治療有效性成負相關[17]。這與Luminal A亞型的臨床特征一致，Luminal A亞型的侵襲性較低，預后較好，生存率較高[2]。FAN 等[18]對乳腺癌四種亞型MR 影像組學分析中亦證明，Luminal A型具有較低的峰度及偏度，且差異具有統計學意義。偏度是描述數據曲線分布對稱性的參數。正態分布的偏度為零，任何對稱數據的偏度都應該接近于零。偏斜度的負值表示向左傾斜的數據，而偏斜度的正值表示向右傾斜的數據。圖2中可以發現Luminal 兩亞型的數據均向左偏斜，且Luminal B亞型更向左傾斜，但兩亞型偏度差異無統計學意義，這可能與本組病例均是乳腺浸潤性導管癌，病理類型局限，以及病例數量較少有關，還需進一步研究。不均質性和熵反映的是直方圖的隨機性及平均信息。圖3顯示，Luminal B亞型直方圖中像素灰度頻率分布較集中高聳，信號強度較均勻；而Luminal A亞型像素灰度頻率分布明顯減低且不均勻。這可能由于Luminal B亞型具有更強的生物增殖能力，可以攝取更多類似的體素，因此體素似乎更均勻有關。

通過對鑒別Luminal亞型乳腺癌差異有統計學意義的三項紋理指標（熵、不均勻性及峰度）進行ROC 曲線的分析，得出三者的診斷效均較高，其中以熵為最高，AUC 達0.891，當熵≤4.22 時診斷Luminal B型乳腺癌敏感性較高，特異性稍低。HOLLI-HELENIUS 等[15]通過增強前T1WI 平掃圖像紋理分析鑒別Luminal亞型乳腺癌研究中，熵的診斷效能亦較高，AUC 達0.828。彭文靜等[19]利用乳腺X 線圖像紋理分析鑒別乳腺小結節良惡性的研究中得到，熵的鑒別效能最高，AUC 達0.681，指出熵可作為乳腺X 線紋理分析鑒別乳腺小結節良惡性的最佳單一紋理指標。由此可見，熵作為紋理分析中常用參數，具有較高的診斷效能。

本研究存在一定的局限性：（1）由于非腫塊型乳腺癌病灶散在而彌漫，醫師在進行手動分割時邊界確定困難，為減少由于邊界識別困難導致的觀察者之間的差異，因此未納入非腫塊型乳腺癌；（2）樣本量不夠多，且是單中心研究；（3）由于分析軟件限制，僅針對紋理分析中常用的幾個參數進行獨立分析，未進行系統組學研究；（4）僅針對ER 陽性乳腺癌腫塊亞型進行預測，未將淋巴結轉移情況納入研究范圍，筆者將在今后做更深入的研究。

盡管目前基于影像組學的人工智能技術應用還需更進一步研究及臨床驗證，但作為影像組學分析一部分的紋理分析已日趨顯示其臨床應用價值[20-24]。本研究DCR-MRI紋理分析可術前較準確地預測ER 陽性乳腺癌分型，熵最可能成為潛在的影像標記物，為臨床醫師提供相應的參考價值。