基于超聲紋理特征與基于超聲造影的預(yù)測(cè)模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的對(duì)比研究

摘" " 要" " 目的" " 比較基于二維超聲紋理特征（2D-Ultrasomics）的預(yù)測(cè)模型與基于超聲造影（CEUS）的預(yù)測(cè)模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的診斷價(jià)值。方法" " 選取我院經(jīng)病理確診的乳腺結(jié)節(jié)患者109例（共112個(gè)結(jié)節(jié)），依據(jù)病理結(jié)果分為良性組58個(gè)和惡性組54個(gè)，均行二維超聲及彩色多普勒（2D-CDUS）、CEUS檢查，比較兩組超聲檢查結(jié)果的差異；基于二維超聲圖像提取2D-Ultrasomics，使用最小絕對(duì)收縮和選擇算子（LASSO）進(jìn)行特征篩選。采用多因素Logistic回歸分別構(gòu)建2D-CDUS模型、2D-CDUS結(jié)合CEUS（2D-CD+CEUS）模型、2D-CDUS結(jié)合2D-Ultrasomics（2D-CDUS+Ultrasomics）模型，繪制受試者工作特征（ROC）曲線評(píng)估各模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的診斷效能；采用Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)評(píng)估模型的擬合度；繪制臨床決策曲線評(píng)估模型的臨床適用性。結(jié)果" " 兩組結(jié)節(jié)2D-CDUS圖像特征（內(nèi)部回聲、邊界、血流、短徑）和CEUS圖像特征（增強(qiáng)方式、增強(qiáng)時(shí)相、造影邊界、增強(qiáng)均勻性、增強(qiáng)病灶范圍）比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。共提取818個(gè)2D-Ultrasomics，經(jīng)過(guò)LASSO篩選后保留6個(gè)關(guān)鍵特征。根據(jù)多因素Logistic回歸分析結(jié)果，納入邊界、短徑構(gòu)建2D-CDUS模型，納入邊界、短徑、造影邊界構(gòu)建2D-CD+CEUS模型，納入短徑、灰度游程長(zhǎng)度矩陣、灰度依賴矩陣、灰度大小區(qū)矩陣構(gòu)建2D-CDUS+Ultrasomics模型。ROC曲線分析顯示，2D-CDUS+Ultrasomics模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的曲線下面積（AUC）為0.917，高于2D-CD+CEUS模型、2D-CDUS模型的AUC（0.892、0.823），且2D-CD+CEUS模型的AUC高于2D-CDUS模型的AUC，差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.001）。Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示，2D-CDUS模型、2D-CD+CEUS模型和2D-CDUS+Ultrasomics模型均具有良好的擬合度（P=0.818、0.103、0.281）。臨床決策曲線分析顯示，2D-CDUS+Ultrasomics模型在0.20～0.39、0.43～0.78及0.88～0.91概率閾值范圍內(nèi)具有較高的臨床獲益。結(jié)論" " 基于2D-Ultrasomics的預(yù)測(cè)模型較基于CEUS的預(yù)測(cè)模型能更準(zhǔn)確地鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)，有助于臨床早期準(zhǔn)確診斷乳腺小結(jié)節(jié)和制定治療決策。

關(guān)鍵詞" " 超聲檢查，多普勒，彩色；造影劑；紋理特征；乳腺結(jié)節(jié)，良惡性

［中圖法分類號(hào)］R445.1；R737.9" " " ［文獻(xiàn)標(biāo)識(shí)碼］A

Predictive models based on ultrasound texture features and contrast-enhanced ultrasound for distinguishing benign and malignant breast nodules with diameter≤2 cm：a comparative study

LIU Boya1，F(xiàn)ANG Jingqin1，YAO Xiaojing1，DU Peng1，HUANG Xin2，LI Tao1

1.Department of Ultrasound Diagnosis，Daping Hospital，Army Military Medical University，Chongqing 400042，China.

2.Department of Ultrasound，Chongqing University Three Gorges Hospital，Chongqing 404100，China

ABSTRACT" " Objective" " To compare the diagnostic value of predictive models based on two-dimensional ultrasound texture features（2D-Ultrasomics） and contrast-enhanced ultrasound（CEUS） for distinguishing benign and malignant breast nodules with diameter≤2 cm.Methods" " A total of 109 patients（112 nodules）" with breast nodules confirmed by pathology in our hospital were selected.According to the pathological results，the patients were divided into benign group（58 nodules） and malignant group（54 nodules）.Two-dimensional ultrasound and color Doppler（2D-CDUS），CEUS examination were performed，the differences of ultrasound examination results between the two groups were compared.2D-Ultrasomics features were extracted based on two-dimensional ultrasound images，followed by feature selection by the least absolute shrinkage and selection operator（LASSO）.Multivariable Logistic regression analysis was used to construct three models：2D-CDUS，2D-CDUS combined with CEUS（2D-CD+CEUS），and 2D-CDUS combined with 2D-ultrasomics（2D-CDUS+Ultrasomics）.Receiver operating characteristic（ROC） curve was drawn to assess the diagnostic efficacy of each model for distinguishing benign and malignant breast nodules with diameter≤2 cm.The Hosmer-Lemeshow test was used to evaluate model fit，and clinical decision curve was drawn to assess the clinical applicability of the models.Results" " There were significant differences in 2D-CDUS（internal echogenicity，boundary，blood flow，width） and CEUS（enhancement pattern，phase，boundary，uniformity，and lesion range） image features between the two groups（all Plt;0.05）.A total of 818 2D-Ultrasomics features were extracted，with 6 retained after LASSO selection.According to the results of multivariate Logistic regression analysis，three models were constructed：the 2D-CDUS model（based on boundary and width），the 2D-CD+CEUS model（based on boundary，width，contrast boundary），and the 2D-CDUS+Ultrasomics model（based on width，gray-level run length matrix，gray-level dependence matrix，gray-level size zone matrix）.ROC curve analysis showed that the area under the curve（AUC） of 2D-CDUS+Ultrasomics model for distinguishing benign and malignant breast nodules with diameter≤2 cm was 0.917，which was significantly higher than that of 2D-CD+CEUS model and 2D-CDUS model （0.892，0.823），and the AUC of 2D-CD+CEUS model was higher than that of 2D-CDUS model，the difference were statistically significant （all Plt;0.001）.The Hosmer-Lemeshow test showed a good model fit for all three models（P=0.818，0.103，0.281）.Clinical decision curve analysis showed the 2D-CDUS+Ultrasomics model provided the highest clinical benefit in the thresholds of 0.20～0.39，0.43～0.78，and 0.88～0.91.Conclusion" " The" predictive model based on 2D-Ultrasomics can more accurately distinguish benign and malignant breast nodules with diameter≤2 cm compared to the predictive model based on CEUS，which is helpful in the early and accurate diagnosis of small breast nodules and facilitating treatment decision-making.

KEY WORDS" " Ultrasonography，Doppler，color；Contrast agent；Texture features；Breast nodules，benign and malignant

乳腺癌是女性最常見的惡性腫瘤，發(fā)病率呈逐年上升趨勢(shì)。腫瘤大小在評(píng)估患者預(yù)后和治療效果中具有重要的意義［1］。根據(jù)美國(guó)癌癥聯(lián)合委員會(huì)對(duì)腫瘤-淋巴結(jié)-轉(zhuǎn)移分期系統(tǒng)顯示，最大徑≤2 cm且無(wú)淋巴結(jié)轉(zhuǎn)移的乳腺癌為T1期，患者5年生存率可達(dá)95%以上，而腫瘤增大或伴有淋巴結(jié)轉(zhuǎn)移時(shí)生存率顯著下降［2-3］。乳腺癌篩查可提高早期發(fā)現(xiàn)率并降低死亡率［4-5］。盡管超聲BI-RADS分類可以評(píng)估乳腺結(jié)節(jié)的惡性風(fēng)險(xiǎn)［6］，但最大徑≤2 cm的乳腺結(jié)節(jié)常因缺乏典型的惡性征象，二維超聲及彩色多普勒（two-dimensional ultrasound and color Doppler ，2D-CDUS） 的診斷準(zhǔn)確率較低［7-8］。超聲造影（contrast-enhanced ultrasound，CEUS）通過(guò)注入微泡造影劑增強(qiáng)超聲影像［9］，可提高乳腺小結(jié)節(jié)的診斷準(zhǔn)確率［10-12］，但存在造影劑過(guò)敏風(fēng)險(xiǎn)及依賴操作者經(jīng)驗(yàn)水平等局限。二維超聲紋理特征（two-dimensional ultrasound texture features，2D-Ultrasomics）通過(guò)定量分析結(jié)節(jié)內(nèi)部結(jié)構(gòu)的細(xì)微差異，減少了主觀因素干擾，診斷依據(jù)更為客觀［13］。本研究通過(guò)比較基于2D-Ultrasomics與基于CEUS的預(yù)測(cè)模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的診斷效能，旨在為T1期乳腺癌的早期診斷提供參考。

資料與方法

一、研究對(duì)象

選取2019年1月至2024年5月我院經(jīng)病理確診的乳腺結(jié)節(jié)患者109例，均為女性，年齡24～78歲，中位數(shù)47（41，53）歲。共112個(gè)結(jié)節(jié)，其中2例為雙側(cè)乳腺惡性結(jié)節(jié)，1例為雙側(cè)乳腺良性結(jié)節(jié)；結(jié)節(jié)位于外象限79個(gè)，內(nèi)象限33個(gè)。其中良性組58個(gè)，包括纖維腺瘤37個(gè)、囊腫病11個(gè)、硬化性腺病和導(dǎo)管內(nèi)乳頭狀瘤各5個(gè)；惡性組54個(gè)，包括浸潤(rùn)性癌44個(gè)、原位癌9個(gè)和腺樣囊性癌1個(gè)。納入標(biāo)準(zhǔn)：①術(shù)前2D-CDUS及CEUS檢查資料完整；②最大徑≤2 cm的乳腺結(jié)節(jié)（單側(cè)多發(fā)結(jié)節(jié)者，僅選擇最可疑結(jié)節(jié)）；③有明確病理結(jié)果，均無(wú)淋巴結(jié)轉(zhuǎn)移。排除標(biāo)準(zhǔn)：①妊娠期或哺乳期；②二維圖像無(wú)法提取2D-Ultrasomics；③正在接受化療或免疫治療。本研究經(jīng)我院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)［2023（202）］，所有患者行CEUS檢查前均簽署知情同意書。

二、儀器與方法

1.2D-CDUS和CEUS檢查：使用GE Logiq E9或Philips EPIQ7彩色多普勒超聲診斷儀，2D-CDUS檢查使用ML6-15、L12-5線陣探頭，頻率分別為6～15 MHz、5～12 MHz；CEUS檢查使用L9-3、eL18-4線陣探頭，頻率分別為3～9 MHz、4～18 MHz；造影劑使用SonoVue（意大利Bracco公司），使用前嚴(yán)格按照說(shuō)明書配制成混懸液備用?；颊呷⊙雠P位，雙手上舉，充分暴露乳房，應(yīng)用2D-CDUS檢查并記錄結(jié)節(jié)大小、位置、形態(tài)、邊界、回聲、平行生長(zhǎng)、鈣化、血流等，將二維超聲圖像以DICOM格式存儲(chǔ)在醫(yī)學(xué)影像存檔與通信系統(tǒng)。然后進(jìn)行CEUS檢查，選擇避開鈣化的切面，進(jìn)入造影模式，機(jī)械指數(shù)設(shè)置為0.07，焦點(diǎn)置于灰階圖像顯示結(jié)節(jié)處，調(diào)整增益確保圖像清晰，然后經(jīng)肘正中靜脈快速團(tuán)注造影劑混懸液5.0 ml，隨后推注5.0 ml生理鹽水沖管。于CEUS模式下觀察結(jié)節(jié)的動(dòng)態(tài)灌注過(guò)程3 min。以上操作由1名具有3年以上乳腺檢查經(jīng)驗(yàn)的超聲醫(yī)師及1名護(hù)士配合完成。

2.圖像分析：由2名具有5年以上乳腺檢查經(jīng)驗(yàn)的超聲醫(yī)師在不知曉病理結(jié)果的情況下對(duì)2D-CDUS和CEUS圖像進(jìn)行分析，意見不一致時(shí)則由1名具有10年以上乳腺檢查經(jīng)驗(yàn)的超聲醫(yī)師判定。2D-CDUS圖像特征根據(jù)BI-RADS分類［6］的影像術(shù)語(yǔ)進(jìn)行描述，具體包括：位置（外象限、內(nèi)象限）、內(nèi)部回聲（極低回聲、低回聲或等/稍高回聲）、形態(tài)［規(guī)則（圓形或橢圓形）、不規(guī)則（分葉）］、邊界［清晰、不清晰（毛刺、微小分葉、“蟹足”狀突起）］、大小（長(zhǎng)徑及該切面下垂直的短徑）、平行生長(zhǎng)、鈣化、后方回聲（衰減、無(wú)變化或增強(qiáng)）、血流。其中血流參照Adler半定量分級(jí)標(biāo)準(zhǔn)［14］分為4級(jí)，0～Ⅰ級(jí)判為不豐富，Ⅱ～Ⅲ級(jí)判為較豐富。CEUS圖像特征包括增強(qiáng)方式（低/等增強(qiáng)、高增強(qiáng)）、增強(qiáng)時(shí)相（慢/同步增強(qiáng)、快增強(qiáng)）、造影邊界（清晰、不清晰）、增強(qiáng)均勻性、增強(qiáng)病灶范圍（不變或難以分辨、擴(kuò)大）及有無(wú)灌注缺損。

3.2D-Ultrasomics提取及篩選：選擇結(jié)節(jié)最大徑切面的二維超聲圖像，由1名具有5年以上乳腺檢查經(jīng)驗(yàn)的超聲醫(yī)師采用ITK-SNAP軟件（http：//www.itksnap.org）沿結(jié)節(jié)邊界手動(dòng)勾畫感興趣區(qū)，使其包括整個(gè)結(jié)節(jié)但不含周邊組織。由另1名具有7年以上乳腺檢查經(jīng)驗(yàn)的超聲醫(yī)師在2周后重復(fù)上述操作，采用組內(nèi)相關(guān)系數(shù)（ICC）評(píng)估2D-Ultrasomics提取的可重復(fù)性，保留ICCgt;0.75的特征用于后續(xù)分析。2D-Ultrasomics通過(guò)PyRadiomics軟件包提取，主要包括：①一階特征；②基于形狀的特征；③高階特征，包括灰度共生矩陣、灰度依賴矩陣（GLDM）、灰度游程長(zhǎng)度矩陣（GLRLM）、灰度區(qū)域大小矩陣（GLSZM）和鄰域灰度差矩陣等。為平衡數(shù)據(jù)集中良性與惡性樣本的比例，本研究通過(guò)重復(fù)隨機(jī)采樣增加樣本數(shù)量。隨后對(duì)特征矩陣進(jìn)行歸一化并計(jì)算特征間的相似性，若某對(duì)特征的相關(guān)系數(shù)gt;0.990，則刪除其中1個(gè)以簡(jiǎn)化特征空間并確保特征獨(dú)立。采用方差分析選擇與乳腺良惡性結(jié)節(jié)顯著相關(guān)的特征，并通過(guò)F值排序進(jìn)行初步篩選。最后采用最小絕對(duì)收縮和選擇算子（LASSO）進(jìn)一步篩選特征，通過(guò)L1正則化壓縮不重要的特征系數(shù)，實(shí)現(xiàn)特征稀疏化，保留最關(guān)鍵的特征。

三、統(tǒng)計(jì)學(xué)處理

應(yīng)用Python 3.11.8和R 4.4.0軟件，符合正態(tài)分布的計(jì)量資料以x±s表示，組間比較采用獨(dú)立樣本t檢驗(yàn)；不符合正態(tài)分布的計(jì)量資料以M（Q1，Q3）表示，組間比較采用Wilcoxon秩和檢驗(yàn)。計(jì)數(shù)資料以頻數(shù)或率表示，組間比較采用χ2檢驗(yàn)。采用單因素分析篩選與最大徑≤2 cm乳腺良惡性結(jié)節(jié)相關(guān)的2D-CDUS和CEUS圖像特征，然后將其分別納入Logistic回歸分析，篩選獨(dú)立預(yù)測(cè)因子。由此分別構(gòu)建2D-CDUS模型、2D-CDUS結(jié)合CEUS（2D-CD+CEUS）模型、2D-CDUS結(jié)合2D-Ultrasomics（2D-CDUS+Ultrasomics）模型。繪制受試者工作特征（ROC）曲線評(píng)估各模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的診斷效能，曲線下面積（AUC）比較采用Delong檢驗(yàn)；采用Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)評(píng)估模型的擬合度；繪制臨床決策曲線評(píng)估模型的臨床適用性；繪制列線圖分析2D-CDUS+Ultrasomics模型的預(yù)測(cè)效能并進(jìn)行驗(yàn)證。Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié)" 果

一、2D-CDUS模型構(gòu)建

兩組患者年齡和結(jié)節(jié)內(nèi)部回聲、邊界、血流、短徑比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）；兩組結(jié)節(jié)位置、形態(tài)、平行生長(zhǎng)、后方回聲、鈣化、長(zhǎng)徑比較差異均無(wú)統(tǒng)計(jì)學(xué)意義。見表1和圖1，2。本研究Logistic回歸分析時(shí)剔除年齡因素，僅研究超聲變量，結(jié)果顯示，邊界、短徑均為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（均Plt;0.001）。見表2，3。由此構(gòu)建2D-CDUS模型，方程式為：Logit（P）=-3.782+1.804×邊界+3.576×短徑。

二、2D-CD+CEUS模型構(gòu)建

兩組增強(qiáng)方式、增強(qiáng)時(shí)相、造影邊界、增強(qiáng)均勻性、增強(qiáng)病灶范圍比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）；兩組灌注缺損比較差異無(wú)統(tǒng)計(jì)學(xué)意義。見表4。進(jìn)一步將2D-CDUS、CEUS圖像特征的單因素分析中差異有統(tǒng)計(jì)學(xué)意義的變量納入Logistic回歸分析，結(jié)果顯示，邊界、短徑、造影邊界均為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（均Plt;0.05）。見表5，6。由此構(gòu)建2D-CD+CEUS模型，方程式為：Logit（P）= -4.868+2.115×邊界+3.588×短徑+2.464×造影邊界。

三、2D-Ultrasomics篩選和模型構(gòu)建

從二維超聲圖像中共提取818個(gè)紋理特征，采用方差分析初步篩選出9個(gè)顯著特征，隨后通過(guò)LASSO保留6個(gè)關(guān)鍵特征（圖3）。將2D-CDUS圖像特征的單因素分析中差異有統(tǒng)計(jì)學(xué)意義的變量納入Logistic回歸分析，結(jié)果顯示，短徑、基于GLRLM中短游程顯著性的特征（original_glrlm_ShortRunEmphasis）、基于GLDM描述的特征（wavelet_LHH_gldm_LargeDependenceLow GrayLevelEmphasis）、基于GLSZM中高灰度小面積區(qū)域突出性的特征（wavelet_LHH_glszm_SmallArea HighGrayLevelEmphasis）均為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（均Plt;0.05）。見表7，8。由此構(gòu)建2D-CDUS+Ultrasomics模型，方程式為：Logit（P）=-4.114+5.341×短徑+1.412×original_glrlm_Short RunEmphasis+2.176×wavelet_LHH_gldm_LargeDependence LowGrayLevelEmphasis-1.175×wavelet_LHH_glszm_ SmallAreaHighGrayLevelEmphasis。

四、模型的效能及驗(yàn)證

1.2D-CDUS+Ultrasomics模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的AUC為0.917，顯著高于2D-CD+CEUS模型及2D-CDUS模型的AUC（0.892、0.823），2D-CD+CEUS模型的AUC高于2D-CDUS模型的AUC，差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.001）。見表9和圖4。Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示，2D-CDUS模型、2D-CD+CEUS模型和2D-CDUS+Ultrasomics模型均具有良好的擬合度（P=0.818、0.103、0.281）。臨床決策曲線分析顯示，2D-CDUS+Ultrasomics模型在0.20～0.39、0.43～0.78及0.88～0.91概率閾值范圍內(nèi)具有較高的臨床獲益（圖5）。

2.基于2D-CDUS+Ultrasomics模型繪制了列線圖和校準(zhǔn)曲線用以評(píng)估其預(yù)測(cè)效能，結(jié)果顯示該模型具有較高的預(yù)測(cè)效能和校準(zhǔn)度。見圖6，7。

討" 論

臨床上早期準(zhǔn)確鑒別乳腺良惡性結(jié)節(jié)對(duì)改善患者預(yù)后至關(guān)重要。近年來(lái)，2D-Ultrasomics和CEUS作為新興的影像學(xué)技術(shù)，逐漸被應(yīng)用于乳腺結(jié)節(jié)的風(fēng)險(xiǎn)分層。CEUS通過(guò)增強(qiáng)血流動(dòng)力學(xué)特征顯示，有助于區(qū)分結(jié)節(jié)的良惡性［15］；2D-Ultrasomics通過(guò)提取二維超聲圖像的紋理特征，提高了對(duì)結(jié)節(jié)的診斷精度［16］。目前尚無(wú)研究比較2D-Ultrasomics與CEUS對(duì)最大徑≤2 cm乳腺良惡性結(jié)節(jié)的鑒別診斷價(jià)值?；诖?，本研究對(duì)比了基于2D-Ultrasomics與基于CEUS的預(yù)測(cè)模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的診斷效能，結(jié)果顯示2D-Ultrasomics顯著提高了2D-CDUS對(duì)乳腺小結(jié)節(jié)的識(shí)別能力，為最大徑≤2 cm乳腺良惡性結(jié)節(jié)的早期診斷提供了新的思路。

目前超聲對(duì)最大徑≤2 cm且具有惡性傾向的乳腺結(jié)節(jié)定性診斷較為困難［6］。由于此類結(jié)節(jié)體積小且生物學(xué)特征復(fù)雜，超聲表現(xiàn)常不典型，增加了定性診斷的難度。本研究結(jié)果顯示，兩組2D-CDUS圖像特征（內(nèi)部回聲、邊界、血流、短徑）比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05），與既往研究［10，17］結(jié)果部分一致，表明超聲圖像特征與惡性結(jié)節(jié)內(nèi)部異質(zhì)性相關(guān)。然而，不同的分類標(biāo)準(zhǔn)可能導(dǎo)致結(jié)果有所差異，今后研究需進(jìn)一步探討超聲圖像特征與結(jié)節(jié)內(nèi)部異質(zhì)性的關(guān)系，并標(biāo)準(zhǔn)化超聲圖像特征提取，以提高診斷的一致性。既往研究［18］表明，惡性結(jié)節(jié)內(nèi)部常含大量纖維化或壞死組織，超聲表現(xiàn)為內(nèi)部回聲減低，但本研究結(jié)果顯示，良性組結(jié)節(jié)內(nèi)部極低回聲占比高于惡性組，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。隨訪其病理結(jié)果發(fā)現(xiàn)，部分二維超聲表現(xiàn)為極低回聲的結(jié)節(jié)病理提示為囊腫。對(duì)于此類結(jié)節(jié)，2D-CDUS鑒別較為困難，但由于惡性結(jié)節(jié)通常缺乏囊膜，毛細(xì)血管網(wǎng)絡(luò)紊亂，CEUS表現(xiàn)為微循環(huán)增加，此時(shí)應(yīng)用CEUS有助于鑒別診斷。本研究惡性組結(jié)節(jié)血流較豐富者占比高于良性組（Plt;0.05），分析其原因，惡性結(jié)節(jié)常伴隨不規(guī)則結(jié)構(gòu)的新生血管形成，且毛細(xì)血管的通透性增加［19］，導(dǎo)致結(jié)節(jié)在彩色多普勒下表現(xiàn)為較豐富的血流信號(hào)。進(jìn)一步Logistic回歸分析顯示，短徑、邊界均為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（均Plt;0.05）。短徑與惡性結(jié)節(jié)生長(zhǎng)模式密切相關(guān)，惡性結(jié)節(jié)常向周邊呈侵襲性生長(zhǎng)，故其多呈圓形或球形，而良性結(jié)節(jié)則多為橢圓形［6］。此外，惡性結(jié)節(jié)邊界不清晰亦體現(xiàn)其浸潤(rùn)性生長(zhǎng)特點(diǎn)。

本研究?jī)山M結(jié)節(jié)增強(qiáng)方式、增強(qiáng)時(shí)相、造影邊界、增強(qiáng)均勻性、增強(qiáng)病灶范圍比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05），提示CEUS的動(dòng)態(tài)觀察能進(jìn)一步反映惡性結(jié)節(jié)的微血管灌注特點(diǎn)，與既往研究［20］結(jié)果一致。但本研究中兩組結(jié)節(jié)灌注缺損比較差異無(wú)統(tǒng)計(jì)學(xué)意義，與既往研究［17］結(jié)果不同，分析原因可能為乳腺惡性小結(jié)節(jié)通常血供充足，較少發(fā)生壞死，故在CEUS過(guò)程中較少發(fā)生灌注缺損。Logistic回歸分析顯示，造影邊界為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（Plt;0.05），分析原因?yàn)閻盒越Y(jié)節(jié)的微循環(huán)更豐富，CEUS時(shí)造影劑迅速擴(kuò)散至周圍血管，導(dǎo)致造影邊界亦不清晰［10］。既往研究［11-12］表明，CEUS可作為2D-CDUS的有效補(bǔ)充，能夠提高鑒別最大徑≤2cm乳腺良惡性結(jié)節(jié)的診斷效能，本研究結(jié)果亦驗(yàn)證了這一結(jié)果。

2D-Ultrasomics分析能夠深入評(píng)估結(jié)節(jié)內(nèi)部結(jié)構(gòu)的復(fù)雜性，揭示2D-CDUS肉眼難以觀察的細(xì)微紋理特征［16］。本研究從二維超聲圖像中共提取了818個(gè)紋理特征，采用方差分析初步篩選出9個(gè)顯著特征，隨后通過(guò)LASSO保留6個(gè)關(guān)鍵特征。Logistic回歸分析顯示，基于GLRLM、GLDM、GLSZM的紋理特征均為鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的獨(dú)立預(yù)測(cè)因子（均Plt;0.05）。其中基于GLRLM的紋理特征反映圖像中短游程的顯著性，惡性結(jié)節(jié)通常具有更復(fù)雜的結(jié)構(gòu)和更小的區(qū)域游程，表現(xiàn)出更顯著的短游程特征；基于GLDM的紋理特征評(píng)估了低灰度區(qū)域的大面積依賴性；基于GLSZM的紋理特征則衡量了圖像中高灰度小面積區(qū)域的突出性。本研究結(jié)果顯示，惡性結(jié)節(jié)更多見于較大面積低灰度的區(qū)域，而良性結(jié)節(jié)更多見小面積高灰度區(qū)域，分析可能與乳腺良惡性結(jié)節(jié)的組織結(jié)構(gòu)特點(diǎn)相關(guān)，惡性結(jié)節(jié)由于其生長(zhǎng)和腫瘤細(xì)胞增殖速度較快，容易導(dǎo)致回聲不均勻性及區(qū)域性血流變化，從而在紋理分析中表現(xiàn)出較大的灰度非均勻性；而良性結(jié)節(jié)通常有明確清晰的邊界，可由結(jié)締組織、增生的腺體細(xì)胞和脂肪組織混合形成假包膜［21］，導(dǎo)致其在超聲圖像上呈現(xiàn)更多的小面積高灰度區(qū)域。既往研究［22］也指出，紋理分析能客觀量化組織異質(zhì)性，惡性結(jié)節(jié)通常表現(xiàn)出較大的灰度非均勻性，反映組織內(nèi)壞死或纖維化等病理特征。然而，紋理特征與病理特征間的具體關(guān)系仍需后續(xù)研究進(jìn)一步驗(yàn)證。

本研究ROC曲線分析顯示，基于2D-CDUS和CEUS圖像特征構(gòu)建的2D-CD+CEUS模型鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)的AUC為0.892，高于基于單獨(dú)2D-CDUS圖像特征構(gòu)建的2D-CDUS模型（0.823），差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001），診斷效能有所提高，但通過(guò)比較發(fā)現(xiàn)，2D-CDUS+Ultrasomics模型在鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)方面具有更高的AUC（0.917）。分析其原因可能為：2D-Ultrasomics能揭示大量二維超聲圖像中的非肉眼識(shí)別特征，減少了診斷中的主觀性和設(shè)備依賴性［23］。研究［16，22］表明二維超聲聯(lián)合2D-Ultrasomics的Logistic回歸模型鑒別乳腺良惡性結(jié)節(jié)的診斷效能優(yōu)于單獨(dú)基于2D-CDUS和2D-CDUS聯(lián)合CEUS的預(yù)測(cè)模型［16，22］。但Mannina等［24］研究發(fā)現(xiàn)2D-Ultrasomics對(duì)乳腺良惡性結(jié)節(jié)預(yù)測(cè)效能的提高有限，尤其聯(lián)合彈性成像時(shí)，分析原因可能為其組織硬度信息與灰度特征重復(fù)。本研究結(jié)果顯示，2D-Ultrasomics聯(lián)合2D-CDUS圖像特征有助于提高診斷精度，減少不必要的活檢操作。與2D-CDUS+CEUS模型比較，2D-CDUS+Ultrasomics模型在乳腺惡性結(jié)節(jié)診斷中展現(xiàn)了更高的靈敏度，為臨床提供了更精準(zhǔn)的判斷依據(jù)，降低了誤診風(fēng)險(xiǎn)。

列線圖展示了模型中各變量對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)，便于臨床醫(yī)師在實(shí)際操作中根據(jù)患者的具體情況進(jìn)行個(gè)性化風(fēng)險(xiǎn)評(píng)估；校準(zhǔn)曲線則用于評(píng)估模型預(yù)測(cè)概率與實(shí)際觀察結(jié)果之間的吻合度，本研究基于2D-CDUS+Ultrasomics模型繪制了列線圖和校準(zhǔn)曲線用以評(píng)估該模型鑒別最大徑≤2 cm乳腺結(jié)節(jié)良惡性的預(yù)測(cè)效能，結(jié)果顯示該模型在臨床應(yīng)用中具有較高的預(yù)測(cè)準(zhǔn)確性，表明其能夠較為精確地預(yù)測(cè)乳腺良惡性結(jié)節(jié)，為臨床決策提供有力支持。

本研究的局限性：①樣本量偏小，可能影響模型的普適性；②為單中心研究，數(shù)據(jù)來(lái)源單一，缺乏多中心驗(yàn)證；③不同儀器和參數(shù)對(duì)結(jié)果的影響未充分考慮。有待今后擴(kuò)大樣本量，開展多中心驗(yàn)證，并統(tǒng)一儀器和參數(shù)或采用計(jì)算機(jī)校正灰度，以減少外部變量對(duì)模型診斷效能的影響，從而進(jìn)一步提升模型的普適性和準(zhǔn)確性。

綜上所述，基于2D-Ultrasomics的預(yù)測(cè)模型較基于CEUS的預(yù)測(cè)模型能更準(zhǔn)確地鑒別最大徑≤2 cm乳腺良惡性結(jié)節(jié)，顯著提高了對(duì)惡性結(jié)節(jié)的識(shí)別能力，為乳腺小結(jié)節(jié)的診斷提供了新的標(biāo)準(zhǔn)化手段。

參考文獻(xiàn)

［1］ Siegel RL，Miller KD，F(xiàn)uchs HE，et al.Cancer statistics，2022［J］.CA Cancer J Clin，2022，72（1）：7-33.

［2］ Desantis CE，Ma J，Goding SA，et al.Breast cancer statistics，2017，racial disparity in mortality by state［J］.CA Cancer J Clin，2017，67（6）：439-448.

［3］ Teichgraeber DC，Guirguis MS，Whitman GJ.Breast cancer staging：updates in the AJCC cancer staging manual，8th edition，and current challenges for radiologists，from the AJR special series on cancer staging［J］.Am J Roentgenol，2021，217（2）：278-290.

［4］ Benitez Fuentes JD，Morgan E，De Luna Aguilar A，et al.Global stage distribution of breast cancer at diagnosis：a systematic review and Meta-analysis［J］.JAMA Oncol，2024，10（1）：71-78.

［5］ Wang Y，Li Y，Song Y，et al.Comparison of ultrasound and mammography for early diagnosis of breast cancer among Chinese women with suspected breast lesions：a prospective trial［J］.Thorac Cancer，2022，13（22）：3145-3151.

［6］ Mercado CL.BI-RADS Update［J］.Radiol Clin North Am，2014，52（3）：481-487.

［7］ Pistolese CA，Tosti D，Citraro D，et al.Probably benign breast nodular lesions（BI-RADS 3）：correlation between ultrasound features and histologic findings［J］.Ultrasound Med Biol，2019，45（1）：78-84.

［8］ Xiao X，Jiang Q，Wu H，et al.Diagnosis of sub-centimetre breast lesions：combining BI-RADS-US with strain elastography and contrast-enhanced ultrasound——a preliminary study in China［J］.Eur Radiol，2017，27（6）：2443-2450.

［9］ Boca Bene I，Dudea SM，Ciurea AI.Contrast-enhanced ultrasonography in the diagnosis and treatment modulation of breast cancer［J］.J Pers Med，2021，11（2）：81.

［10］ 鐘兆明，唐麗娜，王瑤琴，等.常規(guī)超聲聯(lián)合超聲造影對(duì)乳腺BI-RADS 4類小結(jié)節(jié)的診斷價(jià)值［J］.中華超聲影像學(xué)雜志，2021，30（11）：955-960.

［11］ Li Q，Hu M，Chen Z，et al.Meta-analysis：contrast-enhanced ultrasound versus conventional ultrasound for differentiation of benign and malignant breast lesions［J］.Ultrasound Med Biol，2018，44（5）：919-929.

［12］ Niu Q，Zhao L，Wang R，et al.Predictive value of contrast-enhanced ultrasonography and ultrasound elastography for management of BI-RADS category 4 nonpalpable breast masses［J］.Eur J Radiol，2024，173：111391.

［13］ Zhang J，Wu J，Zhou XS，et al.Recent advancements in artificial intelligence for breast cancer：image augmentation，segmentation，diagnosis，and prognosis approaches［J］.Semin Cancer Biol，2023，96：11-25.

［14］ Adler DD，Carson PL，Rubin JM，et al.Doppler ultrasound color flow imaging in the study of breast cancer：preliminary findings［J］.Ultrasound Med Biol，1990，16（6）：553-559.

［15］ 賈超，杜聯(lián)芳，史秋生，等.超聲造影對(duì)不同大小BI-RADS 4類乳腺結(jié)節(jié)的良惡性定性診斷研究［J］.中華超聲影像學(xué)雜志，2020，29（4）：343-348.

［16］ Basara Akin I，Ozgul H，Simsek K，et al.Texture analysis of ultrasound images to differentiate simple fibroadenomas from complex fibroadenomas and benign phyllodes tumors［J］.J Ultrasound Med，2020，39（10）：1993-2003.

［17］ Wang B，Yang D，Zhang X，et al.The diagnostic value of contrast-enhanced ultrasonography in breast ductal abnormalities［J］.Cancer Imaging，2023，23（1）：25.

［18］ Wojcinski S，Stefanidou N，Hillemanns P，et al.The biology of malignant breast tumors has an impact on the presentation in ultrasound：an analysis of 315 cases［J］.BMC Womens Health，2013，13：47.

［19］ Byeon SE，Yi YS，Lee J，et al.Hydroquinone exhibits in vitro and in vivo anti-cancer activity in cancer cells and mice［J］.Int J Mol Sci，2018，19（3）：903.

［20］ Wang M，F(xiàn)eng HL，Liu YQ，et al.Angiogenesis research in mouse mammary cancer based on contrast-enhanced ultrasonography：exploratory study［J］.Acad Radiol，2018，25（7）：889-897.

［21］ Lebeau A.Updated WHO classification of tumors of the breast［J］.Pathologe，2021，42（Suppl 2）：155-159.

［22］ Luo WQ，Huang QX，Huang XW，et al.Predicting breast cancer in breast imaging reporting and data system（BI-RADS） ultrasound category 4 or 5 lesions：a nomogram combining radiomics and BI-RADS［J］.Sci Rep，2019，9（1）：11921.

［23］ Lambin P，Rios-Velazquez E，Leijenaar R，et al.Radiomics：extracting more information from medical images using advanced feature analysis［J］.Eur J Cancer，2012，48（4）：441-446.

［24］ Mannina D，Kulkarni A，Van Der Pol CB，et al.Utilization of texture analysis in differentiating benign and malignant breast masses：comparison of grayscale ultrasound，shear wave elastography，and radiomic features［J］.J Breast Imaging，2024，6（5）：513-519.

（收稿日期：2024-10-14）

基金項(xiàng)目：陸軍特色醫(yī)學(xué)中心人才創(chuàng)新能力培養(yǎng)計(jì)劃（ZXZYTSLC07）；重慶市技術(shù)創(chuàng)新與應(yīng)用示范社會(huì)民生類一般項(xiàng)目（cstc2018jscx-msybX0018）；重慶市自然科學(xué)基金面上項(xiàng)目（cstc2021jcyj-msxmX0230）

作者單位：1.陸軍軍醫(yī)大學(xué)大坪醫(yī)院超聲診斷科，重慶 400042；2.重慶大學(xué)附屬三峽醫(yī)院超聲科，重慶 404100

通訊作者：李陶，Email：taoli39@tmmu.edu.cn