基于DCE-MRI表现的logistic回归分析模型在乳腺良恶性病变诊断中的应用＊

刘刚虎 汪 飞 程兰兰 胡汉金

安庆市立医院医学影像科 (安徽 安庆 246003)

乳腺病变是女性常见、多发病之一，包括乳腺结节等良性病变与乳腺癌等恶性病变。乳腺是女性机体重要部分，一旦发生恶性病变，往往需要对乳房进行手术治疗，给女性生理及心理带来极大损害。近年来乳腺癌发病率逐渐上升，且出现年轻化趋势。根据2020年国际癌症研究机构(IARC)发布数据显示，乳腺癌新发病例约占全球新发癌症病例的11.7%，首次超过肺癌成为癌症发病率全球第一[1]。中国乳腺癌患者占所有癌症患者9.1%，也是中国女性癌症发病类型首位。乳腺癌死亡人数约占中国癌症死亡总数3.9%，占女性癌症死亡率第四位，严重危害女性健康[2]。乳腺癌早期症状不明显，30%的女性确诊时已是晚期，错过最佳治疗期，影响女性生命质量。对乳腺良恶性病变进行准确鉴别对患者的治疗方案起确定性作用，从而改善预后。随着医学影像学的发展，动态增强MRI(dynamiccontrast enhanced MRI，DCE-MRI)在乳腺良恶性病变诊断中广泛应用，DCE-MRI可以直观反映病灶的血流动力学特征，其较传统CT检查具有解剖图像清晰，无辐射等的优点[3-4]。但影像学诊断乳腺疾病结果依赖操作者与新技术应用的熟练程度及诊断经验，存在“异病同影”的问题，缺乏特征性指标。如何提高影像学对乳腺疾病的诊断能力成为研究热点之一。因此学者们提出了乳腺癌的预测模型，利用数学模型结合影像学资料，做出更准确客观的诊断[5]。因此，本研究基于多模态MRI影像学表现，采用logistic回归分析的方法构建乳腺良恶性病变诊断模型，旨在提高对乳腺良恶性病变鉴别诊断的水平。

1 资料与方法

1.1 一般资料回顾性分析2021年1月至2023年10月来我院进行乳腺检查患者161例临床资料。

纳入标准：术前两周内行乳腺MRI平扫和DCE-MRI扫描；均经手术病理证实疾病良恶性。排除标准：既往有其他恶性肿瘤病史或乳腺疾病史；有MRI禁忌证；不能耐受上臂上举。

最终纳入161例乳腺疾病患者，均为女性，经术后病理检查确诊。良性病变者60例：乳腺纤维腺瘤者35例，乳腺腺病16例，导管内乳头状瘤12例，部分患者合并多种良性病变；恶性病变者101例：浸润性导管癌76例，导管原位癌14例，浸润性小叶癌3例，浸润性乳腺癌3例，实性乳头状癌2例，粘液癌1例，腺样囊性癌1例，浸润性癌1例。分别纳入良性组及恶性组，见表1。

表1 病例基本情况[n(%)]

1.2 DCE -MRI 扫描方法采用德国西门子3.0T Skyra MR超导型扫描仪，检查前患者去除身上金属物品，取俯卧位，双乳充分暴露、自然悬垂于线圈中心，双臂置于头两侧。检查过程中保持平静呼吸、避免移动和吞咽动作。

扫描序列和参数：轴位T1WI：视野(Field of View，FOV)340 m m×340 mm、重复时间(repetition time,TR)450ms，回波时间(echo time,TE)为9.7ms、层厚/层间距 4mm/1mm、矩阵 320×320；T2WI：TR4050ms、TE80ms；抑脂T2WI：FOV 340mm×340mm，TR4200ms、TE60ms，层厚/层间距3mm/1mm，矩阵384×384。DWI序列：FOV340mm×340mm，TR/TE=7600/71ms，层厚/层间距5mm/1mm，矩阵160×160，b值(激励次数)为50s/mm2，1000s/mm2。

DCE-MRI：TR 4.7ms，TE 1.77ms，层厚 1.2mm，反转角10°，FOV 320mm×320mm，矩阵320×320。应用乳腺容积成像序列进行增强扫描，第一个时相先扫蒙片，随后采用高压注射器以2mL/s速率，注射0.2mmol/kg对比剂钆喷酸葡胺注射液和等量生理盐水，注入对比剂后行动态增强扫描，单期扫描时间为1min，共获得7期图像。

将所得数据及图像上传至Syngo工作站，由2名高年资乳腺放射科医师进行后处理及重建，判定诊断结果采用双盲法，意见不一致时共同协商认定。

1.3 统计方法选择SPSS 20.0统计学软件进行统计分析，计数资料以率[n(%)]表示，比较采用χ2检验或Fisher精确检验；定量资料以平均数±标准差表示，比较采用t检验；非正态分布的定量资料采用中位数(四分位数距)[M(Q)]表示，组间比较采用Mann-Whitney U检验。实施Logistic回归分析，建立Logistic回归模型；绘制受试者工作特征曲线(ROC)评估评价模型诊断能力；当P<0.05，表明差异有统计学意义。

2 结 果

2.1 病例基本情况两组腺体分型比较差异无统计学意义(P>0.05)。年龄、生育史等差异有统计学意义(P<0.05)。见表1。 单因素分析显示，两组TIC曲线、ΒI-RADS分级、早期强化率、边缘形态及病灶大小比较差异有统计学意义(P<0.05)。见表2。

表2 影响乳腺良恶性病变DCE-MRI危险因素分析[n(%)]

2.2 影响乳腺良恶性病变赋值二分类型指标赋值为0、1，数值型赋值为实测值，病变良恶性赋值：良性病变=0，恶性病变=1。见表3。

表3 影响乳腺良恶性病变DCE-MRI危险因素赋值

2.3 影响乳腺良恶性病变二元Logisitic回归分析根据二元Logistic回归分析结果显示，TIC曲线、ΒI-RADS分级、早期强化率、边缘形态及病灶大小是乳腺良恶性病变危险征像。从而建立Logistic回归诊断模型为：Y=-0.633+0.645TIC曲线+2.112×ΒIRADS分级+1.142×早期强化率+1.136×边缘形态+1.136×病灶大小，见表4。

表4 影响乳腺良恶性病变二元Logisitic回归分析

2.4 二元Logisitic诊断模型的评价与验证结果采用ROC曲线评价基于DCE-MRI表现的Logisitic回归分析乳腺良恶性诊断模型，敏感度83.33%，特异度为85.15%，ROC曲线下面积AUC为0.944，提示该模型具有较高的诊断效能。

图1 Logisitic乳腺良恶性诊断模型ROC曲线分析图

图2A-图2C 左乳乳腺纤维腺瘤；患者女，35岁，左乳乳腺纤维腺瘤。图2A MRI横轴位脂肪抑制T2WI示左乳外上象限见一类圆形团块状高信号影，信号欠均匀，其内可见低信号分隔，境界清晰；图2B 病灶增强呈不均匀强化；图2C 动态增强后病变区时间-信号强度曲线图呈流入型。图3A-图3C 左乳浸润性导管癌；患者女，61岁，左乳浸润性导管癌。图3A MRI横轴位脂肪抑制T2WI示左乳外上象限见不规则分叶状肿块影，边缘可见毛刺，境界不 清；图3B 增强后病灶明显强化，强化程度欠均匀，中心见斑点状相对低信号；图3C 动态增强后病变区时间-信号强度曲线图呈流出型。

3 讨 论

乳腺恶性病变是妇女较为常见的肿瘤疾病，且发病率一直处于上升趋势。随着影像学技术在医学领域的发展，MRI已成为乳腺良恶性病变临床鉴别重要方式。尤其是DCE -MRI技术，具有多序列成像、多参数、多方位等特点，且有较高的软组织的空间分辨率。TIC曲线可以反映病灶血流灌注情况，肿瘤强化特征及血流轮廓情况，可克服乳腺脂肪组织较多引起的环形伪影问题[6-7]。但同时乳腺良恶性病变的组织结构差异较大，形态不规则、边界不清及内部砂砾样钙化等恶性肿物共同特征，在实际诊断中不一定同时具备，而且良、恶性肿物影像学资料存在部分征象重叠，难免影响诊断的准确性[8-9]。二元Logistic回归分析，能够将统计学意义的因子从诸多因素中分析出，并进行各因子交互分析，起到筛选作用[10-11]。因此，广泛应用于临床研究各种疾病诊断模型建立中。本研究通过分析DCE-MRI表现，构建乳腺良恶性病变的二元Logistic回归分析诊断模型，并进行ROC曲线判断该模型效能。

本研究应用DCE -MRI表现的资料，经过二分类Logistic回归分析，筛选出TIC曲线、ΒI-RADS分级、早期强化率、边缘形态及病灶大小5项特征变量具有统计学意义，提示其在乳腺良恶性鉴别诊断中的作用，需要着重观察。本研究建立诊断模型，ROC曲线研究结果显示，敏感度83.33%，特异度为85.15%，ROC曲线下面积AUC为0.944，提示该模型具有较高的诊断效能。基于DCE-MRI表现二元Logistic乳腺良恶性病变诊断模型，作为乳腺病变无创诊断工具，有良好的临床推广价值。

TIC曲线主要分为平台型、流入型、流出型(廓清型)，主要由MR的动态增强序列注射造影剂后，根据病灶强化程度在不同时相上的数值描绘，反映病灶血流动力学特征，对于病变性质判断有所帮助[12]。研究结果显示良恶性病变TIC曲线比较差异性具有统计学意义。其机制在于良性、恶性病变对于造影剂的摄取和排泄速度不同所致，而恶性病变有较多的肿瘤新生血管，致使造影剂排泄较快。但肿瘤血管发育不良具有较高的血管通透性，加速肿瘤部位对比剂的渗出。因此，信号强度在短时间内迅速上升，达到峰值后呈下降趋势，TIC曲线多呈流出型[13-14]。同理，信号强度迅速上升并达到峰值后，保持缓慢但稳定上升的流入型曲线更倾向于良性病变。但是同样良恶性病变曲线重叠较大，尤其是平台型曲线，需结合临床病理检查。DCE -MRI早期强化程度受病灶血管及血液灌注情况直接影响，因此，成为乳腺良恶性病变重要诊断参考指标[15-16]。早期强化率≥100%OR值为1.906，提示早期强化率≥100%患者发生乳腺恶性病变概率是小于100%的患者的近2倍，丁宁[17]等研究结果显示乳腺病变良恶性诊断指标中早期强化率ROC曲线的AUC为0.783，也说明其在乳腺病变良恶性诊断中的重要性，与本研究结果具有一致性。乳腺癌具有多种形态特征，其中病灶形态不规则、边缘不整齐是其主要表现[18-19]。本研究结果显示边缘形态不清晰是乳腺恶性病变独立危险因素。主要与恶性肿瘤的浸润性或不均衡生长有关，良性病变如纤维瘤等，呈现异常增殖，膨胀性生长状态，但并不侵入邻近组织，因此包膜完整，动态增强后呈现边界清楚、形态规则状态[20-21]。而恶性病变因浸润倾向，包膜突破，呈现边缘不清楚、形态不规则[22]。 综上所述，本研究建立基于DCE-MRI表现的logistic回归分析模型，能有效诊断乳腺良恶性病变，有助于乳腺病变早期诊断及制订正确的治疗方案。本研究作为回顾性研究，存在一定局限性，本研究数据组来自一个医疗中心，且样本量相对较小，导致结果缺少泛化性和稳健性，需要进一步进行多中心数据分析。为了使模型更加简单，仅对用DCE-MRI序列提取的影像特征进行研究，这可能降低模型的效能，需要在后续研究中进一步深入探讨。