非肿块型乳腺病变超声诊断新进展

孙艺宁，陈兰

非肿块型乳腺病变超声诊断新进展

孙艺宁，陈兰

延边大学附属医院超声医学科，吉林延吉 133000

非肿块型乳腺癌的患病率逐渐增多，危害女性健康，早期确诊对患者有重要意义，但因其不典型特征导致其检出困难，临床诊断时难以与炎症性疾病相鉴别。本文将归纳总结超声新技术在非肿块型乳腺良恶性病变诊断中的进展。

乳腺肿瘤；非肿块型乳腺癌；自动乳腺全容积成像技术；彩色多普勒超声

非肿块型乳腺病变（non-mass-like breast lesion，NML）是指病变弥漫、在超声图像上缺乏明显形状或边缘的低回声区域且在两个不同扫查方向上不具备占位效应的一种非占位性病变[1]。NML在临床上较少见，占所有乳腺病变的9.2%[2]。常规超声对NML的诊断特异性较低，诊断率21%～43%[3]。良性NML多为腺病，恶性NML多为导管内癌和浸润性导管癌。美国放射学会乳腺影像报告与数据系统（breast imaging reporting and data system，BI-RADS）定义了乳房肿块的分类，但未能提供NML的分类。目前，暂无NML的标准分类方法[4]。既往研究将NML分为乳腺低回声区、微钙化低回声区和导管内实性回声区[5]。2004年，日本乳腺甲状腺疾病学会对NML进行了系统分类。他们的标准包括异常导管变化、多囊泡模式、乳房组织的低回声区域和结构异常[6]。本文将归纳总结超声新技术在NML良恶性诊断中的新进展。

1 自动乳腺全容积成像

自动乳腺全容积成像（automated breast volume scanner，ABVS）是一种新型的超声成像技术，可提供标准化的图像采集和整个乳房的冠状图像。通过连续检查乳房横切面，自动进行乳房三维立体重建，同时获得形态学和冠状面图像[7]。研究显示ABVS可提高区分乳腺病变性质的敏感度、特异性和准确性[8]。ABVS的优势在于它允许通过实时超声对组织分布进行非侵入性成像，具有高敏感度、特异性和准确性[9]。在不同的应变水平下，ABVS可获得不同的脂肪、正常腺体组织、纤维组织、导管原位癌和浸润性导管癌的超声特征[10]。研究表明：ABVS显示的血管供应情况、簇状钙化、导管改变、外周改变和冠状切面等特征可用于预测良恶性病变[11]。ABVS比钼靶能检测到更多的NML，表明ABVS冠状面成像可能比钼靶更敏感地显示结构方面的异常。冠状面能较直观地显示结构扭曲、变形，可呈典型或不典型的“汇聚征”，且较二维超声对钙化、成角等边界不规则的病灶检出率高，因此对诊断NML的恶性病变具有较高的特异性。

2 剪切波弹性成像技术

剪切波弹性成像（shear wave elastography，SWE）可通过评估内部和外周硬度来区分良性和恶性病变。SWE具有良好的重复性和较高的诊断效能。然而，关于SWE在NML中的诊断价值的独立研究较少。研究表明，恶性病灶最硬的区域位于乳腺病灶的外围而不是内部，这意味着外周的弹性分析可能具有更好的诊断价值[12]。虽然SWE对NML有较好的诊断价值，但不应忽视假阴性和假阳性结果。多项研究表明，多种临床因素与假阴性和假阳性结果有关。在NML中，钙化、小病灶和原位癌的出现与假阴性结果相关。在良性病变中，与乳头的距离是引起假阳性结果的主要原因[13]。为了减少假阳性和假阴性结果，有必要使用其他成像技术进行联合诊断，如在NML钙化的情况下需要进行乳房X线摄影，由于内部和外围参数可反映病变的不同病理形态，影像技术的联合应用可进一步提高NML的诊断准确性。NML的弹性参数内、外周最大值（Emax）和平均值（Emean）均高于良性病变，这主要与NML中导管内原位癌的高比例有关[14]，由于恶性病灶容易渗入周围组织，因此病变最硬的组织不是位于病灶内部，而是位于周围组织。所以对周围组织的评估可能比内部SWE弹性更有助于NML的鉴别诊断。有报道称1～3mm内壳的“硬边”征和Emax/Emean具有较高的诊断价值，Emax在外周2.5mm处的曲线下面积为0.900[15]。Huang等[16]对乳腺肿块病变的周围组织进行了研究，发现3mm处的外壳Emax具有最佳诊断价值。

3 超声造影

超声造影（contrast-enhanced ultrasonography，CEUS）可客观地评价NML的血供，从而有助于鉴别NML的良恶性。与肿块样乳腺病变相比，NML具有独特的对比增强特征。乳腺病变中乳腺NML的数量较少，既往研究倾向于探索肿块样病变的特征、边界和形状。Xiao等[17]将病变范围、边界和形状视为NML的独立危险因素。Wang等[18]研究表明，增强强度、增强顺序、边界增强范围、外周血管和其直径的增加均是NML的独立危险因素。二维超声往往低估NML病灶的大小，尤其是当其病理类型为导管内癌的时候。CEUS测量的最大值更接近术后病理标本测量值，表明超声造影发现的病灶大小和形状更接近病灶的真实状态。由于大多数NML与正常腺体混合，因此在常规二维彩超上仅识别出具有低回声的病变范围。而在增强状态下，腺体的基本回声被掩盖，仅显示血供信息，可显示恶性NML较为完整的形态，所以增强后的病变范围较常规二维彩超显示的范围宽。研究显示，乳腺恶性病灶周围肿瘤微血管多于其中心[19]。恶性NML通常表现为早期强化、强化程度更高、范围扩大、外周血管出现。在NML中，较高的强化和病变范围是恶性NML的独立危险因素。常规超声结合CEUS可提高诊断效率，而CEUS是一种相对侵入性的方法，造影剂可能会引起过敏反应。妊娠期和哺乳期女性不宜使用CEUS。

4 超微血管成像技术

超微血管成像技术（superb microvascular imaging，SMI）是一种新的多普勒技术，旨在通过一种新的自适应算法来改善血流的可视化，尤其是慢血流信号，该算法可显著消除杂波，同时保持较高的帧速率。它可在两种模式下运行：彩色模式SMI（colour superb microvascular imaging，cSMI）和灰阶模式SMI（monochromr superb microvascular imaging，mSMI）。前者同时显示带有彩色编码多普勒信号和传统灰度超声，后者减去背景信号仅显示脉管系统。SMI对微血管表现出卓越的敏感度，因此能够更详细地评估血管的复杂性和分布，从而提高诊断恶性NML的诊断性能。此外，血管指数的定量分析有望提供更多关于血管分布程度的客观信息。但是，要更有效地使用SMI，需要测量学习曲线。SMI特征与各种组织病理学因素（如微血管密度、组织学分级、淋巴结状态、肿瘤直径、激素受体状态和肿瘤基因表达）之间的相关性有助于预测NML患者的预后或治疗方案的选择。最近开发的一种定量方法：高清微血管成像（high-definition microvasculature imaging，HDMI），可视化直径小至300µm的亚毫米血管。HDMI技术基于超快超声成像，包括血管增强和形态滤波及血管结构形态的量化[20]，可获得各种定量的微血管形态参数[21]，有研究表明HDMI定量微血管形态参数和SWE估计的弹性组合是改善乳腺肿块分级的协同生物标志物。将HDMI和SWE与临床因素（病变深度和年龄）相结合，将进一步提高诊断的准确性[22]。

5 超声引导下真空辅助活检

自1995年推出以来，超声引导下真空辅助活检（vacuum-assisted biopsy，VAB）已成为乳腺结节首选诊断方法，如发现有簇状钙化、边界不清、结构扭曲或需要完全切除的病变，因为VAB设备连续采样可更好地检测乳腺结节。最近推出的13-G无线VAB具有方便、准确病理诊断的优点。对高度怀疑恶性的小结节或有家族史的女性而言，快速而准确地诊断良恶性非常重要。超声是乳房活检首选的一线成像方式，而超声引导下穿刺活检是一种具有高成本效益的快速方法，有助于明确诊断并提供预后信息，从而迅速决定未来的治疗方案，无需进行开放式手术活检或冰冻切片分析。对一些较小的良性结节，甚至可在超声引导下切除[23]。研究表明经皮穿刺活检有时会降低侵袭性癌症的发现率，Seo等[24]研究指出VAB的低估率明显低于半自动穿刺活检，是由于半自动穿刺活检会将空气引入活检腔，这可能会掩盖钙化病灶，而VAB可在手术过程中将空气和血液从活检腔中吸走，从而解决该问题。此外，在使用VAB时，探头位于病灶后方，因此不会掩盖病灶。通过VAB可轻松获得多个样本，而使用半自动穿刺针很难获得超过7个样本，即使是同轴针也是如此。因此，在高度怀疑NML时可用VAB作为诊断鉴别的首选设备。

6 光声成像技术

光声成像技术是一种相对较新的成像技术，该方法基于在发生光吸收的位置通过热弹性膨胀将吸收的脉冲光能转换为声能，可产生组织中光吸收分布的高分辨率3D图像，且不受光散射的影响。与光相比，这些声波在传播过程中的散射和衰减要小得多。使用换能器进行检测可重建声源的空间分布，其分辨率完全取决于所用检测器的带宽和空间采样。Kruger等[25]首先提出将近红外光谱应用于乳腺成像，Oraevsky等[26]在2001年使用基于激光的光声成像系统展示了首例患者结果。一项小型患者队列研究显示，使用光声乳房X光镜，一种经实验室制造的乳房成像仪，能够以高成像和对比度实现恶性肿瘤的可视化，其对比度优于X线摄影预计的乳房密度[27]。光声成像还可利用血红蛋白与光的高对比度可视化组织深处的脉管系统，并通过超声实现高分辨率检测。

7 人工智能成像

近年来，人工智能（artificial intelligence，AI）成像研究已广泛扩展，包括人工神经网络、支持向量机和深度学习在超声中的应用[28-29]。在BI-RADS 4A中NML的良性和恶性的超声特征跨度会产生分类错误的可能性。AI的发展为BI-RADS分类提供了一种新的方法[30]。AI可识别乳腺病变的形态和纹理特征，弥补人类视觉观察的不足[31]。根据对BI-RADS 3类病变的研究，AI可以正确升级大多数被医生误诊为3类的恶性病变。对于4A类，AI也表现出较高的诊断效率，BI-RADS 4A的分类准确率可高于90%。目前，AI在BI-RADS分类中的应用主要在于不同AI程序其可行性和准确性略有不同[32-33]。研究表明，AI可达到与诊断医生相似的分类级别[34]。另有研究表明，针对NML良性和恶性病变，仔细观察病灶内部回声将有助于医生提高肉眼诊断良恶性肿瘤的准确率[35]。肿瘤边缘的特征在良恶性病变的鉴别中也具有重要意义[36]。

乳腺病变可分为肿块型和非肿块型，肿块型在二维超声上具有典型图像特征，因此临床多可明确诊断。然而近几年发现很多乳腺病变表现为非肿块型，这类乳腺病变因其缺乏明显形状或边缘的低回声区域等图像特征，二维超声容易漏诊。随着各项超声新技术的发展，弥补了二维超声在NML诊断的不足，充分联合利用超声新技术，有助于发现病灶并鉴别良恶性病变；有助于更好地显示受累病变导管数目、病变侵及范围及其与周围组织的关系；有助于明确病变血流灌注并对病灶进行升降级等，对NML进行合理的BI-RADS分类，提高超声诊断率，为临床提供可靠的诊断依据。

[1] TANG G, AN X, XIANG H, et al. Automated breast ultrasound: interobserver agreement, diagnostic value, and associated clinical factors of coronal-plane image features[J]. Korean J Radiol, 2020, 21(5): 550-560.

[2] IKEDA T, BANDO H, IGUCHI A, et al. Malignant lymphoma of the breast in a male patient: ultrasound imaging features[J]. Breast Cancer, 2015, 22(2): 201-205.

[3] WANG ZL, LI N, LI M, et al. Non-mass-like lesions on breast ultrasound: classification and correlation with histology[J]. Radiol Med, 2015, 120(10): 905-910.

[4] 中国抗癌协会乳腺癌专业委员会. 中国抗癌协会乳腺癌诊治指南与规范(2021年版)[J]. 中国癌症杂志, 2021, 31(10): 954-1040.

[5] KO K H, HSU H H, YU J C, et al. Non-mass-like breast lesions at ultrasonography: feature analysis and BI-RADS assessment[J]. Eur J Radiol, 2015, 84(1): 77-85.

[6] Japanese Association of Breast and Thyroid Sonology. Guideline for breast ultrasound: management and diagnosis[M]. Tokyo: Nankodo, 2004: 35-37, 53-60

[7] ZANOTEL M, BEDNAROVA I, LONDERO V, et al. Automated breast ultrasound: basic principles and emerging clinical applications[J]. Radiol Med, 2018, 123(1): 1-12.

[8] 刘海珍, 李照喜, 郁春红, 等. 自动乳腺全容积成像在非肿块型乳腺癌诊断中的应用价值[J]. 临床超声医学杂志, 2018, 20(4): 244-246.

[9] RELLA R, BELLI P, GIULIANI M, et al. Automated breast ultrasonography (ABUS) in the screening and diagnostic setting: indications and practical use[J]. Acad Radiol, 2018, 25(11): 1457-1470.

[10] SABOUR S. Automated versus handheld breast ultrasound examinations of suspicious breast masses: methodological errors in the reliability analysis[J]. Ultrasonography, 2020, 39(1): 102-103.

[11] ZHANG J, CAI L, CHEN L, et al. Re-evaluation of high-risk breast mammography lesions by target ultrasound and ABUS of breast non-mass-like lesions[J]. BMC Med Imaging, 2021, 21(1): 156.

[12] EVANS A, WHELEHAN P, THOMSON K, et al. Quantitative shear wave ultrasound elastography: initial experience in solid breast masses[J]. Breast Cancer Res, 2010, 12(6): R104.

[13] PARK S Y, CHOI J S, HAN B K, et al. Shear wave elastography in the diagnosis of breast non-mass lesions: factors associated with false negative and false positive results[J]. Eur Radiol, 2017, 27(9): 3788-3798.

[14] REN W W, LI X L, HE Y P, et al. Two-dimensional shear wave elastography of breast lesions: comparison of two different systems[J]. Clin Hemorheol Microcirc, 2017, 66(1): 37-46.

[15] XU P, WU M, YANG M, et al. Evaluation of internal and shell stiffness in the differential diagnosis of breast non-mass lesions by shear wave elastography[J]. World J Clin Cases, 2020, 8(12): 2510-2519.

[16] HUANG L, MA M, DU Z, et al. Quantitative evaluation of tissue stiffness around lesion by sound touch elastography in the diagnosis of benign and malignant breast lesions[J]. PLoS One, 2019, 14(7): e0219943.

[17] XIAO X, OU B, YANG H, et al. Breast contrast- enhanced ultrasound: is a scoring system feasible? A preliminary study in China[J]. PLoS One, 2014, 9(8): e105517.

[18] WANG Y, FAN W, ZHAO S, et al. Qualitative, quantitative and combination score systems in differential diagnosis of breast lesions by contrast-enhanced ultrasound[J]. Eur J Radiol, 2016, 85(1): 48-54.

[19] LI X, LI Y, ZHU Y, et al. Association between enhancement patterns and parameters of contrast-enhanced ultrasound and microvessel distribution in breast cancer[J]. Oncol Lett, 2018, 15(4): 5643-5649.

[20] BAYAT M, FATEMI M, ALIZAD A. Background removal and vessel filtering of noncontrast ultrasound images of microvasculature[J]. IEEE Trans Biomed Eng, 2019, 66(3):831-842.

[21] GHAVAMI S, BAYAT M, FATEMI M, et al. Quantification of morphological features in non-contrast- enhanced ultrasound microvasculature imaging[J]. IEEE Access, 2020, 8: 18925-18937.

[22] GU J, TERNIFI R, LARSON N B, et al. Hybrid high- definition microvessel imaging/shear wave elastography improves breast lesion characterization[J]. Breast Cancer Res, 2022, 24(1): 16.

[23] GAO Y H, ZHU S C, XU Y, et al. Clinical value of ultrasound-guided minimally invasive biopsy in the diagnosis or treatment of breast nodules[J]. Cancer Manag Res, 2020, 12: 13215-13222.

[24] SEO J, KIM S M, JANG M, et al. Ultrasound-guided cable-free 13-gauge vacuum-assisted biopsy of non-mass breast lesions[J]. PLoS One, 2017, 12(6): e0179182.

[25] KRUGER R A, LIU P. Photoacoustic ultrasound: pulse production and detection of 0.5% Liposyn[J]. Med Phys, 1994, 21(7): 1179-1184.

[26] ORAEVSKY A A, KARABUTOV A A, SOLOMATIN S V, et al. Laser optoacoustic imaging of breast cancer in vivo[J]. Proc SPIE, 2001, 1(20): 6-15.

[27] HEIJBLOM M, PIRAS D, XIA W, et al. Visualizing breast cancer using the Twente photoacoustic mammoscope: what do we learn from twelve new patient measurements?[J] Opt Express, 2012, 20(11): 11582-11597.

[28] QIU Y, YAN S, GUNDREDDY R R, et al. A new approach to develop computer-aided diagnosis scheme of breast mass classification using deep learning technology[J]. J Xray Sci Technol, 2017, 25(5): 751-763.

[29] VAN-ZELST J C M, TAN T, PLATEL B, et al. Improved cancer detection in automated breast ultrasound by radiologists using computer aided detection[J]. Eur J Radiol, 2017, 89: 54-59.

[30] SADOUGHI F, KAZEMY Z, HAMEDAN F, et al. Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review[J]. Breast Cancer (Dove Med Press), 2018, 10: 219-230.

[31] BI W L, HOSNY A, SCHABATH M B, et al. Artificial intelligence in cancer imaging: clinical challenges and applications[J]. CA Cancer J Clin, 2019, 69(2): 127-157.

[32] RODRÍGUEZ-CRISTERNA A, GÓMEZ-FLORES W, DE ALBUQUERQUE-PEREIRA W C. A computer- aided diagnosis system for breast ultrasound based on weighted BI-RADS classes[J]. Comput Methods Programs Biomed, 2018, 153: 33-40.

[33] JAMSHIDII N, CHANG J, MOCK K, et al. Evaluation of the predictive ability of ultrasound-based assessment of breast cancer using BI-RADS natural language reporting against commercial transcriptome-based tests[J]. PLoS One, 2020, 15(1): e0226634.

[34] LE E P V, WANG Y, HUANG Y, et al. Artificial intelligence in breast imaging[J]. Clin Radiol, 2019, 74(5): 357-366.

[35] MARCON M, CIRITSIS A, ROSSI C, et al. Diagnostic performance of machine learning applied to texture analysis-derived features for breast lesion characterisation at automated breast ultrasound: a pilot study[J]. Eur Radiol Exp, 2019, 3(1): 44.

[36] NIU S, HUANG J, LI J, et al. Application of ultrasound artificial intelligence in the differential diagnosis between benign and malignant breast lesions of BI-RADS 4A[J]. BMC Cancer, 2020, 20(1): 959.

R781.4

A

10.3969/j.issn.1673-9701.2023.01.030

陈兰，电子信箱：chenlan5933@163.com

（2022-07-28）

（2022-12-06）