张 刚 刘永天 周彦汝 沈智威

1.河南中医药大学第一附属医院磁共振室 (河南 郑州 450000)

2.飞利浦健康科技 (北京 100000)

乳腺癌是女性最常见恶性肿瘤[1]，发病率逐年增加。早期发现、正确诊断是有效提高乳腺癌患者的生存率的前提[2]。磁共振成像(MRI)以其卓越的软组织成像能力，可以更精准的呈现乳腺癌病变特征，提高了乳腺癌的检出率[3]，但特异性稍显不足，存在部分误诊病例。影像组学方法可以提高乳腺良恶性鉴别的诊断效能[4]，但由于需要勾画感兴趣区和复杂的后处理，临床转化较慢，因此需要更适合临床推广的方法。临床诊断模型基于logistic回归的方法，整合临床和影像指标，提高病变诊断率[5]。本研究基于多模态乳腺MRI的临床影像特征，筛选出最具良恶性鉴别效能的指标，构建多模态磁共振简易评分模型，有效提高了鉴别乳腺病变良恶性的能力。

1 资料与方法

1.1 临床资料连续选取河南中医药大学第一附属医院于2020年8月至2021年8月期间行磁共振乳腺检查的所有病例，按纳入及排除标准收集资料。

纳入标准：磁共振检查前未采取干预治疗；有明确病理结果。排除标准：灶点状病变及非肿块型病变；男性病例(1例)。最终纳入肿块型病变91例，包括40例良性肿块，其中良性叶状肿瘤2例，导管内乳头状瘤2例，腺病11例，纤维腺瘤25例。51例恶性肿块，其中35例为Ⅱ级浸润性导管癌，16例为Ⅲ级浸润性导管癌。本研究有我院医学伦理委员会书面批准文件。

1.2 MRI检查设备与检查方法使用3.0T MR扫描仪(ingenia，philips healthcare,荷兰)，8通道专用相控阵乳腺线圈进行检查。患者取俯卧，前胸壁紧贴乳腺线圈，双乳自然悬垂，保证乳腺无受压变形。常规扫描T1WI、T2WI、DWI和对比增强等序列。动态对比增强扫描方法：在注射对比剂前扫描第1个动态，第1个动态结束时暂停扫描，观察图像质量，图像质量合格后注射对比剂，之后延时15秒启动扫描，连续扫描6个动态，中间无间隔，每个动态扫描时间55s，共扫描7个动态。总扫描时间6分40秒。对比剂使用钆喷酸葡胺注射液，注射剂量为0.2mmol·kg-1，流速为2.0ml·s-1，经肘静脉注入，之后再以相同速率注入20mL生理盐水冲管。扫描序列及参数如表1所示。

表1 扫描序列及参数

1.3 MRI图像分析所有病例的MRI检查资料由两名资深主治医师进行分析，协商确定最终诊断结果，不能达成一致时，由一主任医师确定最终结果。肿块影像学征象依据乳腺影像报告和数据系统[6](breast imaging reporting and data system，BI-RADS；2013年第5版)的描述术语以及专家共识[7-8]进行记录。参考文献方法[9-12]，对动态对比增强图像行最大信号强度投影获得MIP图(maximum intensity projection，MIP)，肿块最大径在横轴位MIP图测量，测量3次取平均值，并以15mm为阈值进行分类记录。参考动态增强扫描图像，手动绘制感兴趣区(ROI)，放置于强化程度最高的区域，并大于5个体素，避开出血、液化坏死区域[7,13]。连续测量ADC值3次，计算平均值，并以1.05×10-3mm2/s为阈值[14]进行分类记录。动态增强分析采用上述相同ROI，计算ROI内的早期强化率、峰值强化率、早期强化比值及达峰时间[15]。早期强化率、峰值强化率、早期强化比值、达峰时间分别以100%、169%、86.0%、180s为阈值进行分类评分[16-17]。将上述变量进行logistic回归分析，纳入变量及数据库赋值见表2。

表2 纳入变量及数据库赋值

1.4 统计学方法应用SPSS 25.0统计软件对数据进行分析。计量资料若满足正态性分布，统计描述用均数±标准差，即(±s)表示，组间比较采用两独立样本t检验；若为偏态分布，统计描述用中位数(四分位数间距)表示，组间比较采用Mann Whitney U检验。计数资料统计描述采用例数(百分比)表示，组间比较采用卡方检验。P＜0.05为差异有统计学意义。对良恶性组间有统计学意义的变量绘制ROC曲线，评价其诊断效能，并运用多因素Logistic回归分析，建立模型。

2 结果

2.1 良恶性病变差异性分析所有受试均获得图像质量良好的T1WI，抑脂T2WI，DWI和对比增强像。经分析得到ADC图，MIP图和感兴趣内时间信号曲线，一名典型良性肿块患者和恶性肿块患者图像分别见图1和图2。良恶性组肿块形状、边缘、最大径、ADC值、内部强化类型、早期强化率、达峰时间及TIC曲线的组间差异有统计学意义(P＜0.05)；良恶性组肿块早期强化率、峰值强化率的组间差异无统计学意义(P＞0.05)，见表3。

图1A-图1D 一名典型良性肿块患者的抑脂T2WI(图1A)，ADC(图1B)，MIP(图1C)和时间信号曲线图(图1D)。

图2A-图2D 一名典型恶性肿块患者的抑脂T2WI (图2A)，ADC(图2B)，MIP(图2C)和时间信号曲线图(图2D)。对比良性肿块患者，恶性肿块患者病变处ADC值明显降低，病变边缘模糊并有毛刺，时间信号曲线为流出型。

表3 良恶性组间MRI征象差异性分析

2.2 有统计学意义变量的ROC曲线分析对有统计学意义变量肿块形状、边缘、最大径、内部强化类型、早期强化比值、达峰时间、TIC曲线及ADC值进行ROC曲线分析，结果见表4。

表4 有统计学意义变量的ROC曲线分析

2.3 建立简易评分模型采用方法向前步进(有条件)，以病理结果为因变量，纳入AUC＞0.8的变量进行多因素Logistic回归分析，最终纳入的变量为ADC值、边缘、TIC曲线，建立的回归模型为：Logit(P)=-12.730+3.342×ADC值+2.644×边缘+3.130×TIC曲线。采用Omnibus检验对此模型进行评价，χ2值为96.936，P＜0.001，-2对似然值(-2 log likelihood，-2LL)为27.883；采用Hosmer-Lemesho检验(H-L检验)对此模型进行评价，χ2值为3.283，P＝0.858。对该简易评分模型的预测值绘制ROC曲线，AUC为0.981，P＜0.001，模型拟合效果较好。依据最大约登指数，此模型预测值最佳截断值取0.628，此时，敏感度为96%，特异度为95%，结果见图3。

图3 简易评分模型预测值的ROC曲线，在鉴别乳腺肿块良恶性时具有较高诊断效能(AUC=0.981)。

3 讨论

本文基于临床多模态影像指征，筛选出最具乳腺肿块良恶性鉴别效能的指标(边缘，TIC曲线和ADC值)，并构建乳腺良恶性病变的简易评分模型。该模型能有效鉴别良恶性乳腺肿瘤(AUC=0.98，敏感性96%，特异性95%)。

肿块的边缘属于肿块形态特征之一，乳腺良恶性肿块的边缘有着较明显的差异，良性肿块多表现边缘光整，恶性肿块多边缘不规则或毛刺。本研究中，良性组肿块边缘以清晰光整(80.0%)为主，恶性组肿块边缘以不规则(51%)和毛刺(45.1%)为主，良恶性组肿块边缘差异有统计学意义(P＜0.001)。乳腺良恶性肿边缘产生差异的原因可能在于，良性肿块通常呈膨胀性生长，在增大过程中排挤和推压周围组织，多边缘光整，部分良性病变边缘可见光整的晕环征，而恶性肿块由于其异质性[18-19]，且对周围组织呈浸润生长，肿块向周围浸润生长的程度不同而呈边缘毛刺，从而使良恶性肿块的边缘表现出差异。

TIC曲线特征是乳腺动态对比增强特征之一可分为[7-8]流入型、平台型、流出型，反映了肿块血供的不同状况。既往研究[20-21]认为，恶性病变血管不成熟，基底膜结构不完整，导致血管通透性较高，同时恶性病变血管密度大，故早期强化速度快，廓清速度也快，TIC曲线多为流出型；良性病变为成熟的反应性增生血管，基底膜结构完整，通透性相对低，强化速度相对慢，达峰时间相对长，TIC曲线多为流入型曲线；平台型曲线则较为复杂，良恶性病变均可出现。本研究中，良性病变组中流入型最多，平台型次之，流入型最少；恶性病变组平台型最多，流出型次之，流入型则无；良恶性病变TIC曲线类型存在统计学差异。

磁共振DWI通过定量检测组织中水分子的布朗运动，定量分析良恶性病变组织的不同微观结构对水分子运动的影响。恶性肿块细胞增殖周期短，细胞密度高，细胞外间隙相对小，且恶性细胞核浆比大，水分子受到细胞膜的阻挡和吸附，自由扩散受限，ADC值明显降低[22]。有研究指出[23]，正常乳腺实质ADC均值为(1.713±0.32)×10-3mm2/s，良性病变ADC均值为1.584×10-3mm2/s，恶性病变ADC均值为0.884×10-3mm2/s，乳腺良恶性病变ADC均值存在差异。也有研究[14]显示，鉴别肿块样病变良恶性可以1.05×10-3mm2/s为ADC值阈值，大于该阈值诊断为良性病变，小于该阈值诊断为恶性病变。本研究采用该阈值，显示该指标能够较好的区别良恶性肿块。

本研究的不足：(1)本研究是回顾性研究，虽然在样本的纳入和排除上制定了标准，但由于就诊人群的局限，样本可能存在偏倚。下一步需要增加研究的样本量，并前瞻性的开展队列研究来，以纠正偏倚，改进和完善该模型。(2)本研究仅使用影像指标，缺少临床、生化及病理指标。在后续研究中将综合分析，建立更加全面的模型，并和病理结果对比。

综上所述，鉴别乳腺肿块良恶性的MRI征象中，以肿块边缘、ADC值、TIC曲线诊断效能最高，应用其建立的Logistic回归模型有效提高了乳腺肿块的良恶性鉴别诊断准确性，此方法简便易行，具有一定的临床推广价值。