【影像组学研究】基于扩散加权成像和动态增强MRI的影像组学特征与乳腺癌分子分型的关系初探

文章来源：中华放射学杂志, 2018,52(5) : 338-343

作者：吴佩琪 赵可 吴磊 刘再毅 梁长虹 

摘要  

目的

探讨基于DWI和动态增强MRI（DCE-MRI）的影像组学特征与乳腺癌分子分型的关系。

方法

回顾性分析广东省人民医院2015年6月至2016年6月，经手术病理证实为单发肿块型乳腺癌，获得乳腺癌分子分型，且行乳腺MRI扫描并获得DCE-MRI及ADC图像的79例患者。记录乳腺病灶MRI传统定量指标，包括ADC值和初始强化率（IER）；对ADC图和DCE-MRI图上的病灶区进行手动分割并提取影像组学特征，降维后筛选出10个影像组学标签。对病理标本进行免疫组织化学检测，分为Luminal A型、Luminal B型、人表皮生长因子受体2（HER2）过表达型、三阴性（TN）型乳腺癌。采用单因素logistic回归分析，比较ADC值、IER值以及影像组学标签独立进行分子分型预测的效果；采用多因素logistic回归建模，并绘制ROC，计算ROC下面积（AUC），比较各模型的诊断效能；采用Hosmer-Lemeshow检验对模型的拟合优度进行检验。

结果

Luminal A型29例，Luminal B型39例，HER2过表达型5例，TN型6例。采用单因素logistic回归分析法对传统乳腺MRI参数ADC、IER值及所提取的10个影像组学标签在进行分子分型分类中的效果进行分析，ADC、IER值在鉴别各组的分子分型时，AUC值均<0.70（0.516~0.605），鉴别价值不大；鉴别各个分子分型时，至少有1个影像特征auc>0.70，其中DCE_L_G_2.5_autocorrelation鉴别TN的AUC最高（0.941）。行多因素logistic回归分析，获得了鉴别诊断的最佳模型，鉴别Luminal A和非Luminal A型、Luminal B和非Luminal B型、TN和非TN的最佳模型鉴别诊断的AUC分别为0.786、0.733和0.941，经Hosmer-Lemeshow检验，各模型P均>0.10（分别为0.156、0.204和0.820），说明所建立的各个模型的预测值与观测值之间差异无统计学意义，模型拟合效果较好。

讨论

基于DWI和DCE-MRI的影像组学特征则有助于鉴别乳腺癌的分子亚型，尤其是鉴别TN型乳腺癌具有较大价值。

乳腺癌是最早建立分子分型的肿瘤，Perou等^[1]首先通过基因表达谱研究了乳腺癌的分子分型，而后又提出应用免疫组织化学方法替代分子技术进行乳腺癌分子分型^[2]，目前乳腺癌的分子分型已广泛应用于临床实践中。乳腺MRI已广泛应用于乳腺癌的诊断和分析，其中动态增强MRI（dynamic contrast-enhancement magnetic resonance imaging，DCE-MRI）可提供乳腺病变的高分辨率形态信息及其增强特征，初始强化率（initial enhancement rate，IER）是DCE-MRI中的一个常用定量指标；DWI通过使用ADC值的定量分析，辅助乳腺良、恶性病变的鉴别诊断。然而，传统的ADC、DCE-MRI图像中隐含着许多肉眼无法直接观测的信息，这些图像纹理信息与肿瘤组织的显微结构、生物学特性等可能存在一定的关系。从海量的影像学特征中筛选出来的特征称为影像组学标签^[3]。纹理分析（texture analysis，TA）作为一种图像分析的新技术，通过ROI的分割、特征提取与特征分析，可以定量或定性描述ROI中组织结构的某些特征^[4]。笔者旨在探讨乳腺MRI传统定量参数（ADC值和IER值）以及影像组学特征在鉴别乳腺癌分子分型方面的价值。

资料与方法

一、患者资料

回顾性分析广东省人民医院2015年6月至2016年6月符合以下标准的患者。纳入标准：（1）经手术病理证实为乳腺癌，且乳腺病灶为单发肿块型；（2）行乳腺MRI扫描并获得DCE-MRI及ADC图像；（3）MRI检查前未进行过穿刺活检、化学治疗、放射治疗或切除术等治疗；（4）病理资料完整，获得乳腺癌分子分型。排除标准：图像质量不佳，不能用于分析。79例患者纳入研究，均为女性，年龄23~82岁，平均（49±12）岁。

二、MRI图像采集

采用荷兰Philips Achieva 1.5 T超导MR系统，4通道乳腺表面专用线圈为接收线圈。检查时患者取俯卧位，将双侧乳腺自然悬垂于专用乳腺相控阵线圈的凹形孔内，同时扫描双侧乳腺。先行常规T₁WI及脂肪抑制T₂WI扫描。扫描参数：T₁WI：TR 4.8 ms，TE 2.1 ms，反转角12°，FOV 320 mm×320 mm，层厚1.0 mm，层间距0.5 mm，矩阵336×336；脂肪抑制T₂WI：采用精准频率反转恢复序列，平均次数2次，TR 3 400.0 ms，TE 90.0 ms，回波链长度19 ms，反转角90°，FOV 260 mm×320 mm，层厚3.0 mm，层间距0.3 mm，矩阵512×512。DWI采用平面回波成像序列，b=0、1 000 s/mm²，TR 2 000.0 ms，TE 100.0 ms，FOV 320 mm×320 mm，层厚5.0 mm，间隔1.0 mm，矩阵320×320，激励次数2次。患者DWI扫描结束后行DCE-MRI，注射对比剂前平扫1次，采用高压注射器经肘静脉快速团注对比剂Gd-DTPA，剂量为0.1 mmoL/kg，继而快速推注20 ml生理盐水。采用快速梯度回波序列行DCE-MRI，TR 5.0 ms，TE 2.2 ms，反转角12°，平均次数1次，FOV 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，64、128、191、255、318 s进行扫描，扫描总时间为7 min 7 s。

三、图像分析

1．乳腺MRI传统定量指标（ADC、IER值）的获得：

分别由2名从事乳腺影像诊断3年以上的放射科医师，在荷兰Philips 2.6.3.5 MR工作站上独立完成，最后取2人的平均值作为最终的结果进行后续分析。首先在工作站输入b=0和b=1 000 s/mm²的DWI图像并计算生成ADC图，勾画ROI尽量避开肉眼可见的肿瘤囊变、坏死区，测量ADC值。在工作站输入DCE-MRI图像后，在肿瘤强化最明显的部分勾画ROI，测量病灶IER值，_IER=（注射对比剂后3 min内峰值信号强度－注射对比剂前信号强度）/注射对比剂前信号强度×100%。

2．肿瘤分割与影像组学特征提取：

肿瘤的分割采用手动分割法，在肿瘤的最大层面，由2名放射科医师（分别具有3年和15年工作经验），利用Image J软件（https：//imagej.nih.gov/ij/）分别对ADC图和DCE-MRI图中的全部肿瘤区域独立进行ROI勾画，无需避开囊变及坏死区（图1，图2）。其中DCE-MRI图选取注射对比剂后第3分钟（即第4幅图）的增强扫描图像，并使用MATLAB软件（https://cn./）分别对ROI内的病变区域进行特征提取^[5]。所提取的病灶区域的影像特征主要有4类：（1）形态特征：包括最大径、面积和面积比。（2）一阶灰度统计特征：包括能量、偏度、最大值、中值、平均值、平均绝对偏差、范围、均方根、标准差、方差。（3）纹理特征：①基于灰度级并发矩阵的特征（GLCM）；②基于灰度运行长度矩阵的特征。（4）滤波特征。分别在ADC图及DCE-MRI图提取上述特征，使用一致性相关系数（concordance correlation coefficient，CCC）指标，选出CCC>0.9的特征，去除其他特征高度相关的特征^[6]。ADC图像特征中通过CCC检验的有913个，DCE-MRI图像特征通过CCC检验的1 344个。再使用最小冗余最大相关（mRMR算法）^[7]进行降维，从ADC图的913个影像特征中选出5个影像组学标签，分别为ADC_L_G_2.5_min、ADC_rbio2.2_1_IMC1、ADC_L_G_1.0_mean、ADC_L_G_1.0_homogeneity1、ADC_rbio1.1_1_sum_variance；从DCE-MRI图的1 344个影像特征中选出5个影像组学标签，分别是DCE_rbio3.1_3_variance、DCE_rbio3.1_1_G_entropy、DCE_bior3.1_3_correlation、DCE_L_G_2.5_autocorrelation、DCE_db1_1_entropy。通过软件获得各特征值。

图1，2 乳腺癌病灶区域的手动分割示意图。在肿瘤的最大层面，利用Image J软件分别对ADC图（图1）和动态对比增强MRI图（图2）的全部肿瘤区域进行独立ROI勾画，无需避开囊变及坏死区

四、病理检查

所有患者均进行了乳腺肿瘤切除术，术后病理标本均进行免疫组织化学检测，包括雌激素受体（estrogen receptor，ER）、孕激素受体（progesterone receptor，PR）、人表皮生长因子受体2（human epidermal growth factor receptor2，HER2）和Ki-67。将乳腺癌分为4型^[8]，分别为：Luminal A型、Luminal B型、HER2过表达型和三阴性（triple negative,TN）。

五、统计方法

采用3.3.2版本的R软件（https://cran./）进行统计分析。采用Kruskal-Wallis法比较不同分子分型患者间临床、病理特征、影像组学标签分布的差异。对各变量的单因素分析分别采用Mann-Whitney U检验和单因素logistic回归法，采用多因素logistic回归法对单因素分析中有统计学意义的变量进一步分析并建模，使用ROC评估模型的预测能力，曲线下面积（area under curve，AUC）为0.7~0.8代表具有一定的鉴别能力，AUC>0.8表示有非常好的鉴别能力^[9]。采用Hosmer-Lemeshow检验对模型的拟合优度进行检验。P0.05为差异有统计学意义。

结果

一、乳腺癌患者的分子分型和病理类型

Luminal A型29例（浸润性导管癌26例、浸润性小叶癌1例、黏液癌1例、混合癌1例），年龄（52±12）岁；Luminal B型39例（浸润性导管癌33例、导管原位癌1例、髓样癌1例、微乳头状癌2例、混合癌2例），年龄（48±12）岁；HER2过表达型5例（均为浸润性导管癌），年龄（46±8）岁；TN型6例（浸润性导管癌5例、黏液癌1例），年龄（47±14）岁。不同乳腺癌分子分型患者间的年龄、病理类型分布差异均无统计学意义（P值分别为0.588、0.739）。

二、传统乳腺MRI参数及影像组学标签鉴别不同乳腺癌分子分型的单因素logistic回归分析结果

使用单因素logistic回归分析法，对传统乳腺MRI参数ADC、IER值及所提取的10个影像组学标签在进行分子分型分类中的效果进行分析，ADC、IER值在鉴别各组的分子分型时，AUC值均<0.70（0.516~0.605），鉴别价值不大；鉴别各个分子分型时，至少有1个影像特征auc>0.70，DCE_bior3.1_3_correlation鉴别Luminal A型乳腺癌AUC=0.719，ADC_rbio1.1_1_sum_variance鉴别Luminal B型乳腺癌AUC=0.710，ADC_L_G_2.5_min鉴别HER2过表达型乳腺癌AUC=0.759，鉴别TN时，5个影像组学标签（分别为ADC_L_G_1.0_mean、ADC_rbio1.1_1_sum_variance、DCE_rbio3.1_1_G_entropy、DCE_bior3.1_3_correlation及DCE_L_G_2.5_autocorrelation）AUC均>0.70，其中DCE_L_G_2.5_autocorrelation最高，达0.941（图3）。

图3 采用单因素logistic回归分析评价乳腺癌患者传统MRI参数及影像组学标签进行分子分型的ROC下面积（AUC）值矩阵图。彩条颜色代表AUC值的大小（见彩色图标刻度）。传统MRI参数及影像组学标签单独应用于鉴别乳腺癌不同分子分型时差异较大，其中在鉴别三阴性（TN）与其他类型乳腺癌时AUC≥0.70的变量较多，最小值不低于0.57（绿色、黄色为主，无灰色），并出现AUC的最大值（红色）；在应用于鉴别Luminal A型、Luminal B型、人表皮生长因子受体2（HER2）过表达型与其他类型乳腺癌时，AUC≤0.70的变量较多，AUC甚至接近0.50（以绿色、灰色为主），提示纳入的参数可能在鉴别TN与其他类型乳腺癌时应用潜力更大

三、传统乳腺MRI参数及影像组学标签在不同乳腺癌分子分型间差异的组间比较

4个分子分型患者组间的ADC值、IER值、ADC_L_G_2.5_min、ADC_rbio2.2_1_IMC1、ADC_L_G_1.0_mean和ADC_L_G_1.0_homogeneity1差异无统计学意义，ADC_rbio1.1_1_sum_variance、DCE_rbio3.1_3_variance、DCE_rbio3.1_1_G_entropy、DCE_bior3.1_3_correlation、DCE_L_G_2.5_autocorrelation和DCE_db1_1_entropy的差异有统计学意义（表1）。

四、多因素logistic回归分析建立影像组学标签对乳腺癌分子分型的预测模型

对单因素Mann-Whitney U分析中P0.05的变量行多因素logistic回归分析，获得了鉴别诊断的最佳模型。鉴别Luminal A和非Luminal A型的最佳模型为0.006×ADC_rbio1.1_1_sum_variance+0.062×DCE_bior3.1_3_correlation－0.286；鉴别Luminal B和非Luminal B型的最佳模型为－0.009×ADC_rbio1.1_1_sum_variance－0.002×DCE_rbio3.1_3_variance+3.149；鉴别TN和非TN的最佳模型为-0.138×DCE_L_G_2.5_autocorrelation+9.706，鉴别诊断的AUC分别为0.786、0.733和0.941（表2）。经Hosmer-Lemeshow检验，各模型P值均>0.10（分别为0.156、0.204和0.820），说明所建立的各个模型的预测值与观测值之间差异无统计学意义，模型拟合效果较好。

讨论

在分子水平上，乳腺癌是一种高度异质性的肿瘤，病理类型和临床分期相同的患者，采用相同的治疗方案后反应和预后迥异。目前，不同分子分型乳腺癌的影像表现（乳腺X线摄影、超声、MRI以及PET-CT等）是国内外学者研究的热点，尤其是影像组学方面的研究方兴未艾^{[10,11,12,13]}。

一、ADC值和IER值与分子分型的关系

由于乳腺癌细胞生长、繁殖快，细胞密度高，细胞外间隙小，水分子扩散受限，ADC值一般较低；并且乳腺癌灶内新生血管增多，微血管密度增加，微循环灌注高，IER值一般较高。本研究结果显示，采用ADC值和IER值鉴别分子分型，AUC为0.516~0.605，提示ADC值和IER值鉴别分子分型价值不大，且不同分子分型乳腺癌间的ADC值和IER值的差异均无统计学意义。邓丹琼和梁碧玲^[14]对103例乳腺癌患者的DCE-MRI进行研究，发现不同分子分型乳腺癌的IER值差异有统计学意义，其中Luminal A型的初始强化率明显低于其他类型，与Luminal A型预后最好相符。本研究结果与之不符的原因在于不同分子分型患者的分布存在较大差异，且本研究的样本量较小有关，今后笔者需要进一步扩大样本量，探讨不同分子分型乳腺癌患者的IER差异。

二、影像组学标签与分子分型的关系

本研究结果显示，基于DWI和DCE-MRI的部分影像组学标签在不同分子分型乳腺癌组间差异有统计学意义，并且对各个分子分型乳腺癌进行独立鉴别时，至少均有1个影像特征的AUC>0.70，其中DCE_L_G_2.5_autocorrelation在鉴别TN和非TN时AUC达0.941，多因素分析结果表明该影像组学标签是鉴别TN和非TN乳腺癌的独立预测因子。此外，各纳入了2个影像组学标签的模型鉴别Luminal A与非Luminal A、Luminal B与非Luminal B的AUC均>0.70，诊断效能较高。以上结果均提示，基于DWI和DCE-MRI的影像组学特征在鉴别乳腺癌分子分型方面具有一定价值，可能是乳腺癌分子分型的潜在生物标记物，未来有望应用于预测乳腺癌分子分型，与Li等^[10]和Wu等^[15]的结果一致。而王世健等^[16]对60例乳腺癌患者的DCE-MRI进行纹理分析提取影像特征后发现，Luminal A型、HER2过表达型和TN型都存在与其显著相关的影像特征，未发现与Luminal B型有关的影像特征。Grimm等^[17]对275例乳腺癌患者的DCE-MRI图像的影像特征分析后发现，部分特征与Luminal A型、Luminal B型相关，未发现与HER2过表达型相关的影像特征。

三、本研究的创新性与局限性

本研究的创新点在于探讨了基于ADC图的影像组学特征与乳腺癌分子分型的关系。局限性在于，纳入病例数不多，并且仅对肿瘤的最大层面进行了特征提取，尚不能完全反映肿瘤的整体情况。今后尚需搜集更多病例资料对本研究中所建立的模型进行验证，并进一步探讨影像组学特征与乳腺癌的分子表达、淋巴结转移以及预后的关系。

综上所述，ADC值和IER值尚不能鉴别乳腺癌的4种分子亚型，而基于DWI和DCE-MRI的影像特征则有助于鉴别乳腺癌的分子亚型，尤其是鉴别TN型乳腺癌。

参考文献（略）