楊意 綜述, 姜偉審校
524023 廣東 湛江,廣東醫(yī)科大學 第一臨床醫(yī)學院(楊意);518052 廣東 深圳,華中科技大學協(xié)和深圳醫(yī)院 超聲科(姜偉)
近年來,乳腺癌在全球女性中發(fā)病率和死亡率居高不下,2018年全球約有1 810萬新發(fā)癌癥病例,其中乳腺癌210萬,約占11.6%[1]。而中國是東亞地區(qū)女性乳腺癌發(fā)病人數最多的國家,發(fā)病人數約36.8萬,占世界女性乳腺癌發(fā)病人數的17.6%,居全球第一位[2]。預計到2021年,乳腺癌的發(fā)病率將增加到85/10萬女性。在所有惡性疾病中,乳腺癌也被認為是絕經后婦女死亡的主要原因之一,占所有癌癥死亡總數的23%[3]。乳腺癌的早期診斷和治療是降低死亡率、提高乳腺癌患者生存質量的關鍵[4]。超聲檢查簡便易行、實時動態(tài),廣泛應用于乳腺癌的早期篩查,同時因其對于致密型乳腺敏感性高,可作為X線鉬靶的有效補充[5]。目前,如何利用超聲技術對乳腺良惡性病變進行更快速、準確的診斷是臨床工作重點,本文擬對超聲新技術在乳腺良惡性病變診斷中的應用進展綜述如下:
ABVS是一種三維容積超聲成像系統(tǒng),掃查探頭頻率 5~14 MHz,最大掃描面積為15.4 cm×16.8 cm,掃描深度6 cm,采集圖像層間距0.5~8.0 mm[6]。ABVS對乳腺自動連續(xù)掃查后進行三維重建,新增的冠狀面有助于直觀、立體顯示乳腺病變的邊緣、微鈣化、導管擴張情況等。
有研究認為ABVS與手動超聲在乳腺良惡性病變的診斷價值方面無明顯差異,但能提供冠狀面的診斷信息[7]。張惠等[8]認為ABVS冠狀面能清楚顯示乳腺導管之間的解剖關系,對導管內的微鈣化和不明顯擴張較為敏感。劉嘉琳等[9]認為乳腺良惡性病變在冠狀面的鈣化、“匯聚”、“毛刺”、“成角”方面有明顯差異,可用于鑒別診斷。惡性腫瘤生長刺激周圍組織反應性生成纖維組織,腫瘤牽拉纖維和周圍組織在冠狀面上形成“匯聚征”,被證實與乳腺浸潤性導管癌[10]及腫瘤分子標記物有相關性[11],可用于預測病變預后。研究表明,ABVS能顯著提高乳腺影像報告和數據系統(tǒng)(breast imaging reporting and data system,BI-RADS)4類病變診斷的靈敏度、特異度、準確度[12],甚至有可能將不典型的BI-RADS4A類降級為BI-RADS3類,減少不必要的穿刺活檢[13]。
ABVS在乳腺病變的檢出方面具有優(yōu)勢,其掃查范圍廣,可減少位于乳腺周邊、乳頭下方及體積較小病灶的漏檢。Choi等[14]發(fā)現ABVS聯(lián)合 BI-RADS分類能提高不典型和直徑較小的惡性病變的檢出率和診斷準確性。ABVS聯(lián)合X線鉬靶能提高無癥狀、致密型乳腺的女性乳腺癌檢出率[15]。ABVS還能檢出常規(guī)超聲易漏診的微鈣化[16]。ABVS是標準化、全自動容積成像,不依賴操作者手法,漏診可能性較低。目前有計算機輔助診斷(computer-aided diagnosis,CAD)系統(tǒng)能提示ABVS成像中可疑的病變區(qū)域,并進行追蹤導航,減少醫(yī)師漏診可能[17]。
但ABVS檢查也存在局限性:1)不適用于乳房較大、表面有破潰、部分凹陷或腫物明顯突出于皮膚表面的患者;2)無法像常規(guī)超聲一樣疊加彩色多普勒及彈性成像等技術,診斷信息較為單一;3)不能獲得腋窩淋巴結的圖像,無法判斷惡性病灶的轉移情況,需要加用手持超聲進行掃查;4)醫(yī)師后期在工作站上診斷時間較長,易產生疲勞等[18]。
彈性是生物組織的一種屬性,由于惡性病變內腫瘤細胞外基質膠原纖維數量增加、結締組織增生,使組織變硬;良性組織的細胞外基質主要由間質細胞和腺上皮細胞構成,質地較軟[19]。彈性成像的原理是對組織施加一個激勵,組織將遵循彈性力學、生物力學發(fā)生位移、形變等,探頭接收信號后,計算出一系列彈性參數值,結合數字信號處理或數字圖像處理技術,將獲得的數字信號以灰階或彩色的方式編碼成像[20]。本文將介紹應變彈性成像(strain elastography,SE)和剪切波彈性成像(shear wave elastography,SWE)在乳腺良惡性病灶診斷中的研究進展。
SE的原理是操作者通過探頭手動給組織施加一定的壓力,組織受壓后產生形變,通過檢測其形變程度計算出不同組織的彈性參數,然后把數字信號進行彩色編碼以獲得彈性圖[21]。日本Tsukuba大學Itoh等[22]最早提出乳腺超聲彈性成像5分評分法。羅葆明等[23]于2006年提出改良5分法,此法在5分法基礎上增加對圖像表現的描述分類,其敏感性、準確性更好,但仍具有主觀性。為了避免評分的主觀性,應變率(strain ratio,SR)比值即病灶與周圍正常腺體組織的彈性系數之比,客觀地將彈性成像技術進行量化[20],還能更好地反映相同個體病變區(qū)域與正常組織的軟硬差異。胡曉丹等[24]回顧性分析乳腺良惡性腫瘤213例,用改良5分法與SR比值診斷的曲線下面積(area under curve,AUC)分別為0.921和0.926;在SR最佳診斷界點3.055下,特異度和準確度明顯升高。計算病變在彈性和二維灰階圖像上面積的比值可得到面積比(EI/B-mode ratio),Barr等[25]用Meta分析對比5分法、SR法、面積比,發(fā)現用面積比診斷乳腺癌的靈敏度、特異度最高,陰性似然比最低。但以上3種方法測量時均需人工手動施壓,無法達到實時成像及測量,其診斷結果也受操作者經驗技術、病變的深度和大小,以及所選病變的感興趣區(qū)域等因素的影響[26]。
SWE是利用超聲探頭晶片發(fā)射脈沖,使感興趣區(qū)域內產生瞬時剪切波,利用高達5 000幀/s的超高速成像系統(tǒng)對剪切波進行追蹤、捕獲,探頭捕獲到感興趣區(qū)內反射的剪切波信號后得出剪切波傳播速度(shear wave velocity,SWV)用以計算楊氏模量值(elasticity index,EI),SWV與EI的轉換公式為E=3ρCs2(E為EI;ρ為組織密度;Cs為SWV)[21]。根據胡克定律,在物體的彈性限度內,應力與應變成正比,即楊氏模量越大,組織的硬度就越大,因而可以根據楊氏系數定量評價不同生物組織的彈性值[20]。刁雪紅等[19]發(fā)現乳腺良惡性病變的SWV平均值與EI平均值有明顯差異,繪制受試者操作特征曲線得到診斷最佳界點SWV為4.2 m/s,對應EI值為50.0 kPa,此時診斷敏感度、特異度為85.2%、91.3%。在SWE最佳診斷界值的選擇上,薛姍姍等[27]認為以EI平均值為診斷截斷值鑒別乳腺病變良惡性的AUC最大(0.931),準確率為91.45%、其次為SWV,AUC為0.899,準確率為89.81%。也有報道認為EI最大值、病灶與脂肪組織EI值比率才是鑒別乳腺良惡性腫塊最佳參數[28]。上述差異的產生可能與良惡性病變彈性系數重疊有關,例如導管內癌及粘液癌的整體硬度偏小,良性病灶內發(fā)生鈣化或產生膠原纖維硬度變大[29]。目前診斷良惡性病灶最佳彈性參數及界值并未統(tǒng)一,還需在常規(guī)超聲基礎上結合其他技術綜合分析。
超聲造影是將含有氣泡的造影劑懸浮液通過外周靜脈注入人體,使造影劑氣體微泡在聲場中產生散射,從而提高圖像對比度。其能實時、動態(tài)觀察,定性、定量評估病變的血流灌注及分布情況,明顯提高低速血管的檢出率。惡性病變常產生大量新生血管,血管常走行迂曲;血管內皮細胞基膜缺損,管壁通透性變大;血管舒縮成分減少,導致靜脈回流障礙[30]。新生血管數量、結構和分布的異常是超聲造影診斷乳腺良惡性病變的基礎。
楊磊等[31]對172例乳腺病變行超聲造影,診斷敏感性為95.24%,特異性為96.59%,惡性病變主要為不均勻高增強,增強時邊界不清、增強后范圍擴大,良性病變?yōu)檎w性不同程度均勻增強。目前許多學者用時間-強度曲線來反映病變增強程度隨時間變化的趨勢,然后定量分析達峰時間(time to peak,TTP)、峰值強度(peak intensity,PI)、上升支斜率、AUC等參數用以鑒別乳腺病變的良惡性[32]。曾錦樹等[33]認為乳腺惡性病變的TTP較短,而廓清時間遲,PI、上升支斜率、AUC均大于良性病變(P<0.05)。段婧等[34]用Logistic分析發(fā)現PI和TTP為乳腺癌的相關因素,乳腺癌通常表現為PI強度較高,TTP較短。
早期惡性病變的腫瘤細胞未突破導管基底膜浸潤周圍組織,常規(guī)超聲惡性征象不典型,容易導致漏診、誤診。趙姣等[35]對80例早期乳腺癌患者進行回顧性研究,發(fā)現超聲造影的特異性和敏感性分別為76.9%、94.1%,均顯著高于常規(guī)超聲。徐瑋[36]認為超聲造影對早期乳腺癌敏感性、準確性甚至高于MRI檢查。在早期乳腺癌血流的檢出方面,一種新型血流成像技術——超微血管成像,對腫瘤早期細微、低速血管顯示率較高,甚至可媲美超聲造影,并且具有無創(chuàng)、操作簡便、實時性好的優(yōu)點,有望代替超聲造影[37-38]。另外,超聲造影還用于預測乳腺癌前哨淋巴結轉移[39]及新輔助化療療效評估等。超聲造影的不足在于:1)造影成像結果受注射方法、儀器調節(jié)、造影偽像、病灶部位等影響;2)乳腺良惡性病變的微循環(huán)狀態(tài)重疊而造影可能無法鑒別[40];3)評價乳腺良惡性病變增強模式定性或定量的標準并沒有統(tǒng)一。
超聲光散射斷層成像是結合常規(guī)超聲和光散射斷層成像技術(diffuse optical tomography,DOT)的新型功能成像技術,其引入常規(guī)超聲對病變進行定位,利用光學數據系統(tǒng),根據不同組織部位和層面對光線吸收率的不同,進而分析病變組織內血紅蛋白濃度、血氧飽和度等參數,最終反映乳腺病變形態(tài)信息和代謝狀態(tài)[41]。研究發(fā)現,乳腺惡性病變血紅蛋白含量的平均最大值高于良性;對于惡性病變,總血紅蛋白的平均最大值與腫瘤的病理分期和細胞核惡性程度有關;放射科醫(yī)師結合常規(guī)超聲和總血紅蛋白數對惡性病變進行診斷,其靈敏度96.6%~100%,陽性預測值52.7%~59.4%,陰性預測值99.0%~100%[42]。病變檢出方面,一種基于大數據、計算機神經網絡輔助診斷技術的超聲光散射成像乳腺診斷系統(tǒng)對T1期乳腺癌的診斷優(yōu)于超聲,可作為早期乳腺癌診斷的有效手段之一[43]。Zhi等[44]認為乳腺癌的臨床病理特征如雌、孕激素受體狀態(tài)、腋窩淋巴結轉移情況、淋巴結血管侵犯與否均與乳腺癌總血紅蛋白濃度(total hemoglobin concentration,THC)有關,DOT技術能有效檢測THC,從而為術前提供治療依據和判斷病變預后。腫瘤的組織代謝及功能變化早于形態(tài)學,超聲光散射斷層成像對腫瘤功能代謝變化的監(jiān)測較為敏感,從而利于評估、跟蹤乳腺癌新輔助化療的療效[45]。
AI是基于數學、計算機科學等,研究、開發(fā)用于模擬延伸和拓展人的智能的理論、方法及應用系統(tǒng)的一門新的技術科學[46]。乳腺醫(yī)學影像AI技術最早發(fā)展起來的是CAD系統(tǒng)。傳統(tǒng)CAD受人為勾畫、特征提取的影響[47]而準確性不高。深度學習能自主提取海量圖像的精細特征,實現端到端的學習。卷積神經網絡(convolutional neural network, CNN)是深度學習最有代表性的模型,在乳腺超聲圖像的檢測、分類上表現優(yōu)異[48]。AI依據大型數據集進行高級學習,還具有計算速度快、重復性強等優(yōu)勢,未來有望成為超聲醫(yī)師的得力助手。
5.2.1AI對乳腺病變的檢測 ABVS能有效提高乳腺病變的檢出率[49],Moon等[50]將一款基于3D CNN的CAD系統(tǒng)應用于ABVS,測試3次診斷靈敏度為100%、95.3%及90.9%。ABVS閱片時間較長,容易造成醫(yī)師疲勞從而導致漏診。Van Zelst等[51]發(fā)現影像醫(yī)師在CAD輔助診斷時每例患者的診斷時間明顯縮短(158.8秒vs134.0秒),同時CAD在掃描過程中能快速提示可疑病灶區(qū)并追蹤定位,減少漏診可能。Jiang等[52]發(fā)現在CAD輔助下,放射科醫(yī)師對無癥狀且具有致密型乳腺的患者診斷時間每人減少1分9秒,同時保持良好的準確性。由于常規(guī)超聲需要人為手動掃查乳腺組織并凍結圖像,目前AI應用較少,故具有主觀性及漏診可能。綜上所述,未來基于全容積乳腺超聲無人為依賴的AI軟件也許能有效避免乳腺癌篩查中存在的漏診問題[48]。
5.2.2AI對乳腺病變的診斷 目前AI診斷主要為基于常規(guī)超聲對乳腺病變的良惡性分類和BI-RADS分類。Han等[53]利用GoogleNet CNN構建模型,其診斷乳腺良惡性病變AUC大于0.9,靈敏度86%,特異度96%,準確度90%,此模型能快速診斷并輔助醫(yī)師診斷。Fujioka等[54]對比一款CNN模型與另外3名影像醫(yī)師對乳腺超聲良惡性病變的診斷情況:靈敏度0.958vs(0.583~0.917)、特異度0.925vs(0.604~0.771)、準確度0.925vs(0.658~0.792),而CNN模型診斷每例患者只需要1.0秒。Huang等[55]根據乳腺BI-RADS分類,運用兩次CNN模型分別進行病灶的識別和特征提取,結果顯示模型診斷BI-RADS 3類、4A類、4C類的準確性均大于90%。有學者[56]研究發(fā)現一款基于深度學習的CAD對乳腺良性病變,特別是纖維瘤和乳腺腺病診斷的特異度較高,能減少非必要病理活檢。AI診斷快速、準確,分類程度也越來越精準,能夠給超聲醫(yī)師診斷乳腺病變提供一定的幫助和參考。
5.2.3S-detect技術 S-detect技術是由韓國三星公司研發(fā)的一款基于“深度學習”算法、嫁接在超聲儀器上的二維超聲CAD系統(tǒng),其根據美國放射學學院BI-RADS的超聲描述法,提示乳腺病變“可能良性”或“可能惡性”[57]。Zhao等[58]認為S-detect技術診斷特異度較高,AUC與有經驗的醫(yī)師相當,并高于住院醫(yī)師。也有研究認為S-detect技術對直徑較大、內部有鈣化、血管分布密集的乳腺腫塊容易出現假陽性,而對直徑較小、內部無鈣化的乳腺腫塊容易出現假陰性[59]。在S-detect與醫(yī)師聯(lián)合診斷的研究中,Park發(fā)現低年資醫(yī)師診斷的陰性預測值和AUC值、高年資醫(yī)師診斷的特異度和陽性預測值均得到提高[57];Cho等[60]認為聯(lián)合S-detect技術有助于提高不同年資放射科醫(yī)師診斷特異性、陽性預測值和準確性。值得注意的是,當不同年資醫(yī)師采用不同的聯(lián)合診斷方法如:方法1:在S-detect診斷為“可能良性”則將原分類下調1級,如為 “可能惡性”則上調1級,3類不再下調,5類不再上調,或方法2:重新分級評價,兩種方法的聯(lián)合診斷效能均不相同,醫(yī)師應靈活參考診斷結果,選擇是否進行分類調整[61]。綜上所述,S-detect技術能對乳腺病變進行快速診斷,但是其診斷為良性的病變仍有惡性的可能,所以超聲醫(yī)師更應該結合自身經驗及其他技術綜合診斷。
超聲新技術的出現彌補了常規(guī)超聲診斷的不足,提供了更為全面、客觀、準確的診斷信息。ABVS克服了常規(guī)超聲依賴人工手動操作的弊端,清晰顯示病變冠狀面及與周圍組織的關系。彈性成像能定性、定量反映病變軟硬程度,具有很好的鑒別診斷意義。超聲造影能靈敏檢出惡性病灶新生血管細微的血流信號,對早期乳腺癌尤為敏感。超聲光散射斷層技術對乳腺病變功能、代謝的變化較為敏感,利于動態(tài)檢測新輔助化療療效。超聲AI輔助診斷能提高醫(yī)師診斷效率和效能,減少漏診。綜上所述,只有全面綜合地應用各種技術才能發(fā)揮出各自的優(yōu)勢,從而給乳腺癌患者帶來益處。
作者聲明:本文全部作者對于研究和撰寫的論文出現的不端行為承擔相應責任;并承諾論文中涉及的原始圖片、數據資料等已按照有關規(guī)定保存,可接受核查。
學術不端:本文在初審、返修及出版前均通過中國知網(CNKI)科技期刊學術不端文獻檢測系統(tǒng)的學術不端檢測。
同行評議:經同行專家雙盲外審,達到刊發(fā)要求。
利益沖突:所有作者均聲明不存在利益沖突。
文章版權:本文出版前已與全體作者簽署了論文授權書等協(xié)議。