MRI在子宫肉瘤和子宫肌瘤鉴别诊断中的应用进展

张靓雯，王青

子宫肌瘤与子宫肉瘤均起源于子宫间叶组织。子宫肌瘤是最常见的子宫良性肿瘤，50岁以上女性的患病率可达70%～80%[1]。大多数子宫肌瘤有典型的影像学表现，易于诊断；但在较大肌瘤合并变性时，无论是超声、CT，还是MRI均不易与子宫肉瘤鉴别。子宫肉瘤是发生于子宫的罕见组织学异质性肿瘤，占子宫恶性肿瘤的3%～7%[2]。根据2020世界卫生组织（WHO）女性生殖器官肿瘤最新分类[3]，将子宫肉瘤分为间叶组织来源肿瘤和混合间叶组织来源肿瘤；其中，间叶组织来源肿瘤包括子宫平滑肌肉瘤、子宫内膜间质肉瘤和其他罕见类型（如未分化肉瘤和横纹肌肉瘤等）；混合间叶组织来源肿瘤为腺肉瘤。此版将原属于子宫肉瘤的癌肉瘤排除在外，认为其更倾向于上皮恶性肿瘤。变性肌瘤与子宫肉瘤的治疗方案、手术方式存在很大差别；另外，子宫肉瘤、子宫肌瘤与子宫内膜癌、宫颈癌不同，不易在术前获得病理结果，因此术前影像学检查对于这2种肿瘤的定性诊断具有重要价值。

MRI是子宫肿瘤诊断、分期、疗效评估和预后判断的最佳成像技术[4]。对于子宫肉瘤和子宫肌瘤的鉴别，常规MRI序列可以提供部分信息，而扩散加权成像（DWI）及其衍生序列扩散张量成像（DTI）和扩散峰度成像（DKI）、灌注加权成像（PWI）、MR波谱成像（MRS）、增强梯度回波T2*加权血管成像（enhanced gradient echo T2-star weighted angiography,ESWAN）等功能MRI具有附加诊断价值。近年来，影像组学作为放射学领域的研究热点，广泛应用于全身多种疾病的诊断及鉴别诊断[5]。与传统影像技术相比，影像组学通过高通量自动提取医学影像中肉眼无法识别的特征进行定量分析，寻找提取的纹理特征与临床数据之间的相关性，用于子宫肿瘤的辅助诊断研究。

1 常规MRI

常规MRI检查包括MRI平扫及增强扫描，可清晰显示子宫病变的部位、形态、大小、信号特点、血供情况及其与邻近组织的关系等定性特征。典型子宫肌瘤在MR T2WI上表现为边界清楚的圆形低信号结节或肿块影，T1WI上信号强度类似于子宫肌层；增强扫描呈较均匀性强化，强化程度低于或类似于正常子宫肌层[6-7]。但当肌瘤较大时，可发生透明样变、脂肪变性、黏液样变、囊性变、红色样变、钙化、间质水肿等[8]。在肌瘤合并不同变性情况下，T1WI和T2WI可出现等、高或混杂信号影。多数情况下子宫肉瘤体积较大，形态不规则，T1WI呈等信号或混杂信号，T2WI呈不均匀高信号或混杂信号。变性肌瘤和子宫肉瘤增强扫描均呈不均匀强化，时间-信号强度曲线均以Ⅰ型为主，但也有研究[9]提示在子宫肉瘤中可更早观察到强化峰值。因此，通过常规MRI检查鉴别变性肌瘤与子宫肉瘤有时存在困难。有文献[10]报道肿瘤形态不规则或边界不清、肿瘤内出血（T1WI高信号）、T2WI暗区可作为潜在的恶性预测因素。Jagannathan等[11]初步制定了鉴别良性子宫肌瘤与平滑肌肉瘤的风险分层评分系统，选定7个定性MRI特征作为评分标准：①T2WI影像异质性；②T2WI高信号（实性成分）；③肿瘤内出血；④增强扫描影像异质性；⑤“指状”强化；⑥增强扫描后与肌层分界不清；⑦肿瘤中央非强化区域（坏死），符合0-3个特征的恶性阴性预测值达100%，符合6-7个特征恶性阳性预测值达100%。

2 功能MRI

近年来，功能MRI在良恶性肿瘤鉴别、病理分型、分级和分子变化等方面显示出潜力，可以量化分析，比常规MRI提供更多有价值的信息。

2.1 DWI及其衍生序列DWI是一种反映组织内水分子扩散运动的无创性检查方法，可以通过测量表观扩散系数（ADC）进行水分子扩散受限程度的量化评估，对鉴别肿瘤的良恶性具有重要意义。DTI是在DWI的基础上进一步检测水分子的扩散速率与方向，除可测量ADC值外，还能提供各向异性分数（fractional anisotropy,FA）来反映水分子扩散运动方向。DWI和DTI均以水分子高斯运动为基础，但不能真实地反映水分子的运动形式。DKI是由DTI发展而来，采用四阶三维张量来检测水分子的非高斯运动，可以更真实、客观地评估组织微观结构。

欧洲泌尿生殖放射学会（ESUR）强调了DWI在鉴别良恶性子宫肿瘤的附加价值[12]。一些研究[13-15]表明，子宫肉瘤的DWI信号强度高于子宫肌瘤，ADC值低于子宫肌瘤，但2种肿瘤的ADC值部分存在重叠，因此基于DWI和ADC值不足以做出明确诊断。Abdel Wahab等[16]研究结合T2WI、DWI信号强度和ADC值，结果显示，淋巴结肿大及肿块的DWI信号高于子宫内膜，且ADC值≤0.905×10-3mm2/s能够鉴别子宫肉瘤和不典型肌瘤，敏感度和特异度分别为98%和94%。Tian等[17]研究表明，DTI的定量参数ADC值和FA值可用于鉴别子宫肉瘤和变性肌瘤，其中ADC值的诊断效能最高[受试者操作特征曲线下面积（AUC）=0.974]。鞠等[18]在DKI影像上测量了肿瘤的7项参数，结果发现变性肌瘤的平均扩散峰度（mean kurtosis,MK）值、平行扩散峰度（axial kurtosis,Ka）值、垂直扩散峰度（radial kurtosis,Kr）值低于子宫肉瘤，平均扩散系数（mean diffusivity,MD）值、平行扩散系数（axial diffusivity,Da）值、垂直扩散系数（radial diffusivity,Dr）值高于子宫肉瘤。

2.2 PWI PWI通过显示对比剂在兴趣区（ROI）的信号强度变化，能够在微观水平上反映毛细血管通透性、血流量等局部血流动力学信息，目前多应用于中枢神经系统的研究。Malek等[19]在PWI影像上设置了2种ROI（ROIL为全部肿瘤，ROIS为肿瘤内对比强化最明显的区域），并从每种ROI中提取7个参数，包括容积转移常数（Ktrans）、速率常数（kep）、血容量、初始时间-浓度曲线下面积、初始斜率、峰值和均方误差，但发现PWI参数在子宫平滑肌肉瘤和子宫肌瘤之间无显著差异。

2.3 MRS MRS通过定量分析器官组织代谢物的变化水平来反映组织的生化信息。Rahimifar等[8]结合ADC值与MRS技术用以鉴别子宫肉瘤和子宫肌瘤，准确度达98.3%。

2.4 ESWAN ESWAN是一种新开发的磁敏感加权成像技术，利用组织间不同的磁敏感差异而成像。该成像方法可敏感地评估肿瘤与正常组织之间的血氧水平差异，反映肿瘤的生物学行为，T2*和R2*值作为定量指标在评价肿瘤的良恶性方面具有潜力。田等[20]研究表明，T2*和R2*值在子宫肉瘤和变性肌瘤间差异有统计学意义，为临床鉴别这2种肿瘤提供了新的方法。

3 影像组学

目前，多项研究表明纹理分析、机器学习和影像组学对鉴别子宫肉瘤和子宫肌瘤有一定帮助。纹理分析侧重于从图像像素强度的灰度差异推断出病变之间的不同，机器学习是通过从提取的特征中自我学习以创建最佳模型的一种方法。影像组学研究通过纹理分析与机器学习方式进行图像预处理、图像分割、特征提取和模型构建。

纹理分析实质上是影像组学的一部分，可量化肿瘤的异质性，现已应用于多种肿瘤的诊断研究。Lakhman等[21]在T2WI上对子宫平滑肌肉瘤和非典型肌瘤的ROI进行纹理分析，结果发现，与非典型肌瘤相比，子宫平滑肌肉瘤的纹理异质性增加但熵减少，表明纹理分析是一种可行的半自动鉴别方法。白等[22]使用灰度直方图分析法在T2WI上的肿瘤最大层面来鉴别子宫内膜间质肉瘤和变性肌瘤，发现子宫内膜间质肉瘤的平均值和第1、10、50、90、99百分位数均高于变性肌瘤，且以第50百分位数的鉴别效能最佳（AUC=0．742）；但该研究仅提取肿瘤最大层面的纹理特征，获取的信息不够全面，可能忽略了其他层面重要的纹理特征。牛等[23]选择ADC图对子宫肉瘤和变性肌瘤进行纹理分析，结果显示熵值的诊断效能最佳（AUC=0．94）。另有研究者[24]进一步研究了子宫平滑肌肉瘤和子宫肌瘤多个MRI序列的纹理特征，结果显示，T2WI序列的鉴别效能最好，而ADC图的最差；T2WI直方图纹理参数结合病人年龄的模型的诊断效能最高，受试者操作特征曲线下面积（AUC）为0．955。

机器学习通过对提取的特征进行分析和学习，创建最佳预测算法。在鉴别子宫肉瘤与子宫肌瘤方面，机器学习模型的诊断效能可能优于放射科医师和核医学医师的诊断效能。Nakagawa等[25]应用逻辑回归算法建立基于T2WI和平均ADC值的模型，结果显示该模型的诊断效能与2名放射科医生的诊断效能相当（AUC值分别为0．92、0．97、0．89），且优于核医学医师基于18F-FDG PET/CT最大标准摄取值（SUVmax）分析的诊断效能（AUC值为0．92和0．85）。Nakagawa等[26]研究还使用6种机器学习算法，构建了一类基于T1WI、T2WI、ADC图、增强T1WI的影像组学模型，其中以极端梯度提升（eXtreme Gradient Boosting,XGBoost）算法建立的模型效能最佳（训练组的AUC值为0．93），优于经验丰富的2名放射科医生的（AUC值为0．80和0．68）。Malek等[19]发现虽然PWI参数在子宫肉瘤和子宫肌瘤间无显著差异，但当使用机器学习方法整合提取的PWI参数时，鉴别2种肿瘤的敏感度和特异度分别达100%和90%，表明基于PWI的机器学习模型具有一定价值。近年Dai等[27]利用迁移学习分别建立基于T2WI、DWI、T2WI+DWI（mp-MRI）、mp-MRI+临床参数的模型，其中结合临床参数的mp-MRI迁移学习模型鉴别效能最高（AUC：0．94～0．96），该模型优于结合临床参数的mp-MRI影像组学模型（AUC=0．92）。

近年来，影像组学成为医学领域研究的热点，已广泛应用于全身多种疾病的诊断、治疗方案选择、疗效评估、预后预测等。Xie等[28]从ADC图上手动分割肿瘤、肿瘤和周围小块组织和整个子宫3种ROI，研究表明以整个子宫作为ROI的影像组学模型具有最佳诊断效能（AUC=0．876）。Xie等[29]研究还应用基于ADC图的影像组学模型来鉴别子宫肉瘤和非典型肌瘤，结果显示该模型与经验丰富的放射科医生的诊断效能相当（AUC为0．830和0．752）。Wang等[30]开发了一种结合临床特征和基于T2WI的影像组学特征的联合模型，用于预测T2WI高信号子宫恶性间叶肿瘤；与临床模型和基于T2WI的影像组学模型相比，联合模型可显著提高诊断效能，AUC可达0．91。

4 小结

术前影像学准确鉴别子宫肉瘤及子宫肌瘤对于制定治疗方案有重要意义。MRI是评估子宫肿瘤的最佳影像学检查方法，功能MRI和影像组学的应用更利于提高2种肿瘤的鉴别诊断。但由于子宫肉瘤发病率低，现阶段均为小样本回顾性分析，不同研究之间的结果与结论缺乏共识。因此未来需要多中心协作构成大样本前瞻性研究，以建立更科学、更权威的预测模型，提高诊断敏感性、特异性和准确性。