基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

梁翠珊，崔运能，杨伟超，贺红艳，何永财，张大伟

(佛山市妇幼保健院放射科，广东 佛山 528000)

乳腺癌是女性最常见的恶性肿瘤之一，其发生率逐年上升[1]。研究[2]表明人表皮生长因子受体2(human epidermal growth factor receptor 2， HER2)在乳腺癌分子分型、预测靶向治疗疗效及预后中有重要价值，早期检测乳腺癌HER2表达状态对个性化治疗乳腺癌至关重要。目前HER2表达水平主要通过活组织标本免疫组织化学检测，为有创检查，且肿瘤的异质性可能导致误诊。随着影像学技术的发展，MRI已成为乳腺癌的常用检查方法[3-4]，但传统MR技术主要依靠个人视觉和主观经验判断，难以评估HER2的表达状态。影像组学通过高通量提取基于形状、强度、大小或体积等丰富的定量图像特征，将数字医学图像转换为可挖掘数据[5]，能有效剔除因主观因素造成的误差，近年来已有学者利用影像组学研究乳腺癌分子标志物的表达[6]。本研究探讨基于T2WI的影像组学标签术前预测乳腺癌HER2表达状态的价值。

1 资料与方法

1.1 一般资料 收集2012年2月—2017年2月经我院病理证实的209例肿块型浸润性乳腺癌患者，均为女性，年龄23～81岁，平均(51.2±11.1)岁。纳入标准：①经手术切除且病理证实的浸润性乳腺癌；②T2WI可显示乳腺癌病灶；③接受免疫组织化学检查，获得HER2表达结果。排除标准：①图像伪影多，影响观察病灶；②MR检查前接受组织穿刺活检或新辅助化疗。将患者随机分为训练组(n=145)和验证组(n=64)。

1.2 HER2评定标准 根据美国临床肿瘤学会/美国病理学家学院(American Society of Clinical Oncology/College of American Pathologists， ASCO/CAP)临床实践指南，HER2蛋白表达的标准如下：免疫组织化学染色阴性或(+)为HER2表达阴性；免疫组织化学染色(++)为HER2表达不确定；免疫组织化学染色(+++)为HER2表达阳性。对HER2表达不确定的标本以原位杂交法作进一步检测，最终确定其为HER2表达阳性或阴性[7]。

1.3 仪器与方法 采用GE Brivo MR355 1.5T MR扫描仪和4通道相控阵乳腺线圈。扫描时嘱患者俯卧，将双侧乳腺置于线圈中央。采集轴位脂肪抑制STIR T2WI，TR 5 813 ms，TE 42 ms，FOV 340 mm×340 mm，矩阵320×192，层厚3 mm，层间距1 mm。

1.4 图像处理

1.4.1 ROI勾画 采用GE AW4.6工作站，在T2WI中选取病灶的最大层面，由1名有6年乳腺MRI诊断经验的放射科医师沿病灶的轮廓手动勾画ROI(图1)。随机抽取30例患者，由另1名有7年乳腺MRI诊断经验的放射科医师重新勾画ROI，以评估测量者间的一致性。

1.4.2 影像组学特征提取 于Matlab 2013a平台，采用最小-最大标准化方法标准化T2WI，将所有像素强度值转换为[1,100]的整数强度值，然后提取包含一阶统计量、形态学特征、纹理特征、拉普拉斯高斯滤波器及小波特征的影像组学特征，共计16 101个[8]。

1.4.3 影像组学特征选择 应用组间相关系数(interclass correlation coefficient， ICC)计算所提取影像组学特征的测量者间一致性。ICC>0.75表示一致性良好，选择ICC>0.75的特征进行下一步分析。通过计算训练组各特征间的相关系数去除特征的冗余性，当两个特征之间相关系数绝对值>0.9时，则随机去除其中1个特征。

1.5 统计学分析 采用SPSS 22.0统计分析软件。符合正态分布的计量资料以±s表示，以独立样本t检验比较训练组与验证组间年龄的差异。不符合正态分布的计量资料以中位数(上下四分位数)表示，以Mann-WhitneyU检验比较HER2阳性与HER2阴性患者间影像组学得分的差异。以χ2检验比较训练组与验证组之间的HER2表达状态的差异。采用R软件3.0.1版(http://www.r-project.org)中的glmnet 软件包进行LASSO逻辑回归分析；使用pROC软件包绘制ROC曲线。运用ROC曲线评估基于T2WI的影像组学标签预测HER2表达状态的效能，计算AUC、准确率、敏感度、特异度、阳性预测值(positive predictive value, PPV)和阴性预测值(negative predictive value, NPV)，并将训练组中鉴别HER2表达状态的阈值用于验证组，进一步验证训练组的结果。P<0.05为差异有统计学意义。

图1 乳腺癌ROI勾画示意图 A.T2WI示左乳外上象限浅分叶状肿块，呈不均匀稍高信号； B.沿肿块边缘勾画ROI 图2 以LASSO逻辑回归模型筛选影像组学特征 A.LASSO模型中调节参数(λ)的选择； B.749个影像组学特征在模型中的系数，垂直线表示经过十倍交叉验证后所选的log(λ)值，最终选出13个系数非零特征 框上的数字表示系数不为0的特征数量 图3 训练组和验证组中基于T2WI的影像组学标签鉴别HER2表达状态的ROC曲线 A.训练组； B.验证组

2 结果

2.1 临床病理特征 训练组平均年龄为(51.2±10.3)岁，验证组(51.3±12.8)岁，差异无统计学意义(t=-0.091，P=0.928)。根据免疫组织化学结果，训练组中HER2表达阳性72例(72/145，49.66%，HER2阳性亚组)，阴性73例(73/145，50.34%，HER2阴性亚组)；验证组中HER2表达阳性32例(32/64，50.00%，HER2阳性亚组)，阴性32例(32/64，50.00%，HER2阴性亚组)；2组间HER2阳性表达率差异无统计学意义(χ2=0.002，P=0.963)。

2.2 影像组学特征选择和标签构建 提取标化后的T2WI特征共16 101个，选出ICC>0.75的特征8 272个；经过高相关性特征去除冗余，最终选出749个特征。以LASSO逻辑回归模型(图2)筛选出13个特征，对所选特征进行系数加权，构成影像组学标签(如下式)，并计算每例患者的组学得分。

影像组学得分=-0.033-0.051×L_G_2.5_LAHGLE+0.00003×db2_3_kurtosis-0.026×db3_1_C_variance-0.163×db6_2_mean-0.013×db6_3_max-0.125×db10_3_correlation-0.104×coif2_4_clu_ten-0.014×bior1.5_4_C_variance+0.033×bior1.5_4_LRE+0.025×bior2.4_3_LDHGLE-0.167×rbio1.3_2_mean-0.125×rbio1.3_3_median+0.045×rbio3.3_1_IMC1

2.3 影像组学标签的预测效能 训练组中，HER2阳性亚组和阴性亚组的影像组学得分分别为0.315(0.088，0.457)和-0.228(-0.560，0.152)，差异有统计学意义(Z=-6.189，P<0.001)；验证组中，HER2阳性亚组与阴性亚组间影像组学得分分别为0.255(-0.126，0.520)和-0.167(-0.655，0.233)，差异有统计学意义(Z=-2.847，P=0.004)。

ROC曲线结果显示基于T2WI的影像组学得分在训练组中预测HER2表达的AUC为0.798(P<0.001)，95%CI(0.726，0.870)，阈值为0.058，敏感度0.792，特异度0.699，准确率0.745，PPV 0.722，NPV 0.773。将基于T2WI的影像组学得分阈值0.058用于验证组，预测HER2表达的AUC为0.707(P=0.004)，95%CI(0.579，0.836)，敏感度0.688，特异度0.656，准确率0.672，PPV 0.667，NPV 0.677(图3)。

3 讨论

本研究结果表明，基于T2WI的影像组学标签术前可预测乳腺癌HER2的表达状态。本研究通过计算ICC选出一致性良好的影像组学特征，并运用各特征间的相关系数去除特征的冗余性，再以LASSO逻辑回归模型筛选特征，最终选出13个特征构建影像组学标签。训练组中，基于T2WI的影像组学标签预测HER2表达状态的敏感度为0.792，特异度为0.699，准确率为0.745；在验证组中，基于T2WI的影像组学标签同样可较好地预测HER2的表达状态。

目前检测HER2表达状态的方法为活检后行免疫组织化学检查，有创且穿刺区域有限，难以全面反映肿瘤内部的异质性。影像学方法无创、简便，已成为乳腺癌的重要检查手段。一项关于乳腺癌HER2过度表达与乳腺癌影像学特征相关性的Meta分析[9]结果显示，微钙化、乳腺高密度背景、病灶周围皮肤增厚等特征与HER2过表达相关；但该研究仅探究了与HER2过表达相关的影像学特征，并未深入探讨影像学特征鉴别HER2表达状态的效能，并且传统影像学诊断主要依靠主观经验判断，可重复性较差。随着计算机软件技术的不断发展，定量化影像学特征分析在临床的应用逐渐增多。Chang等[10]的研究显示，动态增强图像纹理特征量化分析肿块的异质性可用于鉴别HER2表达状态，准确率达82.35%，提示定量化纹理特征分析对HER2表达状态的鉴别具有重要潜在价值。

与既往仅着重于单个或一类的纹理特征分析不同，本研究通过ICC、特征相关系数及LASSO逻辑回归分析，对有价值的单变量特征进行筛选组合，旨在构建更具诊断价值的影像组学标签。Li等[11]报道，影像组学标签是鉴别雌激素受体(estrogen receptor, ER)阳性与ER阴性侵袭性乳腺癌分子亚型的重要预测因子，其AUC为0.89。本研究训练组中基于T2WI的影像组学标签鉴别HER2表达状态的AUC为0.798，将其阈值0.058用于验证组，获得AUC为0.707，在2组中的预测效能相当，提示基于T2WI的影像组学标签有望用于无创预测HER2表达状态。本研究AUC较Li等[11]的AUC稍低，但后者并未进行分组，未使用验证组进行验证，可能会导致结果过度拟合。

鉴于动态对比增强MRI的采集参数和时相各异，而DWI中的b值差异亦较大，难以在不同研究中保持一致，导致结果缺乏可比性，本研究亦未选择基于动态对比增强及DWI序列进行研究，而是采用基于常规T2WI的影像组学标签预测HER2的表达状态。T2WI具有信号强度与潜在形态直接相关的优点，且可在不使用对比剂的情况下提供有用的信息[12]。此外，在不同分子亚型的乳腺癌中，三阴性乳腺癌更具侵袭性，其瘤灶在T2WI中也表现出更高的信号强度，提示T2WI信号可能与肿瘤侵袭性有关[13]。同时有研究[14]表明，HER2表达阳性细胞表现出更强的侵袭性，恶性程度更高，提示基于T2WI的影像组学标签预测乳腺癌HER2表达状态具有潜在可行性。

本研究的主要局限性：①基于单层MRI提取影像组学特征，而三维图像分析或可提供更多的重要鉴别信息，然而也有学者指出2D和3D特征均具有一定预测能力，但2D特征效能更好且易于实现[15]，需进一步研究；②仅基于T2WI，今后将探究其他序列如动态对比增强序列及DWI等预测乳腺癌HER2表达状态的价值。

总之，本研究表明基于T2WI的影像组学标签能较好地预测乳腺癌HER2的表达状态，有望成为术前预测乳腺癌HER2表达状态的辅助方法。