基于磁共振成像的影像组学在乳腺癌诊疗中的应用进展_顾银银.pdf

基于磁共振成像的影像组学在乳腺癌诊疗中的应用进展顾银银，丁承宗山东中医药大学附属医院放射科山东济南250114【摘要】乳腺癌是女性发病率最高的恶性肿瘤，早期诊断非常重要，MI 影像组学作为医学图像分析领域的一项新兴技术，可以提升乳腺癌检出率、评估治疗反应及预后等，本文就 MI 影像组学在乳腺癌诊疗中的应用作一综述。【关键词】乳腺癌;磁共振成像;影像组学中图分类号:737 9;445 2文献标识码:A文章编号:1006-9011(2023)04-0657-04The progress of MI based radiomics in the diagnosis and treatment of breast cancerGU Yinyin，DING ChengzongDepartment of adiology，Affiliated Hospital of Shandong University of Traditional Chinese Medicine，Jinan 250114，China【Abstract】Breast cancer is the most common malignant tumor in the world with a high incidence，which is the leading cause ofcancer death in women adiomics，as an emerging technology，can improve breast cancer detection rate，evaluate treatment re-sponse and predict the risk of recurrence The following is a systematic review of the application of M imaging-based radiomics inthe diagnosis and treatment of breast cancer【Key words】Breast cancer;Magnetic resonance imaging;adiomics统计显示乳腺癌是女性发病率最高的恶性肿瘤，也是女性癌症死亡的首要原因1-2，因此，乳腺癌的早期诊断、早期治疗及疗效评估成为目前临床关注的焦点。MI 因其良好的软组织分辨率和空间分辨率，已成为辅助乳腺癌诊断不可或缺的技术，但 MI 影像检查只能显示病灶大小、形态、强化方式等肉眼可见的特征，无法对病灶内部深在特征进行分析，且不同放射科医师诊断具有差异性3，影像组学作为一种新型影像学研究方法，通过深入挖掘肿瘤内在异质特征，辅助临床为肿瘤的诊断、治疗及预后提供决策支持，成为近年来许多学者研究的热点。本文就 MI 影像组学在乳腺癌中的研究进展作一综述。1影像组学基本概述影像组学最初于 2010 年由学者 Gillies 等4 提出后于2012 年经学者 Lambin 等5 作进一步完善，并首次提出“影像组学”的概念，影像组学的诊断依据是假设提取的定量特征是发生在遗传和基因水平上的产物，然后分析定量特征与基因表达之间的关系，帮助医务人员提高对肿瘤生物学行为的认知，进而辅助临床指导乳腺癌患者的诊疗。影像组学的操作流程一般包括 5 个步骤6:1)数据搜集;2)病灶分割;3)特征提取;4)特征选择;5)模型构建。2MI 影像组学在乳腺癌中的应用作者简介:顾银银(1990-)，女，毕业于徐州医科大学，山东中医药大学影像医学与核医学在读硕士研究生，主要从事医学影像学诊断工作通信作者:丁承宗E-mail:dcz0818163 com2 1鉴别乳腺良恶性肿瘤动态对比增强磁共振(DCE-MI)作为乳腺 MI 检查最敏感的序列之一，不仅能清楚反映癌灶的形态学特征，还能通过癌灶的强化方式、时间-信号强度曲线类型等表现形式来反映病灶的灌注状态及功能信息等。高微波等7 研究发现基于 DCE-MI 构建的影像组学标签对鉴别乳腺良恶性病变具有良好的效能，其验证集 AUC 及准确性高达 0 93 及0.91。徐凡等8 研究发现 NGLDM_Coarseness、GLZLM_SZH-GGE、GL-LMLLGE 这 3 个定量特征与乳腺良恶性病变的鉴别诊断存在相关性，其训练集 AUC 为 0 909，验证集 AUC为 0 877。Parekh 等9 基于 DCE-MI 构建的影像组学标签能较好地区分良恶性病变(AUC=0 91)，此外研究还发现影像组学特征熵在恶性病变中明显高于良性，可作为区别良恶性的独立因素。Truhn 等10 对 447 例乳腺癌患者 DCE-MI图像进行回顾性分析，利用卷积神经网络(CNN)和放射组学(A)两种算法分别构建预测良恶性病变的模型，发现 CNN模型(AUC=0 88)对病灶良恶性的鉴别优于 A 模型(AUC=0 81)，可见不同模型对同一病变的鉴别效能也有所不同，但两者均低于放射医师的诊断能力(AUC=0 98)，分析其原因可能与其纳入样本量较小及与诊断医师的经验水平有关。DWI 作为乳腺 MI 常规检查的辅助序列，可无创检测活体组织中水分子扩散运动方向，其参数 ADC 值能够反映组织病理生理变化11，也是目前影像组学常用的研究序列之一。Wang 等12 对 76 例乳腺病变患者的 DWI 图像进行回顾性分析，发现基于角二阶矩、熵和对比度这三个影像组学特征构建的模型对良恶性病变的鉴别具有良好的诊断效能，756医学影像学杂志 2023 年第 33 卷第 4 期J Med Imaging Vol 33 No 4 2023其 AUC 为0 80。吴佩琪等13 基于 ADC 及 DCE-MI 图像分别构建鉴别乳腺癌与乳腺纤维腺瘤的模型，结果显示基于ADC 和 DCE 图像构建的模型在训练集和验证集中的 AUC分别为 0 98 和 0 97 及 0 95 和 0 91，表明基于 DCE-MI 和ADC 图构建的模型对乳腺良恶性病变均有较高的鉴别能力，且基于 ADC 图像构建的模型鉴别效能更优。Hu 等14 也证实了基于 ADC 图像的影像组学标签在良恶性病变中具有良好的鉴别效能。虽然目前对乳腺影像组学的研究主要集中在 DCE-MI，而不是 DWI 或 ADC 序列上，但以上学者的研究也显示了基于 DWI 或 ADC 图像构建的影像组学模型具有不错的发展前景，有望以后广泛应用于临床。2 2评价乳腺癌分子分型不同分子分型乳腺癌因其自身生物学行为的差异，导致其治疗方式、治疗效果及预后复发等方面也存在差异15。目前临床主要依靠免疫组织化学来确定乳腺癌的分子分型，不仅有创、耗时，且由于乳腺肿瘤的异质性，病理结果可能会存在假阴性等问题。因此，能否通过影像组学方法帮助确定乳腺癌分子分型成为近年来许多学者研究的方向。Fan等16 将乳腺癌患者临床信息与 DCE-MI 影像组学特征、乳腺癌背景实质强化(BPE)影像组学特征相结合来构建预测乳腺癌分子分型的综合模型，结果显示该模型鉴别 LuminalA 型、Luminal B 型、三阴性及 HE-2 过表达型的 AUC 分别为 0 867、0 786、0 923 和 0 888，研究还发现 HE-2 过表达型乳腺癌 BPE 强化程度高于其他分子分型乳腺癌，提示HE-2 过表达型乳腺癌新生血管更多且侵袭性更强，但 BPE与月经周期所致的激素水平变化有关，因此其诊断效能仍需进一步验证。Leithner 等17 发现 ADC 及 DWI 图像构建的影像组学模型能够较好的评估乳腺癌受体状态及分子分型，准确率均大于 90%，且前者构建的模型准确率高于后者，该研究显露了在无对比剂帮助下预测乳腺癌生物学行为的潜在可行性。Li 等18 通过 TCGA/TCIA 数据库提取 91 例乳腺癌患者的 DCE-MI 影像组学特征，用以构建预测分子分型的模型，结果显示其识别 E+/E-，P+/P-，HE-2+/HE-2-，TNBC/非 TNBC 的诊断效能分别为 0 89、0 69、0.65、0 67，此外研究还发现纹理特征(熵)与分子分型存在正相关(P=0 006)，说明熵这一纹理特征对乳腺癌分子分型的鉴别也有一定的帮助。薛珂等19 研究结果表明基于DCE-MI 的纹理特征可以较好的区分 H+和 H-型乳腺癌，纹理特征可作为潜在评估乳腺癌异质性的一种方法。以上这些研究显示出 DCE-MI 影像组学在预测乳腺癌分子分型方面具有较高的临床应用价值。2 3新辅助化疗(NAC)疗效评价新辅助化疗(NAC)是局部进展期乳腺癌患者的主要治疗方式，术前实施 NAC 能够缩小肿瘤体积、减少远处转移、降低复发风险等20。NAC 的理想状态是 NAC 后手术切除标本内无浸润性肿瘤细胞残存，即达到病理完全缓解(pC)，但在临床实际工作中仅有 10%50%患者在经过化疗后达到 pC，且目前评估 pC 仍需有创病理检查，因此，利用影像组学方法无创、准确评估 NAC 疗效成为近年来研究的热点问题。Braman 等21 提取了 117 例乳腺癌患者肿瘤内部及周围组织的影像组学特征，用以构建模型来评估对 NAC后的病理完全缓解(pC)，结果显示肿瘤内部及周围组织提取的影像组学特征构建的模型预测 NAC 后病理完全缓解的诊断效能为 0 74，当纳入肿瘤受体状态后，预测能力进一步提升为 0 83。Liu 等22 对乳腺癌 NAC 后的病理完全反应进行了一项多中心的回顾性分析，结果显示多参数 MI 影像组学模型预测乳腺癌病理完全缓解的 AUC 为 0 79;当纳入肿瘤临床分期及受体状态等信息后，其预测病理完全缓解的能力将进一步改善(AUC=0 86)。Chen 等23 构建了 DCE-MI 图像、ADC 图像及两者联合的三个影像组学模型，结果显示两者联合的综合模型预测 NAC 后病理完全缓解的效能(AUC=0 848)优于单独使用 DCE-MI(AUC=0.750)或ADC(AUC=0 785)图像所构建的模型，当综合模型进一步纳入雌孕激素受体状态后，其 AUC 值提升为 0.931，此外，研究还证实了诺模图可以作为预测病理完全缓解的定量工具。两者的研究结果类似，分析其原因可能是因为新辅助化疗效果与患者的临床信息(临床分期、分子分型、年龄等)存在关联，多参数 MI 模型联合临床信息可提高预测新辅助化疗完全缓解的能力。以上学者的研究结果显示基于 MI 图像开发的预测模型在开始治疗前能够较好的预测乳腺癌患者对新辅助化疗的反应。表明 MI 影像组学标签可能提供了一种潜在的生物学工具用以预测乳腺癌新辅助化疗后病理完全缓解的能力。2 4评价乳腺癌预后及预测复发风险价值2 4 1前哨淋巴结浸润前哨淋巴结是影响乳腺癌患者预后及复发风险的高危因素，其状态对评估患者临床分期情况、择取最优诊疗计划、术后辅助化疗等有非常重要的影响，因此被越来越多的学者关注。Dong 等24 构建了 T2加权脂肪抑制(T2-FS)序列、DWI 序列及两者联合的 3 种模型来预测前哨淋巴结转移效能，发现两者联合的综合模型预测效能(AUC=0 805)优于单一使用 T2-FS(AUC=0 770)或 DWI(AUC=0 787)的模型。Cui 等25 研究发现支持向量机(SVM)分类器预测乳腺癌前哨淋巴结转移的效能优于 K-近邻(KNN)和线性判别分析(LDA)分类器，SVM 分类器的AUC 和准确率高达 0 862 和 0 895。Liu 等26 的一项回顾性研究显示，纳入患者临床病理特征的 MI 影像组学模型(AUC=0 869)预测前哨淋巴结转移的效能要高于单独利用临床病理特征或 MI 自身图像构建的模型。上述研究说明了 MI 影像组学标签预测前哨淋巴结转移状态的可行性，有望辅助临床为乳腺癌患者的精准治疗提供帮助。2 4 2Ki-67 指数Ki-67 指数是乳腺癌患者预后的重要标记物，常用来评估乳腺肿瘤细胞增殖状态和患者的治疗反应27。Ma 等28 探讨了 DCE-MI 影像组