基于藥代動力學動態增強磁共振的影像組學特征對三陰型乳腺癌診斷價值的研究

王春華，羅紅兵，劉圓圓，陳曉煜，青浩渺，王閩，張鑫，許國輝，任靜，周鵬*

在精準醫學時代背景下，乳腺癌的分子分型對治療方案的選擇及患者的預后判斷有重大意義，目前臨床已經常規地根據不同乳腺癌分子分型，對乳腺癌患者進行更個性化、精準化治療。三陰(triple negative，TN)型乳腺癌具有侵襲性高、惡性程度高、預后差的特點［1-2］，因此臨床實踐中能夠無創且準確地鑒別TN 型與非TN 型乳腺癌，對于臨床個性化治療起著至關重要的作用。基于藥代動力學的動態增強磁共振成像(dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI)不僅可以檢測腫瘤的強化特征，還可以通過藥物動力學模型獲得定量參數：容量轉移常數(volume transfer constant，Ktrans)、速率常數(rate constant，Kep)、血漿分數(volume fraction of plasma，Vp)等。此外，還可以利用影像組學對全腫瘤藥代動力學參數進行直方圖分析［3-4］，并對增強圖像進行直方圖、形態、紋理分析［5-7］。本研究將探索基于DCE-MRI 的全腫瘤影像組學特征對三陰型乳腺癌的診斷價值，探討通過無創、可重復的DCE-MRI 影像學方法鑒別TN 型和非TN 型乳腺癌的可能性和可行性。

1 材料與方法

1.1 臨床資料

本回顧性研究收集四川省腫瘤醫院2015 年6 月至2018 年3 月治療前接受DCE-MRI 檢查的浸潤性乳腺癌患者，共納入85 例女性患者，平均年齡48 歲(27～71 歲)。其中Luminal 型乳腺癌39 例，人表皮生長因子受體2(human epidermal growth factor receptor，HER-2)過表達型乳腺癌16 例，TN 型乳腺癌30 例。本研究通過四川省腫瘤醫院倫理委員會審核批準(審批號：SCCHEC2015029)，免除患者知情同意。

腫瘤細胞核至少1%呈現染色時判定為雌激素受體(estrogen receptor，ER)或孕激素受體(progesterone receptor，PR)陽性，HER-2表達為+++時判定為HER-2 陽性，-或+時判定為HER-2 陰性，++時需用熒光原位雜交法進行驗證［5］。ER、PR、HER-2 均為陰性者為TN 型，ER、PR 陰性而HER-2 陽性者為HER-2 過表達型，ER 陽性者為Luminal型［6］。

1.2 MRI掃描技術

所有DCE掃描均在3.0 T磁共振(Skyra，Siemens，Germany)進行，采用16 通道雙側乳腺專用相控線圈。患者取俯臥位，頭先進，掃描范圍包括雙側乳腺組織及腋窩。 增強前T1 mapping 掃描采用CAIPIRINHA-Dixon-TWIST-VIBE (CDT-VIBE)序列，參數：TR 5.64 ms，TE 2.46/3.69 ms，FOV 360 mm×360 mm，矩陣224×179，層厚2.5 mm，翻轉角度2°/15°，總采集時間58 s。注射對比劑歐乃影(0.1 mmol/kg；GE Healthcare，Ireland)后進行DCE 掃描，采用相同序列，參數：TR 5.64 ms，TE 2.46 ms，FOV 360 mm×360 mm，矩陣224×179，無間隔，翻轉角10°。共掃描26 期，總采集時間5 min 12 s。對比劑流率2.5 mL/s，完畢后追加15～20 mL生理鹽水。

1.3 全腫瘤影像組學分析

1.3.1 腫瘤分割

將T1 mapping 和DCE 原 始DICOM 圖 像 導 入Omni-Kinetics 軟件(GE Healthcare，Ireland)，選擇腫瘤與乳腺背景對比度最強的期相，逐層手動勾畫腫瘤邊界，得到3D感興趣區(volume of interest，VOI)。

1.3.2 特征提取

首先生成全腫瘤藥代動力學量化參數的直方圖特征，共22 個，包括Ktrans、Kep、Vp的最大值、平均值、中位數等。然后提取全腫瘤增強圖像的特征，共75個，包括：27個直方圖特征，如最大值、偏度、峰度等；9個形態學特征，如體積、表面積、緊致性等；39 個紋理特征：13 個共生矩陣特征，如熵、慣性、逆差矩等；10 個Haralick 特征，該特征基于共生矩陣而產生，具有方向不變性；16 個游程矩陣特征，如短行程優勢、長行程優勢、灰度不均勻性等。

1.3.3 特征篩選

在R語言使用Spearman相關分析系數，對于相關系數大于0.8的特征，剔除與標簽相關性較小的特征。然后用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)進行最優特征篩選。

1.3.4 模型建立及統計分析

以TN型、Luminal型、HER-2過表達型、非TN型為標簽，利用Logistic 分析方法建立TN 型與Luminal型、HER-2 過表達型、非TN 型之間的預測模型，使用5 折交叉驗證法檢驗模型預測性能。繪制各模型對應的ROC 曲線，計算AUC，并獲得敏感度、特異度和準確度(整體流程見圖1、2)。P＜0.05(雙尾)表示差異有統計學意義。該研究統計分析通過R 語言(3.5.1)與python(3.5.6)實現。

2 結果

2.1 TN型與Luminal型乳腺癌預測模型

TN 型和Luminal 型分類模型共篩選6 個最優特征，包括2 個藥代動力學參數、1 個共生矩陣特征、1 個Haralick 特征、2 個游程矩陣特征(表1)。鑒別診斷的敏感度、特異度、準確度和AUC 為0.821、0.733、0.783、0.865(表2)。

2.2 TN型與HER-2過表達型乳腺癌預測模型

TN 型和HER-2 過表達型分類模型共選取14 個最優特征：7 個藥代動力學相關參數、1 個直方圖特征、3 個共生矩陣特征、2 個Haralick 特征、1 個形態特征(表1)。獲得預測敏感度、特異度、準確度和AUC 為0.750、0.933、0.870、0.923(表2)。

2.3 TN型與非TN型乳腺癌預測模型

TN 型和非TN 型分類模型共選取17 個最優特征，包括6 個藥代動力學相關參數、3 個直方圖特征、3 個共生矩陣特征、3 個Haralick 特征、1 個游程矩陣特征、1 個形態特征(表1)。獲得預測敏感度、特異度、準確度和AUC 為0.891、0.767、0.847、0.913(表2)。

圖2 最小絕對收縮和選擇算子路徑Fig.2 Least absolute shrinkage and selection operator(LASSO)pathway

表1 最優特征Tab.1 Optimal features

表2 各預測模型的鑒別效能Tab.2 Prediction performance of different models

3 討論

3.1 主要研究結果

本研究對藥代動力學參數和增強圖像進行影像組學分析，獲得全面的影像組學特征，并進行乳腺癌TN 型與其他分子分型的建模預測，取得了良好的效能：TN 型與Luminal 型模型的AUC 為0.865，TN 型與HER-2 過表達型AUC 為0.923，TN 型與非TN 型模型的AUC的模型為0.913。

3.2 TN型乳腺癌

TN 型乳腺癌是指ER 和PR 均為陰性，且HER-2 也陰性表達的一種特殊分子類型的乳腺癌，占所有分子分型的10%～20%，這種類型的乳腺癌常常發生在年輕人，腫瘤常較大且容易出現早期淋巴結轉移，其治療后局部復發或遠處轉移的幾率更高，是乳腺癌中預后最差的一種分子類型［7-8］。因而對乳腺癌進行分子分型，利用非入侵手段診斷TN 型乳腺癌具有重要的臨床價值。TN型乳腺癌MRI常表現為邊緣光滑、環形強化、血流動力學呈持續型的腫塊，環形強化與復發相關［9-10］。DCE-MRI 不僅可以呈現腫瘤的強化特征，還可以通過計算得到腫瘤藥代動力學參數。Ktrans代表對比劑從血管擴散到細胞外間隙的速率，Kep表征對比劑從細胞外間隙擴散到血管的速率，Vp表示血管內對比劑占整個體素的容積分數。既往研究發現TN 型乳腺癌患者Ktrans、Kep顯著高于非TN 患者，提示TN型乳腺癌新生血管豐富，血管通透性大［11-12］。

3.3 影像組學分析對TN型乳腺癌的診斷價值

傳統影像分析手段對影像圖像的利用有限，影像組學分析可以挖掘更多信息。直方圖分析作為影像組學的一種方法，可以提供更多統計學指標。學者們利用直方圖分析藥代動力學參數，比較乳腺良惡性病變，發現乳腺惡性病變Ktrans、Kep直方圖特征比良性高［3，13］。Xie 等［14］利用ADC 定量圖及DCE 相關半定量圖進行直方圖分析，經單因素分析發現TN 型與Luminal A 型、HER-2 過表達型、非TN 型比較，ADC 及流入、流出相關參數有差異，AUC 為0.683～0.763。Nagasaka 等［4］發現TN 型乳腺癌血管外細胞外間隙容積分數的變異系數比Luminal 型高。本研究3 組預測模型所篩選的重要特征均包含藥代動力學參數，TN-Luminal 模 型 篩 選 出Ktrans、Vp相 關 特 征，TN-HER-2 過表達模型篩選出Ktrans、Kep、Vp相關特征，TN-非TN 模型也篩選出Ktrans、Kep、Vp相關特征，AUC 為0.865～0.913，表明藥代動力學參數在TN 型乳腺癌中的診斷價值，結合增強圖像的影像組學特征，可以提高鑒別性能。

除了直方圖分析，影像組學還可以對增強圖像進行形態、紋理等分析，挖掘大量肉眼不可見的定量信息，表現腫瘤的異質性，為臨床的治療與隨訪提供客觀的影像學依據，進而實現精準化醫療［15-18］。影像組學源自計算機輔助診斷(computer-aided diagnosis，CAD)，Agner 等［19］利用CAD 系統來鑒別TN型乳腺癌、ER 陽性乳腺癌、HER-2 陽性乳腺癌以及纖維腺瘤，發現對于TN 與非TN 乳腺癌的鑒別，靜態紋理特征和通過不同時間點計算得到的動力紋理特征最重要，AUC為0.74。影像組學特征預測乳腺癌分子分型逐漸成為醫學界的研究熱點，研究常見的感興趣區包括腫瘤最大層面和全腫瘤。吳佩琪等［20］利用腫瘤最大層面的影像組學特征鑒別TN 和非TN 的AUC為0.941，準確度為0.753。Leithner等［21］提取腫瘤最大層面影像組學特征，發現鑒別TN型與Luminal B型的準確度為0.839。王世健等［22］經影像組學分析發現全腫瘤與背景的動態增強特征與TN 型乳腺癌相關。Wang 等［23］發現全腫瘤DCE 影像組學特征鑒別TN與非TN 的AUC 為0.782。本研究勾畫腫瘤整體，以反映其完整的特征，聯合藥代動力學直方圖特征以及增強圖像的直方圖、形態、紋理特征，發現17 個影像組學特征對鑒別TN 型與非TN 型乳腺癌十分重要，AUC高達0.913。腫瘤勾畫范圍的不同可能是研究結果不完全一致的原因之一。此外，增強時相的選擇、分子分型模型的不同也應考慮其中。

本研究TN-非TN 模型篩選的最優特征對藥代動力學參數、直方圖特征、共生矩陣特征、Haralick 特征、游程矩陣特征及形態特征均有涉及。直方圖分析可以統計藥代動力學參數及增強圖像的整體灰度分布特性。形態中的Sphericity特征作為篩選的特征之一，豐富了傳統影像只能通過二維形態來鑒別TN型與非TN型的局限［9］。共生矩陣與Haralick特征可以反映不同步長、方向的像素出現的概率，以及像素之間的關系，從而體現腫瘤的異質性。游程矩陣可以反映長度矩陣的分布，體現病灶的復雜性、層級關系、紋理粗細的不同。筆者發現共生矩陣、Haralick的correlation、entropy、ClusterProminence 等反映了病灶體素之間的相關、差異及聚集狀態，表明不同分子分型病灶異質性的不同。最優特征的集合體現了腫瘤的形狀和豐富的異質性對診斷TN型乳腺癌的重要意義。本研究病例均從一個中心獲得，而且納入樣本量不夠大。因此，進一步開展多中心大樣本的研究是十分必要的。

總之，基于DCE-MRI篩選聯合藥代動力學及增強圖像的重要影像組學特征，在預測乳腺癌TN 型和非TN 型模型中取得良好的效能，表明基于藥代動力學DCE-MRI 的影像組學特征對TN 型乳腺癌具有良好的診斷價值，可為臨床的精準治療和預后判斷提供一定參考。

作者利益沖突聲明：全體作者均聲明無利益沖突。