基于臨床病理及常規(guī)和功能MRI影像組學(xué)模型預(yù)測(cè)乳腺癌腑窩淋巴結(jié)轉(zhuǎn)移

陳基明，朱浩雨，高 靜，葛亞瓊，王敏紅，李 穎，吳莉莉

(1.皖南醫(yī)學(xué)院弋磯山醫(yī)院醫(yī)學(xué)影像中心，安徽 蕪湖 241001;2.GE醫(yī)療，上海 200000)

腋窩淋巴結(jié)(axillary lymph node, ALN)是乳腺癌最常見轉(zhuǎn)移部位，影響治療方案及預(yù)后[1]。目前評(píng)估ALN的金標(biāo)準(zhǔn)為病理檢查，但腋窩淋巴結(jié)清掃(axillary lymph node dissection， ALND)或前哨淋巴結(jié)活檢(sentinel lymph node biopsy, SLNB)均有創(chuàng)，存在并發(fā)癥風(fēng)險(xiǎn)，且SLNB有一定假陰性率。MRI可從形態(tài)及功能等方面評(píng)價(jià)淋巴結(jié)狀態(tài)[2-4]，但基于形態(tài)學(xué)判斷淋巴結(jié)狀態(tài)的準(zhǔn)確性較低[5-6]，而對(duì)功能MRI(functional MRI, fMRI)的診斷價(jià)值尚有爭(zhēng)議[4,7]。MRI影像組學(xué)是近年研究乳腺癌ALN轉(zhuǎn)移的熱點(diǎn)[8-9]，由于納入標(biāo)準(zhǔn)及研究方案不同，相關(guān)影像組學(xué)研究[10-12]結(jié)果差異較大。本研究評(píng)價(jià)基于臨床病理及常規(guī)和功能MRI影像組學(xué)模型預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的價(jià)值。

1 資料與方法

1.1 一般資料 收集2014年12月—2019年10月140例經(jīng)手術(shù)病理證實(shí)為乳腺癌的患者，均為女性，年齡26～77歲，平均(47.0±9.2)歲；44例ALN轉(zhuǎn)移、96例無ALN轉(zhuǎn)移。納入標(biāo)準(zhǔn)：①乳腺單發(fā)腫塊；②MR檢查與穿刺活檢/手術(shù)間隔時(shí)間≤2周；③既往無乳腺手術(shù)史，未接受放射、化學(xué)及內(nèi)分泌治療。排除圖像質(zhì)量不佳者。按7∶3比例分為訓(xùn)練集(n=99)和驗(yàn)證集(n=41)。訓(xùn)練集中31例ALN轉(zhuǎn)移、68例無ALN轉(zhuǎn)移；驗(yàn)證集中13例ALN轉(zhuǎn)移、28例無ALN轉(zhuǎn)移。

1.2 儀器與方法 采用GE Signa HDxt 3.0T MR儀，8通道乳腺專用相控陣線圈，采集短時(shí)翻轉(zhuǎn)恢復(fù)序列(short TI inversion recovery, STIR)-T2WI，TR 11 500 ms，TI 240 ms，TE 48 ms，層厚4.0 mm，層間距0.4 mm，F(xiàn)OV 320 mm×320 mm，矩陣320×196；采用單次激發(fā)自旋回波平面成像序列行軸位擴(kuò)散加權(quán)成像(diffusion weighted imaging, DWI)，TR 6 400 ms，TE 60 ms，b=800 s/mm2，層厚4.0 mm，層間距0.4 mm，F(xiàn)OV 320 mm×320 mm，矩陣130×96。之后按流率2.5 ml/s靜脈團(tuán)注對(duì)比劑Gd-DTPA 0.1 mmol/kg體質(zhì)量，以肝臟容積加速序列采集軸位動(dòng)態(tài)增強(qiáng)MRI(dynamic contrast enhanced-MRI, DCE-MRI)，TR 5.4 ms，TI 15 ms，TE 2.2 ms，層厚2 mm，層間隔0，F(xiàn)OV 320 mm×320 mm，矩陣348×348，共掃描8期，每期掃描時(shí)間60 s。

1.3 圖像分析與處理

1.3.1 圖像分析 由具有5年及15年以上胸部影像學(xué)診斷經(jīng)驗(yàn)的醫(yī)師各1名閱片，意見不一致時(shí)經(jīng)協(xié)商決定，分析腫瘤位置、大小、形態(tài)、邊緣、有無毛刺、信號(hào)及強(qiáng)化特征等；參考DCE-MRI，分別于軸位表觀擴(kuò)散系數(shù)(apparent diffusion coefficient, ADC)圖及DCE-MRI上腫瘤強(qiáng)化最明顯區(qū)域放置ROI，盡量避開腫瘤出血、液化和壞死區(qū)，測(cè)量ADC及DCE-MRI半定量參數(shù)，包括峰值增強(qiáng)率Emax，峰值時(shí)間Tmax，最大上升斜率Slopemax，繪制病灶的時(shí)間-強(qiáng)度曲線(time-intensity curve, TIC)。

1.3.2 提取特征及建立影像組學(xué)標(biāo)簽 采用GE ITK-SNAP(Version 3.6)軟件于DCE-MRI上病灶強(qiáng)化最顯著期相圖像上沿病灶邊緣逐層手動(dòng)勾畫三維ROI，復(fù)制后勾畫STIR-T2WI及DWI病灶并行三維融合(圖1)，提取其紋理特征，包括直方圖特征、形態(tài)特征、灰度共生矩陣特征、游程矩陣特征及哈塔里克特征。以組內(nèi)相關(guān)系數(shù)(intra-class correlation coefficient, ICC)評(píng)價(jià)2名醫(yī)師提取紋理特征的一致性，保留其中一致性較好(ICC>0.80)者。在訓(xùn)練集中應(yīng)用最小冗余最大相關(guān)(minimum redundancy, maximum relevance, mRMR)去除冗余和不相干紋理特征，以最小絕對(duì)值收斂和選擇算子(least absolute shrinkage and selection operator, LASSO)回歸篩選紋理特征，并以十折交叉驗(yàn)證獲得二項(xiàng)式偏差最小時(shí)所對(duì)應(yīng)的λ值，篩選最佳紋理特征，構(gòu)建影像組學(xué)標(biāo)簽；于驗(yàn)證集中進(jìn)行驗(yàn)證。

圖1 于DCE-MRI上手動(dòng)勾畫腫瘤三維ROI示意圖 A～C.分別為軸位、重建冠狀位和矢狀位圖像(紅色區(qū)域?yàn)镽OI)； D.融合后的三維ROI

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 20.0、R軟件(Version 3.5.2)和MedCalc(Version 19.0.2)統(tǒng)計(jì)分析軟件，以Kolmogorov-Smirnov檢驗(yàn)分析計(jì)量資料正態(tài)性，符合者以±s表示，行t檢驗(yàn)。對(duì)計(jì)數(shù)資料以χ2檢驗(yàn)或Fisher檢驗(yàn)進(jìn)行比較。采用單因素和多因素Logistic回歸分析構(gòu)建臨床、影像組學(xué)及個(gè)體化預(yù)測(cè)ALN轉(zhuǎn)移模型，以方差膨脹因子(variance inflation factor, VIF)行共線性檢查，判斷變量之間的共線性。以Hosmer-Lemeshow檢驗(yàn)評(píng)價(jià)模型擬合優(yōu)度。采用受試者工作特征(receiver operating characteristic, ROC)曲線評(píng)價(jià)模型的診斷效能，以DeLong檢驗(yàn)評(píng)價(jià)個(gè)性化模型與臨床模型ROC曲線下面積(area under the curve, AUC)的差異，以決策曲線分析(decision curve analysis, DCA)評(píng)價(jià)模型的臨床獲益。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 ALN轉(zhuǎn)移與否臨床病理及MRI特征比較 有無ALN轉(zhuǎn)移患者在訓(xùn)練集中Slopemax、Emax和ADC差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05)，在驗(yàn)證集中差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)。訓(xùn)練集和驗(yàn)證集中，有無ALN轉(zhuǎn)移毛刺征和脈管受侵(指浸潤(rùn)性乳腺癌周圍淋巴和血管系統(tǒng)中腫瘤栓塞)差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05)，其余變量差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)，見表1、2。剔除VIF>10的變量，經(jīng)多因素Logistic回歸分析構(gòu)建的基于臨床病理及MRI特征的臨床模型在訓(xùn)練集和驗(yàn)證集中預(yù)測(cè)ALN轉(zhuǎn)移的AUC分別為0.95和0.88，見表3；毛刺征和Emax為預(yù)測(cè)ALN轉(zhuǎn)移的獨(dú)立危險(xiǎn)因子。

表1 訓(xùn)練集ALN轉(zhuǎn)移與否乳腺癌臨床病理及MRI特征比較

表2 驗(yàn)證集ALN轉(zhuǎn)移與否乳腺癌臨床病理及MRI特征比較

表3 各模型預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的ROC曲線結(jié)果

2.2 構(gòu)建影像組學(xué)模型及評(píng)估診斷效能 2名醫(yī)師提取紋理特征的一致性較好(ICC=0.81)，對(duì)高年資醫(yī)師提取特征進(jìn)行分析?；赟TIR-T2WI、DWI和DCE-MRI各提取1 044個(gè)紋理特征，共于3個(gè)序列圖像中聯(lián)合提取3 132個(gè)紋理特征，分別經(jīng)mRMR及LASSO回歸篩選出4、3、7及8個(gè)STIR-T2WI、DWI、DCE-MRI及聯(lián)合序列圖像最佳紋理特征(圖2)并建立影像組學(xué)模型。T2WI、DWI、DCE-MRI模型及聯(lián)合序列模型在驗(yàn)證集中的AUC分別為0.67、0.71、0.72及0.76，見表3及圖3。

圖2 基于聯(lián)合序列圖像選出的紋理特征及其權(quán)重

圖3 聯(lián)合序列模型、臨床模型和個(gè)體化模型預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的ROC曲線 A.訓(xùn)練集； B.驗(yàn)證集

2.3 構(gòu)建個(gè)體化影像組學(xué)模型及評(píng)估效能 結(jié)合臨床病理、MRI特征及影像組學(xué)標(biāo)簽構(gòu)建預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的個(gè)體化模型：Y=5.46+6.15毛刺-0.02Emax+9.36影像組學(xué)標(biāo)簽；毛刺和影像組學(xué)標(biāo)簽為ALN轉(zhuǎn)移的獨(dú)立危險(xiǎn)因子。個(gè)體化模型在訓(xùn)練集和驗(yàn)證集的擬合優(yōu)度均較佳(χ2=6.24、5.90，P=0.62、0.66)，其預(yù)測(cè)ALN轉(zhuǎn)移的AUC分別為0.98和0.93(表3及圖3)，與臨床模型差異均無統(tǒng)計(jì)學(xué)意義(Z=1.56、1.34，P=0.12、0.18)。DCA分析顯示，閾值>0.25時(shí)，個(gè)體化模型的凈受益高于臨床模型(圖4)。

圖4 臨床模型和個(gè)體化模型的DCA

3 討論

基于腫瘤或淋巴結(jié)MRI影像組學(xué)對(duì)預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移效能較高[8,10]。本研究中聯(lián)合序列模型預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的AUC高于單一序列模型而低于個(gè)體化模型和臨床模型；個(gè)體化模型與臨床模型的AUC差異無統(tǒng)計(jì)學(xué)意義，但閾值>0.25時(shí)前者臨床受益高于后者，個(gè)體化模型在訓(xùn)練集的陰性預(yù)測(cè)值達(dá)0.96，使無ALN轉(zhuǎn)移乳腺癌患者獲益，與單嫣娜等[9](AUC=0.95)相似，而優(yōu)于DONG等[10](AUC=0.86)及LIU等[11](AUC=0.87)的結(jié)果。

本研究臨床模型的預(yù)測(cè)效能優(yōu)于聯(lián)合序列模型，提示聯(lián)合臨床病理因素能提高預(yù)測(cè)效能[11-12]；但也學(xué)者[9-10]認(rèn)為乳腺癌ALN轉(zhuǎn)移與臨床及病理因素?zé)o明顯相關(guān)。乳腺癌ALN轉(zhuǎn)移受多種個(gè)體化因素影響，僅憑單一臨床、病理、影像學(xué)預(yù)測(cè)指標(biāo)很難準(zhǔn)確評(píng)價(jià)乳腺癌ALN狀態(tài)。本組臨床模型除臨床病理指標(biāo)外，還納入MRI中腫瘤定性、定量特征，相比既往研究[13]能更全面地反映乳腺癌病理生理學(xué)特征，提高預(yù)測(cè)效能。

本研究個(gè)體化模型的預(yù)測(cè)效能與臨床模型差異無統(tǒng)計(jì)學(xué)意義，其中影像組學(xué)標(biāo)簽的貢獻(xiàn)較小，可能由于紋理特征僅反映病灶特征，卻不能反映與乳腺癌轉(zhuǎn)移相關(guān)脈管受侵及毛刺等周圍特征，即單純影像組學(xué)分析難以全面反映乳腺癌ALN轉(zhuǎn)移的復(fù)雜病理生理機(jī)制。OUYANG等[14]發(fā)現(xiàn)脈管受侵與乳腺癌ALN狀態(tài)相關(guān)。本研究結(jié)果顯示脈管受侵并非ALN轉(zhuǎn)移的獨(dú)立危險(xiǎn)因子，而毛刺征更有預(yù)測(cè)價(jià)值。

目前惡性腫瘤MRI影像學(xué)組學(xué)研究對(duì)選擇序列尚無統(tǒng)一標(biāo)準(zhǔn)。有研究[11]認(rèn)為增強(qiáng)T1WI層厚較薄、分辨率高，可提取更多反映病灶微血管生成和血流灌注異質(zhì)性的紋理特征；也有學(xué)者[15]提出T2W序列回波時(shí)間長(zhǎng)，組織對(duì)比度好，圖像中蘊(yùn)含更多具有鑒別效能的紋理特征；或可基于ADC圖提取反映腫瘤擴(kuò)散特征異質(zhì)性的信息。本研究結(jié)果顯示，聯(lián)合多序列模型的診斷效能優(yōu)于單一序列模型，多序列多參數(shù)能更全面地展示腫瘤特點(diǎn)。

總之，個(gè)體化模型預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的效能與臨床模型相當(dāng)，其臨床受益高于后者，但均優(yōu)于單一序列模型。本研究的主要局限性：①回顧性研究，存在選擇偏倚；②未納入非腫塊性病灶；③手動(dòng)勾畫ROI難免受主觀因素影響，且T2WI、DWI及DCE-MRI難以完全匹配。