动态增强MRI瘤内与瘤周影像组学特征对三阴性乳腺癌的诊断价值研究
2021-09-19陆欢葛敏王世威
陆欢 葛敏 王世威
乳腺癌是女性发病率最高的肿瘤之一[1]。三阴性乳腺癌(triple-negative breast cancer,TNBC)是指雌激素受体(estrogen receptor,ER)、孕激素受体(progesterone receptor,PR)及人表皮生长因子受体2(human epidermal growth factor receptor 2,HER-2)表达均为阴性的乳腺癌亚型[2]。TNBC占所有乳腺癌的10%~20%,与早期复发和较差的生存率有关[3]。利用影像诊断鉴别TNBC,灵敏度不高,发现可疑病变并建议活检时,其阳性检测率有限[4-5]。而近几年,影像组学研究在肿瘤学领域取得了极大的进展,也被积极地应用于乳腺成像[6]。本研究旨在探讨乳腺动态增强磁共振(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)瘤内与瘤周影像组学特征,以鉴别TNBC与非TNBC(non-TNBC),现报道如下。
1 对象和方法
1.1 对象 选取2012年12月至2017年5月在浙江中医药大学附属第一医院接受治疗的乳腺癌患者143例。纳入标准:(1)患者为≥18岁的成年女性;(2)具有完整的临床、病理与影像资料;(3)无其他部位原发肿瘤。排除标准:(1)MRI检查前接受过任何术前活检、手术或新辅助化疗等治疗;(2)合并其他系统严重疾病;(2)有MRI检查禁忌证。其中TNBC患者23例,年龄31~72(54.5±9.65)岁;non-TNBC 患者 120 例,年龄 31~83(53.2±11.38)岁。两组患者年龄比较无统计学意义(P>0.05)。本研究经医院医学伦理委员会批准。
1.2 MRI检查方法 患者术前均接受乳腺MRI检查。使用3.0 T高场强超导型德国西门子MRI扫描仪,16通道乳腺专用相控阵线圈。患者取俯卧位,双侧乳房自然悬垂于线圈的双孔内,头先进。采用如下序列扫描:(1)常规3D定位序列。(2)快速反转恢复序列:重复时间(repetition time,TR)4 000.00 ms,回波时间(echo time,TE)70.00 ms,反转时间(inversion time,TI)230.00 ms,层厚 4 mm,FOV 34 cm×34 cm,采集矩阵 448×448,激励次数2,均行横断面扫描。(3)扩散加权成像(diffusion weighted imaging,DWI)序列:采用单次激发平面回波序列进行横断面扫描,具体参数为:TR 8 400 ms,TE 84 ms,层厚 4.0 mm,FOV 260 mm×221 mm,采集矩阵 90×220,激励次数2,b值选择0、400和1 000 s/mm2,扫描结束后自动重建出表观扩散系数(apparent diffusion coefficient,ADC)图。(4)DCE-MRI扫描:行抑脂相轴位快速小角度激发三维动态成像T1WI序列,TR 4.5 ms,TE 1.6 ms,反转角 12°,FOV 340 mm×340 mm,层厚 1.0 mm,无间距扫描,采集矩阵448×448,激励次数1,单次扫描时间为60 s,注入对比剂后连续扫描5次,共连续重复扫描6个时相。对比剂采用钆喷酸葡胺注射液(gadolinium diethylene-triamine pentoacetic acid,Gd-DTPA)(北京北陆药业股份有限公司),通过肘静脉使用双筒高压注射器以0.1 mmol/kg的剂量,以2 ml/s的速率注入,注射完毕后追加推注10 ml 0.9%氯化钠注射液。
1.3 组织病理学诊断分析 所有患者均进行乳腺肿瘤切除术,术后病理标本均进行免疫组织化学检测,包括ER、PR、HER-2和Ki-67。 免疫组化染色采用 SP法,整个实验过程严格按照试剂盒说明书逐一进行,结果的判定通过病理科专业医师进行读片,确定乳腺癌免疫组织标志物的染色情况,从而得出ER、PR、HER-2的表达结果。ER及PR的判定标准均为标本中有>1%的肿瘤细胞核着色视为阳性。HER-2表达情况为(+++)时认定为阳性,(++)时需进一步做荧光原位杂交(fluorescence in situ hybridization,FISH)检测判断阴阳性,表达情况为(-)或(+)都判定为阴性。ER、PR、HER-2以及Ki-67可作为判断分子分型的依据。ER和/或PR阳性,HER-2阴性为管腔上皮A型(Luminal A型)。ER和/或PR阳性,HER-2阳性为管腔上皮B型(Luminal B型);ER和PR阴性,HER-2阳性为HER-2过表达型;ER、PR、HER-2阴性为基底细胞样型(Basal-like型,又称三阴性)。ER和/或PR为阳性,HER-2为阴性的样本中有部分因为Ki-67的高表达也判定为Luminal B型。
1.4 肿瘤分割与影像组学特征提取
1.4.1 图像选择 从影像归档和通信系统(picturearchiving and communication systems,PACS)中导出选定患者MRI图像,采用Spin软件显示序列名称。由具有10余年乳腺影像诊断经验的放射科医师对所有图像进行评阅,以DCE-MRI增强早期(增强第二期)横断面图像为基准,选出病灶最大层面的图像,明确动态各期图像在同一层面。
1.4.2 肿瘤及瘤周区域勾画 (1)利用3D Slicer软件进行病灶勾画,同时勾画出病灶区域外轮廓和边界框;(2)以DCE-MRI为基准,在动态增强T1WI第二期(组织强化接近最大值)上勾画感兴趣区域(region of interests,ROI);(3)选择病灶每个层面对肿块进行手动勾画,避开瘤内的囊变和坏死出血区,尽量包全病变实质部分,较清楚地勾画出理想区域;(4)瘤周区域选择瘤体向外扩5 mm进行自动勾画,然后手动调整确认勾画范围;(5)对于非肿块区域,边缘不清,则勾画明显增强的区域;(6)对具有多发性肿块的乳腺,只勾画最大的病灶。(7)所有勾画由2位乳腺疾病诊断医师完成,年资分别为10年以上、3年以上。
1.5 统计学处理将Analysis Kit(AK)分析软件中获取的影像组学特征运用3.3.2版本R软件进行处理。对影像组学特征数据进行预处理标准化。按照7:3的比例,随机分为训练集100个病例和验证集43个病例。运用mRMR算法及LASSO回归分析将上述获得的影像组学特征进行降维建模,并使用ROC曲线评估模型的预测能力,AUC为0.7~0.8代表具有一定的鉴别能力,AUC>0.8代表有非常好的鉴别能力。对模型性能进行Hosmer-Lemeshow(H-L)检验。P<0.05为差异有统计学意义。
2 结果
AK软件提取的影像组学特征共396个,首先运用mRMR去除冗余和不相关的特征,保留20个特征。然后进行LASSO回归分析,选择优化的6个特征构建最终的模型(图1-2)。
图1 瘤内加瘤周训练组影像组学特征经LASSO回归的降维图
图2 瘤内加瘤周训练组影像组学分数系数图
获得瘤内的影像组学分数公式一:Radscore=0.26×HaralickCorrelation_angle45_offset7+0.243×Correlation_angle90_offset4 +0.131 ×ShortRunEmphasis_AllDirection_offset7_SD+0.317×ShortRunEmphasis_angle45_offset1+0.08×ClusterShade_AllDirection_offset1_SD+0.009×LongRunHighGreyLevelEmphasis_AllDirection_offset4_SD+1.683。
获得瘤周的影像组学分数公式二:Radscore=-0.065×LongRunHighGreyLevelEmphasis_AllDirection_offset1_SDE5)+(-0.116×LongRunHighGreyLevelEmphasis_AllDire-ction_offset4_SDE5)+(-0.15×GLCMEntropy_angle135_offset4E5)+1.617。
获得瘤内加瘤周的影像组学分数公式三:Radscore=(-0.301×Inertia_AllDirection_offset1_SDP5)+0.024×Inertia_AllDirection_offset7_SDP5+(-0.103×ShortRun-HighGrey LevelEmphasis_AllDirection_offset1_SDP5)+(-0.228×GL CMEntropy_angle90_offset1P5)+0.313×ClusterProminence_angle0_offset7P5+0.109×ShortRunHighGreyLevel-Emphasis_AllDirection_offset7_SDP5+1.668。
ROC曲线显示,验证集中瘤内、瘤周、瘤内加瘤周的 AUC分别为 0.74、0.71、0.81;灵敏度分别为 0.83、0.67、0.83;特异度分别为 0.64、0.83、0.83,见表 1、图 3-4(插页)。H-L检验的结果也表明3个模型与实际结果有较好的一致性(P>0.05)。
表1 瘤内、瘤周、瘤内加瘤周的ROC曲线分析结果
图3 训练集的ROC曲线
图4 验证集的ROC曲线
3 讨论
乳腺癌是一种具有几个不同生物学亚群的疾病[7-8]。基于基因表达的分子分型在临床中用于选择最合适的治疗方法,并被证明对个体化治疗有价值[9]。然而,TNBC缺乏这3种受体的表达,因此目前没有靶向治疗,局限于一般的细胞毒性化疗。TNBC往往体积较大,级别较高,诊断时累及淋巴结,预后较差[10-13]。影像基因组学作为影像与基因相结合的产物,成为肿瘤诊断、治疗、评估治疗反应及预后的潜在生物标志物,为个性化治疗及精准医疗创造了新途径[14]。肿瘤周围由实质组织组成的瘤周区域可以被认为是肿瘤微环境的代表,它的影像组学特征被作为肿瘤周围浸润淋巴细胞密度的研究指标,或可作为免疫治疗的潜在成像标记[15-16]。Braman等[17]指出,DCE-MRI影像组学报告瘤内特征与肿瘤邻近区域瘤周特征的结合可预测新辅助化疗乳腺癌患者病理缓解程度。因此瘤内和瘤周影像组学特征的评估不但有助于乳腺癌影像诊断,进一步提高乳腺癌的检出率,还能为外科医生在手术过程中无法确切判定的瘤周性质特征进行术前评估,更加精确手术范围,同时还可以对肿瘤治疗预后进行有效评估。迄今为止,大多数乳腺癌研究都集中在瘤内[18],肿瘤的周围环境还没有得到相对的探索,从瘤周中提取的影像组学特征可能有助于增强对肿瘤侵袭性的预测。本研究的病灶数量为143例,运用mRMR算法及LASSO回归分析将获得的影像组学特征进行降维,选择优化的6个特征构建最终的模型。
从本研究的结果可以看出,在鉴别TNBC和 non-TNBC上,通过勾画瘤内和瘤周获得的影像组学特征经过建模后的模型AUC为0.81,单独的瘤内图像以及单独的瘤周图像获得的AUC分别为0.74和0.71,前者的模型性能比后两者均要好。有研究显示,DWI联合T2加权成像鉴别乳腺良恶性肿瘤的AUC为0.774,而两者的影像组学特征鉴别乳腺良恶性肿瘤,其AUC为0.842[19]。他们的结果表明,影像组学特征能帮助鉴别乳腺X线检查怀疑乳腺癌病灶的良恶性。此外,有研究结果显示基于肺结节内的影像组学特征鉴别肉芽肿和肺腺癌的模型AUC为0.75,而联合肺结节内和周围的影像组学特征鉴别肉芽肿和肺腺癌的模型AUC可达0.80[20]。其结果表明,瘤周特征可以帮助提高模型的性能。这也与本结果显示的瘤周特征作用相一致。另外也有研究显示,基于亚实性结节内的影像组学特征鉴别肺腺癌浸润性模型的AUC为0.852,而联合亚实性结节内和外的影像组学特征鉴别肺腺癌浸润性模型的AUC为0.876[21]。这同样也与本结果显示的瘤周特征作用相匹配。
本研究的局限性如下。第一,本研究是回顾性分析,并且是单中心的研究,样本存在一定的偏移,可能会降低本研究结论的准确性。第二,样本量偏小、只勾画了DCE-MRI第二期图像,可能会导致建模以及结果的偏移。第三,ROI的勾画是手动逐层勾画,可重复性不如半自动的ROI勾画,而且耗时较长。后续,笔者还会根据这些局限性进行改善,首先利用关键影像组学特征,进行深度学习,创建全自动检测分割模型。其次,新入组的病例会多期像勾画,以DCE-MRI为基准,先在动态增强第二期上勾画ROI,其余序列以及分段读出扩散加权成像的ROI与其保持一致,降低结果的偏差。
综上所述,影像组学特征能帮助临床医师诊断和预测乳腺病灶。本研究结果显示,在鉴别TNBC和non-TNBC上,通过勾画瘤内和瘤周获得的影像组学特征经过建模后的模型性能总体上比单独的瘤内图像以及单独的瘤周图像获得的影像组学特征模型均要好。本研究瘤周的影像组学特征有助于模型性能的提升,可能是因为肿瘤微环境的存在。然而,肿瘤的微环境还有待于进一步研究。