彭文静　刘正立　桂熙雯　张孝庚　路欣　马红　汪秀玲

【中图分类号】R737.9 【文献标识码】A 【文章编号】2095-6851（2018）06--01

乳腺癌是女性最常见的恶性肿瘤，其中以浸润性导管癌最为多见[1]，纤维腺瘤是女性最常见的乳腺良性肿瘤。钼靶X线摄影是乳腺疾病的首选筛查手段，两者在X线上均常表现为肿块。典型的纤维腺瘤肿块境界清晰，与浸润性导管癌较易鉴别，而相当一部分不典型纤维腺瘤因含有囊肿、硬化性腺病等成分而表现为形态不规则、边缘“假浸润”，这导致其与浸润性导管癌间区分困难，极易误诊[2]。参照美国放射学会BI-RADS分类标准，中国抗癌协会乳腺癌诊治指南与规范（2015版）[3]将肿块定义为在两个相互垂直（或近似垂直）的投照位置上均可见到的，有一定轮廓的占位性病变，如何提高X线对两种肿块的鉴别效能成为临床研究的热点。纹理分析是近年新兴的计算机辅助诊断技术，其通过定量提取并分析图像灰度分布特征，可以更客观的评价肿瘤异质性[4]。本研究旨在探讨定量X线纹理分析对鉴别乳腺纤维腺瘤与浸润性导管癌的临床价值。

1 资料与方法

1.1 一般资料 收集徐州医科大学附属医院2015年6月至2017年6月期间经手术病理证实的乳腺肿块183个，良性肿块为纤维腺瘤，共73个，恶性肿块为浸润性导管癌，共110个。患者均为女性，其中纤维腺瘤患者年龄20～59岁，平均年龄（39.41±8.75）岁；浸润性导管癌患者年龄32～75岁，平均年龄（51.10±9.29）岁。 所有患者均为单发乳腺肿块，术前均接受常规X线摄影检查。

1.2 仪器与方法 手術病理活检前对患者行常规内外侧斜位（mediolateral oblique，MLO）和头尾位（cranial caudal，CC）乳腺摄片；X线机选用GE Senographe DS新型全数字乳腺X线摄影机，配有高清晰度快速采集工作站及高分辨率的5M竖屏显示器。

1.3 图像处理与分析

1.3.1 图像的选择 由2名影像科医生遵循盲法原则对每位患者乳腺内外侧斜位及头尾位图像进行比较，选取肿块显示较清晰典型者上传至纹理分析工作站分析。所有乳腺X线图像均满足纹理分析要求。

1.3.2 乳腺X线诊断 依据美国放射学会2003年发布的乳腺影像报告和数据系统（Breast Imaging Reporting and Data System，BI-RADS）[5]，以我院影像科发出的诊断报告为准。将0～4A类归为良性，4B～6类归为恶性。

1.3.3 纹理分析 将所选肿块X线图像以DICOM格式导入FireVoxel （https：//wp.nyu.edu/FireVoxel）纹理分析软件，由2名乳腺X线诊断经验丰富的影像科医师在对临床及病理结果不知情的情况下，手动勾画并均匀填充感兴趣区。软件自动提取均值、标准偏差、偏度、峰度、不均匀度和熵等反映肿瘤异质性的纹理参数。每个参数提取2 次后取平均值。

1.3.4 统计学分析 使用SPSS 22.0统计分析软件，正态分布特征数值采用两独立样本t检验，非正态分布特征数值采用Mann-Whitney U 检验比较两组纹理特征数值差异。绘制受试者工作特征曲线（Receiver Operating Characteristic，ROC）对差异有意义的纹理参数进行诊断效能分析。以病理结果为金标准，计算乳腺X线、纹理特征、乳腺X线联合纹理特征三种诊断方法鉴别两种病变的敏感度、特异度及准确度，并使用卡方检验分析比较。检验水准均为α=0.05。

2 结果

我院影像科共诊断BI-RADS 0～4A类肿块88个，4B～6类肿块95个，其中纤维腺瘤被正确诊断为良性者63个，浸润性导管癌被正确诊断为恶性者85个。乳腺X线鉴别诊断敏感度、特异度和准确度分别为77.3%（85/110）、86.3%（63/73）和80.9%（148/183）。

对183个乳腺肿块行纹理分析后得出：均值、偏度、峰度及不均匀度的参数值在两组间差异无统计学意义（P>0.05），熵值和标准偏差在浸润性导管癌中的数值高于纤维腺瘤，差异有统计学意义（P<0.05）（见表1）。熵值和标准偏差鉴别诊断的曲线下面积（AUC）分别为0.652和0.614（P<0.05）。进一步将2种纹理特征与X线联合后得出，纹理特征和X线联合纹理特征鉴别诊断的敏感度分别为54.5%及77.3%；特异度分别为76.7%及89.0%；准确度分别为63.4%及82.0%。分别绘制ROC曲线，得到乳腺X线、纹理特征及乳腺X线联合纹理特征鉴别诊断的AUC值（见表2）。

使用卡方检验分析得到：①纹理特征鉴别诊断乳腺纤维腺瘤与浸润性导管癌的敏感度、特异度和准确度与乳腺X线相比均无统计学意义（P均>0.05）。②乳腺X线联合纹理特征诊断两种肿块的敏感度相同，特异度和准确度均高于乳腺X线（特异度：?=7.41，P=0.007；准确度：?=4.17，P=0.041）。

3 讨论

乳腺癌是女性最常见的恶性肿瘤[1]，其中以浸润性导管癌最为常见，异型导管上皮细胞或小叶上皮细胞异常增殖，穿破基底膜侵入间质并呈浸润性生长是其主要病理改变。乳腺纤维腺瘤是女性最常见的乳腺良性肿瘤，其发生与体内雌激素水平过高或腺体对雌激素高敏感度有关[6]，腺体、导管局部异常增殖是其主要病理改变。乳腺X线摄影是乳腺疾病的首选筛查手段，两者在X线上均常表现为肿块。典型的乳腺纤维腺瘤边界清晰、光整，可见“晕圈征”；典型的浸润性导管癌多表现为从中心向各方向伸展的星芒状毛刺。X线对于典型的病灶较易区分，而相当一部分纤维腺瘤表现不典型，其中含有>3 mm的囊肿、硬化性腺病、上皮性钙化或乳头状大汗腺化生的纤维腺瘤称为复杂型纤维腺瘤[2]，X线上显示其形态不规则、边界不清晰，大量小腺管增生长入邻近纤维间质和（或）脂肪组织可呈现为“假浸润”征，临床上极易误诊。

参照美国放射学会BI-RADS分类标准，中国抗癌协会乳腺癌诊治指南与规范（2015版）[3]将肿块定义为在两个相互垂直（或近似垂直）的投照位置上均可见到的，有一定轮廓的占位性病变。X线摄影对显示乳腺钙化灶有独特优势，但对于肿块的诊断相对局限，如何在现有检查技术的基础上，提高X线对乳腺肿块良恶性鉴别诊断的准确率成为研究热点[7]。

纹理分析是近年新兴的计算机辅助诊断技术，不同于传统的基于形态学研究，纹理分析可以定量显示图像像素值及其排列方式等人眼不可见的细微变化，客观反映肿瘤内部的异质性。目前纹理分析在多种器官肿瘤异质性的鉴别价值得到普遍证实[4]，但其对乳腺肿瘤的异质性研究多应用在MRI检查[8]，乳腺X线图像纹理分析评价肿瘤异质性的报道甚少。近期有文献证实，通过计算机辅助纹理分析技术，乳腺病变在X线片上可以显示的更加清晰[9]，这有望为本研究提供理论支持。

本研究对88个乳腺纤维腺瘤及95个浸润性导管癌肿块进行纹理分析后发现：均值、偏度、峰度及不均匀度在两组间差异无统计学意义（P>0.05）。熵值和标准偏差在浸润性导管癌中的数值高于纤维腺瘤（P<0.05），其中熵代表图像内部像素的混杂程度，标准偏差是像素与均值间存在的变化或分散的度量，两者均可表示肿瘤的异质性[10]，且值越高代表肿块的恶性程度越高，内部结构更紊乱，这与Lubner等[11]报道的其他肿瘤纹理分析结果一致。考虑是因为浸润性导管癌的细胞通透性改变、异常血管生成以及囊变、坏死等混杂成分较纤维腺瘤更加明显。分析得到熵值对两者鉴别诊断的曲线下面积（AUC）为0.652，标准偏差的AUC值为 0.614（P均<0.05），提示單一纹理特征鉴别纤维腺瘤与浸润性导管癌有一定价值，但诊断效能不是很高。以病理结果为金标准，进一步将3种纹理特征进行联合，计算得出纹理特征和乳腺X线联合纹理特征鉴别两种病变的AUC值分别为0.691及0.857，这表明多种纹理特征联合的鉴别效能高于单一纹理，且乳腺X线与纹理特征联合的鉴别价值最高，可将单纯X线的鉴别效能由0.818提升至0.857。

分析后发现：①纹理特征的诊断敏感度、特异度和准确度与乳腺X线相比差异无统计学意义，这说明仅采用纹理分析鉴别两种病变对提高诊断效能无益，临床上不推荐其代替X线独立使用。②乳腺X线联合纹理特征的诊断特异度和准确度均高于乳腺X线（P均<0.05），此方法成功将一例复杂型纤维腺瘤由4C级降为4A级，有效避免了该患者的过度治疗。这提示乳腺X线联合纹理特征可以在一定程度上减少对复杂型纤维腺瘤的误判，降低假阳性率。目前，国际上利用增强乳腺MRI的纹理分析进行乳腺疾病研究的报道较多，但为得到较准确的MRI纹理分析结果，多需采用容积纹理提取方法[12]，逐层勾画感兴趣区，勾取时间较长，且后处理复杂[13]，阻碍了其临床应用。本研究采用的ROI勾取步骤简单，无需处理复杂的配准等问题便可自动提取纹理特征，且后处理方法简洁、可靠，与MRI纹理分析相比有较大临床应用优势。

综上所述，本研究应用X线纹理分析技术成功区分了乳腺纤维腺瘤与浸润性导管癌，提高了浸润性导管癌的诊断灵敏度和准确度，值得在临床上应用推广。本研究还存在一些不足：①本组试验在病例选择上主要为住院患者，样本选取存在一定偏倚；②本研究仅选取肿块最清晰典型的单张X线图像进行纹理分析，不能全面反映肿块特征，今后还需对多个投照体位的多张X线图像进行综合分析，全面评估纹理分析的应用价值；③部分学者进行纹理分析前，会剔除病灶内的钙化灶或囊变坏死区域，笔者认为这些区域也体现肿块部分纹理，故未作剔除。

参考文献

Chen W，Zheng R，Baade P D，et al.Cancer statistics in China，2015.[J].Ca Cancer J Clin，2016，66（2）：115-132.

Nassar A，Visscher D W，Degnim A C，et al.Complex fibroadenoma and breast cancer risk： a Mayo Clinic Benign Breast Disease Cohort Study.[J].Breast Cancer Res Treat，2015，153（2）：397-405.

佚名.中国抗癌协会乳腺癌诊治指南与规范（2015版）[J].中国癌症杂志，2015（9）：692-754.

Gillies R J，Kinahan P E，Hricak H.Radiomics： Images Are More than Pictures，They Are Data.[J].Radiology，2016，278（2）：563-577.

Radiology A C O.Breast imaging reporting and data system （BI-RADS）.[M].American College of Radiology，2003.

Tice J A，Miglioretti D L，Li C S，et al.Breast Density and Benign Breast Disease： Risk Assessment to Identify Women at High Risk of Breast Cancer.[J].Journal of Clinical Oncology，2015，33（28）：3137-3143.

陈惠根，刘玉娥.乳腺不典型孤立小结节性病变的X 线定性诊断分析[J].实用放射学杂志，2017，33（2）.

Waugh S A，Purdie C A，Jordan L B，et al.Magnetic resonance imaging texture analysis classification of primary breast cancer[J].European Radiology，2016，26（2）：322-330.

Teruel J R，Heldahl M G，Goa P E，et al.Dynamic contrast‐enhanced MRI texture analysis for pretreatment prediction of clinical and pathological response to neoadjuvant chemotherapy in patients with locally advanced breast cancer[J].Nmr in Biomedicine，2014，27（8）：887-896.

Bayanati H，R E T，Souza C A，et al.Quantitative CT texture and shape analysis： can it differentiate benign and malignant mediastinal lymph nodes in patients with primary lung cancer？[J].European Radiology，2015，25（2）：480-487.

Lubner M G，Stabo N，Abel E J，et al.CT Textural Analysis of Large Primary Renal Cell Carcinomas： Pretreatment Tumor Heterogeneity Correlates With Histologic Findings and Clinical Outcomes[J].Ajr American Journal of Roentgenology，2016，207（1）：96.

Orphanidouvlachou E，Vlachos N，Davies N P，et al.Texture analysis of T1 - and T2 -weighted MR images and use of probabilistic neural network to discriminate posterior fossa tumours in children.[J].Nmr in Biomedicine，2014，27（6）：632-639.

Waugh S A，Purdie C A，Jordan L B，et al.Magnetic resonance imaging texture analysis classification of primary breast cancer[J].European Radiology，2016，26（2）：322-330.