基于動態對比增強磁共振影像學特征對乳腺癌分子分型的預測價值

[摘 " 要] " 目的：探討動態對比增強磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）圖像根據乳腺影像報告和數據系統（breast imaging reporting and data system，BI-RADS）規范的影像特征對乳腺癌分子分型的預測價值。方法：回顧性分析行乳腺MRI檢查的97例乳腺癌患者的臨床和影像學資料，其中Luminal A型26例、Luminal B 型34例、人表皮生長因子受體-2（human epidermal growth factor receptor 2，HER-2）過表達型19例、三陰性18例。比較4種不同分子亞型乳腺癌的影像學特征，采用多元Logistic 回歸分析影響乳腺癌分子分型的因素及其預測乳腺癌分子分型的價值。結果：不同分子亞型乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變比較，差異均有統計學意義（P＜0.05）。多元Logistic 回歸分析結果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨立影響因素（均P＜0.05），四者聯合預測乳腺癌分子分型準確率分別為72.0%、88.6%、84.2%、73.7%，模型總體預測準確率為80.6%。結論：腫瘤最大徑、子灶、周圍血管增多及乳頭改變可有效預測乳腺癌分子分型。

[關鍵詞] " 乳腺癌；分子分型；動態對比增強磁共振；影像學特征

[中圖分類號] " R445.2 [文獻標志碼] " B [DOI] " 10.19767/j.cnki.32-1412.2024.06.021

根據乳腺癌不同的基因表達可分為Luminal A型、Luminal B型、人表皮生長因子受體-2（human epidermal growth factor receptor-2，HER-2）過表達型和三陰性乳腺癌（triple negative breast cancer，TNBC）[1]。術前確定乳腺癌亞型需對穿刺活檢標本行免疫組化檢查，此方法不僅有創，且存在取材不充分的問題，難以全面評估乳腺癌的異質性[2]。因此，有必要探尋更好、更簡單的方法來區分乳腺癌分子亞型。動態對比增強磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）是基于組織微循環特征的影像學檢查，能無創提供乳腺腫瘤多方面信息，已成為分析乳腺癌不同分子機制的研究熱點[3]，可用于診斷和判斷乳腺癌預后[4-7]。此前很多論文探討T2加權圖像特征、表觀擴散系數及動態對比增強模式在預測乳腺癌分子亞型中的作用[8-12]，但研究結果的差異較大。本研究回顧性分析南通市中醫院2018年1月—2023年12月接受DCE-MR檢查的乳腺癌患者97例臨床和影像學資料，研究各型乳腺癌的影像學特征及其預測乳腺癌分子亞型的價值。

1 " 資料與方法

1.1 " 一般資料 " 接受乳腺DCE-MR檢查的乳腺癌患者97例，均為女性，年齡30～85歲，平均（53.53±12.03）歲；其中Luminal A型26例，Luminal B型34例，HER-2過表達型19例，三陰性18例。Luminal A型患者平均年齡（55.08±14.22）歲，絕經15例（57.7%），未絕經11例（42.3%），乳腺癌左側11例（42.3%），右側15例（57.7%）；Luminal B型患者平均年齡（55.09±11.45）歲，絕經17例（50.0%），未絕經17例（50.0%），乳腺癌左側21例（61.8%），右側13例（38.2%）；HER-2過表達型患者平均年齡（49.47±9.52）歲，絕經9例（47.4%），未絕經10例（52.6%），乳腺癌左側7例（36.8%），右側12例（63.2%）；三陰性乳腺癌患者平均年齡（52.67±11.93）歲，絕經12例（66.7%），未絕經6例（33.3%），乳腺癌左側8例（44.4%），右側10例（55.6%）。四種分子型乳腺癌患者一般資料比較，差異均無統計學意義（P＞0.05）。入組標準：（1）圖像采集設備和掃描條件一致；（2）手術病理證實為乳腺癌；（3）MR檢查前未進行過穿刺活檢、手術切除或放化療等治療。

1.2 " 檢查設備及方法 " 采用GE Signa HDxt 1.5T超導磁共振掃描儀，掃描方案主要包括3個序列：（1）脂肪抑制T2WI；（2）磁共振彌散加權成像：TR/TE 8 300/63.6 ms，FOV 32 cm×32 cm，矩陣256×256，層厚5 mm，層間隔6 mm，b值選擇0、1 000 s/mm2，NEX=4；（3）DCE-MRI：采用3D Vibrant技術，靜脈注入對比劑釓噴酸葡胺后延遲28 s掃描，劑量為0.1 mmol/kg，速率為2 mL/s，連續掃描8個時相，每個時相52～60 s；圖像層厚1.4 mm，FOV 28～36 cm，矩陣512×512，翻轉角 12°，激發1次。增強前行蒙片掃描，動態采集平掃及注射造影劑后共9期。

1.3 " 影像特征評估 " 形態學特征參考乳腺影像報告和數據系統（breast imaging reporting and data system，BI-RADS）2013年版，包括：（1）病灶類型：非腫塊型、腫塊型；（2）病灶形態：類圓形、分葉形及不規則形；（3）病灶邊緣：光滑、毛刺狀及不規則；（4）血流動力學表現：強化方式（均勻、不均勻及環形強化）、時間-信號強度曲線（time intensity curve，TIC）類型；（5）腫塊周圍征象，如子灶（單側乳腺同一象限內存在2個或多個惡性病灶）、周圍血管增多、腋窩淋巴結腫大、皮膚改變（皮膚收縮、增厚或受侵）和乳頭改變（乳頭收縮）。在DCE-MR序列中增強后第二期測量軸位上病灶最大徑。圖像采用專用工作站軟件（GE Functool軟件）處理，避開囊變、出血、壞死等區域，在病灶最大層面中心區域勾畫感興趣區，自動獲得病灶TIC。根據病灶強化特征將TIC曲線分為流入型、平臺型和流出型。在三維最大密度投影（three dimensions maximum intensity projection，3D-MIP）圖像上觀察病灶周圍血管增多情況。背景實質強化（background parenchymal enhancement，BPE）采用BI-RADS Atlas定性分類，包括極小（＜25%纖維腺體組織強化）、輕度（25%～50%纖維腺體組織強化）、中度（50%～75%纖維腺體組織強化）、顯著（＞75%纖維腺體組織強化）。

1.4 " 病理組織分析 " 手術切除乳腺腫瘤組織，福爾馬林固定、石蠟包埋，行免疫組化染色，檢測雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone receptor，PR）、HER-2及Ki-67的表達情況。核染色細胞超過10%為陽性，根據ER、PR和HER-2表達情況，分為Luminal A型（ER或PR陽性，HER-2陰性）、Luminal B型（ER或PR陽性，HER-2陽性）、HER-2過表達型（ER陰性，HER-2陽性）或三陰性（ER陰性，PR陰性、HER-2陰性）。

1.5 " 統計學處理 " 采用SPSS 22.0軟件包對數據進行統計學分析。符合正態分布的計量資料以x±s表示，多組間比較采用單因素方差分析；非正態分布的計量數據以M（Q25，Q75）表示，多組間比較采用Kruskal-Wallis H檢驗，兩兩比較采用Bonferroni校正（P＜0.0125表示差異有統計學意義）。計數資料以頻數及百分率表示，組間比較采用χ2檢驗。對單因素分析中Plt;0.10的變量采用多元Logistic回歸分析影響乳腺癌分子分型的因素。P＜0.05表示差異有統計學意義。

2 " 結 " " "果

2.1 " 不同分子分型乳腺癌間影像特征比較 " Luminal A型、Luminal B型、HER-2過表達型及三陰性乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變方面的差異均有統計學意義（P＜0.05）。兩兩比較顯示，Luminal A型與Luminal B型、Luminal B型與三陰性患者子灶、周圍血管增多及乳頭改變的差異均無統計學意義（P＞0.05）；Luminal A型與HER-2過表達型患者比較，腫瘤最大徑（Bonferroni校正P=0.008）、周圍血管增多（Bonferroni校正P=0.010）差異均有統計學意義；Luminal B型與HER-2過表達型患者比較，子灶（Bonferroni校正P=0.003）、周圍血管增多（Bonferroni校正P=0.001）差異均有統計學意義；HER-2過表達型與三陰性患者比較，乳頭改變（Bonferroni校正P=0.004）差異有統計學意義。見表1。

2.2 " 影像特征對乳腺癌分子分型的預測價值 " 以乳腺癌分子分型為因變量，以腫瘤最大徑為自變量，子灶、周圍血管增多及乳頭改變為協變量，進行多元Logistic回歸分析，建立預測模型：Logit（P）=40.064（截距）＋59.390×子灶＋49.214×周圍血管增多+48.302×乳頭改變＋210.041×腫瘤最大徑。結果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨立影響因素（均P＜0.05），Hosmer-Lemeshow檢驗顯示模型擬合效果良好，P=0.924，模型能很好地擬合原始數據，概率較大。四者聯合預測乳腺癌分子分型準確率分別為72.0%、88.6%、84.2%、73.7%，總體預測準確率為80.6%。

3 " 討 " " "論

乳腺癌不同分子亞型間發病率、生存率以及對治療的反應差異較大。雖然病理活檢是分型的金標準，但畢竟是有創的，而DCE-MR能無創性提供乳腺癌多方面信息[13-14]。乳腺病變的形態特征及強化方式是鑒別良惡性的重要參考指標，不規則形態、不均勻強化和環形強化是乳腺癌常見征象。乳腺癌MR特征與其分子生物學存在密切關系。本研究使用2013年第5版MR BI-RADS對病灶影像特征進行觀察，規范病變特征的描述，有效減少不同放射醫師間的主觀差異。

本研究結果顯示，Luminal A型、Luminal B型、HER-2過表達型及三陰性乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變方面的差異均有統計學意義（P＜0.05）。與Luminal A型比較，HER-2過表達型腫瘤最大徑大，周圍血管增多較多見，差異均有統計學意義（P＜0.05）；與Luminal B型比較，HER-2過表達型子灶增多、周圍血管增多減少，差異均有統計學意義（P＜0.05）；與三陰性患者比較，HER-2過表達型乳頭改變增多，差異有統計學意義（P＜0.05）。本研究結果與其他學者的研究結果一致[15-16]，表明HER-2過表達型與其他三種分型可以通過不同的MR影像特征進行鑒別，而其他三種類型MR影像特征的差異不顯著。腫瘤大小是細胞增殖和死亡等生物過程的結果，高增殖腫瘤通常與不良預后相關，較大的腫瘤預后比較小的腫瘤差[17]。有研究顯示，血管生成是乳腺癌的獨立危險因素，與腫瘤大小、組織學類型、腋窩淋巴結轉移等預后因素相關。病變周圍血管生成是癌癥的標志，也是腫瘤生長、侵襲和進展的關鍵條件[18-19]。

本研究多元Logistic回歸分析結果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨立影響因素（均P＜0.05），四者聯合預測乳腺癌分子分型準確率分別為72.0%、88.6%、84.2%、73.7%，總體預測準確率為80.6%，提示可有效預測乳腺癌分子分型。

[參考文獻]

[1] GRAVALLESE E M，FIRESTEIN G S. Rheumatoid arthritis- common origins，divergent mechanisms［J］. N Engl J Med，2023，388（6）：529-542.

[2] ZANNETTI A. Breast cancer： from pathophysiology to novel therapeutic approaches 2.0［J］. Int J Mol Sci，2023，24（3）：2542.

[3] ZIADA K，SIU M，QASSID O，et al. A new scoring system for differentiating malignant from benign “second-look” breast lesions detected by MRI in patients with known breast cancer［J］. Clin Radiol，2023，78（8）：e560-e567.

[4] MILITELLO C，RUNDO L，DIMARCO M，et al. 3D DCE-MRI radiomic analysis for malignant lesion prediction in breast cancer patients［J］. Acad Radiol，2022，29（6）：830-840.

[5] REIG B，LEWIN A A，DU L ，et al. Breast MRI for evaluation of response to neoadjuvant therapy［J］. Radiographics，2021，41（3）：665-679.

[6] BACKHAUS P，BURG M C，ASMUS I，et al. Initial results of （68）Ga-FAPI-46 PET/MRI to assess response to neoadjuvant chemotherapy in breast cancer［J］. J Nucl Med，2023，64（5）：717-723.

[7] 鄧勛偉，黃波，汪鵬，等. 多模態MRI聯合血清miR-125b對乳腺癌新輔助化療療效的預測價值［J］. 放射學實踐，2024，39（3）：371-376.

[8] BEAKA R，SZAB？魷OV？魣 D，GUL’A？譒OV？魣 Z，et al. Classic and new markers in diagnostics and classification of breast cancer［J］. Cancers，2022，14（21）：5444.

[9] ZHANG Y，CHEN J H，LIN Y，et al. Prediction of breast cancer molecular subtypes on DCE-MRI using convolutional neural network with transfer learning between two centers［J］. Eur Radiol，2021，31（4）：2559-2567.

[10] XU A，CHU X，ZHANG S，et al. Prediction breast molecular typing of invasive ductal carcinoma based on dynamic contrast enhancement magnetic resonance imaging radiomics characteristics： a feasibility study［J］. Front Oncol，2022，

12：799232.

[11] KIM J J，KIM J Y，SUH H B，et al. Characterization of breast cancer subtypes based on quantitative assessment of intratumoral heterogeneity using dynamic contrast-enhanced and diffusion-weighted magnetic resonance imaging［J］. Eur Radiol，2022，32（2）：822-833.

[12] 茅依玲，汪登斌，王麗君，等. 乳腺MRI背景實質強化與乳腺癌分子分型的相關性［J］. 放射學實踐，2022，37（6）：710-714.

[13] SMOLARZ B，NOWAK A Z，ROMANOWICZ H. Breast cancer-epidemiology，classification，pathogenesis and treatment （review of literature）［J］. Cancers，2022，14（10）：2569.

[14] LEON-FERRE R A，GOETZ M P. Advances in systemic therapies for triple negative breast cancer［J］. BMJ，2023，

381：e071674.

[15] 代婷，楊鴻羽，趙青，等. 錐光束乳腺增強CT影像特征與乳腺癌激素受體及HER-2表達狀態的相關性［J］. 放射學實踐，2023，38（12）：1554-1561.

[16] ZHANG C，LIANG Z，FENG Y，et al. Risk factors for lymphovascular invasion in invasive ductal carcinoma based on clinical and preoperative breast MRI features： a retrospective study［J］. Acad Radiol，2023，30（8）：1620-1627.

[17] BISMEIJER T，VAN DER VELDEN B H M，CANISIUS S，et al. Radiogenomic analysis of breast cancer by linking MRI phenotypes with tumor gene expression［J］. Radiology，2020，296（2）：277-287.

[18] 梁泓冰，寧寧，趙思奇，等. 基于DCE-MRI的3D-MIP重建及多參數評估BI-RADS 4類乳腺腫瘤［J］.磁共振成像，2024，15（5）：94-101.

[19] 雷鳴峰，鄧宏亮，金漢葵，等. 磁共振成像評價乳腺血供在乳腺良惡性疾病鑒別診斷中的價值［J］. 中國CT和MRI雜志，2020，18（10）：70-73，封2 .

[收稿日期] 2024-09-08

（本文編輯 " 繆宏建）