DCE-MRI纹理分析对乳腺癌分子分型的诊断价值

林倩，陈爱华，张婷婷

作者单位：三峡大学人民医院（宜昌市第一人民医院）放射科，宜昌 443000

0 前言

乳腺癌是影响全球女性健康的首位高发癌症，病死率居全球第1 位、中国第4 位[1]。近些年，乳腺癌发病率有上升趋势，但其病死率却较1989 年有所降低，这主要得益于乳腺癌的早筛发现和个性化精准治疗[2]。第12 届St.Gallen 会议[3]提出将乳腺癌细分为管腔A 型、管腔B 型、人表皮生长因子受体2（human epidermal growth factor receptor 2,HER-2）阳性型和三阴性乳腺癌（tripel negative breast cancer, TNBC）四个临床亚型标准。不同亚型患者的临床特点、治疗方案及预后各不相同[4]，这也表明乳腺癌具有较高异质性[5-6]。目前，乳腺癌亚型的确定需对活检标本行免疫组化检查，此方法不仅有创，且局部穿刺活检取材不充分，不能得到肿瘤的全部异质性信息，最终也会影响结果的可靠性，影响临床治疗效果[7]。

因此，寻找一种既能体现病变整体特征又能动态观察病变变化情况的无创、简便、经济的替代方法尤为重要。MRI是常用的乳腺影像学检查方法，MRI软组织分辨度高，对乳腺癌的检出敏感性高，动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）更是能以高空间分辨率提供肿瘤的形态学以及血流动力学等信息[8]。随着乳腺专用线圈及快速成像序列的开发，乳腺MRI影像质量及检测水平也有了很大提升。通过MRI图像分析术前预测肿瘤分子分型可减轻患者负担，优化诊疗流程，达到精准治疗的目的。在医学图像中，不同纹理特征通常是反映机体的病理异质性。医学图像分析方法-纹理分析是通过计算机技术发现病灶内人眼无法辨别的具有潜在异质性的图像纹理特征，并利用数学算法定量图像空间、像素及灰阶的分布特征[9]。近年来，纹理分析在乳腺疾病中的研究已成为热点，其可鉴别乳腺疾病的良恶性[10-11]、预测乳腺癌新辅助化疗疗效[12]、判断患者预后[13-14]等。既往研究发现[15]，各分子分型乳腺癌在影像学上存在“异病同影”，判读结果的客观准确性受报告医师经验等主观因素影响。而纹理分析不仅能消除这一影响，还能提供丰富的高层语义信息，通过定量分析图像的纹理特征参数辅助诊断疾病，能够保证诊断效能的稳定并为临床决策提供支持。

本研究旨在探讨DCE-MRI 纹理分析对乳腺癌分子亚型的诊断价值，并探讨基于MRI纹理特征结合机器学习算法建立的预测模型的诊断效能，为临床提供一种无创性的诊断手段。

1 材料与方法

1.1 研究对象

本研究遵守《赫尔辛基宣言》，并经宜昌市第一人民医院医学伦理委员会批准，免除受试者知情同意（批件号：PJ-KY2022-44）。回顾性分析2021 年10 月至2022 年10 月在宜昌市第一人民医院行乳腺MRI 检查的患者75 例。纳入标准：（1）均为肿块型病灶，经病理证实为乳腺癌，并同时进行免疫组化检测；（2）有完整的术前乳腺DCE-MRI 检查资料；（3）进行MRI 检查前未接受任何乳腺疾病相关的治疗，包括穿刺、新辅助化疗及其他抗肿瘤治疗。排除标准：（1）MRI 图像质量不佳，不易勾画ROI 者；（2）患者MRI检查时间与病理检查相隔＞1 周。最终共纳入患者75例（共75个病灶），皆为女性，年龄32～78（50.32±1.25）岁，其中导管原位癌9 例，非特殊性浸润性癌62 例，特 殊 性 浸 润 性 癌4 例；Lumianl A 型11 例，Luminal B 型36 例，HER-2 过 表 达 型14 例，TNBC 14例。

1.2 MRI检查方法

采用GE Discovery MR 750 3.0 T 扫描仪，使用8 通道相控阵乳腺表面线圈。患者采取俯卧位，两侧乳腺自然悬垂于线圈中央部位，且与线圈呈垂直角度。

平扫序列与扫描参数如下：（1）轴位T2WI，采用快速反转恢复（T2-weighted short-tau inversion recovery, T2WI STIR）序 列，TR 5341.0 ms，TE 82.5 ms，层 厚5.0 mm，FOV 32 cm×32 cm，矩 阵512×512；（2）轴位T1WI，采用3D 快速小角度激发成像脂肪抑制（three-dimensional fast low angle shot imaging, T1WI 3D FLASH）序列，TR 3.9 ms，TE 1.7 ms，层厚1.4 mm，FOV 36 cm×36 cm，矩阵512×512；（3）弥散加权成像（diffusion weighted imaging, DWI）序列，TR 2769.6 ms，TE 61.7 ms，层厚4.0 mm，FOV 32 cm×32 cm，矩阵256×256，b值为0、800 s/mm2。

增强扫描采用三维快速小角度激发回波序列+横轴位抑脂扫描，TR 3.0 ms，TE 1.4 ms，层厚1.0 mm，FOV 36 cm×36 cm，矩阵256×256。DCE-MRI 共扫描9 个时相，每个时相扫描时间为60 s，其中前1 个时相为蒙片，在第2个时相使用高压注射器（MED TRON）经肘静脉推注顺磁性对比剂Gd-DTPA（拜耳公司），剂量为0.1 mmol/kg，注射流率2.0 mL/s，然后注射生理盐水15.0 mL，流率3.0 mL/s。

1.3 图像分析方法

从影像归档和通信系统（picture archiving and communication systems, PACS）系统将病灶MR增强扫描后的T1WI抑脂横轴位图像导入后处理平台（医准-达尔文科研平台，http://premium.darwin.yizhun-ai.com），然后由两名具有5 年以上乳腺MRI诊断经验的放射科主治医师在未知其病理情况下，选择肿块最大层面且强化最明显的区域沿病灶边缘手动勾ROI，勾画时尽量避开肿瘤坏死囊变及瘤周水肿区域。如存在意见不同的靶区勾画部分，将另请一位具有10 年以上乳腺MRI 诊断经验的高年资放射学专家（主任医师）进行商讨后最终确定。

ROI 勾画完毕后，以分子分型是与非作为二分类指标进行特征参数提取（Luminal A型与非Luminal A型；Luminal B 型与非Luminal B 型；HER-2 过表达型与非HER-2 过表达型；TNBC 与非TNBC），共计提取1125个特征。首先对特征进行标准化处理，使算法收敛更快，然后用最优特征筛选器进行特征降维，从原始特征中筛选出每组最相关特征参数，最后基于MRI最优特征结合逻辑回归分类器建立二分类预测模型。

1.4 免疫组化及分子分型判断标准

2015年St.Gallen国际乳腺会议[16]4种免疫组化指标雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、人类表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）、Ki-67的表达情况不同，将乳腺癌分为4种不同的分子亚型：Luminal A型、Luminal B型、HER-2过表达型及TNBC。分型标准详见表1。

表1 乳腺癌分子分型标准Tab.1 Molecular classification criteria for breast cancer

1.5 统计学方法

采用SPSS 26.0 软件进行统计分析。计数资料采用χ2检验及Fisher 确切概率法，计数资料用频数表示。本研究的计量资料有：年龄、纹理特征，符合正态分布的计量资料以表示，两组间比较采用独立样本t检验，多组间比较进行方差分析（单因素ANOVA检验），并取其中有意义的计量资料进行事后多重比较；不符合正态分布的计量资料以中位数和四分位数M（P25，P75）表示，两组间比较采用Mann-WhitneyU检验，多组间比较行Kruskal-Wallis 检验。对两组间差异有统计学意义的纹理特征以Medcalc 软件建立ROC 曲线，计算曲线下面积（area under the curve,AUC），确定截断值，评价其对不同乳腺癌分子分型的鉴别诊断效能。P＜0.05为差异具有统计学意义。

2 结果

2.1 患者临床病理资料

四种分子分型乳腺癌患者间年龄、绝经状态、病理学分型、MRI 强化情况及淋巴结转移情况的差异均不具有统计学意义（P＞0.05）（表2）。

表2 四种分子分型乳腺癌患者临床资料Tab.2 Four molecular classification of breast cancer patients with clinical data

2.2 特征提取及模型构建

将四种乳腺癌分子分型以二分类（Luminal A型/非Luminal A 型、Luminal B 型/非Luminal B 型、HER-2 过表达型/非HER-2 过表达型及TNBC/非TNBC）分组，经过特征筛选降维，最终每组各筛选出5 个最优特征（表3），其中包含有一阶统计特征、形状特征及纹理特征，本研究仅对纹理特征进行统计分析。

图1 乳腺癌动态对比增强MRI ROI示意图。1A～1D分别为Luminal A型、Luminal B型、HER-2过表达型、三阴性乳腺癌患者术前动态对比增强MRI T1WI压脂轴位单层靶区勾画示意，红线范围内为病灶ROI。HER-2：人表皮生长因子受体2； ROI：感兴趣区。Fig.1 Breast cancer dynamic enhanced MRI ROI diagram.1A-1D are Luminal A type, Luminal B type, HER-2 overexpression type, triple negative breast cancer patients with preoperative MRI dynamic contrast-enhanced T1WI fat suppression axial single-layer target area delineation, the red line range is the ROI of lesion.HER-2: human epidermal growth factor receptor 2; ROI: region of interest.

表3 经筛选降维所得最优特征参数名称Tab.3 Optimal feature parameter names obtained by dimension reduction through screening

基于MRI图像特征参数，使用逻辑回归分类器构建预测模型，各模型的AUC 值、特异度、敏感度、准确率见表4，四种模型中预测Luminal A 型乳腺癌效能最高，AUC为0.92。

表4 基于MRI纹理特征各亚型分类模型的诊断效能Tab.4 Diagnostic efficacy of each subtype classification model based on MRI texture features

2.3 MRI纹理特征诊断Luminal A型乳腺癌的价值

在Luminal A 型组中有4 个纹理特征：灰度共生矩阵-逆差矩归一化（wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized, w-HL_glcm_Idmn）、相邻灰度色差矩阵-对比度（wavelet-LL neighboring gray tone difference matrix contrast, w-LL_ngtdm_C）、三维灰度共生矩阵-聚类阴影（3D grey level co-occurrence matrix cluster shadow, 3D_glcm_CS）、三维相邻灰度色差矩阵-强度（3D neighboring gray tonedifference matrix Strength, 3D ngtdm_S）。使用Mann-WhitneyU检验对Luminal A 型与非Luminal A 型组间4 个纹理特征进行统计学分析，发现3D_ngtdm_S 在组间的差异无统计学意义，其他3 个MRI纹理特征的差异均具有统计学意义（P＜0.05）。

w-HL_glcm_Idmn、w-LL_ngtdm_C、3D_glcm_CS 诊断Luminal A 型乳腺癌的AUC 值分别为0.73、0.70 和0.75，其中3D_glcm_CS 的鉴别诊断效能最高，以3D_glcm_CS＞0.439时诊断Luminal A型乳腺癌的敏感度为54.55%，特异度为90.62%，诊断效能的ROC 曲线见图2A。

图2 管腔型乳腺癌中差异有统计学意义的纹理特征的ROC曲线。2A为差异有统计学意义的特征参数鉴别Luminal A 型与非Luminal A 型乳腺癌的ROC曲线。2B 为差异有统计学意义的特征参数鉴别Luminal B型与非Luminal B 型乳腺癌的ROC 曲线。ROC：受试者工作特征；AUC：曲线下面积；w-HL_glcm_Idmn：灰度共生矩阵-逆差矩归一化；w-LL_ngtdm_C：相邻灰度色差矩阵-对比度；3D_glcm_CS：三维灰度共生矩阵-聚类阴影；o_glcm_CS：原始灰度共生矩阵-聚类阴影；w-LL_glcm_CS：低通滤波器-灰度共生矩阵-聚类阴影。Fig.2 ROC curve of texture features with statistically significant differences in luminal breast cancer.2A is the ROC curve of the characteristic parameters with statistically significant differences in differentiating Luminal A and non-Luminal A breast cancer.2B is the ROC curve of the characteristic parameters with statistically significant differences to identify Luminal B and non-Luminal B breast cancer.ROC:receiver operating characteristic; AUC: area under the curve;w-HL_glcm_Idmn: wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized; w-LL_ngtdm_C: wavelet-LL neighboring gray tone difference matrix contrast; 3D_glcm_CS: 3D grey level co-occurrence matrix cluster shadow; o_glcm_CS: original gray level co-occurrence matrix cluster shadow; w-LL_glcm_CS: wavelet-LL grey level co-occurrence matrix cluster shade.

2.4 MRI纹理特征诊断Luminal B型乳腺癌的价值

在Luminal B型组间选出的5个特征中有3个纹理特征：原始灰度共生矩阵-聚类阴影（original gray level co-occurrence matrix cluster shadow, o_glcm_CS）、高通滤波器-灰度共生矩阵-聚类阴影（wavelet-HH grey level co-occurrence matrix cluster shade, w-HH_glcm_CS）、低通滤波器-灰度共生矩阵-聚类阴影（wavelet-LL grey level co-occurrence matrix cluster shade,w-LL_glcm_CS）。使 用Mann-WhitneyU检 验 对Luminal B 型与非Luminal B 型2 组间3 个 纹理特征进行统计学分析，发现w-HH_glcm_CS组间的差异无统计学意义（Z=1.315，P=0.189），o_glcm_CS、w-LL_glcm_CS 两个纹理特征组间差异均具有统计学意义（P＜0.05），两者鉴别诊断Luminal B型乳腺癌亚型的AUC分别为0.65和0.65（图2B），其中o_glcm_CS的鉴别诊断效能最高，以o_glcm_CS＞0.169时诊断Luminal B型乳腺癌的敏感度为72.22%，特异度为64.10%。

2.5 MRI纹理特征诊断HER-2过表达型乳腺癌的价值

对HER-2 过表达型与非HER-2 过表达型2 组间5 个纹理特征进行统计学分析，发现二维-灰度游程长度矩阵-运行熵（local binary pattern 2D gray level run length matrix run entropy,lbp-2D_glrlm_RE）、灰度区域大小矩阵-依存熵（sigma grey level size zone matrix dependent entropy, s_glszm_DE）、灰度依赖矩阵-小依赖低灰度级强调（3D grey level dependence matrix small dependent low gray level emphasis,3D_gldm_SDLGLE）、灰度区域大小矩阵-低灰度级区域强调（3D grey level size zone matrix low gray level zone emphasis, 3D_glszm_LGLZE）、三维灰度区域大小矩阵-小区域低灰度优势（3D grey level size zone matrix small area low gray level emphasis, 3D_glszm_SALGLE）的组间差异均具有统计学意义（P＜0.05）（表5），各特征鉴别诊断HER-2 过表达型乳腺癌亚型的诊断效能详见表6，图3A，其中3D_glszm_SALGLE 的鉴别诊断效能最高，3D_glszm_SALGLE≤-0.460时诊断HER-2过表达型乳腺癌的敏感度为92.86%，特异度为70.49%。

图3 HER-2过表达型及TNBC中差异有统计学意义的纹理特征的ROC曲线。3A：差异有统计学意义的特征参数鉴别HER-2 过表达型与非HER-2过表达型乳腺癌的ROC曲线。3B：差异有统计学意义的特征参数鉴别TNBC与非TNBC的ROC曲线。AUC：曲线下面积；HER-2：人表皮生长因子受体2；TNBC：三阴性乳腺癌；ROC：受试者工作特征；lbp-2D_glrlm_RE：二维-灰度游程长度矩阵-运行熵；3D_gldm_SDLGLE：灰度依赖矩阵-小依赖低灰度级强调；3D_glszm_LGLZE：灰度区域大小矩阵-低灰度级区域强调；s_glszm_DE：灰度区域大小矩阵-依存熵；3D_glszm_SALGLE：三维灰度区域大小矩阵-小区域低灰度优势；w-LH_ngtdm_B：高通滤波器-相邻灰度色差矩阵。Fig.3 ROC curve of texture features with statistically significant differences between HER-2 overexpression and TNBC.3A is the ROC curve of the characteristic parameters with statistically significant differences in identifying HER-2 overexpressing and non- HER-2 overexpressing breast cancer.3B is the ROC curve of the characteristic parameters with statistically significant differences to identify TNBC and non-TNBC.AUC: area under the curve; HER-2: human epidermal growth factor receptor 2; TNBC: triple negative breast cancer; ROC: receiver operating characteristic.lbp-2D_glrlm_RE: local binary pattern 2D gray level run length matrix run entropy; 3D_gldm_SDLGLE: 3D grey level dependence matrix small dependent low gray level emphasis; 3D_glszm_LGLZE: 3D grey level size zone matrix low gray level zone emphasis; s_glszm_DE: sigma grey level size zone matrix dependent entropy; 3D_glszm_SALGLE: 3D grey level size zone matrix small area low gray level emphasis; w-LH_ngtdm_B: wavelet LH neighbouring gray tone difference matrix busyness.

表5 HER-2过表达型与非HER-2过表达型组间纹理特征比较分析Tab.5 Comparative analysis of texture features between HER-2 overexpression and non- HER-2 overexpression groups

表6 纹理特征鉴别HER-2过表达型乳腺癌的诊断效能Tab.6 Diagnostic efficacy of texture features in the identification of HER-2 overexpressing breast cancer

2.6 MRI纹理特征诊断三阴性乳腺癌的价值

在三阴性乳腺癌组中有4个纹理特征：高通滤波器-相邻灰度色差矩阵（wavelet LH neighbouring gray tone difference matrix busyness, w-LH_ngtdm_B）、灰度游程长度矩阵-长运行强度（wavelet-HH gray level run lngth matrix long run emphasis,w-HH_glrlm_LRE）、灰度游程长度矩阵-运行方差（wavelet-HH gray level run lngth matrix run variance, w-HH_glrlm_RV）、灰度区域大小矩阵-小区域强调（wavelet-HH grey level size zone matrix small area emphasis, w-HH_glszm_SAE）。对TNBC 与非TNBC 组间4 个纹理特征进行统计学分析，发现组间w-LH_ngtdm_B 的差异具有统计学意义（P＜0.05），其鉴别诊断TNBC的诊断效能见图3B，AUC为0.65，以w-LH_ngtdm_B＞-0.255 时诊断TNBC 的敏感度为92.86%，特异度为39.34%。

3 讨论

本研究使用回顾性方法评估了乳腺癌MRI图像纹理特征在术前鉴别乳腺癌分子分型中的价值。结果发现三个纹理特征在Luminal A型与非Luminal A型组之间的差异有统计学意义，两个纹理特征在Luminal B型与非Luminal B 型组之间的差异有统计学意义，五个纹理特征在HER-2过表达型与非HER-2过表达型组之间的差异有统计学意义，仅一个纹理特征在TNBC与非TNBC组之间的差异有统计学意义。此外，基于MRI图像特征参数所建立的Luminal A 型、Luminal B型、HER-2过表达型、TNBC的预测模型AUC值分别为0.92、0.83、0.83、0.72。研究表明，部分纹理特征在鉴别乳腺癌分子分型时具有显著差异，其中HER-2过表达型的多个MRI纹理特征明显有别于非HER-2过表达型组，说明MRI纹理分析对HER-2过表达型与非HER-2过表达型的分类具有一定提示意义，这与BRAMAN等[17]的研究结果相似。通过特征筛选降维构建的基于逻辑回归的二分类模型中，鉴别管腔A型与非管腔A型乳腺癌组诊断效能最高、AUC为0.92，这一结果与SUTTON等[18]的发现一致，笔者今后也将收集更多样本数据来验证模型。由于HER-2过表达型乳腺癌治疗方案与其他分型截然不同，其预后较管腔型乳腺癌差，通常通过分子靶向联合化疗进行，TNBC 恶性程度最高，需行新辅助化疗。因此，这一研究结果可以支持及帮助临床分型诊断及选择治疗方案，为临床医生术前决策提供一定的理论参考依据。

3.1 不同分子分型乳腺癌患者的一般资料

乳腺癌作为一种高度异质性的肿瘤，其分子分型与患者的预后及临床治疗方案密切相关[19-20]。随着基因组学的发展，以往仅关注形态学的组织病理学诊断越来越无法满足临床诊疗需求，需根据免疫组化结果进行肿瘤的分子分型。PEROU等[21]的研究显示，管腔A型乳腺癌的发病率在四种分子亚型中最高，与SUN等[22]和TSAI等[23]的研究结果一致。本研究对75例乳腺癌患者的病理资料进行分析，结果显示Luminal A 型约14.7%、Luminal B 型约48.0%、HER-2 过表达型约18.7%、三阴性乳腺癌约18.7%，其中Luminal B 型占比最高，这与黄峻琳等[24]的研究一致。其原因在于本研究采用的分型标准，将PR高表达（≥20%）作为管腔A型的分型条件，而不满足上述条件的管腔型乳腺癌均认为是管腔B型。

本研究中，各分子亚型乳腺癌患者间年龄、绝经状态、淋巴结转移情况的分布差异不具有统计学意义，与SHENG 等[25]的研究结果一致。郭俊字等[26]、汪玲等[27]研究却发现不同分子分型在年龄、淋巴结转移间差异具有统计学意义。这些研究得到的结果不同，可能与研究对象的选择、样本量大小及组间数据是否均衡有关。

3.2 特征筛选与模型构建

乳腺MRI 可产生大量的图像数据，近些年，许多学者利用MRI 图像勾画乳腺疾病的ROI 并提取特征，通过研究发现所提取的部分纹理特征在鉴别乳腺病变的良恶性[28-29]、预测腋窝淋巴结状态[30]等方面具有较高的价值。本研究则是通过MRI 图像纹理特征来术前预判乳腺癌分子分型，因为乳腺癌的分子亚型及其高异质性是目前研究证明影响治疗和预后的重要因素，因而本研究更具有现实的临床意义。既往国内一些学者[31]利用T2WI 压脂平扫图像进行肿瘤分割并提取纹理特征，而DCE-MRI图像蕴含着更多病灶血流动力学数据信息，本研究较既往一些研究更严谨、完善，勾画了乳腺肿块强化最明显的最大层面ROI，更深度挖掘的病灶的内部异质性。

纹理分析利用计算机视觉，尽可能地从原始图像中提取纹理特征进行量化以供算法和模型使用[32]。现在各类软件所提取的特征数量众多，导致模型过度拟合，所以需要通过降维筛选出最优特征参数，便于解释与研究。特征选择主要是为了降维以减少特征数量，加强模型泛化能力，减少过度拟合，同时增加对特征和特征值之间的理解。目前研究中对于特征选择应用较多的有LASSO 算法、方差阈值筛选器、迭代筛选特征、最小冗余最大相关算法、最优特征筛选等[33-34]。本研究选择的特征降维手段是用最优特征筛选器进行降维，最优特征筛选器是通过统计方法筛选出对分类重要的特征。其内置的评价准则有χ2检验、样本方差F值及离散类别交互信息，可以配置特征选择的评价准则，以及需要保留的特征维数。

本研究采用的逻辑回归是一种分类算法，其功能是提供一个回归分类预测模型，根据输入的样本特征向量预测样本所属类别的概率，并估计每个自变量的权重，同时逻辑回归模型还可以结合特征对应的权值，分析单一因素对某一事件发生的影响因素。具有快速高效、模型可解释性强及其结果具备概率意义、可扩展性强等优点。

3.3 MRI纹理特征预测乳腺癌分子分型

随着技术的发展，以纹理分析、放射组学、深度学习为代表的多种计算机辅助诊断方法在医学研究中发挥着重要作用[35]。现有纹理分析研究多采用MRI图像，也有部分学者采用DCE-MRI定量参数图、DWI、ADC图等进行分析，不同研究选用的纹理参数不尽相同，各个研究得出的纹理参数与肿瘤分子亚型间的关系也不尽相同。总体来说，既往研究已发现了与乳腺癌亚型相关的MRI纹理特征。如薛珂等[36]研究发现基于动态增强MRI纹理分析是潜在评估乳腺癌异质性的一种方法，纹理特征能够很好地区分HR 阳性与HR 阴性型乳腺癌；HOLLI-HELENIUS 等[37]使用TA 软件MaZda 从每个肿瘤T1WI抑脂增强前后的MR图像中提取基于共生矩阵的纹理特征，结果得到了区分Luminal A型和Luminal B型最具鉴别性的2个纹理参数是总熵和总方差。

本研究在对不同分型乳腺癌进行两组间比较时发现，TNBC与非TNBC组间只有1个MRI纹理特征差异有统计学意义，即纹理分析对鉴别TNBC 可能存在一定局限性。XIE 等[38]基于定量ADC 图和DCE 半定量图发现部分纹理参数在不同亚型乳腺癌组间存在统计学差异，在鉴别TNBC 和Luminal A 型、和HER-2 阳性癌、和非TNBC 的AUC 分别为0.71、0.76、0.68，纹理分析在鉴别TNBC 时表现欠佳，这与本研究结果一致。BRAMAN 等[17]、GRIMM 等[39]研 究发现HER-2 过 表达型乳腺癌与常规增强乳腺MRI 半自动提取的特征相关。马晓雯[40]对乳腺DCE-MRI 图像进行影像组学特征的提取及分析，结果发现HER-2 过表达与非HER-2 过表达组间最优特征最多，然后基于这些影像参数构建模型得到鉴别HER-2 过表达和非HER-2 过表达的效能最高AUC为0.66，此结果与本研究不尽相同。与之前研究相反，WU等[41]对乳腺癌患者的MRI图像行纹理分析，发现在Luminal A 型与非Luminal A 型、Luminal B型与非Luminal B型、TNBC与非TNBC组间均存在显著统计学差异的纹理特征，且三组分子亚型分类诊断模型的AUC分别为0.71、0.67、0.66，此结果与本研究及SUTTON等[18]发现一致。

本文利用逻辑回归基于MRI 纹理参数建立分类模型，在不同分子分型乳腺癌中达到了较好的鉴别效果，鉴别Luminal A 型和非Luminal A 型时表现最佳（AUC 达0.92），但鉴别TNBC 和非TNBC 效果欠佳（AUC为0.72），本研究与WU等[41]研究一致。本研究与既往相似研究结果不尽相同，笔者认为这可能与患者的纳入排除标准、实验技术设计等有关，需要在相同的条件下使用动态分析进一步验证。

以上结果均提示，纹理分析已日趋显示其临床应用价值，本研究MRI纹理分析在鉴别乳腺癌分子亚型方面具有一定价值，一些纹理特征可能成为潜在影像标志物，为临床提供相应的参考价值。

3.4 局限性

本研究仍有一些不足之处：（1）由于非肿块型乳腺癌病灶难以准确勾画ROI边界，因此本研究仅纳入肿块型病变，可能存在数据偏倚；（2）本研究为单中心、小样本回顾性研究，样本量较小，有些分子亚型乳腺癌的病例数较少，组间数据平衡性欠佳，在今后研究中有待收集更多样本数据进一步验证；（3）肿瘤ROI均为放射科医师手动勾画，可能存在一定的偏差。

4 结论

综上所述，基于DCE-MRI纹理分析可实现术前较准确地预测乳腺癌分子分型，基于MRI纹理特征构建的逻辑回归模型在乳腺癌分子分型中有较好的诊断效能，为临床医生术前指导治疗及预后评估提供一定的理论参考依据。

作者利益冲突声明：全部作者均声明无利益冲突。

作者贡献声明：张婷婷设计本研究的方案，对稿件重要的智力内容进行了修改；林倩起草和撰写稿件，获取、分析或解释本研究的数据；陈爱华获取、分析或解释本研究的数据，对稿件重要的智力内容进行了修改；张婷婷获得了北京医学奖励基金会睿影基金项目资助；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。