RSNA2021乳腺影像学

覃艳金，唐彩丽，胡奇兰，李嫣，胡益祺，詹晨奥，霍敏，周航，艾涛

乳腺X线检查

1.数字乳腺X线摄影

数字乳腺X线摄影(digital mammography，DM)是乳腺癌筛查的主要手段，但由于乳腺组织的重叠，传统的DM可能会掩盖真正的病变，同时正常组织的重叠也会导致不必要的召回。如何降低召回率并提高乳腺癌检出率对筛查来说至关重要。DM筛查通常需要双重阅片，Gommers等将阅片者分为高敏感性高特异性(HH)、高敏感性低特异性(HL)、低敏感性高特异性(LH)及低敏感性低特异性(LL)，并对随机配对阅片者和特定配对阅片者的表现进行比较，结果显示与给定相同召回率的随机配对阅片者相比，当特定配对阅片者仅包含高敏感性阅片者(如HH和HL)时，能达到更高的乳腺癌检出率(CDR)；通过优化阅片者之间的配对，双重阅片可以提高乳腺癌的检出率并降低假阳性率。关于乳腺微钙化与病理完全缓解(pCR)的关系，Sever等回顾性分析27例经活检证实为广泛恶性微钙化(MM)的乳腺癌患者对新辅助化疗(NAC)的反应；结果表明在27例行乳房切除术的患者中，19例患者为HER2阳性，而在19例HER2阳性患者中，9例(47%)患者达到pCR，其中有6例患者出现淋巴结受累，后行腋窝淋巴结清扫(ANC)或靶向腋窝清扫(n=4、2)，6例均显示腋窝淋巴结达到pCR；因此，具有MM的HER2阳性患者对NAC反应良好，可进行保乳手术，而腋窝淋巴结的pCR有助于进一步制定治疗计划。

DM还用于评估乳腺腺体密度(MD)和乳腺癌的发病风险。Destounis等证实在Tyrer-cuzick模型中添加MD评估对绝经前的年轻女性影响更大。而Sechooulos等证实在全球范围内使用基于乳腺体积密度(VBD)的测量对腺体密度进行分类，可用于DM辐射剂量评估或乳腺癌风险建模等。

2.数字乳腺断层摄影

研究表明，数字乳腺断层摄影(digital breast tomosynthesis，DBT)在筛查召回率和乳腺癌检出率方面明显优于DM。Philpotts等评估采用DBT以来10年内召回率(RR)、乳腺癌检出率(CDR) 和假阴性率(FN)指标；结果显示平均RR为7.5%(7%～9%)，平均CDR为5.4/1000人，平均FN为0.8/1000人。Baird等研究了DBT与DM的RR在新型冠状病毒肺炎(COVID-19)之前(正常病例量)与COVID-19期间(病例量减少)的差异；研究结果表明，在COVID-19之前，白天每增加1小时阅片，DBT的RR增加5%，DM的RR则增加2%；而在COVID-19期间，白天每增加1小时阅片，DBT与DM的RR均无显著变化；因此，减少DBT的阅片量，可以降低召回率，而不会影响真阳性率。Lee等通过开发新的DBT成像指标(DIB-DBT，一种基于深度学习技术以检测乳腺癌的成像参数)来评估不同机构间减少纹理变化(TRM)的可行性；结果表明在检测乳腺癌方面，未使用TRM的DIB-DBT与使用TRM的DIB-DBT在内部验证集和外部验证集的AUC分别为0.863 vs. 0.879和0.838 vs. 0.857；因此，DIB-DBT可以在多种设备中保持较高的乳腺癌检出率。Tao等对128例病理性乳头溢液患者进行DBT和全数字化乳腺摄影(FFDM)检查，发现DBT的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)均高于FFDM乳管造影(DBT分别为93.3%、75%、97.7%和50%，FFDM分别为91.1%、50%、95.3%和33.3%)。

3.对比增强能谱乳腺X线成像

对比增强乳腺X线成像(contrast-enhanced spectral mammography，CESM)是建立在传统X线摄影基础上的一种新技术，它将传统X线与对比增强相结合，利用多数恶性肿瘤富含新生血管的特点，通过注射对比剂使肿瘤成像，以提高检查的敏感度和特异度。Clauser等通过两位阅片者(R1和R2)对128名因常规DM或超声检查结果可疑而接受CESM的患者进行回顾性评估，结果表明获取额外的头尾位CESM视图可提高诊断性能(R1和R2的AUC分别为0.877和0.850)；但是，在CESM检查中，不同程度的背景实质强化可以显著降低CESM的敏感度(R1的敏感度从100%下降到85.7%，R2的敏感度从100%下降到89.5%)。Cao等探讨低剂量对比剂CESM评估乳腺病变的临床价值，该研究将223例行CESM患者随机分为两组，包括113例常规剂量组和110例低剂量组，两组均行MRI检查，结果显示CESM常规剂量组的AUC、敏感度、特异度、PPV、NPV与MRI相似(0.928、0.962、0.846、0.783、0.821 vs. 0.903、0.974、0.809、0.805、0.856)，且CESM低剂量组也与MRI相似(0.944、0.990、0.825、0.802、0.855 vs. 0.925、0.941、0.831、0.825、0.895)；Bland-Altman分析显示在评估肿瘤大小方面，CESM低剂量组、MRI和病理结果具有最佳一致性。因此，低剂量CESM可以在不降低诊断性能的情况下满足临床和影像学的需求。

乳腺超声

1.常规超声

超声成像在乳腺癌诊断、分期、腋窝淋巴结评估、生存预后等方面发挥着重要作用。Liu等开发和验证了基于超声特征(回声类型、后部特征和浅筋膜深层状态)的诺模图(Nomogram)，可以预测三阴型乳腺癌(TNBC)的无病生存率(DFS)。有无腋窝淋巴结转移是判断乳腺癌临床分期及评估预后的重要内容。Machado等利用对比增强淋巴超声检查(CEUS)识别前哨淋巴结(SLN)，结果显示蓝色染料的符合率为50%，放射性示踪剂的符合率为73%，而淋巴超声的符合率为100%。Sun等利用经皮注射Sonazoid的CEUS可以准确地识别早期乳腺癌患者的SLN，敏感度和特异度分别为90.91%和84.5%。

人工智能(AI)可自动识别成像信息并进行分类评估，提高超声在乳腺影像中的应用价值。Moy等开发了AI辅助诊断系统，在5,442,907张乳腺超声影像上对乳腺病变进行自动检测和分类；结果表明，AI作为独立阅片者识别恶性病变的AUC为0.976，而通过AI与阅片者的混合决策模型可提高诊断性能(混合决策模型将阅片者的AUC从0.929提高到0.960)。

另外，Tomkovich等利用超声引导冷冻消融术对低级别乳腺癌进行初步治疗，初始手术成功率为100%，临床总体成功率为98%(36个月随访)，且患者耐受性良好；因此，超声引导冷冻消融术可作为低级别乳腺癌患者乳房切除术的替代方案。

2.三维谐波超声

三维(3D)谐波(HI)和亚谐波(SHI)超声成像具有可视化乳腺病变血管和量化血管异质性的能力。Forsberg等比较了219例患者的3D HI和3D SHI超声成像对乳腺血管性肿块探测的准确性；结果表明，3D HI 超声成像可显示8个病灶的血流，而3D SHI超声成像可显示83个病灶的血流；因此，3D SHI超声成像在检测乳腺富血供性病灶方面更有优势。

乳腺MRI

1.常规乳腺MRI

简化乳腺MRI序列(ABMR)作为近年来一种新的筛查方案，得到广泛认可。Kim等比较了726名有乳腺癌个人史(PHBC)的女性在完整协议MRI(FPMR)和ABMR中的筛查表现；结果表明 FPMR 与ABMR的敏感度、癌症检出率、间隔期癌症发生率及特异度分别为69.2% vs. 100.0%、12.4/1000 vs. 20.7/1000、5.5/1000 vs. 0/1000、85.8% vs. 92.8%；因此，当对有乳腺癌个人病史的女性进行MRI筛查时，短扫描时间的ABMR可能会取代FPMR。Stelzer等认为扫描床上患者的转换时间(TST)增加了ABMR的扫描时间，并对ABMR的使用提出了挑战，并建议可通过聘请专业的放射科技师对患者进行准备，以增加MRI扫描人数和成本效益。Julie等研究乳腺病变的MRI特征和组织学亚型是否会影响高危人群MRI乳腺癌筛查的检出率，将诊断时MRI上的病灶特征与先前筛查MRI上相同病灶的特征进行比较，结果显示MRI特征和乳腺癌漏诊率没有关联；在三阴型乳腺癌中，携带BRCA1基因者(50%)高于非携带者(12%)，且携带BRCA1基因者中，乳腺癌漏诊率较低。

术前预测NAC后pCR将有助于指导治疗和改善患者的预后。Malhaire等使用乳腺影像报告和数据系统(BI-RADS)描述乳腺癌患者治疗前MRI上病灶的特征，采用Boruta算法进行特征选择后建立了两个pCR预测模型，模型1针对研究的总人群，模型2针对三阴型和Luminal型乳腺癌；结果显示模型1与模型2的AUC分别为0.750、0.782，使用BI-RADS描述治疗前MRI上病灶的特征结合乳腺癌分子亚型可预测pCR。Park等研究证实NAC后DWI上肿瘤ADC平均值增加有助于预测pCR，但肿瘤ADC平均变化值(ΔADC)仅是HER2-阳性患者达到pCR的独立预测因子。Zhou等利用深度学习(DL)进行pCR预测，结果显示DL平均AUC为0.81，pCR的阳性预测值为0.75。

2.扩散加权成像

通过扩散加权成像(DWI)获得的表观扩散系数(ADC)值已被证明是鉴别乳腺良恶性病变的有效工具。Bickel等设计了一套与 BI-RADS相似的乳腺ADC分类(bADC)系统，结果表明ADC平均值在良恶性病变之间存在显著差异，也在浸润性癌、导管原位癌和良性病变之间存在显著差异；该研究提出的bADC分类系统提供了简单且普遍适用的阈值，可指导临床决策。Varga等证实了ADC值在注射对比剂前后以及根据不同b值(0/800 mm2/s和50/800 mm2/s)计算的ADC值之间没有显著差异，因此可以根据临床需求对扫描协议进行个性化定制。三维酰胺质子转移加权成像(APTWI)是一种新技术，亦可用于无创性鉴别乳腺良恶性病变。Wang等探讨APTWI及其与DWI联合应用对乳腺良恶性病变的鉴别价值，结果表明乳腺恶性病变的ADC值和非对称磁化转移率(MTRasym)值显著低于良性病变；ADC值和MTRasym值的AUC分别为0.817和0.752。Honda等探讨乳腺癌患者体内非相干运动(IVIM)和非高斯扩散参数是否与远处无转移生存率相关，Kaplan-Meier生存分析显示K值较高(>0.92)而ADC0-800值较低(<0.76×10-3mm2/s)；非高斯扩散模型衍生的K值和ADC0-800值可用于预测远处转移。

3.动态增强磁共振成像

动态增强磁共振成像(DCE-MRI)不仅能获得病变的形态学信息，还能反映组织血管通透性及局部区域血流灌注等异质性微观信息。Ataya等证实测量DCE-MRI上肿瘤内灌注异质性可对导管原位癌(DCIS)升级为浸润性癌进行高低风险分层，训练集及验证集符合率分别为86%、79%。Ko等通过无监督聚类在DCE-MRI上测量病灶灌注异质性有助于预测患者的预后并了解肿瘤生物学。

4.多参数MRI及人工智能

Park等证实与RNA测序相比，肿瘤形态、异质性和血管生成的多参数MRI特征与乳腺癌分子亚型、药物反应和预后相关。肿瘤微环境由细胞外基质、免疫细胞和微血管组成，在肿瘤进展和治疗反应中起着关键作用。Kim等用CLARITY技术对空心针活检乳腺癌标本进行3D组织学成像处理，并进行六次免疫组织化学染色以评估肿瘤微环境成分(胶原蛋白、层粘连蛋白、巢蛋白、Foxp3、CD8 和 CD34)，使用Mann-WhitneyU检验评估MRI多参数组学特征与肿瘤微环境成分之间的关联；结果表明胶原蛋白、层粘连蛋白和巢蛋白(细胞外基质的成分)的表达与基于直方图和纹理(灰度共现矩阵)的放射组学特征相关；CD34(微血管标志物)的表达与基于形状和纹理(灰度共现矩阵)的放射组学特征相关。

AI是通过计算机辅助MRI影像诊断的深度学习系统，可提取乳腺肿块的形态特征，对乳腺肿块进行自动智能分类，避免主观误差，提高诊断的准确性。Zhang等使用掩模区域卷积神经网络(R-CNN)在 MRI上开发了一种全自动乳腺癌检测方法，并使用ResNet50深度学习模型来估计恶性概率，结果表明R-CNN检测模型与ResNet50分类模型敏感度较高(分别为96%、81%)。此外，他还证实了基于ResNet50算法的深度学习诊断非肿块病变符合率高达90%左右。研究乳腺腺体密度对患癌风险预测有着重要的意义。Gilhuijs等证实对乳腺腺体致密的女性进行MRI筛查时使用AI分类可以减少放射科医生的工作量，从而优化资源的使用。Velden等证实AI可将58%腺体密度减低的女性从MRI筛查返回到DM筛查。

乳腺PET-CT/MRI

PET-CT/MRI是一种全身显像技术，最常用的示踪剂18F-FDG可用于晚期乳腺癌的全身分期，但在评估原发性乳腺病变方面的准确性有限，而最近使用的示踪剂成纤维细胞活化蛋白(FAP)可在浸润性乳腺癌中大量表达。Burg等回顾性分析了19位乳腺癌女性患者的68Ga-FAPi-PET/MRI和PET/CT扫描，结果显示所有患者乳腺病灶均可观察到示踪剂摄取，13位术前证实淋巴结转移的患者亦可见示踪剂的摄取；因此，FAPi-PET/MRI可用于评估局部肿瘤范围和全身转移。Clauser等证实乳腺癌病灶中18F-FEC 最大标准摄取值(SUVmax)显著高于良性乳腺病灶，SUVmax的AUC为0.846。此外，他还探究PET/MRI在诊断乳腺癌患者淋巴结转移方面的有效性，通过两位阅片者(R1与R2)使用MRI上形态学标准和FEC-PET的二分法(摄取/不摄取)对图像进行评估，结果表明MRI评估的敏感度较低(R1为46.4%和R2为50%)，特异度较高(两者均为96.3%)，而PET评估敏感度较高(R1为78.6%，R2为67.9%)，特异性较低(R1为81.5%，R2为74.1%)；所有MRI正确分类的转移性淋巴结，也可用PET进行正确分类，FEC-PET/MRI可以准确地对乳腺癌患者腋窝淋巴结转移的风险进行分层。

乳腺微波成像

乳腺微波成像(MBI)是一种新兴的非电离技术，具有检测和描述乳腺病变的能力。Wavelia MBI系统是一种低功率电磁波原型，在临床前研究中具有通过合成乳腺模型检测肿瘤和纤维腺体组织之间介电对比的能力。Moloney等详细介绍了Wavelia MBI系统的首次人体临床试验结果，该研究纳入24例患者，包括11例经活检证实为乳腺癌的患者及13例经活检证实为良性病变的患者，通过QDA分类器对良恶性病变进行分类。结果显示MBI系统可以检测出9例乳腺癌和12例良性病变；该研究证实了MBI成像系统检测、定位和描述乳腺病变的能力。