多模态MRI影像对乳腺黏液癌不同病理组织分级及Ki-67表达的预测研究*

2020-12-05陈永毅曾旭文

中国医学装备 2020年11期

陈永毅刘威曾旭文*

据统计，近年来我国乳腺癌患者的发病率现逐年递增的趋势，而目前全球约有130万人诊断为乳腺癌，有40万人死于该疾病[1]。乳腺黏液癌(mucinous breast carcinoma，MBC)作为乳腺癌的特殊类型，因为发病率低，关于MBC的相关研究较少[2]。相关研究表明，患者的预后与肿瘤的组织学分级具有密切的联系，乳腺癌的组织学等级越高，往往意味着较高的恶性程度和较差的预后[3]，因此，早期发现乳腺癌不同亚分类的临床病理特征在一定程度上可为临床诊断和预后评估提供参考。

肿瘤标志物Ki-67是一种增殖细胞核抗原，与细胞周期相关联，在细胞增殖的过程中参与有丝分裂，是目前临床公认的判断恶性肿瘤细胞增殖活性程度的指标之一[4]。磁共振成像(magnetic resonance imaging，MRI)是一种多参数成像，相比传统使用的乳腺钼靶X射线、乳腺超声和CT检查等，磁共振检查具有无放射损伤、高敏感性、信息丰富和无创显示血流动力学等优点[5]。本研究旨在探讨多模态MRI影像对MBC病理组织分级及Ki-67表达的预测，以期为临床提供可参考依据。

1 资料与方法

1.1 临床资料

根据乳腺癌量化标准Nottingham联合组织学分级[6]并参考美国放射学院乳腺影像学报告和数据系统(ACR BI-RADS)对乳腺病变的分级标准，选取2015年1月至2019年1月在广州市红十字会医院就诊，且超声诊断为3级(BI-RADS 3)级及以上的120例MBC患者3级及以上的120例MBC患者，所有患者行MRI检查前均行乳腺癌手术或化疗，且有完整的病例报告和影像资序列；MBC患者均为女性，年龄分布为27-84岁，平均年龄53岁，绝经前患者65例，绝经后患者55例。本研究已获得医院伦理委员审批并通过，患者均已签署知情同意书。

1.2 纳入与排除标准

(1)纳入标准：①临床诊断为MBC；②知情并同意参与本研究；③积极配合相关检查。

(2)排除标准：①其他类型的乳腺癌；②其他系统的恶性肿瘤；③精神疾病或认知功能障碍。

1.3 仪器设备

采用3.0T超导型磁共振扫描仪(德国西门子公司)。

1.4 检查方法

(1)DWI扫描。使用动态增强磁共振(dynamic contrast enhancement MRI，DCE-MRI)和扩散加权成像(diffusion weighted imagine，DWI)的多模态MRI影像进行检测。使用MRI扫描时首先扫描和获取脂肪抑制T1加权成像(T1weighted image，T1WI)图像和脂肪饱和T2WI前对比序列(S0)。所有患者取俯卧位后使用8通道的双乳房线圈扫描，扫描参数：①T1WI序列，重复时间(repetition time，TR)为4.8 ms，回波时间(echo time，TE)为2.1 ms，反转角12°，视野(field of view，FOV)为320 mm×320 mm，层厚1.0 mm，层间距0.5 mm，矩阵336×336；②脂肪抑制T2WI序列，采用精准频率反转恢复序列，平均2次，TR 3 400.0 ms，TE 90.0 ms，回波链长度19 ms，反转角90°，FOV为260 mm×320 mm，层厚3.0 mm，层间距0.3 mm，矩阵512×512。

(2)DCE-MR扫描。使用0.2 mmol/kg剂量的顺磁性对比剂钆-二乙烯五胺乙酸(Gadolinium diethy lenetriamine pentaacetic acid，Gd-DTPA)，并以4 ml/s的速度静脉注射造影剂后可获得5个增强后序列(S1～S5)。第一个序列在快速注射造影剂60 s后获得，之后则每间隔60 s分别按顺序采集5个造影剂。扫描参数：DCE-MRI，TR 5.0 ms，TE 2.2 ms，反转角12°，平均次数1次，FOV为320 mm×320 mm，层厚1.0 mm，层间距0.5 mm，矩阵336×336。分别于注药前及注药后即刻，60 s、120 s、180 s、240 s、300 s进行扫描，扫描总时间为5 min。

1.5 图像采集与预处理

(1)图像采集：在工作站通过对DWI数据后操作处理，可以形成灰阶表现弥散系数(apparent diffusion coefficient，ADC)图。S2、S5增强ADC序列共有24张影像，每张影像的采集矩阵于DWI影像相同(220×90)。

(2)图像预处理：将病灶从采集的MBC原始影像区域中分割出现进行研究。对DCE-MRI的每个序列均进行分割操作，采用实验室前期基于空间模糊C均值和马尔科夫随机的方法进行分割，对DCE-MRI的每个序列进行分割操作，将分割得到的每个序列的病灶区域与对应的ADC影像进行配准，最终在ADC影像上获取到与DCE-MRI病灶轮廓一致的病灶区域。

1.6 特征提取

对DCE-MRI的病灶区域影像选取蒙片，对第2增强序列和第5增强序列进行分析，对其两者在图像像素上减去蒙片序列后再进行特征提取，包括纹理特征、统计特征和形态特征。ADC病灶影像同样提取上述3大特征。

1.7 样本Ki-67表达特征

收集所有患者的病理报告，查看每例患者的MBC组织学分级情况，并通过免疫组化检测出病理标本相对应的Ki-67阳性细胞的百分比，统计并分析Ki-67表达阳性与阴性、组织学分级、绝经情况和年龄之间的差异性。

1.8 统计学方法

使用SPSS25.0统计软件进行分析，计数经正态性检验，数据采用均值±标准差()表示，采用t检验，计数资料采用x2检验，以%表示。以P＜0.05为差异有统计学意义。影像特征预测Ki-67表达和组织学分级的能力则对提取的不同序列的影像特征进行单变量回归分析和多变量回归分析，利用UDFS算法和Fisher Score算法将DCE-MRI与DWI参数不同的影像联合预测肿瘤分级。

表1 组织样本Ki-67表达特征[例(%)]

表2 单参数多变量逻辑回归的两种算法预测结果

表3 单参数多变量逻辑回归预测的Ki-67结果

2 结果

2.1 样本Ki-67表达特征比较

病理报告组织学分级中，Ⅱ级患者57例，Ⅲ级63例，Ⅱ级与Ⅲ级MBC患者组织标本中Ki-67表达比较，差异有统计学意义(x2=2.151，P＜0.05)，表明组织学分级与Ki-67的表达具有关联，Ki-67高表达的患者病例分级高；根据2011年St.Gallen早期乳腺癌国际专家共识[7]要求，将14%作为Ki-67阳性指数高低的界限值，当Ki-67阳性细胞数＞14%是高表达，＜14%则是低表达。结果显示，Ki-67低表达有17例，高表达有103例；孕激素受体(progesterone receptor，PR)是否阳性、绝经情况和年龄的比较差异均无统计学意义，与Ki-67的表达无显著的影响，见表1。

2.2 单参数多变量逻辑回归分析

在单变量逻辑回归分析对DCE-MRI和DWI的单个影像特征性能的比较中，最佳性能特征为纹理特征中的对比度特征，即对应S0、S2、S5及ADC图像序列预测分级任务生成的受试者工作特征(receiver operating characteristic，ROC)曲线下面积(area under curve，AUC)值分别为0.691、0.713、0.722和0.673，见图1。

图1 最优单特征盒形图

2.3 单参数多变量逻辑回归的两种算法预测结果

(1)两种算法预测效果：使用多变量逻辑回归分析DCE-MRI和DWI的各个序列，并比较Fisher Score算法和UDFS算法两种特征选择方法的效果。多变量逻辑回归分析预测分级任务中S2序列最佳，AUC、特异度和灵敏度分别为0.78、0.648和0.935，见表2。

(2)Ki-67预测结果：S2使用UDFS算法特征预测中AUC最佳，为0.781，特异度为0.648，灵敏度为0.935；预测Ki-67表达结果显示，DWI选择Fisher Score特征算法时AUC最佳，为0.757，特异度为0.807，灵敏度为0.697，预测Ki-67表达见表3，多模态MRI影像见图2。

3 讨论

图2 乳腺黏液癌多模态MRI影像图

MBC属较少见的一种乳腺癌类型，仅占原发性乳腺癌的1.3%～5.4%，作为一种侵袭性肿瘤，MBC具有大量的粘蛋白产生的特点，因此常可见肿瘤细胞簇飘浮于细胞外的粘蛋白池中。MBC的主要发病群体为女性老年和绝经后的患者，其临床特征与良性乳腺疾病极为相似，表现为乳腺肿块，且肿块的表面光滑、边界清楚和具有良好的活动性[8]。此外，MBC患者的彩超或钼靶检测可表现为与乳腺纤维腺瘤相类似的表现，因此也易被误诊为乳腺纤维腺瘤，因此清楚准确地诊断MBC是一项极为重要的工作，应引起临床医生的重视[9]。

Ki-67作为一种衡量肿瘤侵袭的重要指标，在MBC的诊断中是判断恶性肿瘤增殖活性程度的可靠指标之一[10]。相关研究表明，Ki-67在肿瘤的诊治和预后检测方面均有重要的临床意义，Ki-67的高表达水平往往意味着肿瘤的高增值性、高恶性程度和较差的预后[11]。目前，国内多使用从MRI影响中提取的各类影像特征，来对MBC的各类预后指标进行分类和预测，但由于单一的参数和MRI的影像研究容易忽略已经需要补充的信息，从而使结果显得贫瘠和单薄[12]。因此，联合不同参数的MRI影像，从多模态角度来预测MBC的组织学分级和Ki-67的表达具有更强的说服力[13]。

本研究结果显示，组织学分级比较有显著性差异；PR是否阳性、绝经情况和年龄的比较均无显著性差异，表明Ki-67的表达与这三者无显著的影响。在单参数的多变量逻辑回归分析中，使用两种特征选择方法中，得到的UDFS算法总体要比使用Fisher Score算法的好。而预测Ki-67表达中并无发现明显的规律，这可能是样本分布不均衡所致[14]。多变量逻辑回归的最优AUC均比单变量要高，表明多变量逻辑回归分析更能充分利用不同特征的信息，考虑不同特征之间的联系，从而使得建立的模型更加具有说服力[15]。本研究结果还显示，相对于单参数多变量逻辑回归预测结果的最佳AUC(0.781)，对于单一参数MRI的预测研究，多模态多参数MRI联合应用可充分发挥不同影像的优势，获得更好的预测结果。