乳腺MRI特征及ADC值预测乳腺影像报告和数据系统4类良恶性病变

杨晓平，张立娜，黎 庶，柴瑞梅，董梦实

(中国医科大学附属第一医院放射科，辽宁 沈阳 110001)

乳腺MRI在诊断乳腺癌和高危女性筛查中逐渐占据重要地位[1-2]。国内广泛应用美国放射学会(American College of Radiology， ACR)发布的乳腺影像报告和数据系统(breast imaging reporting and data system， BI-RADS)[3]对乳腺病变进行描述和分类，但目前版本的BI-RADS中并未对4类病变进行细化分类， 4类病变的整体恶性概率从2%到95%不等，为下一步临床治疗带来困扰，对乳腺MRI中BI-RADS 4类病变进行良恶性鉴别成为目前面临的重要问题[4]。BI-RADS中的乳腺MRI征象描述是用于诊断分类的重要基础，而作为重要补充的ADC值可有效提高MRI对乳腺良恶性病变的诊断效能[5]。本研究针对BI-RADS 4类病灶，探讨乳腺MRI BI-RADS中的成像特征及ADC值对良恶性病变的鉴别诊断能力，尝试建立Logistic回归预测模型，并探讨其诊断价值。

1 资料与方法

1.1 一般资料 收集2014年1月—2016年6月在我院接受乳腺MR检查且诊断为BI-RADS 4类病变的79例患者，均为女性，年龄13～82岁，平均(43.4±10.9)岁；MR扫描前均未接受放化疗等，且检查后获得组织病理学诊断。

1.2 仪器与方法 采用Siemens Magntom Verio 3.0T MR扫描仪，乳腺专用相控阵线圈。嘱患者俯卧，充分暴露双侧乳腺，使之自然悬垂于检查线圈内，双臂置于头部两侧，足先进。首先采集常规T1WI(TR 6.1 ms，TE 2.5 ms)及T2WI(TR 3 600 ms，TE 61 ms)。DWI采用单次激发平面自旋回波序列，b=0、50、400、800 s/mm2，TR 9 300 ms，TE 76 ms，矩阵168×168，FOV 32 cm×32 cm，层厚4 mm，无间隔，重建后获得ADC图像。动态增强扫描采用脂肪抑制快速小角度激发三维动态成像序列，TR 4.67 ms，TE 1.66 ms，矩阵384×296，FOV 36 cm×36 cm，层厚2.5 mm，连续无间断扫描。对比剂采用钆双胺注射液，剂量0.1 mmol/kg体质量，流率3 ml/s，并以20 ml生理盐水冲洗，注入对比剂后连续扫描9个时相，共扫描541 s。

1.3 图像分析 由2名至少有200例乳腺MRI阅片经验的放射科医师以盲法共同分析图像，按照ACR 2013版BI-RADS MRI词典[3]描述病变的影像学特征，有歧义时由另1名至少有500例乳腺MRI阅片经验的放射科医师决断。在动态增强图像中，将ROI放置于肿瘤最可疑的增强区域，尽量避开出血、坏死、囊变区，获得病变的时间-信号强度曲线，并将其分为渐增型、平台型和流出型[3]。在ADC图中病灶信号最低处放置ROI，测量其ADC值，测3次取平均值。

1.4 统计学分析 采用SPSS 20.0统计分析软件。计量资料以±s表示，采用两独立样本t检验比较良恶性病变的ADC值，以ROC曲线获得临界值，以χ2检验比较肿块型病变与非肿块型病变的恶性率。采用单因素二元Logistic回归分析比较良恶性病变之间的计数资料，将肿块型病变和非肿块型病变中差异有统计学意义的预测变量加入多因素预测模型，剔除P>0.1的变量，得出最佳模型；绘制ROC曲线评价该预测模型的诊断效能。P<0.05为差异有统计学意义。

2 结果

79例患者中，76例单发病变，3例多发，若为多发同质病灶，则纳入增强最明显者，共纳入82个病灶。其中恶性病变50个，包括5个无特异性浸润性癌、37个浸润性导管癌、1个浸润性小叶癌、2个浸润性筛状癌和5个导管原位癌；良性病变32个，包括6个乳头状病变、5个纤维腺瘤、12个增生性或非增生性纤维囊性改变、7个炎性病灶、1个纤维结节和1个复杂硬化病变。

2.1 MRI特征对良恶性病变的预测能力 肿块型病变63个，其中41个(41/63，65.08%)为恶性；非肿块型病变19个，其中9个(9/19，47.37%)为恶性；肿块型病变与非肿块型病变的恶性率差异无统计学意义(χ2=1.886，P=0.170)。5个导管原位癌中4个(4/5，80.00%)为非肿块型，而45个浸润性癌中40个(40/45，88.89%)为肿块型。

对于肿块型病变，单因素二元Logistic回归分析显示，良恶性病变之间的病灶形状、边缘及内部强化差异有统计学意义(P均<0.05)，其中边缘毛刺和环状强化的阳性预测值(positive predictive values， PPV)分别为92.86%、88.89%，阳性似然比(positive likelihood ratios， PLR)分别为6.98、4.29，比值比(odds radio， OR)分别为65.00和88.00。而T2WI信号对鉴别良恶性无统计学意义(P>0.05)，见表1。对于非肿块型病变，单因素二元Logistic回归分析显示所有描述MRI特征对鉴别良恶性均无统计学意义(P均>0.05)。

2.2 增强曲线类型对良恶性病变的预测能力 肿块型病变中，单因素二元Logistic回归分析显示各型增强曲线对鉴别良恶性均有统计学意义(P均<0.05)；非肿块型病变中，各型增强曲线对鉴别良恶性均无统计学意义(P均>0.05)；见表2。

2.3 ADC值对良恶性病变的预测能力 良性病变(图1)的ADC值为(1.333±0.277)×10-3mm2/s，恶性病变(图2)为(0.942±0.175)×10-3mm2/s，差异有统计学意义(t=7.116，P<0.001)。

ROC曲线结果显示，肿块型病变中，鉴别良恶性的最佳ADC临界值为1.081×10-3mm2/s，AUC为0.879，单因素二元Logistic回归分析显示ADC值≤1.081×10-3mm2/s对鉴别良恶性有统计学意义(P<0.001，表3)；非肿块型病变中，鉴别良恶性的最佳ADC临界值为0.953×10-3mm2/s，AUC为0.889，单因素二元Logistic回归分析显示ADC值对鉴别良恶性无统计学意义(P>0.05，表3)。

表1 MRI特征评估肿块型乳腺病变良恶性的单因素二元Logistic回归结果

表2 增强曲线类型评估乳腺良恶性病变的单因素二元Logistic回归结果

表3 ADC值评估乳腺良恶性病变的单因素二元Logistic回归结果

表4 MRI特征及ADC值预则肿块型乳腺病变良恶性的多因素Logistic回归分析结果

2.4 多因素Logistic回归模型对病变良恶性的预测能力 肿块型病变中，多因素分析结果显示，病变形状及曲线类型纳入回归模型后P均>0.1，故将其剔除；肿块边缘不规则、边缘毛刺、不均匀强化、环状强化及ADC值≤1.081×10-3mm2/s对恶性病变的预测能力有统计学意义(P均<0.05，表4)。将边缘、内部强化及ADC值作为预测变量建立Logistic回归预测模型(P<0.05，伪R2=0.62)，绘制该模型预测乳腺良恶性病变的ROC曲线，其AUC值为0.981(P<0.001)，敏感度为87.80%，特异度为100%(图3)。

非肿块型病变无预测变量建立Logistic回归预测模型(P均>0.1)。

3 讨论

本研究探讨了基于BI-RADS描述术语的MRI特征及ADC值对BI-RADS 4类良恶性病变的预测能力，最终针对肿块型病变建立了Logistic回归预测模型。本研究发现肿块型病变与非肿块型病变的恶性率差异无统计学意义，与Liberman等[6]研究结果一致；而本组导管原位癌多表现为非肿块型(4/5，80.00%)，与既往研究[6-8]结果(53.8%～90.0%)一致。

本研究中，对于肿块型病变，毛刺样边缘的PPV为92.86%，这一特征高度提示恶性，与恶性肿瘤的生长及侵袭相关[9]；环状强化的PPV为88.89%，这可能与恶性病变中心较易出血及液化坏死有关[10]。

本研究中渐增型曲线多为良性病变，流出型曲线多为恶性病变，而平台型曲线良恶性病变重叠较多。有研究[9]表明将增强曲线类型加入Logistic回归预测模型后有显著预测效果，但本研究中未得到类似结果，可能与本组平台型曲线所占比例及良恶性重叠均较大有关。

本研究结果表明恶性病变的ADC值明显低于良性病变(P<0.001)。对于肿块型病变，ADC值≤1.081×10-3mm2/s鉴别良恶性病变的PPV为89.74%；而对于非肿块型病变，ADC值对鉴别良恶性无统计学意义，可能与非肿块型病变常与正常乳腺组织混合、ADC值测量时ROI难以完全避开正常乳腺组织相关[11]。

Logistic回归分析中，边缘、内部强化及ADC值为鉴别肿块型良恶性病变的重要指标，以此为变量建立Logistic回归模型预测BI-RADS 4类病变的ROC曲线的AUC为0.981，具有较高诊断效能；而非肿块型病变相关的描述术语模型拟合度不佳，各变量均未达到显著性水平，如何鉴别诊断该类良恶性病变需要进一步研究。

图1 患者女，45岁，右侧乳腺纤维腺瘤 A.增强T1WI示肿块呈圆形，边缘不规则，内部强化均匀； B.时间-信号强度曲线呈平台型； C.DWI图像示肿块扩散受限； D.ADC图测量ADC值为1.520×10-3 mm2/s 图2 患者女，42岁，右侧乳腺浸润性筛状癌 A.增强T1WI示肿块呈圆形，边缘不规则，环状强化； B.时间-信号强度曲线呈平台型； C.DWI图像示肿块扩散受限； D.ADC图测量ADC值为 0.894×10-3 mm2/s

图3 肿块型病变Logistic回归模型预测良恶性乳腺病变的ROC曲线

本研究的局限性：①非肿块型病变的样本量相对较小；②为回顾性分析，仅将标准扫描流程中的半定量曲线分析纳入，而未能探讨定量参数Ktrans、Kep等的诊断效能，将在今后的前瞻性研究中予以补充；③影像学中的形态学特征为主观描述特征，读片过程中可能出现偏倚。

综上所述，对于乳腺BI-RADS 4类肿块型病变，影像学特征中的边缘、内部强化及ADC值是鉴别其良恶性的重要指标，基于以上因素建立的Logistic回归预测模型对良恶性肿块型病变的诊断效能良好。