MRI紋理分析預測乳腺癌腋窩淋巴結轉移

夏旭東，段成洲*，王功夏，李 銘，王海彬，王亞龍，崔振華，李佳憶

(1.安陽市腫瘤醫院影像科，河南 安陽 455001；2.河南護理職業學院護理系，河南 安陽 455000)

乳腺癌是否伴腋窩淋巴結(axillary node， ALN)轉移對臨床分期、選擇治療方案及評估預后至關重要。腋窩淋巴結清掃術或前哨淋巴結活檢術有創，且可能引起淋巴水腫等并發癥[1]；而超聲、CT、PET/CT及MRI等非侵入性方法也各有不足之處[2-3]。紋理分析對于定性診斷腫瘤、療效評估及預測預后等具有較高價值[4]，并已逐漸用于預測淋巴結轉移[5-6]。本研究評價MRI紋理分析預測乳腺癌ALN轉移的價值。

1 資料與方法

1.1 研究對象 以2018年1月-2020年5月172例于河南省安陽市腫瘤醫院經病理學證實的女性乳腺癌患者為訓練組，年齡22～71歲，平均(49.4±10.3)歲；另以2020年6月—12月37例女性乳腺癌患者為測試組，年齡26～68歲，平均(53.1±11.4)歲。納入標準：①術前2周內于本院接受MR檢查；②MRI質量良好。排除標準：①檢查前接受局部或全身治療等；②ALN直徑<5 mm。根據ALN狀態將2組分為ALN轉移與無轉移亞組，即陽性、陰性亞組。陽性亞組79例，年齡28～71歲，平均(57.3±9.2)歲，其中77例原發灶為浸潤性導管癌；陰性亞組93例，年齡22～68歲，平均(48.1±10.8)歲，其中86例原發灶為浸潤性導管癌。測試組分為陽性亞組20例、陰性亞組17例。檢查前所有患者均簽署知情同意書。

1.2 儀器與方法 采用Philips Achieva/Intera 3.0T MR儀，8通道乳腺專用相控陣線圈。囑患者俯臥，采用單次激發自旋回波-平面回波成像(single-shot spin echo-echo planar imaging， SSSE-EPI)序列行彌散加權成像(diffusion weighted imaging， DWI)，參數：TR 6 000 ms，TE 64 ms，FOV 34 cm×34 cm，b為0和1 000 s/mm2，獲得表觀彌散系數(apparent diffusion coefficient， ADC)圖。采用脂肪抑制技術行T1高分辨率各向同性容積激發動態增強(enhanced T1 high-resolution isotropic volume excitation， e-THRIVE)掃描，TR 4.7 ms，TE 2.3 ms，FOV 34 cm×34 cm，注射對比劑前掃描第一時相作為蒙片，之后采用高壓注射器經手背靜脈以3 ml/s流率注入釓噴替酸葡甲胺(Gd-DTPA)對比劑(0.2 ml/kg體質量)、以相同流率注入15 ml生理鹽水后掃描其余時相，每個時相掃描時間60 s，共8個時相。

1.3 圖像處理 采用固定窗寬、窗位以BMP格式導出MRI，由2名高年資影像科醫師以MaZda軟件于ALN直徑最大層面軸位MRI上沿其邊緣手動勾畫ROI，遇邊界模糊時以肉眼可分辨灰度變化為界先行勾畫，再利用ROI形態調整功能回縮各徑線1～2 mm，并填充為紅色(圖1、2)。以軟件提取ROI紋理參數值，包括9個一階直方圖參數(變異度、均值、偏度、峰度及第1、10、50、90、99百分位數)和11個灰度共生矩陣(grey-level co-occurrence matrix， GLCM)參數(能量、對比度、相關、平方和、逆差矩、均和、和方差、和熵、熵、差方差及差熵)，取2名醫師測值的平均值作為結果。

圖1 患者女，42歲，乳腺浸潤性導管癌伴左側ALN轉移(陽性亞組) A.增強MR T1WI示ALN邊緣毛糙，不均勻強化； B.于增強T1WI中勾畫ALN 的ROI (紅色區域)； C.ADC圖顯示ALN呈不均勻低信號； D.于ADC圖中勾畫ALN的ROI(紅色區域)

圖2 患者女，62歲，乳腺浸潤性導管癌伴左側ALN增生(陰性亞組) A.增強MR T1WI示ALN邊緣光滑，較均勻強化； B.于增強T1WI中勾畫ALN的 ROI(紅色區域)； C.ADC圖示ALN呈稍高信號； D.于ADC圖勾畫中ALN 的ROI(紅色區域)

1.4 統計學分析 采用SPSS 24.0統計分析軟件及R語言，以組內相關系數(intra-class correlation coefficient， ICC)評價2名醫師測值的一致性，ICC>0.75認為一致性良好，P<0.01為差異有統計學意義。以±s表示符合正態分布的計量資料，行組間獨立樣本t檢驗；以中位數(上下四分位數)表示不符合正態分布的計量資料，行組間Mann-WhitneyU檢驗。采用線性回歸評估共線性程度，剔除方差膨脹系數(variance inflation factor， VIF)>10，即存在多重共線性的特征。對數據以R語言glmnet包行Lasso回歸分析以降維，并構建單因素及多因素Logistic回歸模型，繪制受試者工作特征(receiver operating characteristic， ROC)曲線計算曲線下面積(area under the curve， AUC)，以Hosmer-Lemeshow擬合優度檢驗繪制校準曲線評價模型，以DeLong檢驗對比其對訓練組與測試組的診斷效能。P<0.05為差異有統計學意義。

2 結果

訓練組2亞組年齡差異無統計學意義(t=1.436，P=0.174)。陽性亞組ALN平均直徑為(12.54±2.20)mm，陰性亞組為(8.36±1.53)mm(t=4.045，P=0.044)。

2.1 一致性分析 訓練組2亞組ALN紋理參數值及組間比較結果見表1。2名醫師測量結果的一致性良好(ICC=0.801，P<0.01)。

2.2 單因素分析 以線性回歸去冗余后，共得到9個基于ADC、7個基于增強T1WI的紋理參數特征，以增強T1WI的熵效能最高(AUC=0.786)，見表2。

2.3 多因素分析 對Lasso模型行10倍交叉驗證，最優log(λ)得到11個非零系數(圖3)。基于ADC圖的偏度、峰度、能量，2個序列的和熵及熵是影響預測ANL轉移的顯著特征，見表3。

2.4 模型驗證 訓練組(χ2=4.593，P=0.831)及測試組(χ2=7.408，P=0.442)均具有較好擬合度；模型預測值與實際觀察值具有良好一致性。ALN預測模型對于訓練組及驗證組均有較好效能，AUC分別為0.906和0.859，敏感度分別為85.60%和86.20%，特異度分別為79.80%和77.30%(圖4、5)，差異均無統計學意義(P>0.05)。

表1 基于增強T1WI和ADC圖提取的訓練組紋理參數比較

續表

表2 MRI紋理特征參數預測乳腺癌ALN轉移效能的單因素分析結果

圖3 二元Lasso回歸模型選擇紋理特征 A.Lasso回歸交叉驗證圖； B.Lasso回歸系數分布圖

3 討論

腫瘤異質性反映腫瘤生長情況和生物學特性[6]，而一階直方圖峰度、偏度和百分位數可用于判斷腫瘤異質性[7]。本研究訓練組16個紋理特征中，ADC圖一階直方圖參數偏度、峰度、Perc.1%及Perc.10%差異均有統計學意義(P均<0.05)，AUC均>0.7，而增強T1WI一階直方圖參數中僅均值差異顯著，但其診斷效能較差，AUC僅0.610，可能良惡性淋巴結強化方式存在重疊[8]。本研究多數二階紋理特征的AUC高于一階紋理特征，提示GLCM參數診斷效能高于一階直方圖參數，與LI等[9]報道相符，原因可能在于一階直方圖參數與腫瘤組織空間結構缺乏相關性，僅能反映ROI內像素灰度頻率分布而無法評估腫瘤內的空間與位置關系；在增強序列中上述表現更為明顯，可能因增強后圖像分辨率較高，更能發揮GLCM的優勢。

圖4 多因素Logistic回歸模型校準曲線 A.訓練組； B.測試組

表3 多因素分析評價乳腺癌ALN轉移危險因素

圖5 預測ALN轉移模型的ROC曲線圖

本研究發現GLCM參數中的熵、和熵及能量的診斷效能較高(AUC均>0.7)。熵體現ROI內紋理復雜程度，其值越高代表紋理越復雜、病變異質性越強[10]。張娜等[11]以CT紋理分析鑒別肺孤立性結節，發現惡性結節的熵及和熵值更高。本研究陽性亞組熵、和熵值顯著高于陰性亞組；自2個序列圖像中提取的紋理特征中，均以熵的診斷效能為最優，AUC值分別為0.781、0.786，提示熵是預測ALN轉移較為重要的獨立因素。能量是灰度共生矩陣原始值的平方和，對于鑒別腫瘤良惡性及評估治療效果具有重要意義[12]；共生矩陣中，元素集中分布時，能量值越小，腫瘤異質性越強；逆差矩則反映紋理的同質性，其值越大，圖像紋理越均勻。本研究ALN陽性亞組熵、和熵及逆差矩值均高于陰性亞組，能量值則低于陰性亞組，提示轉移淋巴結異質性高于無轉移淋巴結，紋理特征不僅可鑒別腫瘤良惡性，亦可預測乳腺癌腋窩淋巴結轉移。

常規MR檢查ALN多側重于形態學指標，但根據淋巴結徑線區分有無ALN轉移并不準確[13]。增強MR可利用動態增強時間-信號曲線鑒別腫瘤良惡性[14]，但目前對其預測乳腺癌ALN轉移情況的價值尚有爭議[8]。ZAITON等[15]以DWI及ADC值鑒別ALN轉移，AUC為0.884，敏感度為85%，特異度為81%，效能較好。本研究建立的多因素Logistic回歸模型鑒別乳腺癌ALN轉移的AUC為0.906，敏感度為85.60%，特異度為79.80%，且校準能力良好，并經測試組驗證。MRI紋理分析與傳統MR技術相結合預測乳腺癌ALN轉移，可彌補傳統MR技術的不足，提高預測準確性[16]。

本研究的局限性：①僅選擇淋巴結直徑最大截面勾畫ROI，可能丟失重要空間信息；②由醫師手動勾畫ROI，耗時且具有主觀性；③乳腺癌病理分型較為單一。

綜上，基于MRI紋理分析預測乳腺癌ALN轉移具有較好效能。