基于临床信息的logistic回归模型在乳腺影像报告和数据系统4类中对病灶良恶性的鉴别价值

南方医科大学南方医院放射科，广东 广州 510515

乳腺癌已成为全球女性死亡的主要疾病之一，其发病率呈逐年上升的趋势［1-2］。在中国，乳腺癌高居女性恶性肿瘤发病率之首，严重影响其身心健康［3］。因此，早发现、早诊断、早治疗，有利于提高乳腺癌的治愈率，降低死亡率。乳腺X线摄影作为主要的筛查手段，在早期诊断中发挥着重要作用［4］。为了更好地指导临床，方便临床医师对乳腺病灶进行综合性评估，美国放射学会（American College of Radiology，ACR）提出乳腺影像报告和数据系统（Breast Imaging Reporting and Data System，BI-RADS）的X线分类标准［5］。尽管这种分类已广泛用于影像学诊断评估，但在临床研究中发现仍然存在大量的良性活检［6］。本研究通过回顾性分析，构建基于临床信息的logistic回归模型并联合BIRADS分类鉴别乳腺病灶良恶性，以提高诊断效能，减少不必要的良性活检。

1 资料和方法

1.1 一般资料

本研究通过了南方医科大学南方医院伦理委员会的批准，所有受检者均签署知情同意书。回顾并收集2018年7月—2019年12月于南方医科大学南方医院行乳腺X线摄影，检查报告BI-RADS分类为4类（包括4A、4B、4C）且经病理学检查证实的女性患者共221例，其中良性133例，恶性88例。所有患者均有完整的临床信息。

1.2 仪器及方法

采用美国Hologic公司的Selenia Dimensions乳腺X线机，所有患者均行头尾位和内外斜位检查。在进行检查前，患者需填写个人信息，包括年龄、初潮年龄、结婚年龄、生育第一胎年龄、是否绝经、哺乳史、生育史、家族史。操作技师填写触诊信息，包括是否触及病灶、病灶是否固定、病灶最大径是否＞2 cm等。

1.3 统计学处理

采用SPSS 20.0统计分析软件，对患者年龄、初潮年龄、结婚年龄、生育第一胎年龄等4个临床信息特征行独立样本t检验，对其余7个临床信息特征行χ2检验。采用logistic回归分析检验不同特征与乳腺病灶良恶性之间的关联，筛选有统计学意义的临床信息；入选的临床信息根据比值比（odds ratio，OR），建立乳腺病灶良恶性评分模型，并根据模型的临界值调整BI-RADS分类。具体调整方案：① BI-RADS 4A类病灶，评分＜临界值时BI-RADS分类保持不变；评分＞临界值时调整为BI-RADS 4B；② BI-RADS 4B类病灶，评分＜临界值时调整为BI-RADS 4A；评分＞临界值时调整为BI-RADS 4C；③ BI-RADS 4C类病灶，评分＜临界值时调整为BI-RADS 4B；评分＞临界值时保持不变。采用受试者工作特征（receiver operating characteristic，ROC）曲线评价BI-RADS联合评分模型及单独采用BI-RADS对乳腺病灶良恶性的诊断效能。P＜0.05为差异有统计学意义。

2 结 果

2.1 病理学检查结果

221个乳腺病灶中，良性病灶133个，包括乳腺纤维腺瘤40个，乳腺腺病32个，纤维囊性病27个，导管内乳头状瘤16个，炎性反应肿块8个，增生性病变5个，囊肿2个，隆突性皮肤纤维肉瘤1个，管状腺瘤1个，良性分叶状肿瘤1个；恶性病灶88个，包括导管内癌71个，浸润性癌（含小叶及导管成分）14个，乳头状癌2个，肌上皮癌1个。

2.2 临床信息比较

除初潮年龄外，恶性病灶的患者年龄、结婚年龄、生育第一胎年龄均显著高于良性病灶的患者（P＜0.05）。经χ2检验，是否触及病灶、病灶最大径是否＞2 cm、病灶是否固定等3个特征差异有统计学意义（表1）。

表1 患者临床信息特征分析

2.3 logistic回归分析

以经过病理学确诊的乳腺病灶作为因变量（恶性病灶Y=1，良性病灶Y=0），经logistic单变量分析，发现9个临床信息特征差异有统计学意义。其中是否触及病灶（OR=7.196，P＜0.001）、病灶最大径是否＞2 cm（OR=4.208，P＜0.001）、病灶是否固定（OR=10.15，P＜0.001），这3个特征有较高的危险度，2个临床信息特征差异无统计学意义（P＞0.05，表2）。将9个差异有统计学意义的临床信息特征进行二元logistic回归分析（表3），并建立评分模型。计算公式：Z=0.037×患者年龄+0.303×是否绝经+0.092×结婚年龄-0.006×生育第一胎年龄+0.481×哺乳史-0.591×生育史+0.141×是否触及病灶+0.743×病灶最大径是否＞2 cm+1.949×病灶是否固定-4.756。

表2 单变量logistic回归分析结果

2.4 单独采用BI-RADS分类与BI-RADS分类联合评分模型的诊断效能比较

以病理学诊断结果为金标准，BI-RADS 4A判断为良性，BI-RADS 4B、4C判断为恶性。对221例患者单独采用BI-RADS分类诊断，其诊断乳腺病灶的灵敏度为86.3%、特异度为69.9%、准确率为76.5%，曲线下面积（area under curve，AUC）为0.781；采用BI-RADS分类联合评分模型的灵敏度为88.6%、特异度为75.2%、准确率为80.5%，AUC为0.827（图1）。图2A和图3A为拍摄的患者患侧头尾位及内外斜位图像，通过调整BI-RADS分类，使得其BI-RADS分类与病理学检查结果（图2B、图3B）一致。

表3 二元logistic回归分析的结果

图1 BI-RADS分类与BI-RADS分类联合模型诊断乳腺良恶性病灶的ROC曲线

图2 典型病例1（女性，54岁）的影像学和病理学表现

图3 典型病例2（女性，62岁）的影像学和病理学表现

3 讨 论

BI-RADS分类标准已广泛应用于临床，使乳腺X线摄影报告更加规范，指导临床医师更加准确地对乳腺病灶做出处理，同时对乳腺随访检查起到重要作用。然而，单独应用BI-RADS分类诊断病灶的良恶性会有一定的误判，特别是对于4类病灶［7-8］。为避免不必要的活检，本研究将BI-RADS分类联合基于患者临床信息的logistic回归模型，用于提高鉴别乳腺病灶良恶性的诊断效能。

经logistic回归分析，是否触及病灶、病灶是否固定及病灶最大径是否＞2 cm这3个临床特征有较高的危险度。Mazouni等［9］的研究发现，是否触及肿块这个特征的危险度要高于年龄、是否绝经、病灶大小等特征，这与本研究结果一致。另外病灶是否固定的危险度最高，无论是单变量logistic回归分析，还是二元logistic回归分析，表明恶性病灶的触诊位置相对固定，而良性病灶的触诊位置多可移动。目前，仍没有文献对这一特征的风险性进行报道，在未来有望作为乳腺癌的高风险因子以及良恶性的鉴别特征。特征病灶最大径是否＞2 cm也存在一定的危险度，表明恶性病灶的最大径要大于良性病灶。

研究表明，患者年龄可作为一个危险因子，随着年龄增高，乳腺癌患病风险逐渐增高［10］。Zheng等［11］把年龄作为特征用于区分乳腺癌患者与正常人，通过ROC曲线得到AUC为0.633，证明年龄具有一定的区分效果。在本研究中，恶性患者的年龄要显著高于良性患者，且在logistic回归分析中，患者年龄具有风险性。Ahern等［12］的研究证实，有家族史的患者其乳腺癌患病风险要高于无家族史的患者。而在本研究中，家族史在良恶性患者中没有风险性，可能与恶性病灶的数据量偏少有关。

根据患者的临床信息特征，我们建立了logistic评分模型，联合BI-RADS分类结果，重新对BI-RADS 4类的病灶进行调整，结果表明，BIRADS联合评分模型较单独应用BI-RADS诊断乳腺病灶的准确率更高。在临床工作中，单独应用BI-RADS分类的灵敏度要高于特异度，说明医师对恶性病灶的判断准确率较高，而在良性病灶上，所给出的BI-RADS分类可能偏高，因此增加了良性活检的次数。而加入本研究所提出的logistic评分模型之后，将7个定义BI-RADS 4B的良性病灶降低为BI-RADS 4A，最后归纳为良性，提高了特异度，有助于降低后续不必要的良性活检。

本研究仍存在不足之处：① logistic回归模型需进一步扩大训练样本量；② 恶性与良性患者的数量比例有待提高。

总之，构建基于临床信息的logistic回归模型并联合BI-RADS分类鉴别乳腺病灶良恶性，有利于提高诊断准确率，减少不必要的良性活检。