MRI在子宮肉瘤和子宮肌瘤鑒別診斷中的應用進展

張靚雯，王青

子宮肌瘤與子宮肉瘤均起源于子宮間葉組織。子宮肌瘤是最常見的子宮良性腫瘤，50歲以上女性的患病率可達70%～80%[1]。大多數子宮肌瘤有典型的影像學表現，易于診斷；但在較大肌瘤合并變性時，無論是超聲、CT，還是MRI均不易與子宮肉瘤鑒別。子宮肉瘤是發(fā)生于子宮的罕見組織學異質性腫瘤，占子宮惡性腫瘤的3%～7%[2]。根據2020世界衛(wèi)生組織（WHO）女性生殖器官腫瘤最新分類[3]，將子宮肉瘤分為間葉組織來源腫瘤和混合間葉組織來源腫瘤；其中，間葉組織來源腫瘤包括子宮平滑肌肉瘤、子宮內膜間質肉瘤和其他罕見類型（如未分化肉瘤和橫紋肌肉瘤等）；混合間葉組織來源腫瘤為腺肉瘤。此版將原屬于子宮肉瘤的癌肉瘤排除在外，認為其更傾向于上皮惡性腫瘤。變性肌瘤與子宮肉瘤的治療方案、手術方式存在很大差別；另外，子宮肉瘤、子宮肌瘤與子宮內膜癌、宮頸癌不同，不易在術前獲得病理結果，因此術前影像學檢查對于這2種腫瘤的定性診斷具有重要價值。

MRI是子宮腫瘤診斷、分期、療效評估和預后判斷的最佳成像技術[4]。對于子宮肉瘤和子宮肌瘤的鑒別，常規(guī)MRI序列可以提供部分信息，而擴散加權成像（DWI）及其衍生序列擴散張量成像（DTI）和擴散峰度成像（DKI）、灌注加權成像（PWI）、MR波譜成像（MRS）、增強梯度回波T2*加權血管成像（enhanced gradient echo T2-star weighted angiography,ESWAN）等功能MRI具有附加診斷價值。近年來，影像組學作為放射學領域的研究熱點，廣泛應用于全身多種疾病的診斷及鑒別診斷[5]。與傳統(tǒng)影像技術相比，影像組學通過高通量自動提取醫(yī)學影像中肉眼無法識別的特征進行定量分析，尋找提取的紋理特征與臨床數據之間的相關性，用于子宮腫瘤的輔助診斷研究。

1 常規(guī)MRI

常規(guī)MRI檢查包括MRI平掃及增強掃描，可清晰顯示子宮病變的部位、形態(tài)、大小、信號特點、血供情況及其與鄰近組織的關系等定性特征。典型子宮肌瘤在MR T2WI上表現為邊界清楚的圓形低信號結節(jié)或腫塊影，T1WI上信號強度類似于子宮肌層；增強掃描呈較均勻性強化，強化程度低于或類似于正常子宮肌層[6-7]。但當肌瘤較大時，可發(fā)生透明樣變、脂肪變性、黏液樣變、囊性變、紅色樣變、鈣化、間質水腫等[8]。在肌瘤合并不同變性情況下，T1WI和T2WI可出現等、高或混雜信號影。多數情況下子宮肉瘤體積較大，形態(tài)不規(guī)則，T1WI呈等信號或混雜信號，T2WI呈不均勻高信號或混雜信號。變性肌瘤和子宮肉瘤增強掃描均呈不均勻強化，時間-信號強度曲線均以Ⅰ型為主，但也有研究[9]提示在子宮肉瘤中可更早觀察到強化峰值。因此，通過常規(guī)MRI檢查鑒別變性肌瘤與子宮肉瘤有時存在困難。有文獻[10]報道腫瘤形態(tài)不規(guī)則或邊界不清、腫瘤內出血（T1WI高信號）、T2WI暗區(qū)可作為潛在的惡性預測因素。Jagannathan等[11]初步制定了鑒別良性子宮肌瘤與平滑肌肉瘤的風險分層評分系統(tǒng)，選定7個定性MRI特征作為評分標準：①T2WI影像異質性；②T2WI高信號（實性成分）；③腫瘤內出血；④增強掃描影像異質性；⑤“指狀”強化；⑥增強掃描后與肌層分界不清；⑦腫瘤中央非強化區(qū)域（壞死），符合0-3個特征的惡性陰性預測值達100%，符合6-7個特征惡性陽性預測值達100%。

2 功能MRI

近年來，功能MRI在良惡性腫瘤鑒別、病理分型、分級和分子變化等方面顯示出潛力，可以量化分析，比常規(guī)MRI提供更多有價值的信息。

2.1 DWI及其衍生序列DWI是一種反映組織內水分子擴散運動的無創(chuàng)性檢查方法，可以通過測量表觀擴散系數（ADC）進行水分子擴散受限程度的量化評估，對鑒別腫瘤的良惡性具有重要意義。DTI是在DWI的基礎上進一步檢測水分子的擴散速率與方向，除可測量ADC值外，還能提供各向異性分數（fractional anisotropy,FA）來反映水分子擴散運動方向。DWI和DTI均以水分子高斯運動為基礎，但不能真實地反映水分子的運動形式。DKI是由DTI發(fā)展而來，采用四階三維張量來檢測水分子的非高斯運動，可以更真實、客觀地評估組織微觀結構。

歐洲泌尿生殖放射學會（ESUR）強調了DWI在鑒別良惡性子宮腫瘤的附加價值[12]。一些研究[13-15]表明，子宮肉瘤的DWI信號強度高于子宮肌瘤，ADC值低于子宮肌瘤，但2種腫瘤的ADC值部分存在重疊，因此基于DWI和ADC值不足以做出明確診斷。Abdel Wahab等[16]研究結合T2WI、DWI信號強度和ADC值，結果顯示，淋巴結腫大及腫塊的DWI信號高于子宮內膜，且ADC值≤0.905×10-3mm2/s能夠鑒別子宮肉瘤和不典型肌瘤，敏感度和特異度分別為98%和94%。Tian等[17]研究表明，DTI的定量參數ADC值和FA值可用于鑒別子宮肉瘤和變性肌瘤，其中ADC值的診斷效能最高[受試者操作特征曲線下面積（AUC）=0.974]。鞠等[18]在DKI影像上測量了腫瘤的7項參數，結果發(fā)現變性肌瘤的平均擴散峰度（mean kurtosis,MK）值、平行擴散峰度（axial kurtosis,Ka）值、垂直擴散峰度（radial kurtosis,Kr）值低于子宮肉瘤，平均擴散系數（mean diffusivity,MD）值、平行擴散系數（axial diffusivity,Da）值、垂直擴散系數（radial diffusivity,Dr）值高于子宮肉瘤。

2.2 PWI PWI通過顯示對比劑在興趣區(qū)（ROI）的信號強度變化，能夠在微觀水平上反映毛細血管通透性、血流量等局部血流動力學信息，目前多應用于中樞神經系統(tǒng)的研究。Malek等[19]在PWI影像上設置了2種ROI（ROIL為全部腫瘤，ROIS為腫瘤內對比強化最明顯的區(qū)域），并從每種ROI中提取7個參數，包括容積轉移常數（Ktrans）、速率常數（kep）、血容量、初始時間-濃度曲線下面積、初始斜率、峰值和均方誤差，但發(fā)現PWI參數在子宮平滑肌肉瘤和子宮肌瘤之間無顯著差異。

2.3 MRS MRS通過定量分析器官組織代謝物的變化水平來反映組織的生化信息。Rahimifar等[8]結合ADC值與MRS技術用以鑒別子宮肉瘤和子宮肌瘤，準確度達98.3%。

2.4 ESWAN ESWAN是一種新開發(fā)的磁敏感加權成像技術，利用組織間不同的磁敏感差異而成像。該成像方法可敏感地評估腫瘤與正常組織之間的血氧水平差異，反映腫瘤的生物學行為，T2*和R2*值作為定量指標在評價腫瘤的良惡性方面具有潛力。田等[20]研究表明，T2*和R2*值在子宮肉瘤和變性肌瘤間差異有統(tǒng)計學意義，為臨床鑒別這2種腫瘤提供了新的方法。

3 影像組學

目前，多項研究表明紋理分析、機器學習和影像組學對鑒別子宮肉瘤和子宮肌瘤有一定幫助。紋理分析側重于從圖像像素強度的灰度差異推斷出病變之間的不同，機器學習是通過從提取的特征中自我學習以創(chuàng)建最佳模型的一種方法。影像組學研究通過紋理分析與機器學習方式進行圖像預處理、圖像分割、特征提取和模型構建。

紋理分析實質上是影像組學的一部分，可量化腫瘤的異質性，現已應用于多種腫瘤的診斷研究。Lakhman等[21]在T2WI上對子宮平滑肌肉瘤和非典型肌瘤的ROI進行紋理分析，結果發(fā)現，與非典型肌瘤相比，子宮平滑肌肉瘤的紋理異質性增加但熵減少，表明紋理分析是一種可行的半自動鑒別方法。白等[22]使用灰度直方圖分析法在T2WI上的腫瘤最大層面來鑒別子宮內膜間質肉瘤和變性肌瘤，發(fā)現子宮內膜間質肉瘤的平均值和第1、10、50、90、99百分位數均高于變性肌瘤，且以第50百分位數的鑒別效能最佳（AUC=0．742）；但該研究僅提取腫瘤最大層面的紋理特征，獲取的信息不夠全面，可能忽略了其他層面重要的紋理特征。牛等[23]選擇ADC圖對子宮肉瘤和變性肌瘤進行紋理分析，結果顯示熵值的診斷效能最佳（AUC=0．94）。另有研究者[24]進一步研究了子宮平滑肌肉瘤和子宮肌瘤多個MRI序列的紋理特征，結果顯示，T2WI序列的鑒別效能最好，而ADC圖的最差；T2WI直方圖紋理參數結合病人年齡的模型的診斷效能最高，受試者操作特征曲線下面積（AUC）為0．955。

機器學習通過對提取的特征進行分析和學習，創(chuàng)建最佳預測算法。在鑒別子宮肉瘤與子宮肌瘤方面，機器學習模型的診斷效能可能優(yōu)于放射科醫(yī)師和核醫(yī)學醫(yī)師的診斷效能。Nakagawa等[25]應用邏輯回歸算法建立基于T2WI和平均ADC值的模型，結果顯示該模型的診斷效能與2名放射科醫(yī)生的診斷效能相當（AUC值分別為0．92、0．97、0．89），且優(yōu)于核醫(yī)學醫(yī)師基于18F-FDG PET/CT最大標準攝取值（SUVmax）分析的診斷效能（AUC值為0．92和0．85）。Nakagawa等[26]研究還使用6種機器學習算法，構建了一類基于T1WI、T2WI、ADC圖、增強T1WI的影像組學模型，其中以極端梯度提升（eXtreme Gradient Boosting,XGBoost）算法建立的模型效能最佳（訓練組的AUC值為0．93），優(yōu)于經驗豐富的2名放射科醫(yī)生的（AUC值為0．80和0．68）。Malek等[19]發(fā)現雖然PWI參數在子宮肉瘤和子宮肌瘤間無顯著差異，但當使用機器學習方法整合提取的PWI參數時，鑒別2種腫瘤的敏感度和特異度分別達100%和90%，表明基于PWI的機器學習模型具有一定價值。近年Dai等[27]利用遷移學習分別建立基于T2WI、DWI、T2WI+DWI（mp-MRI）、mp-MRI+臨床參數的模型，其中結合臨床參數的mp-MRI遷移學習模型鑒別效能最高（AUC：0．94～0．96），該模型優(yōu)于結合臨床參數的mp-MRI影像組學模型（AUC=0．92）。

近年來，影像組學成為醫(yī)學領域研究的熱點，已廣泛應用于全身多種疾病的診斷、治療方案選擇、療效評估、預后預測等。Xie等[28]從ADC圖上手動分割腫瘤、腫瘤和周圍小塊組織和整個子宮3種ROI，研究表明以整個子宮作為ROI的影像組學模型具有最佳診斷效能（AUC=0．876）。Xie等[29]研究還應用基于ADC圖的影像組學模型來鑒別子宮肉瘤和非典型肌瘤，結果顯示該模型與經驗豐富的放射科醫(yī)生的診斷效能相當（AUC為0．830和0．752）。Wang等[30]開發(fā)了一種結合臨床特征和基于T2WI的影像組學特征的聯(lián)合模型，用于預測T2WI高信號子宮惡性間葉腫瘤；與臨床模型和基于T2WI的影像組學模型相比，聯(lián)合模型可顯著提高診斷效能，AUC可達0．91。

4 小結

術前影像學準確鑒別子宮肉瘤及子宮肌瘤對于制定治療方案有重要意義。MRI是評估子宮腫瘤的最佳影像學檢查方法，功能MRI和影像組學的應用更利于提高2種腫瘤的鑒別診斷。但由于子宮肉瘤發(fā)病率低，現階段均為小樣本回顧性分析，不同研究之間的結果與結論缺乏共識。因此未來需要多中心協(xié)作構成大樣本前瞻性研究，以建立更科學、更權威的預測模型，提高診斷敏感性、特異性和準確性。