自動乳腺全容積掃描影像組學聯合臨床和超聲特征列線圖鑒別良、惡性乳腺導管內病變

劉夢涵,周匯明,肖際東*

(1.中南大學湘雅三醫院超聲科,湖南 長沙 410013;2.湖南省婦幼保健院超聲科,湖南 長沙 410029)

乳腺癌為女性發病率最高的惡性腫瘤,每年新發約230萬例,死亡率約6.9%[1]。超聲為篩查、診斷乳腺癌的重要方法,但乳腺導管內病變病理類型較多、超聲表現復雜,難以早期鑒別良、惡性病變[2]。作為新興三維容積成像技術,自動乳腺全容積掃描(automated breast volume scanner,ABVS)的標準化程度和成像質量均優于二維超聲,用于預測良、惡性乳腺腫瘤具有巨大潛力[3-5]。本研究觀察ABVS影像組學聯合臨床及超聲特征列線圖鑒別良、惡性乳腺導管內病變的價值。

1 資料與方法

1.1 研究對象 回顧性分析2019年6月—2022年6月144例于中南大學湘雅三醫院經病理證實的女性單發乳腺導管內病變患者,年齡26～84歲、平均(41.6±9.5)歲;其中61例良性病變均為導管內乳頭狀瘤,83例惡性病變包括導管原位癌46例、導管原位癌伴微浸潤10例、導管內乳頭狀瘤伴非典型增生[6]19例、導管內乳頭狀瘤并導管內原位癌7例及導管原位癌并小葉原位癌1例。納入標準:①ABVS檢查前未接受放射或化學治療;②臨床、影像學及病理資料完整。排除標準:①妊娠或哺乳期;②圖像質量不佳;③罹患其他惡性腫瘤。按照2∶1比例將患者隨機分為訓練集(n=96)及驗證集(n=48),訓練集含38例良性及58例惡性病變,驗證集含25例良性及23例惡性病變。本研究經院倫理委員會批準(快23190)。檢查前患者均知情同意。

1.2 儀器與方法 采用Siemens Acuson S2000 ABVS超聲診斷儀,配備頻率5.0～12.0 MHz的14L5BV探頭。囑患者仰臥,充分暴露雙側乳房;根據乳房大小適當選擇預設條件,對雙側乳房行正中位、外側位及內側位掃查,每次掃查最大容積為15.4 cm×16.8 cm×6.0 cm;之后將圖像上傳至數據處理系統并行三維重建,獲得橫切面、矢狀面及冠狀面圖像。由分別具有8年(醫師1)及10年(醫師2)超聲診斷經驗的主治醫師各1名共同閱片,觀察病變大小、類型(腫塊型/非腫塊型)、形態、邊界、邊緣、生長方向、內部回聲、位置,以及有無微小鈣化灶、高回聲暈、后方回聲、周圍組織異常及導管擴張,意見不一致時經協商決定。

1.3 篩選特征與構建模型 采用3D Slicer(5.0.3)軟件及Radiomics擴展包。由醫師1在不知曉病理結果的情況下于ABVS圖像中沿病灶邊緣手動勾畫ROI,提取其影像組學特征;1個月后隨機抽取10例重復勾畫ROI,將結果用于觀察者內一致性檢驗。對訓練集影像組學特征行兩獨立樣本秩和檢驗,篩選P≤0.2者;以最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)算法篩選非零系數特征;采用10折交叉驗證篩選最優特征;以logistic回歸算法構建影像組學模型,計算影像組學評分(Radscore)。見圖1。

圖1 于ABVS圖中勾畫病灶ROI示意圖 A.冠狀面; B.橫斷面; C.矢狀面

1.4 統計學分析 采用R 4.2.2及SPSS 22.0統計分析軟件。以±s表示正態分布計量資料,行獨立樣本t檢驗;以頻數表示計數資料,行χ2檢驗或Fisher精確概率法。將臨床、超聲特征及Radscore納入單因素和多因素logistic回歸分析,篩選良、惡性乳腺導管內病變的獨立影響因素,構建臨床-超聲模型;聯合影像組學模型構建列線圖模型。采用Hosmer-Lemeshow檢驗評價列線圖的擬合優度;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),評估各模型鑒別良、惡性乳腺導管內病變的效能,并以DeLong檢驗進行比較;以決策曲線分析(decision curve analysis,DCA)評估各模型臨床凈獲益。以組內相關系數(intra-class correlation coefficient,ICC)行觀察者內一致性檢驗,以ICC>0.75為一致性良好。P<0.05為差異有統計學意義。

2 結果

2.1 臨床及ABVS資料比較 訓練集與驗證集患者臨床及ABVS資料差異均無統計學意義(P均>0.05)。見表1。

表1 144例女性乳腺導管內病變患者臨床及ABVS資料比較

2.2 影像組學模型 觀察者內提取影像組學特征的一致性良好(ICC為0.837～0.949)。共提取107個特征,最終篩選出5個非零系數特征,包括2個形態特征,以及直方圖特征、灰度共生矩陣特征及游程矩陣特征各1個。見圖2。

圖2 以LASSO算法篩選獲得的影像組學特征 A.系數變化圖; B.λ參數選值圖,最佳λ=0.042

基于LASSO算法將最終選出特征與相應加權系數乘積相加,構建影像組學模型,計算個體Radscore:Radscore=1.655×original_shape_Flatness+0.065×original_shape_LeastAxisLength+0.243×orginal_firstorder_Skewness+3.990×orginal_glcm_MaximumProbability-0.016×orginal_glrlm_LongRunLowGrayLevelEmphasis。該影像組學模型鑒別良、惡性乳腺導管內病變的AUC在訓練集為0.766,在驗證集為0.770。

2.3 臨床-超聲模型 多因素logistic回歸分析顯示,患者年齡[OR(95%CI)=1.104(1.045,1.180),P=0.001]、病變邊緣[OR(95%CI)=0.273(0.075,0.917),P=0.039]、微小鈣化灶[OR(95%CI)=9.759(2.240,60.730),P=0.006]及Radscore[OR(95%CI)=3.818(1.435,11.994),P=0.012]均為良、惡性乳腺導管內病變的獨立影響因素;基于此構建的臨床-超聲模型鑒別訓練集良、惡性乳腺導管內病變的AUC為0.866,在驗證集為0.765。

2.4 列線圖模型 基于臨床-超聲模型與影像組學模型構建的列線圖模型鑒別訓練集良、惡性乳腺導管內病變的AUC為0.901,在驗證集為0.854。Hosmer-Lemeshow檢驗結果顯示,列線圖模型在訓練集和驗證集的校準曲線與理想曲線走行一致(P=0.313、0.868),提示其擬合優度良好。DeLong檢驗結果顯示,列線圖模型的診斷效能在訓練集和驗證集均優于影像組學模型和臨床超聲模型(P均<0.05)。DCA曲線顯示,閾值概率為0.10～0.40及0.65～0.85時,列線圖可獲得臨床凈收益。見圖3～7。

圖3 臨床-超聲模型及影像組學模型列線圖

圖4 各模型預測良、惡性乳腺導管內病變的ROC曲線 A.訓練集; B.驗證集

圖5 列線圖預測良、惡性乳腺導管內病變的校準曲線 A.訓練集; B.驗證集

3 討論

傳統影像學主要通過分析腫瘤形態、邊緣及血流等特征診斷乳腺癌,具有主觀性及其他局限性。影像組學可通過提取高通量圖像特征獲得定量信息,其在鑒別乳腺良、惡性病變、判斷乳腺癌分子分型等方面的應用日益廣泛[7-8]。本研究基于ABVS圖提取并最終篩選出5個影像組學特征,包括2個形態特征和直方圖特征、灰度共生矩陣特征及游程矩陣特征各1個;其中的紋理特征主要代表腫瘤異質性的微觀表現。

臨床及常規超聲特征對于診斷乳腺腫瘤十分重要。既往研究[9]基于超聲特征及人口學資料預測女性體檢者乳腺結節的乳腺影像報告和數據系統(breast imaging reporting and data system,BI-RADS)分類,發現結節數量、形態、回聲、血流信號、年齡及體質量指數均為BI-RADS≥4A類的獨立預測因子。本研究結果顯示,患者年齡、病變邊緣及有無微小鈣化灶均為良、惡性乳腺導管內病變的獨立影響因素;聯合Radscore構建的臨床-超聲模型鑒別測試集良、惡性乳腺導管內病變的AUC高于影像組學模型(0.866vs.0.766),而在驗證集則略低于后者(0.765vs.0.770),提示二者均有中等鑒別效能。

DU等[10]基于超聲影像組學聯合臨床特征構建的列線圖模型鑒別三陰性乳腺癌與乳腺纖維腺瘤的AUC為0.953～1.000;許榮等[11]基于超聲圖像構建的支持向量機模型預測訓練集和測試集雙陰性乳腺癌的AUC分別為0.872及0.867;以上模型均對診斷乳腺良、惡性病變具有良好效能。本研究構建的臨床、超聲特征及影像組學聯合列線圖模型鑒別訓練集和驗證集良、惡性乳腺導管內病變的AUC分別為0.901及0.854,優于單一影像組學模型和臨床-超聲模型,提示二者可能相互補充。本研究1例初次診斷為BI-RADS 4A類,但列線圖模型評價該病變惡性風險>95%,故升級為BI-RADS 5類,最終病理提示導管內原位癌;1例導管內乳頭狀瘤首次分類為BI-RADS 4B類,因列線圖模型預測其惡性風險<20%而降為BI-RADS 4A類。以上結果提示,聯合影像組學與臨床、超聲特征的列線圖模型鑒別良、惡性乳腺導管內病變可能更為客觀,可量化評估且重復性高。

綜上所述,ABVS影像組學聯合臨床和超聲特征列線圖鑒別良、惡性乳腺導管內病變效能良好。但本研究為單中心回顧性分析,樣本量有限,提取特征均源自保存資料,可能存在信息遺漏,且缺乏外部數據驗證,有待后續進一步完善。

利益沖突:全體作者聲明無利益沖突。

作者貢獻:劉夢涵研究設計、研究實施、圖像處理、數據分析、查閱文獻、撰寫文章、修改文章、統計分析;周匯明研究設計、圖像處理、數據分析、查閱文獻及統計分析;肖際東指導、研究設計、審閱文章及經費支持。