多參數MRI聯合免疫炎癥指標預測乳腺癌腋窩淋巴結轉移的價值研究

戴興偉，申云霞，黃奕巧，楊春燕，王秀榮

乳腺癌發病率、死亡率逐年增加，截至2020 年，乳腺癌發病率首次超過肺癌，占癌癥相關死亡率15.5%[1]。腋窩淋巴結狀態及陽性淋巴結數目決定乳腺癌TNM 分期，準確評估腋窩淋巴結性質對臨床治療方案選擇及患者預后均有重要意義。臨床上最常采用前哨淋巴結活檢或腋窩淋巴結清除術來評估淋巴結良惡性，然而其屬于侵入性檢查，可造成肩部功能障礙、神經損傷、上肢麻木及淋巴水腫等嚴重并發癥。超聲是檢查乳腺癌腋窩淋巴結轉移（axillary lymph node metastasis,ALNM）的一種常見影像手段，也有通過超聲造影來鑒別腋窩淋巴結是否轉移的研究，但結果可能因操作者的手法及經驗不同而存在主觀差異[2]。正電子發射計算機斷層顯像（positron emission tomography-computed tomography,PET-CT）作為一種全身性的影像學檢查，空間分辨率較低，診斷淋巴結轉移的靈敏度較低[3]。相比之下，MRI 可以多參數多序列成像，具有較高的軟組織分辨力，能夠通過定量評估反映腫瘤微觀結構，如細胞膜完整性、血管通透性及組織細胞密度[4]。

外周血免疫相關炎癥指標的動態變化能夠反映機體抗腫瘤免疫與炎癥反應的微觀環境，與腫瘤的預后密切相關[5]。有學者發現乳腺癌ALNM 與外周血免疫相關炎癥指標有關[6-7]，同時發現中性粒細胞/淋巴細胞比值（neutrophil-lymphocyte ratio, NLR）、血小板/淋巴細胞比值（platelet-lymphocyte ratio, PLR）、單核細胞/淋巴細胞比值（monocyte-lymphocyte ratio, MLR）與食管癌、前列腺癌、膀胱癌及肝癌等多種癌癥預后相關[8-11]。但關于炎癥指標與乳腺癌多參數MRI 特征之間的相關性未見報道。因此本研究旨在探討多參數MRI 與免疫組化因子、免疫相關炎癥指標在ALNM 中的預測價值及相關性，為臨床診斷及預后評估提供參考。

1 材料與方法

1.1 研究對象

回顧性分析2019 年1 月至2021 年12 月在深圳市龍崗中心醫院就診，經手術病理證實為乳腺癌的患者資料。納入標準：（1）病理證實為乳腺癌；（2）治療（包括藥物治療和手術）前一周內同時行動態增強磁共振成像（dynamic contrast enhanced-magnetic resonance imaging, DCE-MRI）、擴散加權成像（diffusion-weighted imaging, DWI）檢查，數據完整，圖像清晰；（3）MRI檢查前未行腋窩穿刺、放化療和手術治療；（4）治療前一周內行血常規檢查；（5）所有患者均進行穿刺活檢或者腫塊切除并取得病理結果。排除標準：（1）腫瘤過小無法進行數據測量者；（2）臨床資料不齊者；（3）假體植入史；（4）血常規檢查前一周有感染癥狀；（5）血常規檢查前接受過影響血液學指標的治療，如免疫抑制治療或者長期口服阿司匹林、華法林和其他抗凝血藥物等。本研究經過深圳市龍崗中心醫院醫學倫理委員會批準，免除受試者知情同意（批準文號：2021ECPJ014）。

1.2 檢查方法

1.2.1 儀器設備

采用德國西門子Prisma 3.0 T 磁共振掃描儀及16 通道乳腺專用相控陣線圈。被檢患者取俯臥位，雙乳自然懸垂于線圈內。所有患者行平掃、動態增強及ZOOMit 序列掃描。掃描參數如下：

平掃T1WI 掃描參數如下：TR 6.0 ms，TE 2.46 ms，FOV 300 mm×300 mm，層厚1.5 mm，矩陣326×384；軸位T2WI 脂肪抑制序列掃描參數如下：TR 6460 ms，TE 71 ms，FOV 300 mm×300 mm，層厚4.0 mm，矩陣326×384。動態增強掃描參數如下：TR 4.50 ms，TE 1.58 ms，FOV 300 mm×300 mm，矩陣307×384，層厚1.5 mm，平掃1 期后注射對比劑釓噴酸葡胺（拜耳先靈醫藥公司，德國），劑量0.2 mmol/kg，隨后以流速1.5 mL/s注射生理鹽水20 mL。共掃描9期，每期30 s，3 min后掃描延遲期。DWI掃描參數如下：采用單次激發平面回波成像技術，b 值為50、800 s/mm2。TR 3500 ms，TE 56.0 ms，FOV 173 mm×340 mm，矩陣78×200，層厚5.0 mm。

1.2.2 圖像分析

由2 名經驗豐富的放射科醫師（具有3 年MRI 診斷經驗的醫師和20 年MRI 診斷經驗的副主任醫師）在西門子后處理工作站Syngo.via（20A.HF06 版本）上采用雙盲法獨立分析MRI圖像，意見不一致時協商解決。在MRI 圖像上觀察腋窩淋巴結特征。MRI 診斷淋巴結轉移的依據：（1）短徑/長徑＞0.6；（2）脂肪門消失；（3）淋巴結強化明顯；（4）皮髓質界限不清。如果出現以上四項中的一項，則認為MRI 淋巴結陽性。最大密度投影（maximal intensity projection, MIP）圖上觀察腫瘤周圍血管征象，如果瘤周血管增多增粗則為周圍血管征陽性。在腫瘤最大層面強化最明顯處勾畫感興趣區（region of interest, ROI），避開囊變壞死及出血區域。ROI取值控制在20 mm2，自動生成時間信號強度曲線（time-signal intensity curves, TIC）。DWI 圖像經工作站后處理獲得表觀擴散系數（apparent diffusion coefficient, ADC）圖，定位腫瘤最大層面，勾畫一個ROI，盡量避開囊變壞死及出血區域，得到腫瘤ADC 平均值（mean values of tumor ADC,ADCtmean），然后選擇腫瘤周圍2 mm 內臨近乳腺實質組織ADC值最高處（視覺感知）勾畫三個ROI，測量其ADC 值，記錄瘤周最大ADC 值（peritumoral maximum ADC, ADCpmax）。計算腫瘤ADC 值差值（difference of tumor ADC, ADCtdiff）和瘤周-腫瘤ADC比值（ratio of peritumoral-tumor ADC,ADCratio）。計算公式如下：ADCtdiff=腫瘤最大ADC 值-腫瘤最小ADC 值；ADCratio=ADCpmax/ADCtmean（圖1）。所有數據測量三次，取其平均值。

1.2.3 病理分析

所有標本均由外科醫師獲得，由病理醫師采用免疫組織化學染色方法分析生物因子表達。根據指南[12]，雌激素受體（estrogen receptor, ER）與 孕 激 素 受 體（progesterone receptor, PR）陽性表達細胞＜1%為陰性，≥1%為陽性。人表皮生長因子受體2（human epidermal growth factor receptor 2,HER-2）染色結果（-）（+）為陰性，（+++）為陽性，（++）則采用熒光原位雜交法（fluorescence in situ hybridization,FISH）確定HER-2 狀態。參照2013 年St.Gallen 國際專家共識[13]，增殖細胞核抗原（Ki-67）陽性表達細胞＜20%為低表達，≥20%為高表達。

1.2.4 外周血免疫相關炎癥指標分析

登錄病歷資料系統，提取患者接受治療前一周內血常規的檢查結果，包括中性粒細胞絕對值（absolute neutrophil count,N,×109/L）、淋巴細胞絕對值（absolute lymphocyte count, L, ×109/L）、單核細胞絕對值（absolute monocyte count,M,×109/L）及血小板計數（platelet count,P,×109/L）。計算NLR、PLR、MLR，計算公式如下：NLR=N/L；PLR=P/L；MLR=M/L。

1.3 統計學方法

應用SPSS 26.0 軟件、R 軟件（3.5.1 版本，http://www.r-project.org/）和Medcalc 20.1.0 軟件進行數據處理。連續變量滿足正態分布采用平均數±標準差表示，獨立樣本t檢驗進行比較；偏態分布采用中位數和四分位距表示，Mann-WhitneyU檢驗進行比較。分類變量采用數量和百分比表示，χ2檢驗或Fisher 精確檢驗進行比較。Spearman 等級相關方法分析外周血免疫炎癥指標與免疫組化因子、多參數MRI特征之間的相關性。將單因素分析有意義的指標納入多因素logistic回歸分析，對各參數及聯合參數模型繪制受試者工作特征曲線（receiver operating characteristic, ROC），計算曲線下面積（area under the curve, AUC）。使用Delong 檢驗比較ROC曲線，決策曲線（decision curve analysis, DCA）及校準曲線對模型進行評價。組間相關系數（interclass correlation coefficients, ICC）用于評價ADC 觀察者間一致性，ICC＞0.75認為一致性良好。P＜0.05為差異具有統計學意義。

2 結果

根據納入標準初步篩選出85 份病例。根據排除標準，腫瘤過小無法進行數據測量者8例、臨床資料不齊者12例、假體植入者1 例、血常規檢查前一周有感染癥狀者7 例，血常規檢查前接受過影響血液學指標的治療者5 例，最終入組52 例乳腺癌病例。患者均為女性，年齡29～65（45.02±7.71）歲。32 例患者腋窩淋巴結轉移，20 例無轉移；其中浸潤性導管癌43例，導管內原位癌7例、浸潤性小葉癌2例。

2.1 觀察者間一致性

兩名醫師獨立測量ADCtmean、ADCtdiff、ADCpmax和ADCratio具有良好的一致性。ICC范圍為0.779～0.932（＞0.75）。選擇第一位醫師ADC測量值進行分析。

2.2 淋巴結轉移組與無轉移組間臨床特征、病理特征、免疫炎癥指標和多參數MRI特征比較

對乳腺癌淋巴結轉移組與無轉移組間臨床特征、病理特征、免疫炎癥指標及多參數MRI 特征進行單因素分析。根據Youden 指數計算NLR、PLR 和MLR 最佳臨界值分別為2.437、218.788 和0.228。單因素分析表明，Ki-67 表達、PLR、腫瘤長徑、周圍血管征、內部強化方式、ADCtdiff、ADCpmax、ADCratio及MRI淋巴結特征差異具有統計學意義（P＜0.05），見表1。將單因素分析有意義的結果進一步采用多因素logistic 回歸向前步進法分析，結果顯示Ki-67、PLR、腫瘤長徑、ADCpmax 和ADCratio、MRI淋巴結特征是預測乳腺癌腋窩淋巴結轉移的獨立影響因素（P＜0.05）（表2）。

表1 淋巴結轉移組與無轉移組乳腺癌患者的特征比較

表2 單因素分析顯著變量的多因素logistic分析

2.3 免疫炎癥指標與免疫組化因子、多參數MRI 特征的相關性分析

免疫炎癥指標PLR 與ADCpmax、ADCratio 呈正相關，差異具有統計學意義（r=0.278,P=0.042；r=0.303,P=0.025）。免疫炎癥指標NLR、PLR和MLR與其他免疫組化因子及多參數MRI特征無明顯相關性（P＞0.05）。

2.4 ALNM預測模型建立與評估

通過多因素logistic 回歸分析表明，Ki-67、PLR、腫瘤長徑、ADCpmax、ADCratio 及MRI 淋巴結特征是乳腺癌ALNM 的危險因素，以此構建臨床預測模型（PLR+Ki-67）、MRI 預測模型（腫瘤長徑+ADCpmax+ADCratio+淋巴結MRI 特征）及聯合預測模型（臨床預測模型+MRI 預測模型）。結果表明，臨床預測模型AUC 為0.722；MRI 預測模型AUC 為0.898，其中，ADCpmax 的AUC 最大，為0.845，敏感度為71.90%，特異度為95.00%；聯合Ki-67、PLR 及MRI 預 測 模 型 可 以 將AUC 提 高 至0.914，見表3與圖2。

表3 Ki-67、PLR及多參數MRI預測ALNM的效能

Delong 結果顯示，聯合預測模型的AUC 值高于臨床預測模型（P=0.002），但是與MRI 預測模型的AUC 差異不顯著（P=0.200）。MRI 預測模型的AUC 高于臨床預測模型（P=0.010）。DCA表明聯合預測模型具有良好的臨床效益，校準曲線表明聯合預測模型評估ALNM效能良好（圖3）。

3 討論

本研究旨在探討多參數MRI 聯合免疫炎癥指標預測乳腺癌ALNM的臨床價值。研究結果表明淋巴結轉移組PLR水平比無轉移組高，且首次證實PLR 與ADCpmax 和ADCratio 成正相關。此外，聯合Ki-67、PLR、腫瘤長徑、ADCpmax、ADCratio 及淋巴結MRI特征構建聯合預測模型，可以提高ALNM診斷效能，為預測乳腺癌ALNM提供臨床依據。

3.1 乳腺癌患者免疫炎癥指標與多參數MRI、免疫組化因子的相關性分析及與ALNM的關系

據我們所知，目前沒有研究分析乳腺癌患者外周血免疫炎癥指標與腫瘤ADC 值的相關性。Liang 等[14]的研究表明，宮頸癌患者NLR 和腫瘤ADC 值之間沒有顯著相關性，但該研究并未考慮PLR 和LMR。本研究首次證實乳腺癌患者PLR 與ADCpmax 和ADCratio 呈正相關。根據先前的研究，腫瘤炎癥反應通過誘導組織損傷，刺激巨核細胞分化、促進血小板生成素產生，導致外周血小板增多、活化與聚集[15-16]。此外，血小板能夠分泌細胞生長因子，包括集落刺激因子1、血管內皮生長因子和血小板衍生生長因子受體，促進腫瘤血管生成和上皮-間質轉化[17-19]。而細胞因子的釋放會導致腫瘤新生血管增多及血管通透性增加，進而導致瘤周水腫[20-21]。Igarashi等[22]與Choi等[23]認為瘤周水腫和血管密度增加與ADCpmax 和ADCratio密切相關。因此，本研究推斷PLR高水平可能會通過影響血管通透性和新生血管密度，導致瘤周微觀環境發生變化，進而介導腫瘤細胞轉移。此外，梅章懿等[24]研究表明NLR、PLR與乳腺癌淋巴結轉移相關，且NLR是淋巴結轉移的獨立預測因子。Cho 等[7]的研究發現淋巴結轉移與LMR 高水平相關，與NLR、PLR相關性不明顯。與Morkavuk等[25]的研究結果一致，本研究證實淋巴結轉移組PLR高于淋巴結無轉移組。提示乳腺癌ALNM與血小板存在相關性，且最新研究也證實血小板促進循環腫瘤細胞（circulating tumor cell, CTC）外滲，誘導其增殖，在血小板豐富的微環境中腫瘤細胞更容易轉移擴散[26-27]。

本研究結果表明免疫炎癥指標與免疫組化因子之間無相關性，與Yang 等[6]研究結果基本一致。Xu 等[28]卻認為ER 陽性與NLP、PLR 低水平相關。結論的差異可能是由于NLR、PLR 的截斷值差異造成的。此外，研究表明NLR 高水平與死亡率增加顯著相關[29]。多項研究證實，在乳腺癌患者中，低水平NLR患者的無病生存期明顯長于高水平NLR患者[30-31]。換言之，中性粒細胞能夠分泌細胞因子和腫瘤生長促進因子，淋巴細胞分泌一些與控制腫瘤生長有關的細胞因子，如IFN-γ、TNF-α等，NLR表達水平越低，則表示腫瘤侵襲力較弱，其總生存率和無病生存率較長[32]。

3.2 乳腺癌多參數MRI特征與ALNM的關系

淋巴結轉移組與無轉移組間腫瘤周圍血管征和強化方式差異具有統計學意義（P＜0.05）。研究表明，腫瘤內部不均勻強化或者邊緣強化是前哨淋巴結和遠處轉移的獨立預后因素[18]。腫瘤邊緣強化與腫瘤周圍的高微血管密度及纖維化程度較高有關。當腫瘤細胞增殖活躍，組織微環境缺氧，腫瘤相關巨噬細胞分泌大量的生長因子及趨化因子在腫瘤邊緣形成反應帶，促進腫瘤細胞增殖、血管生成及周圍纖維組織增生[17,33]。但多因素logistic 回歸分析并未將周圍血管征、強化方式納入MRI 聯合預測模型。究其原因可能與樣本量較小有關。此外，本研究表明腫瘤大小是評估ALNM 的獨立預測因素，與Xue等[34]的研究結果一致。眾所周知，腫瘤直徑增大，與周圍的淋巴管網接觸增多，癌細胞易發生遠處轉移[35]。然而，必須強調的是，小腫瘤也可能是由活躍的癌細胞在短時間內突然發展起來的。因此，考慮ALNM 時，必須結合腫瘤及腋窩淋巴結其他參數特征。

DWI是一種基于組織間水分子擴散運動檢測細胞密度、膜完整性和腫瘤微觀結構的功能MRI 技術。已有研究證實ADC值在區分良惡性腫瘤方面是可行的，也是預測腫瘤預后的一個強有力指標[36]。乳腺癌作為一種高度異質性腫瘤，病灶內部細胞密度、組織成分不盡相同，單獨采用腫瘤ADC 值評估其侵襲力不夠全面[37]。ADCtdiff、ADCpmax 及ADCratio 可以盡量避免相關混雜因素的影響，反映腫瘤異質性和瘤周微觀結構[37-38]。Choi等[23]的研究也證實了ADCpmax、ADCratio是ALNM的獨立預測因子，與腫瘤侵襲力密切相關，與本研究結果一致。

3.3 診斷效能

研究結果顯示，MRI預測模型AUC為0.898，高于臨床預測模型（AUC=0.722），聯合Ki-67、PLR 和MRI 預測模型可將AUC提 高 至0.914。Yang 等[6]研 究 表 明PLR 預 測ALNM 的AUC 為0.685，與本研究結果（AUC=0.653）基本接近，但在聯合預測模型中占的比重較少，提示單獨應用Ki-67 和PLR 預測ALNM 存在一定局限性，聯合MRI 技術可以提供更加精確、全面的診斷信息。Choi 等[23]聯合腫瘤長徑、ADCratio 和腫瘤強化模式的MRI預測模型AUC為0.80，表明MRI特征在預測ALNM時具有一定臨床參考價值，但該研究AUC 小于本研究，可能是因為本研究MRI 預測模型除了納入腫瘤長徑和ADCratio，還包括ADCpmax，因此提高MRI聯合模型的診斷效能。

3.4 局限性

本研究存在以下局限性：（1）本研究為單中心研究且樣本量相對較小。因此，在后續的研究中有必要進行多中心研究進一步驗證；（2）本研究采用的是二維ROI測量方式，基于ADC值的三維直方圖分析與免疫炎癥指標及ALNM 的相關性是否更顯著值得進一步探討；（3）本研究沒有根據乳腺癌不同分子分型及病理分型分類討論免疫炎癥指標與ALNM 的相關性，有待以后擴大研究樣本量進一步分析。

綜上所述，免疫炎癥指標PLR高水平與乳腺癌ALNM密切相關，且與ADCpmax、ADCratio呈正相關，間接反映腫瘤侵襲力，進一步證實腫瘤細胞可能更容易在富含血小板的微環境中擴散。聯合Ki-67、PLR及多參數MRI可用于術前無創性預測乳腺癌患者腋窩淋巴結狀態，為臨床診斷及預后評估提供參考。

作者利益沖突聲明：全體作者均聲明無利益沖突。