多模態超聲在乳腺癌精準診斷中研究進展

李 玥， 曹軍英

北部戰區總醫院 超聲科，遼寧 沈陽110016

近年來，女性乳腺癌的發病率有逐年增高的趨勢。 2020 年全球癌癥統計數據報道，在女性中，乳腺癌患者數約占癌癥患者總數的1/4，約占癌癥死亡患者總數的1/6[1]。 在多種乳腺癌影像診斷方法中，超聲仍是較為常用且經濟便捷的檢查方法之一。 乳腺癌超聲精準診斷在輔助臨床選擇治療方案及判斷患者預后情況等方面具有重要意義。 多模態超聲影像技術包括二維超聲、彩色多普勒血流成像、超聲造影(contrastenhanced ultrasound，CEUS)、超聲彈性成像(ultrasound elastography，UE)、三維超聲、自動乳腺全容積掃描(automated breast volume scanner，ABVS)等，超聲影像組學、人工智能(artificial intelligence，AI)等新技術發展突飛猛進。 本文針對近年來多模態超聲特征與乳腺癌分子分型及分子標志物表達的相關性、多模態超聲對乳腺癌新輔助化療效果的預測與評估、對乳腺癌淋巴結轉移的診斷價值，以及乳腺癌超聲精準診斷新技術研究熱點與前沿四方面進行綜述。

1 多模態超聲特征與乳腺癌分子分型及分子標志物表達的相關性研究

1.1 乳腺癌分子分型及相關治療 參照St gallen 標準[2]，乳腺癌以免疫組化標志物雌激素受體(estrogen receptor，ER)、孕激素受體(progesterone receptor，PR)、人表皮生長因子受體2(human epidermal growth factor receptor 2，HER-2)、細胞增殖相關抗原Ki-67 表達水平差異為準可分為:(1)Luminal A 型(LA 型)，即ER( ＋)和(或)PR( ＋)，HER-2( -)，Ki-67 表達＜14%；(2)Luminal B 型(LB 型)，分為HER-2 陰性型[即ER( ＋)和(或)PR( ＋)，HER-2( -)，Ki-67 表達≥14%]和HER-2 陽性型[即ER( ＋)和(或)PR( ＋)，HER-2( ＋)，Ki-67 任何水平]；(3)HER-2 過表達型，即ER( -)和(或)PR( -)，HER-2( ＋)；(4)三陰性乳腺癌(triple negative breast cancer，TNBC)，即ER( -)，PR( -)，HER-2( -)。

乳腺癌為高度異質性腫瘤，不同分子分型決定了其組織病理學改變、生物學行為、治療反應以及預后。其中，Luminal 型(LA 型和LB 型)組織學分級較低，臨床以內分泌治療為主，預后較好；對于HER-2 過表達型，分子靶向治療獲得了臨床的普遍認可；TNBC 惡性程度高、侵襲性強，目前仍缺少有效的治療藥物，預后極差[3]。 因此，準確判斷乳腺癌分子分型有利于指導患者個體化治療方案的選擇。 由于乳腺癌因不同生物組織學特性表現出不同的腫瘤形態，近階段研究開始聚焦乳腺癌超聲形態學特征與分子標志物表達的相關性[4]。

1.2 不同分子分型乳腺癌超聲特征及分子標志物表達 術前多模態超聲檢查顯示，不同分子分型乳腺癌超聲特征、分子標志物表達具有差異性。 (1)Luminal 型乳腺癌多表現為后方回聲衰減，組織學分級、血流Alder 分級、彈性模量Emax 和Eratio 較低。 三維灰階超聲易表現為形態不規則的腫塊，邊緣有毛刺，微分葉，周圍常伴高回聲暈且冠狀面匯聚征最多見。 其中，LA 型多為毛刺或成角邊緣，造影呈向心性增強；LB 型多為模糊邊緣，造影呈低增強，多無灌注缺損。 (2)HER-2 過表達型傾向于邊緣模糊，后方回聲增強，組織學分級、血流Alder 分級、Emax 和Eratio 均較高，造影呈高增強模式以及灌注缺損表現，達峰時間短于其他亞型。 三維灰階超聲顯示腫塊邊緣模糊，有成角，內部回聲不均勻，且常伴有微鈣化。 (3)TNBC 呈微分葉邊緣，方位不平行，病灶幾何圓度＞80%是最大徑＜2 cm 的TNBC 的獨立影響因素[5]，后方回聲增強，低血流Alder 分級；組織學分級、Emax、Eratio 和Ki-67 表達水平較高；造影呈向心性增強及灌注缺損。 三維灰階超聲多表現為邊界清晰，邊緣較規則，后方回聲略增強。 蛋白表達:P53 陽性表達較多，BRCA1 陽性表達較少[6]。 朱萍等[7]研究發現，與絕經后組比較，絕經前組TNBC 表現為形態規則、水平生長、邊緣微分葉、血流Adler 3 級及乳腺影像報告和數據系統(breast imaging reporting and data system，BI-RADS)分類3 ~4 類的占比更高。 三維能量多普勒顯示:不同分子分型乳腺癌三維超聲血流容積參數平均灰階值、平均能量值、血管指數、血管血流指數比較，差異有統計學意義(P ＜0.05)；HER-2 過表達型和TNBC 型的平均灰階值、平均能量值比較，差異有統計學意義(P ＜0.05)；HER-2 過表達型和Luminal 型、HER-2 過表達型和TNBC的血管指數、血管血流指數比較，差異均有統計學意義(P ＜0.05)，且平均灰階值、平均能量值、血管指數、血管血流指數在TNBC 表達均最低，在HER-2 過表達型表達最高[3，8]。

林子梅等[9]研究表明，CEUS 定量征象中上升斜率與ER、PR 陽性表達呈負相關，下降斜率與ER、PR 陽性表達呈正相關，造影劑到達時間與HER-2 陽性表達呈正相關。 劉瑾瑾等[10]發現，乳腺癌及其邊緣帶灰階超聲及剪切波彈性成像(shear wave elastography，SWE)定量參數和定性指標對評估Ki-67 表達分級具有良好的應用價值。 最大徑、硬環征和病灶周緣2 mm 區域彈性模量最大值診斷效能較高，其中，硬環征與最大徑聯合診斷效能最佳，可為早期判斷病灶侵襲性和治療后預后評估提供客觀有效的依據。 Cheng 等[11]多因素回歸分析顯示，乳腺癌腫瘤較大、血流豐富對Ki-67 的表達水平有獨立預測價值，當腫瘤直徑＞21.5 mm時，診斷的敏感性為91.9%、特異性為71.3%。

2 多模態超聲對乳腺癌新輔助化療效果的預測與評估

新輔助化療(neoadjuvant chemotherapy，NAC)為當前乳腺癌綜合治療中重要的組成部分，專家組更新推薦采用超聲等影像學檢測手段對原發灶、區域淋巴結、常見轉移部位等進行基線及新輔助化療后的療效評估[12]。

首先，超聲定量參數可早期預測乳腺癌NAC 療效。 彭娟等[13]經多因素Logistic 回歸分析發現，峰值強度變化率(ΔPE)和剪切波速度最大值變異率(ΔVmax)是評估NAC 的有效預測因子。 ΔPE ＞16.37%、ΔVmax ＞28.52%提示NAC 病理反應有效。 此外，超聲評估乳腺癌NAC 全程結束后病理完全緩解(pathologic complete remission，PCR)整體準確性為89.6%[14]，且對不同分子分型的診斷效能存在差異，對Luminal B 型及HER-2 過表達型乳腺癌診斷效能較高，能夠為臨床醫師和患者選擇后續治療方式提供客觀的影像學依據。

ABVS 可準確評估乳腺癌NAC 效果，具有較好的臨床應用價值。 陳秀霞等[15]研究顯示，激素表達水平對ABVS 圖像特征有一定影響，NAC 有效組乳腺腫瘤徑線及體積均較無效組縮小。 ER、PR 陽性表達患者毛刺征、匯聚征檢出率較高，HER-2 陽性表達患者鈣化檢出率較高。 另外，劉娟等[16]研究發現，超聲光散射成像(ultrasound-guided diffuse optical tomography，US-DOT)技術可以通過監測腫瘤血紅蛋白濃度變化率來預測乳腺癌NAC 療效，預測截斷值為22.9%。

3 多模態超聲對乳腺癌淋巴結轉移的診斷價值

前哨淋巴結(sentinel lymph node，SLN)是乳腺癌原發腫瘤淋巴引流區域的第一站淋巴結，其轉移與否是乳腺癌準確分期、決策患者手術及判斷預后的重要影響因素之一。 超聲造影具有實時、可術前評估淋巴結狀態且能引導SLN 穿刺活檢等優勢，在臨床上廣泛應用[17]。 孫彥等[18]對乳腺癌T1、T2 期患者乳暈周圍皮內等量注射超聲造影劑SonoVue 及Sonazoid，觀察兩組SLN 顯影的數量、持續時間等，結果顯示，造影劑注射后60、120 min 時，SonoVue 組SLN 內均未見淋巴結顯影，而Sonazoid 組切除的藍染淋巴結在生理鹽水中均持續顯影，其在SLN 中持續顯影的特性有望用于術中檢驗切除SLN 的準確性及完整性。

吳意赟等[19]研究報道，經皮超聲造影可在術前準確定位SLN，聯合經皮和經靜脈超聲造影診斷SLN 轉移的準確性高于常規超聲檢查，具有較好的定性診斷價值。 左夢等[20]研究發現，超聲造影聯合聲觸診組織成像定量可以提高乳腺癌淋巴結轉移的診斷效能，為乳腺癌術前腋窩淋巴結評估提供可靠依據。 腫瘤大小、瘤內Emean、存在淋巴血管侵犯和淋巴結皮質厚度是腋窩淋巴結陰性早期乳腺癌患者(cT1-2N0)高淋巴結風險的獨立風險預測因子。 與單獨SWE 和常規超聲的模型比較，聯合方法在預測cT1-2N0 高淋巴結風險方面具有更好的性能[21]。 段彤彤等[22]研究表明，未發現TNBC 超聲征象對腋下淋巴結轉移有預測價值，體質量指數＜25 kg/m2對判斷TNBC 腋下淋巴結轉移有提示作用。

乳腺淋巴引流約25%引流至內乳淋巴結(internal mammarylymph node，IMLN)，IMLN 轉移的發生率為16.7% ~40.0%[23]。 紀曉惠等[24]研究表明，轉移的IMLN 多表現為無淋巴門結構或者皮質增厚，且IMLN多發有助于診斷轉移。 超聲能較好地評估乳腺癌IMLN 轉移，IMLN 長徑聯合結構類型的診斷效能更高。IMLN 轉移的獨立危險因素為乳腺腫物長徑及腋窩淋巴結轉移。

4 乳腺癌超聲影像精準診斷新技術研究熱點與前沿

4.1 多模態超聲技術應用進展 徐茂林等[25]研究發現，超聲圖像的灰度直方圖參數(包括均值、方差、偏度、峰度及第1、10、50、90、99 百分位數)中方差及第99 百分位數對三陰性乳腺浸潤性導管癌與非三陰性乳腺浸潤性導管癌有鑒別診斷價值。

乳腺癌超聲特征與血管生成擬態(vascular mimicry，VM)陽性具有一定的相關性。 病灶直徑＞2 cm、臨床分期為Ⅲ期及Ⅳ期、腋窩淋巴結轉移與VM 陽性相關。 超聲造影結果顯示，病灶增強形態不規整、邊界不清晰、增強模式為快進快退和快進慢退與VM 陽性相關，其中，病灶增強邊界不清晰鑒別VM 陽性的價值最高[26]。

SWE 定量參數Emax、Kindlin-2 和膠原纖維水平與乳腺結節惡性程度相關，SWE 與Kindlin-2 結合可判斷乳腺結節纖維化程度，用于診斷浸潤性導管癌[27]。 病灶最大彈性值Emax 聯合BI-RADS 分類對最大徑≤2 cm 乳腺癌診斷的準確率為79.1%，減少臨床診療中對BI-RADS 4a 類病變不必要的穿刺和手術，具有較好的應用價值[28]。

ABVS 冠狀面毛刺征和邊緣成角評估乳腺腫瘤良惡性具有優勢，診斷敏感度優于矢狀面與橫切面。 與其他邊緣征象比較，微小分葉的綜合評價效能具有穩定性，是診斷惡性結節敏感度和準確性最佳的特征[29]。

CEUS 受傳統超聲成像分辨率的限制，顯示微血管仍然具有挑戰性；另外，CEUS 對組織灌注的量化依然具有操作者依賴性。 受超分辨率光學顯微鏡的啟發，最近研發了超分辨率超聲定位顯微鏡(ultrasound localization microscopy，ULM)。 ULM 使用與CEUS 相同的超聲造影劑，但與CEUS 不同的是，ULM 應用微泡的位置來構建圖像，而不是微泡的反向散射強度，因此，ULM 能將組織深處的微血管可視化[30]。

4.2 超聲影像組學應用進展 影像組學是從醫學影像中高通量地提取大量的影像特征，應用自動化數據特征算法將感興趣區的影像數據轉化為具有高分辨率的可發掘的特征數據。 傳統影像組學的流程為圖像獲取-圖像分割-特征提取-特征篩選-統計分類及模型建立[31]。 超聲影像組學在乳腺癌診斷中的應用包括乳腺結節良惡性的診斷、腋窩淋巴結轉移的評價、預測乳腺癌激素受體表達等[32]。 基于二維超聲或SWE的影像組學特征有助于提高對乳腺腫瘤的分類能力[33]。

影像組學預測模型可顯著提高臨床預測模型及傳統TNM 分期預測TNBC 患者無病生存期(disease-free survival，DFS)的效能，為TNBC 患者治療前進行復發風險分層、個體化腫瘤治療方案的制定提供依據。 俞飛虹等[34]篩選出10 個重要的影像組學特征構建成的組學標簽，在訓練集和驗證集中均是預測DFS 獨立的風險因素，影像組學模型由腋窩淋巴結分期、Ki-67 指數和影像組學標簽構成，在訓練集和驗證集中，影像組學模型的預測效能優于臨床病理模型或TNM 分期系統。

4.3 深度學習及計算機輔助診斷應用進展 深度學習是一種模擬人腦分析的技術，通過構建神經網絡，提取抽象特征，構建臨床預測模型[35]。 深度學習的流程為將重建圖像直接輸入后，由多個神經網絡層自動進行特征的提取、篩選和分類，然后將圖像特征發送到標準監督機器學習獲得所需預測模型[31]。 在乳腺癌超聲應用為自動對乳腺超聲圖像中的病變進行分割、病變檢測，計算機輔助BI-RADS 分類診斷。 經過訓練的AI 程序有助于提高超聲診斷乳腺癌的準確性。 O′Connell 等[36]研究發現，AI 程序對乳腺病變的診斷與10 位醫師BI-RADS 分類一致，AI 系統和專家組之間的診斷能力無顯著差異[37]。

在乳腺癌精準診斷方面，深度學習模型在BI-RADS 4a 類患者中的診斷準確率為92.86%，約70.76%的患者被判定為良性腫瘤，理論上使得不必要的活檢減少了67.86%；對乳腺癌的分子亞型有良好的預測效果，三陰性亞型、HER-2( ＋)亞型預測的曲線下面積(area under the curve，AUC)分別為0.864、0.811[38]。 在預測乳腺癌NAC 效果方面，Byra 等[39]提出了兩種基于深度學習的方法，根據治療前收集的超聲圖像早期預測乳腺癌對NAC 的反應，卷積神經網絡(convolutional neural network，CNN)展現了良好的預測性能；深度學習影像組學列線圖預測PCR 準確性優于臨床模型、兩位專家對PCR 的預測。

在預測乳腺癌淋巴結轉移方面，乳腺癌常規超聲和剪切波彈性成像的深度學習模型可用于預測早期乳腺癌患者術前淋巴結轉移的風險，在測試隊列中AUC 為0.905[40]。 與影像組學模型比較，CNN 在預測乳腺癌淋巴結轉移方面整體性能更好，對于CNN 和影像組學模型，結合瘤內和瘤周區域特征可以顯著提高預測性能[41]。 基于深度學習的超聲影像組學模型還準確地將SLN 或非前哨淋巴結中51%的過度治療患者適當地分配到低危組，避免過度治療[42]。

5 總結與展望

近年來，乳腺癌發病率逐年上升，早期診斷和有效治療是降低乳腺癌病死率的關鍵。 超聲作為臨床一線檢查方法，在乳腺癌精準診斷方面的探索在不斷進步。 多模態超聲已成為超聲醫學發展的必然趨勢，影像組學、深度學習等技術在未來將會有更廣闊的發展前景。 但由于各機構所選用的超聲設備及參數設置存在差異、研究圖像未標準化，算法及模型的外推適用存在困難。 計算機輔助診斷的可重復性仍然需要大規模、高質量的前瞻性研究來驗證。

超聲醫學正在由二維單參數評估向高維多模態體系更新，由宏觀形態學判讀向超微灌注及分子標志物表達聚焦，由人工掃查識別征象到智能自動采集高通量數據挑戰，由腫瘤篩查、精準診斷到早期診療結合、轉移風險預測、療效監測綜合應用。 多模態超聲聯合影像組學、深度學習等技術將展現巨大潛能，在提高乳腺癌診斷準確率的同時，極大提高超聲醫師工作效率，進一步為患者制定個體化治療方案、改善患者生存質量發揮其自身的價值。