定量X線紋理分析鑒別診斷乳腺纖維腺瘤與浸潤性導(dǎo)管癌

彭文靜　劉正立　桂熙雯　張孝庚　路欣　馬紅　汪秀玲

【中圖分類號】R737.9 【文獻標識碼】A 【文章編號】2095-6851（2018）06--01

乳腺癌是女性最常見的惡性腫瘤，其中以浸潤性導(dǎo)管癌最為多見[1]，纖維腺瘤是女性最常見的乳腺良性腫瘤。鉬靶X線攝影是乳腺疾病的首選篩查手段，兩者在X線上均常表現(xiàn)為腫塊。典型的纖維腺瘤腫塊境界清晰，與浸潤性導(dǎo)管癌較易鑒別，而相當一部分不典型纖維腺瘤因含有囊腫、硬化性腺病等成分而表現(xiàn)為形態(tài)不規(guī)則、邊緣“假浸潤”，這導(dǎo)致其與浸潤性導(dǎo)管癌間區(qū)分困難，極易誤診[2]。參照美國放射學(xué)會BI-RADS分類標準，中國抗癌協(xié)會乳腺癌診治指南與規(guī)范（2015版）[3]將腫塊定義為在兩個相互垂直（或近似垂直）的投照位置上均可見到的，有一定輪廓的占位性病變，如何提高X線對兩種腫塊的鑒別效能成為臨床研究的熱點。紋理分析是近年新興的計算機輔助診斷技術(shù)，其通過定量提取并分析圖像灰度分布特征，可以更客觀的評價腫瘤異質(zhì)性[4]。本研究旨在探討定量X線紋理分析對鑒別乳腺纖維腺瘤與浸潤性導(dǎo)管癌的臨床價值。

1 資料與方法

1.1 一般資料 收集徐州醫(yī)科大學(xué)附屬醫(yī)院2015年6月至2017年6月期間經(jīng)手術(shù)病理證實的乳腺腫塊183個，良性腫塊為纖維腺瘤，共73個，惡性腫塊為浸潤性導(dǎo)管癌，共110個?；颊呔鶠榕?，其中纖維腺瘤患者年齡20～59歲，平均年齡（39.41±8.75）歲；浸潤性導(dǎo)管癌患者年齡32～75歲，平均年齡（51.10±9.29）歲。 所有患者均為單發(fā)乳腺腫塊，術(shù)前均接受常規(guī)X線攝影檢查。

1.2 儀器與方法 手術(shù)病理活檢前對患者行常規(guī)內(nèi)外側(cè)斜位（mediolateral oblique，MLO）和頭尾位（cranial caudal，CC）乳腺攝片；X線機選用GE Senographe DS新型全數(shù)字乳腺X線攝影機，配有高清晰度快速采集工作站及高分辨率的5M豎屏顯示器。

1.3 圖像處理與分析

1.3.1 圖像的選擇 由2名影像科醫(yī)生遵循盲法原則對每位患者乳腺內(nèi)外側(cè)斜位及頭尾位圖像進行比較，選取腫塊顯示較清晰典型者上傳至紋理分析工作站分析。所有乳腺X線圖像均滿足紋理分析要求。

1.3.2 乳腺X線診斷 依據(jù)美國放射學(xué)會2003年發(fā)布的乳腺影像報告和數(shù)據(jù)系統(tǒng)（Breast Imaging Reporting and Data System，BI-RADS）[5]，以我院影像科發(fā)出的診斷報告為準。將0～4A類歸為良性，4B～6類歸為惡性。

1.3.3 紋理分析 將所選腫塊X線圖像以DICOM格式導(dǎo)入FireVoxel （https：//wp.nyu.edu/FireVoxel）紋理分析軟件，由2名乳腺X線診斷經(jīng)驗豐富的影像科醫(yī)師在對臨床及病理結(jié)果不知情的情況下，手動勾畫并均勻填充感興趣區(qū)。軟件自動提取均值、標準偏差、偏度、峰度、不均勻度和熵等反映腫瘤異質(zhì)性的紋理參數(shù)。每個參數(shù)提取2 次后取平均值。

1.3.4 統(tǒng)計學(xué)分析 使用SPSS 22.0統(tǒng)計分析軟件，正態(tài)分布特征數(shù)值采用兩獨立樣本t檢驗，非正態(tài)分布特征數(shù)值采用Mann-Whitney U 檢驗比較兩組紋理特征數(shù)值差異。繪制受試者工作特征曲線（Receiver Operating Characteristic，ROC）對差異有意義的紋理參數(shù)進行診斷效能分析。以病理結(jié)果為金標準，計算乳腺X線、紋理特征、乳腺X線聯(lián)合紋理特征三種診斷方法鑒別兩種病變的敏感度、特異度及準確度，并使用卡方檢驗分析比較。檢驗水準均為α=0.05。

2 結(jié)果

我院影像科共診斷BI-RADS 0～4A類腫塊88個，4B～6類腫塊95個，其中纖維腺瘤被正確診斷為良性者63個，浸潤性導(dǎo)管癌被正確診斷為惡性者85個。乳腺X線鑒別診斷敏感度、特異度和準確度分別為77.3%（85/110）、86.3%（63/73）和80.9%（148/183）。

對183個乳腺腫塊行紋理分析后得出：均值、偏度、峰度及不均勻度的參數(shù)值在兩組間差異無統(tǒng)計學(xué)意義（P>0.05），熵值和標準偏差在浸潤性導(dǎo)管癌中的數(shù)值高于纖維腺瘤，差異有統(tǒng)計學(xué)意義（P<0.05）（見表1）。熵值和標準偏差鑒別診斷的曲線下面積（AUC）分別為0.652和0.614（P<0.05）。進一步將2種紋理特征與X線聯(lián)合后得出，紋理特征和X線聯(lián)合紋理特征鑒別診斷的敏感度分別為54.5%及77.3%；特異度分別為76.7%及89.0%；準確度分別為63.4%及82.0%。分別繪制ROC曲線，得到乳腺X線、紋理特征及乳腺X線聯(lián)合紋理特征鑒別診斷的AUC值（見表2）。

使用卡方檢驗分析得到：①紋理特征鑒別診斷乳腺纖維腺瘤與浸潤性導(dǎo)管癌的敏感度、特異度和準確度與乳腺X線相比均無統(tǒng)計學(xué)意義（P均>0.05）。②乳腺X線聯(lián)合紋理特征診斷兩種腫塊的敏感度相同，特異度和準確度均高于乳腺X線（特異度：?=7.41，P=0.007；準確度：?=4.17，P=0.041）。

3 討論

乳腺癌是女性最常見的惡性腫瘤[1]，其中以浸潤性導(dǎo)管癌最為常見，異型導(dǎo)管上皮細胞或小葉上皮細胞異常增殖，穿破基底膜侵入間質(zhì)并呈浸潤性生長是其主要病理改變。乳腺纖維腺瘤是女性最常見的乳腺良性腫瘤，其發(fā)生與體內(nèi)雌激素水平過高或腺體對雌激素高敏感度有關(guān)[6]，腺體、導(dǎo)管局部異常增殖是其主要病理改變。乳腺X線攝影是乳腺疾病的首選篩查手段，兩者在X線上均常表現(xiàn)為腫塊。典型的乳腺纖維腺瘤邊界清晰、光整，可見“暈圈征”；典型的浸潤性導(dǎo)管癌多表現(xiàn)為從中心向各方向伸展的星芒狀毛刺。X線對于典型的病灶較易區(qū)分，而相當一部分纖維腺瘤表現(xiàn)不典型，其中含有>3 mm的囊腫、硬化性腺病、上皮性鈣化或乳頭狀大汗腺化生的纖維腺瘤稱為復(fù)雜型纖維腺瘤[2]，X線上顯示其形態(tài)不規(guī)則、邊界不清晰，大量小腺管增生長入鄰近纖維間質(zhì)和（或）脂肪組織可呈現(xiàn)為“假浸潤”征，臨床上極易誤診。

參照美國放射學(xué)會BI-RADS分類標準，中國抗癌協(xié)會乳腺癌診治指南與規(guī)范（2015版）[3]將腫塊定義為在兩個相互垂直（或近似垂直）的投照位置上均可見到的，有一定輪廓的占位性病變。X線攝影對顯示乳腺鈣化灶有獨特優(yōu)勢，但對于腫塊的診斷相對局限，如何在現(xiàn)有檢查技術(shù)的基礎(chǔ)上，提高X線對乳腺腫塊良惡性鑒別診斷的準確率成為研究熱點[7]。

紋理分析是近年新興的計算機輔助診斷技術(shù)，不同于傳統(tǒng)的基于形態(tài)學(xué)研究，紋理分析可以定量顯示圖像像素值及其排列方式等人眼不可見的細微變化，客觀反映腫瘤內(nèi)部的異質(zhì)性。目前紋理分析在多種器官腫瘤異質(zhì)性的鑒別價值得到普遍證實[4]，但其對乳腺腫瘤的異質(zhì)性研究多應(yīng)用在MRI檢查[8]，乳腺X線圖像紋理分析評價腫瘤異質(zhì)性的報道甚少。近期有文獻證實，通過計算機輔助紋理分析技術(shù)，乳腺病變在X線片上可以顯示的更加清晰[9]，這有望為本研究提供理論支持。

本研究對88個乳腺纖維腺瘤及95個浸潤性導(dǎo)管癌腫塊進行紋理分析后發(fā)現(xiàn)：均值、偏度、峰度及不均勻度在兩組間差異無統(tǒng)計學(xué)意義（P>0.05）。熵值和標準偏差在浸潤性導(dǎo)管癌中的數(shù)值高于纖維腺瘤（P<0.05），其中熵代表圖像內(nèi)部像素的混雜程度，標準偏差是像素與均值間存在的變化或分散的度量，兩者均可表示腫瘤的異質(zhì)性[10]，且值越高代表腫塊的惡性程度越高，內(nèi)部結(jié)構(gòu)更紊亂，這與Lubner等[11]報道的其他腫瘤紋理分析結(jié)果一致?？紤]是因為浸潤性導(dǎo)管癌的細胞通透性改變、異常血管生成以及囊變、壞死等混雜成分較纖維腺瘤更加明顯。分析得到熵值對兩者鑒別診斷的曲線下面積（AUC）為0.652，標準偏差的AUC值為 0.614（P均<0.05），提示單一紋理特征鑒別纖維腺瘤與浸潤性導(dǎo)管癌有一定價值，但診斷效能不是很高。以病理結(jié)果為金標準，進一步將3種紋理特征進行聯(lián)合，計算得出紋理特征和乳腺X線聯(lián)合紋理特征鑒別兩種病變的AUC值分別為0.691及0.857，這表明多種紋理特征聯(lián)合的鑒別效能高于單一紋理，且乳腺X線與紋理特征聯(lián)合的鑒別價值最高，可將單純X線的鑒別效能由0.818提升至0.857。

分析后發(fā)現(xiàn)：①紋理特征的診斷敏感度、特異度和準確度與乳腺X線相比差異無統(tǒng)計學(xué)意義，這說明僅采用紋理分析鑒別兩種病變對提高診斷效能無益，臨床上不推薦其代替X線獨立使用。②乳腺X線聯(lián)合紋理特征的診斷特異度和準確度均高于乳腺X線（P均<0.05），此方法成功將一例復(fù)雜型纖維腺瘤由4C級降為4A級，有效避免了該患者的過度治療。這提示乳腺X線聯(lián)合紋理特征可以在一定程度上減少對復(fù)雜型纖維腺瘤的誤判，降低假陽性率。目前，國際上利用增強乳腺MRI的紋理分析進行乳腺疾病研究的報道較多，但為得到較準確的MRI紋理分析結(jié)果，多需采用容積紋理提取方法[12]，逐層勾畫感興趣區(qū)，勾取時間較長，且后處理復(fù)雜[13]，阻礙了其臨床應(yīng)用。本研究采用的ROI勾取步驟簡單，無需處理復(fù)雜的配準等問題便可自動提取紋理特征，且后處理方法簡潔、可靠，與MRI紋理分析相比有較大臨床應(yīng)用優(yōu)勢。

綜上所述，本研究應(yīng)用X線紋理分析技術(shù)成功區(qū)分了乳腺纖維腺瘤與浸潤性導(dǎo)管癌，提高了浸潤性導(dǎo)管癌的診斷靈敏度和準確度，值得在臨床上應(yīng)用推廣。本研究還存在一些不足：①本組試驗在病例選擇上主要為住院患者，樣本選取存在一定偏倚；②本研究僅選取腫塊最清晰典型的單張X線圖像進行紋理分析，不能全面反映腫塊特征，今后還需對多個投照體位的多張X線圖像進行綜合分析，全面評估紋理分析的應(yīng)用價值；③部分學(xué)者進行紋理分析前，會剔除病灶內(nèi)的鈣化灶或囊變壞死區(qū)域，筆者認為這些區(qū)域也體現(xiàn)腫塊部分紋理，故未作剔除。

參考文獻

Chen W，Zheng R，Baade P D，et al.Cancer statistics in China，2015.[J].Ca Cancer J Clin，2016，66（2）：115-132.

Nassar A，Visscher D W，Degnim A C，et al.Complex fibroadenoma and breast cancer risk： a Mayo Clinic Benign Breast Disease Cohort Study.[J].Breast Cancer Res Treat，2015，153（2）：397-405.

佚名.中國抗癌協(xié)會乳腺癌診治指南與規(guī)范（2015版）[J].中國癌癥雜志，2015（9）：692-754.

Gillies R J，Kinahan P E，Hricak H.Radiomics： Images Are More than Pictures，They Are Data.[J].Radiology，2016，278（2）：563-577.

Radiology A C O.Breast imaging reporting and data system （BI-RADS）.[M].American College of Radiology，2003.

Tice J A，Miglioretti D L，Li C S，et al.Breast Density and Benign Breast Disease： Risk Assessment to Identify Women at High Risk of Breast Cancer.[J].Journal of Clinical Oncology，2015，33（28）：3137-3143.

陳惠根，劉玉娥.乳腺不典型孤立小結(jié)節(jié)性病變的X 線定性診斷分析[J].實用放射學(xué)雜志，2017，33（2）.

Waugh S A，Purdie C A，Jordan L B，et al.Magnetic resonance imaging texture analysis classification of primary breast cancer[J].European Radiology，2016，26（2）：322-330.

Teruel J R，Heldahl M G，Goa P E，et al.Dynamic contrast‐enhanced MRI texture analysis for pretreatment prediction of clinical and pathological response to neoadjuvant chemotherapy in patients with locally advanced breast cancer[J].Nmr in Biomedicine，2014，27（8）：887-896.

Bayanati H，R E T，Souza C A，et al.Quantitative CT texture and shape analysis： can it differentiate benign and malignant mediastinal lymph nodes in patients with primary lung cancer？[J].European Radiology，2015，25（2）：480-487.

Lubner M G，Stabo N，Abel E J，et al.CT Textural Analysis of Large Primary Renal Cell Carcinomas： Pretreatment Tumor Heterogeneity Correlates With Histologic Findings and Clinical Outcomes[J].Ajr American Journal of Roentgenology，2016，207（1）：96.

Orphanidouvlachou E，Vlachos N，Davies N P，et al.Texture analysis of T1 - and T2 -weighted MR images and use of probabilistic neural network to discriminate posterior fossa tumours in children.[J].Nmr in Biomedicine，2014，27（6）：632-639.

Waugh S A，Purdie C A，Jordan L B，et al.Magnetic resonance imaging texture analysis classification of primary breast cancer[J].European Radiology，2016，26（2）：322-330.