多模態MRI影像對乳腺黏液癌不同病理組織分級及Ki-67表達的預測研究*

陳永毅 劉 威 曾旭文*

據統計，近年來我國乳腺癌患者的發病率現逐年遞增的趨勢，而目前全球約有130萬人診斷為乳腺癌，有40萬人死于該疾病[1]。乳腺黏液癌(mucinous breast carcinoma，MBC)作為乳腺癌的特殊類型，因為發病率低，關于MBC的相關研究較少[2]。相關研究表明，患者的預后與腫瘤的組織學分級具有密切的聯系，乳腺癌的組織學等級越高，往往意味著較高的惡性程度和較差的預后[3]，因此，早期發現乳腺癌不同亞分類的臨床病理特征在一定程度上可為臨床診斷和預后評估提供參考。

腫瘤標志物Ki-67是一種增殖細胞核抗原，與細胞周期相關聯，在細胞增殖的過程中參與有絲分裂，是目前臨床公認的判斷惡性腫瘤細胞增殖活性程度的指標之一[4]。磁共振成像(magnetic resonance imaging，MRI)是一種多參數成像，相比傳統使用的乳腺鉬靶X射線、乳腺超聲和CT檢查等，磁共振檢查具有無放射損傷、高敏感性、信息豐富和無創顯示血流動力學等優點[5]。本研究旨在探討多模態MRI影像對MBC病理組織分級及Ki-67表達的預測，以期為臨床提供可參考依據。

1 資料與方法

1.1 臨床資料

根據乳腺癌量化標準Nottingham聯合組織學分級[6]并參考美國放射學院乳腺影像學報告和數據系統(ACR BI-RADS)對乳腺病變的分級標準，選取2015年1月至2019年1月在廣州市紅十字會醫院就診，且超聲診斷為3級(BI-RADS 3)級及以上的120例MBC患者3級及以上的120例MBC患者，所有患者行MRI檢查前均行乳腺癌手術或化療，且有完整的病例報告和影像資序列；MBC患者均為女性，年齡分布為27-84歲，平均年齡53歲，絕經前患者65例，絕經后患者55例。本研究已獲得醫院倫理委員審批并通過，患者均已簽署知情同意書。

1.2 納入與排除標準

(1)納入標準：①臨床診斷為MBC；②知情并同意參與本研究；③積極配合相關檢查。

(2)排除標準：①其他類型的乳腺癌；②其他系統的惡性腫瘤；③精神疾病或認知功能障礙。

1.3 儀器設備

采用3.0T超導型磁共振掃描儀(德國西門子公司)。

1.4 檢查方法

(1)DWI掃描。使用動態增強磁共振(dynamic contrast enhancement MRI，DCE-MRI)和擴散加權成像(diffusion weighted imagine，DWI)的多模態MRI影像進行檢測。使用MRI掃描時首先掃描和獲取脂肪抑制T1加權成像(T1weighted image，T1WI)圖像和脂肪飽和T2WI前對比序列(S0)。所有患者取俯臥位后使用8通道的雙乳房線圈掃描，掃描參數：①T1WI序列，重復時間(repetition time，TR)為4.8 ms，回波時間(echo time，TE)為2.1 ms，反轉角12°，視野(field of view，FOV)為320 mm×320 mm，層厚1.0 mm，層間距0.5 mm，矩陣336×336；②脂肪抑制T2WI序列，采用精準頻率反轉恢復序列，平均2次，TR 3 400.0 ms，TE 90.0 ms，回波鏈長度19 ms，反轉角90°，FOV為260 mm×320 mm，層厚3.0 mm，層間距0.3 mm，矩陣512×512。

(2)DCE-MR掃描。使用0.2 mmol/kg劑量的順磁性對比劑釓-二乙烯五胺乙酸(Gadolinium diethy lenetriamine pentaacetic acid，Gd-DTPA)，并以4 ml/s的速度靜脈注射造影劑后可獲得5個增強后序列(S1～S5)。第一個序列在快速注射造影劑60 s后獲得，之后則每間隔60 s分別按順序采集5個造影劑。掃描參數：DCE-MRI，TR 5.0 ms，TE 2.2 ms，反轉角12°，平均次數1次，FOV為320 mm×320 mm，層厚1.0 mm，層間距0.5 mm，矩陣336×336。分別于注藥前及注藥后即刻，60 s、120 s、180 s、240 s、300 s進行掃描，掃描總時間為5 min。

1.5 圖像采集與預處理

(1)圖像采集：在工作站通過對DWI數據后操作處理，可以形成灰階表現彌散系數(apparent diffusion coefficient，ADC)圖。S2、S5增強ADC序列共有24張影像，每張影像的采集矩陣于DWI影像相同(220×90)。

(2)圖像預處理：將病灶從采集的MBC原始影像區域中分割出現進行研究。對DCE-MRI的每個序列均進行分割操作，采用實驗室前期基于空間模糊C均值和馬爾科夫隨機的方法進行分割，對DCE-MRI的每個序列進行分割操作，將分割得到的每個序列的病灶區域與對應的ADC影像進行配準，最終在ADC影像上獲取到與DCE-MRI病灶輪廓一致的病灶區域。

1.6 特征提取

對DCE-MRI的病灶區域影像選取蒙片，對第2增強序列和第5增強序列進行分析，對其兩者在圖像像素上減去蒙片序列后再進行特征提取，包括紋理特征、統計特征和形態特征。ADC病灶影像同樣提取上述3大特征。

1.7 樣本Ki-67表達特征

收集所有患者的病理報告，查看每例患者的MBC組織學分級情況，并通過免疫組化檢測出病理標本相對應的Ki-67陽性細胞的百分比，統計并分析Ki-67表達陽性與陰性、組織學分級、絕經情況和年齡之間的差異性。

1.8 統計學方法

使用SPSS25.0統計軟件進行分析，計數經正態性檢驗，數據采用均值±標準差()表示，采用t檢驗，計數資料采用x2檢驗，以%表示。以P＜0.05為差異有統計學意義。影像特征預測Ki-67表達和組織學分級的能力則對提取的不同序列的影像特征進行單變量回歸分析和多變量回歸分析，利用UDFS算法和Fisher Score算法將DCE-MRI與DWI參數不同的影像聯合預測腫瘤分級。

表1 組織樣本Ki-67表達特征[例(%)]

表2 單參數多變量邏輯回歸的兩種算法預測結果

表3 單參數多變量邏輯回歸預測的Ki-67結果

2 結果

2.1 樣本Ki-67表達特征比較

病理報告組織學分級中，Ⅱ級患者57例，Ⅲ級63例，Ⅱ級與Ⅲ級MBC患者組織標本中Ki-67表達比較，差異有統計學意義(x2=2.151，P＜0.05)，表明組織學分級與Ki-67的表達具有關聯，Ki-67高表達的患者病例分級高；根據2011年St.Gallen早期乳腺癌國際專家共識[7]要求，將14%作為Ki-67陽性指數高低的界限值，當Ki-67陽性細胞數＞14%是高表達，＜14%則是低表達。結果顯示，Ki-67低表達有17例，高表達有103例；孕激素受體(progesterone receptor，PR)是否陽性、絕經情況和年齡的比較差異均無統計學意義，與Ki-67的表達無顯著的影響，見表1。

2.2 單參數多變量邏輯回歸分析

在單變量邏輯回歸分析對DCE-MRI和DWI的單個影像特征性能的比較中，最佳性能特征為紋理特征中的對比度特征，即對應S0、S2、S5及ADC圖像序列預測分級任務生成的受試者工作特征(receiver operating characteristic，ROC)曲線下面積(area under curve，AUC)值分別為0.691、0.713、0.722和0.673，見圖1。

圖1 最優單特征盒形圖

2.3 單參數多變量邏輯回歸的兩種算法預測結果

(1)兩種算法預測效果：使用多變量邏輯回歸分析DCE-MRI和DWI的各個序列，并比較Fisher Score算法和UDFS算法兩種特征選擇方法的效果。多變量邏輯回歸分析預測分級任務中S2序列最佳，AUC、特異度和靈敏度分別為0.78、0.648和0.935，見表2。

(2)Ki-67預測結果：S2使用UDFS算法特征預測中AUC最佳，為0.781，特異度為0.648，靈敏度為0.935；預測Ki-67表達結果顯示，DWI選擇Fisher Score特征算法時AUC最佳，為0.757，特異度為0.807，靈敏度為0.697，預測Ki-67表達見表3，多模態MRI影像見圖2。

3 討論

圖2 乳腺黏液癌多模態MRI影像圖

MBC屬較少見的一種乳腺癌類型，僅占原發性乳腺癌的1.3%～5.4%，作為一種侵襲性腫瘤，MBC具有大量的粘蛋白產生的特點，因此常可見腫瘤細胞簇飄浮于細胞外的粘蛋白池中。MBC的主要發病群體為女性老年和絕經后的患者，其臨床特征與良性乳腺疾病極為相似，表現為乳腺腫塊，且腫塊的表面光滑、邊界清楚和具有良好的活動性[8]。此外，MBC患者的彩超或鉬靶檢測可表現為與乳腺纖維腺瘤相類似的表現，因此也易被誤診為乳腺纖維腺瘤，因此清楚準確地診斷MBC是一項極為重要的工作，應引起臨床醫生的重視[9]。

Ki-67作為一種衡量腫瘤侵襲的重要指標，在MBC的診斷中是判斷惡性腫瘤增殖活性程度的可靠指標之一[10]。相關研究表明，Ki-67在腫瘤的診治和預后檢測方面均有重要的臨床意義，Ki-67的高表達水平往往意味著腫瘤的高增值性、高惡性程度和較差的預后[11]。目前，國內多使用從MRI影響中提取的各類影像特征，來對MBC的各類預后指標進行分類和預測，但由于單一的參數和MRI的影像研究容易忽略已經需要補充的信息，從而使結果顯得貧瘠和單薄[12]。因此，聯合不同參數的MRI影像，從多模態角度來預測MBC的組織學分級和Ki-67的表達具有更強的說服力[13]。

本研究結果顯示，組織學分級比較有顯著性差異；PR是否陽性、絕經情況和年齡的比較均無顯著性差異，表明Ki-67的表達與這三者無顯著的影響。在單參數的多變量邏輯回歸分析中，使用兩種特征選擇方法中，得到的UDFS算法總體要比使用Fisher Score算法的好。而預測Ki-67表達中并無發現明顯的規律，這可能是樣本分布不均衡所致[14]。多變量邏輯回歸的最優AUC均比單變量要高，表明多變量邏輯回歸分析更能充分利用不同特征的信息，考慮不同特征之間的聯系，從而使得建立的模型更加具有說服力[15]。本研究結果還顯示，相對于單參數多變量邏輯回歸預測結果的最佳AUC(0.781)，對于單一參數MRI的預測研究，多模態多參數MRI聯合應用可充分發揮不同影像的優勢，獲得更好的預測結果。

4 結論

相對于單一參數的磁共振圖像數據，多模態MRI影像聯合特征可以提高組織分級和Ki-67表達的預測性能，可在臨床MBC的前期診斷和預后治療中提供更加精確的診斷，且具有重要意義。