MRI 影像組學預測非特殊型浸潤性乳腺癌分子分型的價值

張丁懿，黃小華，沈夢伊，張麗，何欣

0 引言

乳腺癌是目前女性最常見的惡性腫瘤，其發(fā)病率呈每年遞增的趨勢，且是女性死亡的主要原因之一[1]。非特殊型浸潤性乳腺癌是乳腺癌中最常見的類型，約占乳腺癌的70%～80%[2]，是高度異質性腫瘤，其預后效果更差。非特殊型浸潤性乳腺癌治療方式主要由分子分型決定，Luminal 型是乳腺癌數(shù)量占比最大的分子分型，以內分泌治療為主，預后相對較好；非Luminal型對內分泌治療不敏感且腫瘤分化級別高、總體預后差，治療方式需根據(jù)情況采用靶向治療、化療或放療[3-5]。Luminal 型和非Luminal 型的分子分型取決組織病理結果的免疫組化[6-7]，但該方法有創(chuàng)，且有假陰性結果的干擾[8-9]。因此尋求一種準確、無創(chuàng)預測分子分型的方法至關重要。目前乳腺腫瘤磁共振成像研究較多[10-12]，但多聚焦在乳腺癌的定性及治療預后價值評估，關于乳腺癌分子分型的研究相對較少，且多基于單一序列預測分子分型，鮮有探討雙序列的預測價值[13-14]，其中未見有關基于動態(tài)對比增強（dynamic contrast-enhanced, DCE）-MRI 和擴散加權成像（diffusion weighted imaging,DWI）聯(lián)合影像組學預測非特殊型浸潤性乳腺癌Luminal型和非Luminal分型的研究。本文回顧性分析149例非特殊型浸潤性乳腺癌患者的DCE-MRI和DWI 的影像資料，旨在探討基于MRI 影像組學在非特殊型浸潤性乳腺癌中Luminal型和非Luminal型分類的預測價值，為臨床對乳腺癌患者的分子分型的確定以及治療方案的選擇提供一定的幫助。

1 材料與方法

1.1 研究對象

本研究遵守《赫爾辛基宣言》，經(jīng)川北醫(yī)學院附屬醫(yī)院醫(yī)學倫理委員會批準，免除受試者知情同意，批準文號：2023ER149-1?；仡櫺苑治?021 年4 月至2022 年12 月在本院經(jīng)病理證實的261 例乳腺癌患者的臨床及MRI影像資料。

納入標準：（1）經(jīng)手術或穿刺病理證實為非特殊型浸潤性乳腺癌的患者；（2）腫瘤病灶原發(fā)于乳腺；（3）具有完整的病理及免疫組化結果；（4）MRI 檢查前未進行過穿刺活檢、手術切除、放療或化療等治療；（5）進行了DCE-MRI 序列、DWI 序列掃描。排除標準：（1）圖像質量差，無法達到分析要求；（2）臨床資料不全。

經(jīng)納入、排除標準篩選后，最終納入149 例乳腺癌患者，其中Luminal 型90 例，非Luminal 型59 例。年齡24～84（中位數(shù)為52）歲?；颊吆Y選流程如圖1所示。

1.2 設備與方法

聯(lián)影UMR790 3.0 T MR 掃描儀，10 通道乳腺專用相控陣線圈。俯臥位，頭先進，雙側乳腺自然懸垂于乳腺線圈內，定位中心對準線圈中心及兩側乳頭連線。掃描范圍包括雙側乳腺、腋窩。所有患者均進行橫斷面T1WI多期DCE-MRI（TE 2.17 ms，TR 5.15 ms，層厚1.0 mm，視野340 mm×340 mm，矩陣336×100，層數(shù)128層）和橫斷面DWI（TE 66 ms，TR 4 000 ms，層厚4.0 mm，視野350 mm×190 mm，矩陣192×100，層數(shù)24 層，b 值分別取50 s/mm2和800 s/mm2）。注射對比劑前先掃描一期蒙片像，然后高壓注射器經(jīng)肘正中靜脈注射Gd-DTPA（佳迪顯，江蘇恒瑞醫(yī)藥股份有限公司），劑量0.2 mmol/kg，流率為2.5 mL/s，之后以相同速率團注生理鹽水20 mL，注射后開始連續(xù)掃描8期，每期69 s，總掃描時間為9 min 36 s。

1.3 免疫組化及分子分型標準

根據(jù)美國臨床腫瘤學會（American Society of Clinical Oncology, ASCO）和美國病理學家學會（College of American Pathologists, CAP）發(fā)布的乳腺癌雌激素受體（estrogen receptor, ER）、孕激素受體（progesterone receptor, PR）免疫組化檢測指南[15]，將ER、PR 陽性定義為腫瘤細胞核著色數(shù)量≥1%；ER、PR 陰性定義為在有陽性內對照的情況下，腫瘤細胞核著色的數(shù)量＜1%。

以《中國抗癌協(xié)會乳腺癌診治指南與規(guī)范》（2021 年版）為參考標準[16]，根據(jù)ER/PR 表達狀態(tài)，將所有病例分為2 種類型：（1）Luminal 型，ER、PR 均為陽性；（2）非Luminal型，ER、PR均為陰性。

1.4 圖像分割及影像組學特征提取

使用3D slicer（ (version 5.0.3，https://www.slicer.org/）對感興趣區(qū)（region of interest, ROI）進行勾畫及特征提取（圖2）。由兩名具有7 年以上乳腺MRI 診斷工作經(jīng)驗的影像科醫(yī)師（主治醫(yī)師）在不知曉患者分子分型的前提下，在DCE-MRI 序列中增強后的第二期相和DWI 序列中的高b 值（b＝800 s/mm2）DWI圖像上對乳腺腫瘤進行逐層勾畫，得到感興趣體積（volume of interest, VOI）。同一患者多灶或多中心腫瘤僅納入直徑最大的病變。使用基于Python 的radiomics 從ROI 中提取7 個常見特征組，共計1 223個特征被提取。

圖2 女，57歲，Luminal型乳腺癌，ER 陽性（約90%），PR 陽性（約60%）。2A～2B 為DWI序列的原始圖像以及感興趣區(qū)勾畫示意圖；2C～2D 為DCE序列的原始圖像以及感興趣區(qū)勾畫示意圖。ER：雌激素受體；PR：孕激素受體；DWI：擴散加權成像，DCE：動態(tài)對比增強。Fig.2 A 57-year-old female with Luminal breast cancer is ER positive (about 90%) and PR positive (about 60%).2A-2B are the original images of DWI sequence and sketches of the region of interest; 2C-2D are the original images of DCE sequence and the sketch of the region of interest.ER: estrogen receptor; PR:progesterone receptor; DWI: diffusion weighted imaging; DCE: dynamic contrast-enhanced.

1.5 觀察者間的一致性檢驗

從全部對象中隨機抽取DCE 序列圖像和DWI序列圖像各約1/3，再由兩名醫(yī)師同時勾畫ROI 并提取影像組學特征，勾畫后提取的數(shù)據(jù)采用組間相關系數(shù)（inter-class correlation coefficient, ICC）檢驗觀察者間的一致性，剔除ICC 值≤0.75 的特征，保留ICC值＞0.75，被認為具有較好一致性和穩(wěn)定性的特征數(shù)據(jù)。最終DCE-MRI 序列保留1 023 個特征，DWI 序列保留1 094個特征，其余被排除。

1.6 特征選擇及模型建立

采用聯(lián)影uAI Research Portal（V730）軟件進行特征篩選、模型建立及內部測試。將數(shù)據(jù)Z分數(shù)歸一化后，使用方差閾值法（variance threshold, VT），保留方差值大于0.8的特征；使用K 最佳（selectKBest）、最小絕對收縮與選擇算子（least absolute shrinkage and selection operator, LASSO）進行特征篩選（圖3、圖4）。DCE 序列共篩選出6 個特征，分別是2 個灰度區(qū)域大小矩陣特征，4個一階特征。DWI序列共篩選出6 個特征，分別是1 個灰度區(qū)域大小矩陣特征，1 個灰度依賴矩陣特征，2個鄰域灰度差矩陣特征，1個灰度共生矩陣特征，1個一階特征。

圖3 DWI 序列LASSO 特征篩選圖。圖4 DCE 序列LASSO 特征篩選圖。DWI：擴散加權成像；DCE：動態(tài)對比增強；LASSO：最小絕對收縮與選擇算子。Fig.3 LASSO feature screening diagram of DWI sequence.Fig.4 LASSO feature screening diagram of DCE sequence.DWI: diffusion weighted imaging; DCE: dynamic contrast-enhanced; LASSO: least absolute shrinkage and selection operator.

用隨機森林法將這些影像特征建立起三個模型，分別是DCE 序列的6 個特征模型、DWI 序列的6 個特征模型以及聯(lián)合序列模型。繪制出各模型的ROC曲線、校正曲線以及決策曲線。

將149 例患者按7∶3 比例隨機分為訓練組和測試組，訓練組104 例（Luminal 型41 例，非Luminal 型63 例），測試組45 例（Luminal 型27 例，非Luminal 型18 例）。在訓練組中進行模型的訓練，并在測試組中進行模型性能驗證。

1.7 統(tǒng)計學分析

采用SPSS（V26.0，IBM，美國）軟件和R 語言對數(shù)據(jù)結果進行統(tǒng)計分析。計量資料中滿足正態(tài)分布的以xˉ±s表示，采用兩獨立樣本t檢驗進行兩組間比較；計量資料中不滿足正態(tài)分布的以中位數(shù)（Q25，Q75）表示，采用兩獨立樣本曼-惠特尼秩和檢驗進行兩組間比較；計數(shù)資料采用例數(shù)表示，使用χ2檢驗進行兩組間比較。通過繪制受試者工作特征（receiver operating characteristic, ROC）曲線，計算ROC 曲線下面積（area under the curve, AUC）、敏感度、特異度、準確度并評價各模型預測非特殊型浸潤性乳腺癌Luminal型和非Luminal型的效能，利用DeLong 檢驗分析各模型AUC差異是否具有統(tǒng)計學意義。使用校正曲線評估模型的擬合優(yōu)度，利用決策曲線分析模型的臨床凈收益。雙側P＜0.05 被認為差異具有統(tǒng)計學意義。

2 結果

2.1 Luminal型和非Luminal型患者間臨床資料比較

兩組間患者在年齡、絕經(jīng)狀態(tài)、淋巴結轉移情況的差異均無統(tǒng)計學意義（P＞0.05）（表1）。根據(jù)病理組織活檢結果判定是否淋巴結轉移。

表1 Luminal型和非Luminal型患者間臨床資料比較Tab.1 Comparison of clinical data between patients with Luminal and non-Luminal subtype

2.2 訓練組和測試組患者間臨床資料比較

兩組間患者在年齡、ER、PR、絕經(jīng)狀態(tài)、淋巴結轉移情況的差異均無統(tǒng)計學意義（P＞0.05）（表2）。

表2 訓練組和測試組患者間臨床資料比較Tab.2 Comparison of clinical data between training group and test group

2.3 三種影像組學模型預測效能的評估

以訓練組104 例，測試組45 例，共149 例患者為樣本建立模型。三個模型訓練組、測試組的AUC、敏感度、特異度、準確度評分見表3。在訓練組中，DWI、DCE、聯(lián)合序列的AUC 值分別為0.859、0.839、0.903，在測試組中，DWI、DCE、聯(lián)合序列的AUC 值分別為0.722、0.798、0.821（圖5、圖6）。DeLong 檢驗顯示訓練組的DCE模型和聯(lián)合模型之間的預測效能有統(tǒng)計學意義（P=0.03），除此之外三個模型兩兩比較預測效能差異均無統(tǒng)計學意義（P＞0.05）。

表3 三種影像組學模型效能比較Tab.3 Comparison of three radiomics models

圖5 三種模型訓練組的受試者工作特征（ROC）曲線以及曲線下面積（AUC）值。 圖6 三種模型測試組的受試者工作特征（ROC）曲線以及曲線下面積（AUC）值。DWI：擴散加權成像；DCE：動態(tài)對比增強。Fig.5 Receiver operating characteristic (ROC) curve and area under the curve (AUC) values of training groups in the three model.Fig.6 Receiver operating characteristic (ROC) curve and area under the curve (AUC) values of test groups in the three model.DWI: diffusion weighted imaging; DCE:dynamic contrast-enhanced.

校正曲線（圖7）顯示，DWI 模型、DCE 模型以及聯(lián)合模型的Brier 系數(shù)在訓練組中分別為0.165，0.173，0.148，在測試組中分別為0.216，0.185，0.185。Brier 系數(shù)值越接近于0，模型的預測校準性能越好，驗證了模型預測值和實際觀察值擬合度良好。從決策曲線分析可看出，當訓練組閾值概率大于0.20、測試組閾值概率大于0.35時，DWI模型、DCE模型以及聯(lián)合模型的臨床凈收益均較高（圖8）。

圖7 模型的校正曲線。7A～7C 分別為DWI模型、DCE模型、聯(lián)合模型訓練組的校正曲線；7D～7F 分別為DWI 模型、DCE 模型、聯(lián)合模型測試組的校正曲線。DWI：擴散加權成像；DCE：動態(tài)對比增強。Fig.7 Calibration curve of the models.7A-7C are the calibration curves of DWI model, DCE model and joint model training group respectively;7D-7F are the calibration curves of DWI model, DCE model and joint model test group respectively.DWI:diffusion weighted imaging; DCE:dynamic contrast-enhanced.

圖8 模型的決策曲線。8A～8C 分別為DWI模型、DCE模型、聯(lián)合模型訓練組的決策曲線；8D～8F 分別為DWI 模型、DCE 模型、聯(lián)合模型測試組的決策曲線。DCE：動態(tài)對比增強；DWI：擴散加權成像。Fig.8 Decision curves of the models.8A-8C are the decision curves of DWI model, DCE model and joint model training group respectively;8D-8F are the decision curves of DWI model, DCE model and joint model test group respectively.DCE: dynamic contrast-enhanced; DWI: diffusion weighted imaging.

3 討論

乳腺癌的分子分型是選擇患者臨床治療方式的重要依據(jù)，同時也是腫瘤的重要預后因子，具有較高的臨床應用價值。乳腺癌的分子分型主要依賴于有創(chuàng)的病理方法獲得，既往影像組學預測多基于單序列研究，其預測效能不高，鮮有探討不同序列間的互補價值。因此本研究基于DWI 與DCE 雙序列影像組學建立預測模型，旨在無創(chuàng)性地分析非特殊型浸潤性乳腺癌的分子分型。研究發(fā)現(xiàn)上述序列均能較好地預測非特殊型浸潤性乳腺癌Luminal 型和非Luminal 型，為臨床分子分型的確定與治療方案的選擇提供了參考。

3.1 分子分型現(xiàn)有研究分析

Luminal 型乳腺癌對內分泌治療敏感，復發(fā)風險較低，預后較好；非Luminal型乳腺癌對化療敏感，腫瘤易發(fā)生遠處轉移，復發(fā)風險高，預后較差[17]。目前，乳腺癌的分子分型需要用有創(chuàng)的病理方法獲得，MRI影像組學有無創(chuàng)地預測分子分型的潛力，且檢查過程無電離輻射傷害，對患者臨床診斷、個體化治療方式的選擇及預后評估有一定的價值。目前已有部分研究[18-19]表明MRI 影像組學預測乳腺癌分子分型具有可行性及臨床意義，但使用DCE 序列聯(lián)合DWI 序列預測乳腺癌Luminal 型和非Luminal 型的研究較少，因此本研究目的是討論DCE 聯(lián)合DWI 序列預測非特殊型浸潤性乳腺癌Luminal型和非Luminal型的臨床價值。

既往研究[20-21]多采用數(shù)字乳腺X 線攝影的影像組學預測乳腺癌的分子分型，但具有部分缺點：數(shù)字乳腺X 線攝影獲取的是二維的圖像，乳腺組織過多的重疊將導致細小的病變結構易被掩蓋，且無法提供腫瘤血供情況，只能反映病灶形態(tài)學的改變[22]，另外，檢查時需要壓迫乳房組織，使患者產(chǎn)生不適感，檢查時產(chǎn)生的電離輻射也對人體有不同程度的損害。目前，MRI 檢查具有無輻射、軟組織分辨力高及多參數(shù)成像等特點，已成為乳腺癌常用且對病灶檢出較靈敏的影像檢查方法。有研究[23-27]認為DCE 影像組學模型、DWI 影像組學模型對預測乳腺癌分型具有重要價值，但鮮少有研究對這兩種影像組學模型進行系統(tǒng)比較。

3.2 DWI序列、DCE序列在預測分子分型中的作用

DWI 序列具有表明組織中水分子擴散狀態(tài)的能力，若水分子擴散受限，將會在圖像上出現(xiàn)高信號。DWI 對水分子受限組織敏感，能較好地反映病變組織水分子受限的狀態(tài)。b 值又稱擴散敏感因子，指MRI 中各序列對擴散運動的敏感程度，是擴散運動能力檢測的指標。b 值越大對水分子的彌散越敏感，于是本研究選擇在高b 值圖像上進行影像組學特征提取，與GAO等[24]采用的方法一致。

由于乳腺癌特有的異常血管分布，DCE序列對灌注變化很敏感[28]。DCE圖像增強后第二期為動脈期，即注射對比劑后69～138 s 左右，且有研究表明，乳腺腫瘤在注射對比劑后第二期會出現(xiàn)信號高峰值時段，腫瘤與背景乳腺信號強度差異較大，對比信噪比最高[29]。因此本研究采用勾畫增強后第二期相預測乳腺癌分子分型，與代婷等[30]學者采用的方法一致。兩者研究結果均得到了較高的準確性，原因可能在于動脈期病灶與周圍組織分界更清晰，勾畫病灶時誤差更小，且本研究對腫瘤采用逐層勾畫提取病灶特征，更加能反映乳腺腫瘤的整體性和高度異質性[31]。

DWI 序列可以反映乳腺癌病灶水分子擴散受限的狀態(tài)，DCE 序列能反映乳腺腫瘤的血供灌注情況，綜合兩個序列能更準確地確定腫瘤的病變范圍、采集更多的腫瘤信息，在一定程度上彌補單一序列包含腫瘤信息量有限的局限性，這也可能是聯(lián)合模型預測性能有所提升的原因。

3.3 主要研究結果分析

本研究納入的患者中，Luminal 型占60.4%，非Luminal型占39.6%，與研究[32-34]報道類似。本研究結果顯示基于隨機森林法建立的三個模型在訓練組的預測效能表現(xiàn)均較好（AUC＞0.8），測試組的預測效能雖稍有下降，但都保持在一個較理想的范圍內（AUC＞0.7）。DeLong檢驗結果顯示在測試組中三個模型的預測效能兩兩比較差異均無統(tǒng)計學意義，表明在本研究中DWI 序列、DCE 序列和聯(lián)合序列均能較好地預測非特殊型浸潤性乳腺癌Luminal 型和非Luminal 型。校正曲線和決策曲線也分別展示出本研究有較好的擬合情況和較高的臨床凈收益。

此外，本研究進行了Luminal型和非Luminal型、訓練組和測試組間的臨床及病理資料的比較，結果顯示Luminal 型和非Luminal 型之間的年齡、絕經(jīng)狀態(tài)、淋巴結轉移狀態(tài)等臨床及病理資料差異均無統(tǒng)計學意義（P＞0.05）。李薇等[35]的研究與本文研究結果同樣得出年齡、絕經(jīng)狀態(tài)、淋巴結轉移狀態(tài)在Luminal 型和非Luminal 型之間差異無統(tǒng)計學意義。陳永升等[36]的研究發(fā)現(xiàn)不同分子分型的乳腺癌患者絕經(jīng)狀態(tài)間的差異無統(tǒng)計學意義，但淋巴結轉移狀態(tài)在組間差異有統(tǒng)計學意義（P＜0.05）。上述文獻和本研究結果的差異可能與本研究納入樣本量偏小、分子分型方法不同等因素有關，有待進一步探討。

3.4 局限性

本研究還存在一定的局限性：（1）本研究是一項回顧性的單中心研究，未引入外部測試，可能會導致研究結果不具有普適性；（2）樣本量相對較少；對分子分型只進行了二分類，其結果無法為患者提供更加精準的治療方式選擇。因此，未來需要進一步擴大樣本量，進行多中心、更詳細分類的研究。

4 結論

綜上，本研究基于MRI 影像組學構建的模型可以較好地預測非特殊型浸潤性乳腺癌Luminal 型和非Luminal型，有助于乳腺癌個體化治療方案的合理選擇。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：黃小華參與設計本研究的方案，對稿件重要內容進行了修改，獲得了南充市市校合作項目的資助；張丁懿參與研究方案的設計，起草和撰寫稿件，獲取、分析并解釋本研究的數(shù)據(jù)；沈夢伊、張麗、何欣獲取、分析或解釋本研究的數(shù)據(jù)，對稿件的部分內容進行了修改。全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。