超声新技术辅助诊断BI-RADS 4 类病变的应用进展

2024-03-26李嘉泓林鹏基吴天祺薛明松陈庭威梁伟翔

中国介入影像与治疗学 2024年1期

李嘉泓，林鹏基，吴天祺，薛明松，陈庭威，梁伟翔，刘韬*

（1.广州医科大学第二临床医学院，广东广州 511436；2.暨南大学附属红十字会医院介入科，广东广州 510240；3.广州医科大学附属第三医院超声医学科广东省产科重大疾病重点实验室广东省妇产疾病临床研究中心，广东广州 510150）

美国放射学会第4 版乳腺-影像报告和数据系统（breast imaging-reporting and data system，BI-RADS）提出可根据超声所见将乳腺病变分为BI-RADS 0～6类；其中的4 类病变恶性概率不确定，建议以穿刺活检明确诊断；第5 版BI-RADS 进一步将4 类病变分为4A、4B 及4C 亚类，恶性概率分别为2%～10%、11%～50%及51%～95%。精准评估BI-RADS 4 类乳腺病变亚类对制定诊疗方案及改善预后至关重要。本文围绕应用超声新技术辅助诊断BI-RADS 4 类病变的进展进行综述。

1 自动乳腺全容积扫描

自动乳腺全容积扫描（automated breast volume scanner，ABVS）以机械臂自动扫描，获得层厚0.5 mm的连续断层图像，经数字化后存储后处理可弥补手持式超声的不足［1］，能自动获取全乳房容积数据，提供多切面三维重建图像，克服操作者依赖性，实现脱机分析诊断乳腺病变［2］。周恒［3］回顾性分析60 例女性患者共71 个乳腺结节，发现相比常规超声，ABVS 可提高鉴别BI-RADS 4 类良、恶性结节的准确率（77.46%vs.87.32%，P＜0.05），其辅助诊断BI-RADS 4 类结节亚类具有较高敏感度及特异度。有学者［4-5］认为单独以ABVS 冠状面特征，如“汇聚征”“虫噬征”及“中-高回声边界”诊断乳腺病变的效能有限，联合BI-RADS 分类有望将现行标准的4 类病灶判定为3 类（良性可能性大）或5 类（恶性可能性大），以降低漏、误诊风险。马骥等［6］提出，ABVS 检出BI-RADS 4 类小结节微钙化灶的敏感度较高，对判断病灶性质有一定提示作用。但ABVS 不适用于乳房较大、表面存在破溃者，无法观察病变血流及弹性改变，且其冠状面图像所示特征不属于BI-RADS 评估范围［7］。

2 超微血管成像

超微血管成像（superb micro-vascular imaging，SMI）基于彩色多普勒血流成像原理，通过分析杂波运动特征，利用新的自适应算法识别并最大限度减少组织运动产生的伪影，可显示直径＞0.1 mm 的低流速微小血管；通过反映乳腺肿物微血管密度（microvessel density，MVD），SMI 可评估其血流丰富程度及新生血管，为术前无创判断乳腺良、恶性病变的有效方法，未来可用于辅助BI-RADS 分类［8-9］。

荟萃分析［10］结果显示，SMI 评估乳腺良恶性病变指标（Alder 血流分级、穿支血管、微血管分布模式及血管指数）中，微血管分布模式的效能最高。SMI 结合BI-RADS 对4 类乳腺病变进行升、降级或划分其亚类更为精准，还可用于评估乳腺癌患者生存率、复发率及监测化学治疗（化疗）效果［11-13］。王希等［14］以病灶中心血流及穿支血管为乳腺BI-RADS 升、降级标准，发现SMI 结合BI-RADS 更适用于调整富血供乳腺肿物的分类/亚类。但对于血管丰富的炎性病变或癌前病变，SMI 常显示恶性血流征象而影响最终其BI-RADS 分类。部分学者［15-17］提出，BI-RADS 4～5 类肿物中，恶性肿物SMI 血管指数显著高于良性肿物；SMI 联合常规手持超声可提高BI-RADS 分类准确率。PARK等［18］根据多项SMI 特征对BI-RADS 4 类结节进行再评估，将12 个4A 类乳腺肿物降至3 级，减少了不必要的活检。但有学者［19］认为SMI 显示与体表相距25～35 mm 的乳腺深处病灶效果不佳，无法评估其周围血管特点，且病灶液化、坏死或钙化均极易干扰SMI 质量；应首先综合评估患者一般情况及病灶位置，以判断可否利用SMI 辅助进行BI-RADS 分类。

3 超声弹性成像

超声弹性成像通过对组织施加压力改变其形态、位移及速度等参数，并收集由此产生的信号以获取其弹性信息［20］；常用方式包括剪切波弹性成像（shear wave elastography，SWE）及应变弹性成像（strain elastography，SE）。SWE 能测量组织内剪切波传播速度，并基于彩色编码获取实时剪切波图像，进而分析组织弹性模量；SE 则可将计算机获得的不同组织弹性系数转化为彩色弹性图，计算组织应变比及面积比。

目前多数研究［21-23］认为超声弹性成像对于诊断乳腺BI-RADS 4 类病变具有较高价值。李易凤等［21］根据SWE 检查结果将66 个BI-RADS 4A 类乳腺肿物调整为3 类，准确率为98.51%（66/67）。李涛等［22］报道，BI-RADS 4 类乳腺恶性肿物SWE 弹性最大值及弹性平均值均高于良性肿物，以之联合常规超声鉴别乳腺良、恶性肿物的AUC 为0.958。郑碧玉等［23］以SE 弹性评分半定量评估乳腺肿物的相对硬度，发现联合BIRADS 分类可有效鉴别乳腺良、恶性肿物。虽然SWE及SE 可提高超声诊断乳腺良、恶性病变的效能，但均受操作者影响；且部分乳腺恶性病变内部常因坏死、液化导致病灶硬度减低而影响超声弹性值，应结合其他影像学方法进行诊断。

4 超声造影

超声造影（contrast-enhanced ultrasound，CEUS）通过注入超声造影剂以增强血流与目标脏器/病灶回声对比［24］。临床应用最广泛的超声造影剂为声诺维和示卓安，均系磷脂包裹的微气泡［25］。近年出现的部分新型超声造影剂可靶向显示乳腺癌高表达的蛋白、受体或抗原，有助于提高诊断特异度及敏感度［26-27］。

BI-RADS 4 类病变中，恶性病变多形态不规则、回声不均，边界呈“蟹足样”改变［28-29］；而良性病变多呈局限性生长的椭圆形或圆形，有包膜，边界清晰，内部回声均匀［30］。CEUS 可提高超声诊断BI-RADS 4 类良、恶性病变的准确率［31-33］：恶性病变多呈“快进快出”“向心性”不均匀增强，而良性病变多呈均匀增强。此外，CEUS 显示乳腺病灶更清晰，可弥补CDFI 难以显示微血管及坏死组织血流信号的缺陷，有助于提高穿刺活检的准确性［34］。目前CEUS 定量、定性诊断BIRADS 4 类病变尚无统一标准［31］，亟待完善。

5 人工智能

S-Detect 为新型人工智能（artificial intelligence，AI）超声辅助诊断技术，无创、无辐射、操作简便、操作者依赖性低，基于超声图像勾画病灶范围及提取病灶特征仅需十数秒，可根据BI-RADS 分类迅速鉴别乳腺良、恶性病变［35］。S-Detect 常通过2 种途径辅助诊断BI-RADS 4 类结节：若S-Detect与BI-RADS 分类均提示良性，则诊断为良性病变，如其一提示恶性，则诊断为恶性病变；常规超声扫查后切换S-Detect 模式，计算机自动生成诊断，若显示“可能恶性”则上调原分类，显示“可能良性”则下调原分类［36-38］。曹力等［39］对比S-Detect与常规超声判断乳腺良、恶性病变BI-RADS 分类的效能，二者的AUC 分别为0.877～0.893 及0.690～0.868，且S-Detect 可降低医师主观因素的影响；但也有学者［38］指出，对于经验丰富的高年资医师而言，是否采用S-Detect 技术对诊断结果并无明显影响。SDetect无法识别病灶内微钙化，需结合其他检查综合评价［40］；不易识别直径＜1 cm 病灶［41］；最大长轴切面与垂直切面结果不一致时，应以最大长轴切面为准［42］。

此外，计算机辅助诊断系统（computer aided diagnosis system，CAD system）、迁移学习模型也可用于判断乳腺病变BI-RADS 分类［43-44］，但相关研究尚少，有待进一步观察。