基于药代动力学动态增强磁共振的影像组学特征对三阴型乳腺癌诊断价值的研究

王春华，罗红兵，刘圆圆，陈晓煜，青浩渺，王闽，张鑫，许国辉，任静，周鹏*

在精准医学时代背景下，乳腺癌的分子分型对治疗方案的选择及患者的预后判断有重大意义，目前临床已经常规地根据不同乳腺癌分子分型，对乳腺癌患者进行更个性化、精准化治疗。三阴(triple negative，TN)型乳腺癌具有侵袭性高、恶性程度高、预后差的特点［1-2］，因此临床实践中能够无创且准确地鉴别TN 型与非TN 型乳腺癌，对于临床个性化治疗起着至关重要的作用。基于药代动力学的动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI)不仅可以检测肿瘤的强化特征，还可以通过药物动力学模型获得定量参数：容量转移常数(volume transfer constant，Ktrans)、速率常数(rate constant，Kep)、血浆分数(volume fraction of plasma，Vp)等。此外，还可以利用影像组学对全肿瘤药代动力学参数进行直方图分析［3-4］，并对增强图像进行直方图、形态、纹理分析［5-7］。本研究将探索基于DCE-MRI 的全肿瘤影像组学特征对三阴型乳腺癌的诊断价值，探讨通过无创、可重复的DCE-MRI 影像学方法鉴别TN 型和非TN 型乳腺癌的可能性和可行性。

1 材料与方法

1.1 临床资料

本回顾性研究收集四川省肿瘤医院2015 年6 月至2018 年3 月治疗前接受DCE-MRI 检查的浸润性乳腺癌患者，共纳入85 例女性患者，平均年龄48 岁(27～71 岁)。其中Luminal 型乳腺癌39 例，人表皮生长因子受体2(human epidermal growth factor receptor，HER-2)过表达型乳腺癌16 例，TN 型乳腺癌30 例。本研究通过四川省肿瘤医院伦理委员会审核批准(审批号：SCCHEC2015029)，免除患者知情同意。

肿瘤细胞核至少1%呈现染色时判定为雌激素受体(estrogen receptor，ER)或孕激素受体(progesterone receptor，PR)阳性，HER-2表达为+++时判定为HER-2 阳性，-或+时判定为HER-2 阴性，++时需用荧光原位杂交法进行验证［5］。ER、PR、HER-2 均为阴性者为TN 型，ER、PR 阴性而HER-2 阳性者为HER-2 过表达型，ER 阳性者为Luminal型［6］。

1.2 MRI扫描技术

所有DCE扫描均在3.0 T磁共振(Skyra，Siemens，Germany)进行，采用16 通道双侧乳腺专用相控线圈。患者取俯卧位，头先进，扫描范围包括双侧乳腺组织及腋窝。 增强前T1 mapping 扫描采用CAIPIRINHA-Dixon-TWIST-VIBE (CDT-VIBE)序列，参数：TR 5.64 ms，TE 2.46/3.69 ms，FOV 360 mm×360 mm，矩阵224×179，层厚2.5 mm，翻转角度2°/15°，总采集时间58 s。注射对比剂欧乃影(0.1 mmol/kg；GE Healthcare，Ireland)后进行DCE 扫描，采用相同序列，参数：TR 5.64 ms，TE 2.46 ms，FOV 360 mm×360 mm，矩阵224×179，无间隔，翻转角10°。共扫描26 期，总采集时间5 min 12 s。对比剂流率2.5 mL/s，完毕后追加15～20 mL生理盐水。

1.3 全肿瘤影像组学分析

1.3.1 肿瘤分割

将T1 mapping 和DCE 原 始DICOM 图 像 导 入Omni-Kinetics 软件(GE Healthcare，Ireland)，选择肿瘤与乳腺背景对比度最强的期相，逐层手动勾画肿瘤边界，得到3D感兴趣区(volume of interest，VOI)。

1.3.2 特征提取

首先生成全肿瘤药代动力学量化参数的直方图特征，共22 个，包括Ktrans、Kep、Vp的最大值、平均值、中位数等。然后提取全肿瘤增强图像的特征，共75个，包括：27个直方图特征，如最大值、偏度、峰度等；9个形态学特征，如体积、表面积、紧致性等；39 个纹理特征：13 个共生矩阵特征，如熵、惯性、逆差矩等；10 个Haralick 特征，该特征基于共生矩阵而产生，具有方向不变性；16 个游程矩阵特征，如短行程优势、长行程优势、灰度不均匀性等。

1.3.3 特征筛选

在R语言使用Spearman相关分析系数，对于相关系数大于0.8的特征，剔除与标签相关性较小的特征。然后用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)进行最优特征筛选。

1.3.4 模型建立及统计分析

以TN型、Luminal型、HER-2过表达型、非TN型为标签，利用Logistic 分析方法建立TN 型与Luminal型、HER-2 过表达型、非TN 型之间的预测模型，使用5 折交叉验证法检验模型预测性能。绘制各模型对应的ROC 曲线，计算AUC，并获得敏感度、特异度和准确度(整体流程见图1、2)。P＜0.05(双尾)表示差异有统计学意义。该研究统计分析通过R 语言(3.5.1)与python(3.5.6)实现。

2 结果

2.1 TN型与Luminal型乳腺癌预测模型

TN 型和Luminal 型分类模型共筛选6 个最优特征，包括2 个药代动力学参数、1 个共生矩阵特征、1 个Haralick 特征、2 个游程矩阵特征(表1)。鉴别诊断的敏感度、特异度、准确度和AUC 为0.821、0.733、0.783、0.865(表2)。

2.2 TN型与HER-2过表达型乳腺癌预测模型

TN 型和HER-2 过表达型分类模型共选取14 个最优特征：7 个药代动力学相关参数、1 个直方图特征、3 个共生矩阵特征、2 个Haralick 特征、1 个形态特征(表1)。获得预测敏感度、特异度、准确度和AUC 为0.750、0.933、0.870、0.923(表2)。

2.3 TN型与非TN型乳腺癌预测模型

TN 型和非TN 型分类模型共选取17 个最优特征，包括6 个药代动力学相关参数、3 个直方图特征、3 个共生矩阵特征、3 个Haralick 特征、1 个游程矩阵特征、1 个形态特征(表1)。获得预测敏感度、特异度、准确度和AUC 为0.891、0.767、0.847、0.913(表2)。

图2 最小绝对收缩和选择算子路径Fig.2 Least absolute shrinkage and selection operator(LASSO)pathway

表1 最优特征Tab.1 Optimal features

表2 各预测模型的鉴别效能Tab.2 Prediction performance of different models

3 讨论

3.1 主要研究结果

本研究对药代动力学参数和增强图像进行影像组学分析，获得全面的影像组学特征，并进行乳腺癌TN 型与其他分子分型的建模预测，取得了良好的效能：TN 型与Luminal 型模型的AUC 为0.865，TN 型与HER-2 过表达型AUC 为0.923，TN 型与非TN 型模型的AUC的模型为0.913。

3.2 TN型乳腺癌

TN 型乳腺癌是指ER 和PR 均为阴性，且HER-2 也阴性表达的一种特殊分子类型的乳腺癌，占所有分子分型的10%～20%，这种类型的乳腺癌常常发生在年轻人，肿瘤常较大且容易出现早期淋巴结转移，其治疗后局部复发或远处转移的几率更高，是乳腺癌中预后最差的一种分子类型［7-8］。因而对乳腺癌进行分子分型，利用非入侵手段诊断TN 型乳腺癌具有重要的临床价值。TN型乳腺癌MRI常表现为边缘光滑、环形强化、血流动力学呈持续型的肿块，环形强化与复发相关［9-10］。DCE-MRI 不仅可以呈现肿瘤的强化特征，还可以通过计算得到肿瘤药代动力学参数。Ktrans代表对比剂从血管扩散到细胞外间隙的速率，Kep表征对比剂从细胞外间隙扩散到血管的速率，Vp表示血管内对比剂占整个体素的容积分数。既往研究发现TN 型乳腺癌患者Ktrans、Kep显著高于非TN 患者，提示TN型乳腺癌新生血管丰富，血管通透性大［11-12］。

3.3 影像组学分析对TN型乳腺癌的诊断价值

传统影像分析手段对影像图像的利用有限，影像组学分析可以挖掘更多信息。直方图分析作为影像组学的一种方法，可以提供更多统计学指标。学者们利用直方图分析药代动力学参数，比较乳腺良恶性病变，发现乳腺恶性病变Ktrans、Kep直方图特征比良性高［3，13］。Xie 等［14］利用ADC 定量图及DCE 相关半定量图进行直方图分析，经单因素分析发现TN 型与Luminal A 型、HER-2 过表达型、非TN 型比较，ADC 及流入、流出相关参数有差异，AUC 为0.683～0.763。Nagasaka 等［4］发现TN 型乳腺癌血管外细胞外间隙容积分数的变异系数比Luminal 型高。本研究3 组预测模型所筛选的重要特征均包含药代动力学参数，TN-Luminal 模 型 筛 选 出Ktrans、Vp相 关 特 征，TN-HER-2 过表达模型筛选出Ktrans、Kep、Vp相关特征，TN-非TN 模型也筛选出Ktrans、Kep、Vp相关特征，AUC 为0.865～0.913，表明药代动力学参数在TN 型乳腺癌中的诊断价值，结合增强图像的影像组学特征，可以提高鉴别性能。

除了直方图分析，影像组学还可以对增强图像进行形态、纹理等分析，挖掘大量肉眼不可见的定量信息，表现肿瘤的异质性，为临床的治疗与随访提供客观的影像学依据，进而实现精准化医疗［15-18］。影像组学源自计算机辅助诊断(computer-aided diagnosis，CAD)，Agner 等［19］利用CAD 系统来鉴别TN型乳腺癌、ER 阳性乳腺癌、HER-2 阳性乳腺癌以及纤维腺瘤，发现对于TN 与非TN 乳腺癌的鉴别，静态纹理特征和通过不同时间点计算得到的动力纹理特征最重要，AUC为0.74。影像组学特征预测乳腺癌分子分型逐渐成为医学界的研究热点，研究常见的感兴趣区包括肿瘤最大层面和全肿瘤。吴佩琪等［20］利用肿瘤最大层面的影像组学特征鉴别TN 和非TN 的AUC为0.941，准确度为0.753。Leithner等［21］提取肿瘤最大层面影像组学特征，发现鉴别TN型与Luminal B型的准确度为0.839。王世健等［22］经影像组学分析发现全肿瘤与背景的动态增强特征与TN 型乳腺癌相关。Wang 等［23］发现全肿瘤DCE 影像组学特征鉴别TN与非TN 的AUC 为0.782。本研究勾画肿瘤整体，以反映其完整的特征，联合药代动力学直方图特征以及增强图像的直方图、形态、纹理特征，发现17 个影像组学特征对鉴别TN 型与非TN 型乳腺癌十分重要，AUC高达0.913。肿瘤勾画范围的不同可能是研究结果不完全一致的原因之一。此外，增强时相的选择、分子分型模型的不同也应考虑其中。

本研究TN-非TN 模型筛选的最优特征对药代动力学参数、直方图特征、共生矩阵特征、Haralick 特征、游程矩阵特征及形态特征均有涉及。直方图分析可以统计药代动力学参数及增强图像的整体灰度分布特性。形态中的Sphericity特征作为筛选的特征之一，丰富了传统影像只能通过二维形态来鉴别TN型与非TN型的局限［9］。共生矩阵与Haralick特征可以反映不同步长、方向的像素出现的概率，以及像素之间的关系，从而体现肿瘤的异质性。游程矩阵可以反映长度矩阵的分布，体现病灶的复杂性、层级关系、纹理粗细的不同。笔者发现共生矩阵、Haralick的correlation、entropy、ClusterProminence 等反映了病灶体素之间的相关、差异及聚集状态，表明不同分子分型病灶异质性的不同。最优特征的集合体现了肿瘤的形状和丰富的异质性对诊断TN型乳腺癌的重要意义。本研究病例均从一个中心获得，而且纳入样本量不够大。因此，进一步开展多中心大样本的研究是十分必要的。

总之，基于DCE-MRI筛选联合药代动力学及增强图像的重要影像组学特征，在预测乳腺癌TN 型和非TN 型模型中取得良好的效能，表明基于药代动力学DCE-MRI 的影像组学特征对TN 型乳腺癌具有良好的诊断价值，可为临床的精准治疗和预后判断提供一定参考。

作者利益冲突声明：全体作者均声明无利益冲突。