非腫塊型乳腺病變超聲診斷新進展

孫藝寧，陳蘭

非腫塊型乳腺病變超聲診斷新進展

孫藝寧，陳蘭

延邊大學附屬醫(yī)院超聲醫(yī)學科，吉林延吉 133000

非腫塊型乳腺癌的患病率逐漸增多，危害女性健康，早期確診對患者有重要意義，但因其不典型特征導致其檢出困難，臨床診斷時難以與炎癥性疾病相鑒別。本文將歸納總結超聲新技術在非腫塊型乳腺良惡性病變診斷中的進展。

乳腺腫瘤；非腫塊型乳腺癌；自動乳腺全容積成像技術；彩色多普勒超聲

非腫塊型乳腺病變（non-mass-like breast lesion，NML）是指病變彌漫、在超聲圖像上缺乏明顯形狀或邊緣的低回聲區(qū)域且在兩個不同掃查方向上不具備占位效應的一種非占位性病變[1]。NML在臨床上較少見，占所有乳腺病變的9.2%[2]。常規(guī)超聲對NML的診斷特異性較低，診斷率21%～43%[3]。良性NML多為腺病，惡性NML多為導管內癌和浸潤性導管癌。美國放射學會乳腺影像報告與數據系統（breast imaging reporting and data system，BI-RADS）定義了乳房腫塊的分類，但未能提供NML的分類。目前，暫無NML的標準分類方法[4]。既往研究將NML分為乳腺低回聲區(qū)、微鈣化低回聲區(qū)和導管內實性回聲區(qū)[5]。2004年，日本乳腺甲狀腺疾病學會對NML進行了系統分類。他們的標準包括異常導管變化、多囊泡模式、乳房組織的低回聲區(qū)域和結構異常[6]。本文將歸納總結超聲新技術在NML良惡性診斷中的新進展。

1 自動乳腺全容積成像

自動乳腺全容積成像（automated breast volume scanner，ABVS）是一種新型的超聲成像技術，可提供標準化的圖像采集和整個乳房的冠狀圖像。通過連續(xù)檢查乳房橫切面，自動進行乳房三維立體重建，同時獲得形態(tài)學和冠狀面圖像[7]。研究顯示ABVS可提高區(qū)分乳腺病變性質的敏感度、特異性和準確性[8]。ABVS的優(yōu)勢在于它允許通過實時超聲對組織分布進行非侵入性成像，具有高敏感度、特異性和準確性[9]。在不同的應變水平下，ABVS可獲得不同的脂肪、正常腺體組織、纖維組織、導管原位癌和浸潤性導管癌的超聲特征[10]。研究表明：ABVS顯示的血管供應情況、簇狀鈣化、導管改變、外周改變和冠狀切面等特征可用于預測良惡性病變[11]。ABVS比鉬靶能檢測到更多的NML，表明ABVS冠狀面成像可能比鉬靶更敏感地顯示結構方面的異常。冠狀面能較直觀地顯示結構扭曲、變形，可呈典型或不典型的“匯聚征”，且較二維超聲對鈣化、成角等邊界不規(guī)則的病灶檢出率高，因此對診斷NML的惡性病變具有較高的特異性。

2 剪切波彈性成像技術

剪切波彈性成像（shear wave elastography，SWE）可通過評估內部和外周硬度來區(qū)分良性和惡性病變。SWE具有良好的重復性和較高的診斷效能。然而，關于SWE在NML中的診斷價值的獨立研究較少。研究表明，惡性病灶最硬的區(qū)域位于乳腺病灶的外圍而不是內部，這意味著外周的彈性分析可能具有更好的診斷價值[12]。雖然SWE對NML有較好的診斷價值，但不應忽視假陰性和假陽性結果。多項研究表明，多種臨床因素與假陰性和假陽性結果有關。在NML中，鈣化、小病灶和原位癌的出現與假陰性結果相關。在良性病變中，與乳頭的距離是引起假陽性結果的主要原因[13]。為了減少假陽性和假陰性結果，有必要使用其他成像技術進行聯合診斷，如在NML鈣化的情況下需要進行乳房X線攝影，由于內部和外圍參數可反映病變的不同病理形態(tài)，影像技術的聯合應用可進一步提高NML的診斷準確性。NML的彈性參數內、外周最大值（Emax）和平均值（Emean）均高于良性病變，這主要與NML中導管內原位癌的高比例有關[14]，由于惡性病灶容易滲入周圍組織，因此病變最硬的組織不是位于病灶內部，而是位于周圍組織。所以對周圍組織的評估可能比內部SWE彈性更有助于NML的鑒別診斷。有報道稱1～3mm內殼的“硬邊”征和Emax/Emean具有較高的診斷價值，Emax在外周2.5mm處的曲線下面積為0.900[15]。Huang等[16]對乳腺腫塊病變的周圍組織進行了研究，發(fā)現3mm處的外殼Emax具有最佳診斷價值。

3 超聲造影

超聲造影（contrast-enhanced ultrasonography，CEUS）可客觀地評價NML的血供，從而有助于鑒別NML的良惡性。與腫塊樣乳腺病變相比，NML具有獨特的對比增強特征。乳腺病變中乳腺NML的數量較少，既往研究傾向于探索腫塊樣病變的特征、邊界和形狀。Xiao等[17]將病變范圍、邊界和形狀視為NML的獨立危險因素。Wang等[18]研究表明，增強強度、增強順序、邊界增強范圍、外周血管和其直徑的增加均是NML的獨立危險因素。二維超聲往往低估NML病灶的大小，尤其是當其病理類型為導管內癌的時候。CEUS測量的最大值更接近術后病理標本測量值，表明超聲造影發(fā)現的病灶大小和形狀更接近病灶的真實狀態(tài)。由于大多數NML與正常腺體混合，因此在常規(guī)二維彩超上僅識別出具有低回聲的病變范圍。而在增強狀態(tài)下，腺體的基本回聲被掩蓋，僅顯示血供信息，可顯示惡性NML較為完整的形態(tài)，所以增強后的病變范圍較常規(guī)二維彩超顯示的范圍寬。研究顯示，乳腺惡性病灶周圍腫瘤微血管多于其中心[19]。惡性NML通常表現為早期強化、強化程度更高、范圍擴大、外周血管出現。在NML中，較高的強化和病變范圍是惡性NML的獨立危險因素。常規(guī)超聲結合CEUS可提高診斷效率，而CEUS是一種相對侵入性的方法，造影劑可能會引起過敏反應。妊娠期和哺乳期女性不宜使用CEUS。

4 超微血管成像技術

超微血管成像技術（superb microvascular imaging，SMI）是一種新的多普勒技術，旨在通過一種新的自適應算法來改善血流的可視化，尤其是慢血流信號，該算法可顯著消除雜波，同時保持較高的幀速率。它可在兩種模式下運行：彩色模式SMI（colour superb microvascular imaging，cSMI）和灰階模式SMI（monochromr superb microvascular imaging，mSMI）。前者同時顯示帶有彩色編碼多普勒信號和傳統灰度超聲，后者減去背景信號僅顯示脈管系統。SMI對微血管表現出卓越的敏感度，因此能夠更詳細地評估血管的復雜性和分布，從而提高診斷惡性NML的診斷性能。此外，血管指數的定量分析有望提供更多關于血管分布程度的客觀信息。但是，要更有效地使用SMI，需要測量學習曲線。SMI特征與各種組織病理學因素（如微血管密度、組織學分級、淋巴結狀態(tài)、腫瘤直徑、激素受體狀態(tài)和腫瘤基因表達）之間的相關性有助于預測NML患者的預后或治療方案的選擇。最近開發(fā)的一種定量方法：高清微血管成像（high-definition microvasculature imaging，HDMI），可視化直徑小至300μm的亞毫米血管。HDMI技術基于超快超聲成像，包括血管增強和形態(tài)濾波及血管結構形態(tài)的量化[20]，可獲得各種定量的微血管形態(tài)參數[21]，有研究表明HDMI定量微血管形態(tài)參數和SWE估計的彈性組合是改善乳腺腫塊分級的協同生物標志物。將HDMI和SWE與臨床因素（病變深度和年齡）相結合，將進一步提高診斷的準確性[22]。

5 超聲引導下真空輔助活檢

自1995年推出以來，超聲引導下真空輔助活檢（vacuum-assisted biopsy，VAB）已成為乳腺結節(jié)首選診斷方法，如發(fā)現有簇狀鈣化、邊界不清、結構扭曲或需要完全切除的病變，因為VAB設備連續(xù)采樣可更好地檢測乳腺結節(jié)。最近推出的13-G無線VAB具有方便、準確病理診斷的優(yōu)點。對高度懷疑惡性的小結節(jié)或有家族史的女性而言，快速而準確地診斷良惡性非常重要。超聲是乳房活檢首選的一線成像方式，而超聲引導下穿刺活檢是一種具有高成本效益的快速方法，有助于明確診斷并提供預后信息，從而迅速決定未來的治療方案，無需進行開放式手術活檢或冰凍切片分析。對一些較小的良性結節(jié)，甚至可在超聲引導下切除[23]。研究表明經皮穿刺活檢有時會降低侵襲性癌癥的發(fā)現率，Seo等[24]研究指出VAB的低估率明顯低于半自動穿刺活檢，是由于半自動穿刺活檢會將空氣引入活檢腔，這可能會掩蓋鈣化病灶，而VAB可在手術過程中將空氣和血液從活檢腔中吸走，從而解決該問題。此外，在使用VAB時，探頭位于病灶后方，因此不會掩蓋病灶。通過VAB可輕松獲得多個樣本，而使用半自動穿刺針很難獲得超過7個樣本，即使是同軸針也是如此。因此，在高度懷疑NML時可用VAB作為診斷鑒別的首選設備。

6 光聲成像技術

光聲成像技術是一種相對較新的成像技術，該方法基于在發(fā)生光吸收的位置通過熱彈性膨脹將吸收的脈沖光能轉換為聲能，可產生組織中光吸收分布的高分辨率3D圖像，且不受光散射的影響。與光相比，這些聲波在傳播過程中的散射和衰減要小得多。使用換能器進行檢測可重建聲源的空間分布，其分辨率完全取決于所用檢測器的帶寬和空間采樣。Kruger等[25]首先提出將近紅外光譜應用于乳腺成像，Oraevsky等[26]在2001年使用基于激光的光聲成像系統展示了首例患者結果。一項小型患者隊列研究顯示，使用光聲乳房X光鏡，一種經實驗室制造的乳房成像儀，能夠以高成像和對比度實現惡性腫瘤的可視化，其對比度優(yōu)于X線攝影預計的乳房密度[27]。光聲成像還可利用血紅蛋白與光的高對比度可視化組織深處的脈管系統，并通過超聲實現高分辨率檢測。

7 人工智能成像

近年來，人工智能（artificial intelligence，AI）成像研究已廣泛擴展，包括人工神經網絡、支持向量機和深度學習在超聲中的應用[28-29]。在BI-RADS 4A中NML的良性和惡性的超聲特征跨度會產生分類錯誤的可能性。AI的發(fā)展為BI-RADS分類提供了一種新的方法[30]。AI可識別乳腺病變的形態(tài)和紋理特征，彌補人類視覺觀察的不足[31]。根據對BI-RADS 3類病變的研究，AI可以正確升級大多數被醫(yī)生誤診為3類的惡性病變。對于4A類，AI也表現出較高的診斷效率，BI-RADS 4A的分類準確率可高于90%。目前，AI在BI-RADS分類中的應用主要在于不同AI程序其可行性和準確性略有不同[32-33]。研究表明，AI可達到與診斷醫(yī)生相似的分類級別[34]。另有研究表明，針對NML良性和惡性病變，仔細觀察病灶內部回聲將有助于醫(yī)生提高肉眼診斷良惡性腫瘤的準確率[35]。腫瘤邊緣的特征在良惡性病變的鑒別中也具有重要意義[36]。

乳腺病變可分為腫塊型和非腫塊型，腫塊型在二維超聲上具有典型圖像特征，因此臨床多可明確診斷。然而近幾年發(fā)現很多乳腺病變表現為非腫塊型，這類乳腺病變因其缺乏明顯形狀或邊緣的低回聲區(qū)域等圖像特征，二維超聲容易漏診。隨著各項超聲新技術的發(fā)展，彌補了二維超聲在NML診斷的不足，充分聯合利用超聲新技術，有助于發(fā)現病灶并鑒別良惡性病變；有助于更好地顯示受累病變導管數目、病變侵及范圍及其與周圍組織的關系；有助于明確病變血流灌注并對病灶進行升降級等，對NML進行合理的BI-RADS分類，提高超聲診斷率，為臨床提供可靠的診斷依據。

[1] TANG G, AN X, XIANG H, et al. Automated breast ultrasound: interobserver agreement, diagnostic value, and associated clinical factors of coronal-plane image features[J]. Korean J Radiol, 2020, 21(5): 550-560.

[2] IKEDA T, BANDO H, IGUCHI A, et al. Malignant lymphoma of the breast in a male patient: ultrasound imaging features[J]. Breast Cancer, 2015, 22(2): 201-205.

[3] WANG ZL, LI N, LI M, et al. Non-mass-like lesions on breast ultrasound: classification and correlation with histology[J]. Radiol Med, 2015, 120(10): 905-910.

[4] 中國抗癌協會乳腺癌專業(yè)委員會. 中國抗癌協會乳腺癌診治指南與規(guī)范(2021年版)[J]. 中國癌癥雜志, 2021, 31(10): 954-1040.

[5] KO K H, HSU H H, YU J C, et al. Non-mass-like breast lesions at ultrasonography: feature analysis and BI-RADS assessment[J]. Eur J Radiol, 2015, 84(1): 77-85.

[6] Japanese Association of Breast and Thyroid Sonology. Guideline for breast ultrasound: management and diagnosis[M]. Tokyo: Nankodo, 2004: 35-37, 53-60

[7] ZANOTEL M, BEDNAROVA I, LONDERO V, et al. Automated breast ultrasound: basic principles and emerging clinical applications[J]. Radiol Med, 2018, 123(1): 1-12.

[8] 劉海珍, 李照喜, 郁春紅, 等. 自動乳腺全容積成像在非腫塊型乳腺癌診斷中的應用價值[J]. 臨床超聲醫(yī)學雜志, 2018, 20(4): 244-246.

[9] RELLA R, BELLI P, GIULIANI M, et al. Automated breast ultrasonography (ABUS) in the screening and diagnostic setting: indications and practical use[J]. Acad Radiol, 2018, 25(11): 1457-1470.

[10] SABOUR S. Automated versus handheld breast ultrasound examinations of suspicious breast masses: methodological errors in the reliability analysis[J]. Ultrasonography, 2020, 39(1): 102-103.

[11] ZHANG J, CAI L, CHEN L, et al. Re-evaluation of high-risk breast mammography lesions by target ultrasound and ABUS of breast non-mass-like lesions[J]. BMC Med Imaging, 2021, 21(1): 156.

[12] EVANS A, WHELEHAN P, THOMSON K, et al. Quantitative shear wave ultrasound elastography: initial experience in solid breast masses[J]. Breast Cancer Res, 2010, 12(6): R104.

[13] PARK S Y, CHOI J S, HAN B K, et al. Shear wave elastography in the diagnosis of breast non-mass lesions: factors associated with false negative and false positive results[J]. Eur Radiol, 2017, 27(9): 3788-3798.

[14] REN W W, LI X L, HE Y P, et al. Two-dimensional shear wave elastography of breast lesions: comparison of two different systems[J]. Clin Hemorheol Microcirc, 2017, 66(1): 37-46.

[15] XU P, WU M, YANG M, et al. Evaluation of internal and shell stiffness in the differential diagnosis of breast non-mass lesions by shear wave elastography[J]. World J Clin Cases, 2020, 8(12): 2510-2519.

[16] HUANG L, MA M, DU Z, et al. Quantitative evaluation of tissue stiffness around lesion by sound touch elastography in the diagnosis of benign and malignant breast lesions[J]. PLoS One, 2019, 14(7): e0219943.

[17] XIAO X, OU B, YANG H, et al. Breast contrast- enhanced ultrasound: is a scoring system feasible? A preliminary study in China[J]. PLoS One, 2014, 9(8): e105517.

[18] WANG Y, FAN W, ZHAO S, et al. Qualitative, quantitative and combination score systems in differential diagnosis of breast lesions by contrast-enhanced ultrasound[J]. Eur J Radiol, 2016, 85(1): 48-54.

[19] LI X, LI Y, ZHU Y, et al. Association between enhancement patterns and parameters of contrast-enhanced ultrasound and microvessel distribution in breast cancer[J]. Oncol Lett, 2018, 15(4): 5643-5649.

[20] BAYAT M, FATEMI M, ALIZAD A. Background removal and vessel filtering of noncontrast ultrasound images of microvasculature[J]. IEEE Trans Biomed Eng, 2019, 66(3):831-842.

[21] GHAVAMI S, BAYAT M, FATEMI M, et al. Quantification of morphological features in non-contrast- enhanced ultrasound microvasculature imaging[J]. IEEE Access, 2020, 8: 18925-18937.

[22] GU J, TERNIFI R, LARSON N B, et al. Hybrid high- definition microvessel imaging/shear wave elastography improves breast lesion characterization[J]. Breast Cancer Res, 2022, 24(1): 16.

[23] GAO Y H, ZHU S C, XU Y, et al. Clinical value of ultrasound-guided minimally invasive biopsy in the diagnosis or treatment of breast nodules[J]. Cancer Manag Res, 2020, 12: 13215-13222.

[24] SEO J, KIM S M, JANG M, et al. Ultrasound-guided cable-free 13-gauge vacuum-assisted biopsy of non-mass breast lesions[J]. PLoS One, 2017, 12(6): e0179182.

[25] KRUGER R A, LIU P. Photoacoustic ultrasound: pulse production and detection of 0.5% Liposyn[J]. Med Phys, 1994, 21(7): 1179-1184.

[26] ORAEVSKY A A, KARABUTOV A A, SOLOMATIN S V, et al. Laser optoacoustic imaging of breast cancer in vivo[J]. Proc SPIE, 2001, 1(20): 6-15.

[27] HEIJBLOM M, PIRAS D, XIA W, et al. Visualizing breast cancer using the Twente photoacoustic mammoscope: what do we learn from twelve new patient measurements?[J] Opt Express, 2012, 20(11): 11582-11597.

[28] QIU Y, YAN S, GUNDREDDY R R, et al. A new approach to develop computer-aided diagnosis scheme of breast mass classification using deep learning technology[J]. J Xray Sci Technol, 2017, 25(5): 751-763.

[29] VAN-ZELST J C M, TAN T, PLATEL B, et al. Improved cancer detection in automated breast ultrasound by radiologists using computer aided detection[J]. Eur J Radiol, 2017, 89: 54-59.

[30] SADOUGHI F, KAZEMY Z, HAMEDAN F, et al. Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review[J]. Breast Cancer (Dove Med Press), 2018, 10: 219-230.

[31] BI W L, HOSNY A, SCHABATH M B, et al. Artificial intelligence in cancer imaging: clinical challenges and applications[J]. CA Cancer J Clin, 2019, 69(2): 127-157.

[32] RODRíGUEZ-CRISTERNA A, GóMEZ-FLORES W, DE ALBUQUERQUE-PEREIRA W C. A computer- aided diagnosis system for breast ultrasound based on weighted BI-RADS classes[J]. Comput Methods Programs Biomed, 2018, 153: 33-40.

[33] JAMSHIDII N, CHANG J, MOCK K, et al. Evaluation of the predictive ability of ultrasound-based assessment of breast cancer using BI-RADS natural language reporting against commercial transcriptome-based tests[J]. PLoS One, 2020, 15(1): e0226634.

[34] LE E P V, WANG Y, HUANG Y, et al. Artificial intelligence in breast imaging[J]. Clin Radiol, 2019, 74(5): 357-366.

[35] MARCON M, CIRITSIS A, ROSSI C, et al. Diagnostic performance of machine learning applied to texture analysis-derived features for breast lesion characterisation at automated breast ultrasound: a pilot study[J]. Eur Radiol Exp, 2019, 3(1): 44.

[36] NIU S, HUANG J, LI J, et al. Application of ultrasound artificial intelligence in the differential diagnosis between benign and malignant breast lesions of BI-RADS 4A[J]. BMC Cancer, 2020, 20(1): 959.

R781.4

A

10.3969/j.issn.1673-9701.2023.01.030

陳蘭，電子信箱：chenlan5933@163.com

（2022-07-28）

（2022-12-06）