程鳳燕 楊志企 廖玉婷 楊佳達(dá) 陳湘光 范偉雄 陳小鳳

乳腺癌是女性發(fā)病率和死亡率最高的惡性腫瘤[1-2]。術(shù)前新輔助化療（neoadjuvant chemotherapy，NAC）是早期和進(jìn)展期乳腺癌的標(biāo)準(zhǔn)治療方案，其目的是使腫瘤降期，提高手術(shù)切除率及保乳率[3]，同時(shí)還可盡快了解腫瘤對(duì)化療藥物的敏感性，為術(shù)后化療藥物選擇提供依據(jù)[4]。研究[5]證實(shí)NAC 療效與預(yù)后相關(guān)，且病理完全緩解（pathological complete response，PCR）者的預(yù)后優(yōu)于病理部分緩解（pathologic partial response，PPR）者。目前預(yù)測乳腺癌NAC 療效方法雖然較多，但仍缺乏可以有效預(yù)測PCR 的單一指標(biāo)。影像組學(xué)作為一種高通量提取影像特征的技術(shù)，可通過挖掘影像數(shù)據(jù)對(duì)腫瘤特性進(jìn)行分析，進(jìn)而預(yù)測腫瘤對(duì)治療的反應(yīng)和病人預(yù)后[6]。目前有關(guān)基于動(dòng)態(tài)增強(qiáng)MRI（dynamic contrast enhanced MRI，DCE-MRI）、擴(kuò)散加權(quán)成像（DWI）及兩者聯(lián)合的影像組學(xué)模型預(yù)測乳腺癌NAC-PCR 的研究，國內(nèi)外已有相關(guān)報(bào)道[7-8]，但各模型間的對(duì)比研究尚少。盡管多參數(shù)MRI 影像組學(xué)模型的預(yù)測效能較單參數(shù)MRI 影像組學(xué)模型更高[8]，但多參數(shù)模型的數(shù)據(jù)處理較單參數(shù)模型更為復(fù)雜、繁瑣，不適合臨床應(yīng)用推廣。因此，本研究擬通過比較基于DCE-MRI、表觀擴(kuò)散系數(shù)（ADC）圖的影像組學(xué)模型及基于臨床特征的臨床模型在預(yù)測乳腺癌NAC-PCR 效能方面的差異，為臨床篩選一種簡單、方便及可靠的預(yù)測方法。

1 資料與方法

1.1 一般資料 回顧性收集2016 年1 月—2018年8 月在梅州市人民醫(yī)院行乳腺癌NAC 治療的91例女性病人，年齡 29～68 歲，平均（48.45±9.49）歲。納入標(biāo)準(zhǔn)：①NAC 治療前行多參數(shù)MRI 檢查，包括DCE-MRI 和DWI；②具有NAC 療效病理評(píng)估結(jié)果。排除標(biāo)準(zhǔn)：①臨床資料不全者；②MRI 影像有偽影者。將91 例病人按照7∶3 比例隨機(jī)分為訓(xùn)練組（63 例）和驗(yàn)證組（28 例），2 組均進(jìn)行 NAC 療效病理評(píng)估，訓(xùn)練組中 PCR 者 16 例、PPR 者 47 例，驗(yàn)證組中 PCR 者 7 例、PPR 者 21 例。

1.2 設(shè)備與方法 采用西門子公司Magnetom Skyra 3.0 T MR 掃描設(shè)備，16 通道專用乳腺相控線圈。檢查時(shí)病人取俯臥位，身體保持水平狀態(tài)，雙乳自然懸垂于線圈內(nèi)，頭先進(jìn)。DCE-MRI 參數(shù)：TR 6.4 ms，TE 3.3 ms，F(xiàn)OV 288 mm×384 mm，矩陣 288×384，層厚2.0 mm，層間距0.4 mm，掃描34 個(gè)時(shí)相，第 1 個(gè)時(shí)相17.7 s，以后單時(shí)相掃描時(shí)間8.7 s，總時(shí)間304.8 s。DWI 參數(shù)：TR 420 ms，TE 62 ms，b 值分別取0、50、800 s/mm2，F(xiàn)OV 149 mm×340 mm，矩陣 86×220，層厚4.0 mm，層間距0.8 mm。動(dòng)態(tài)增強(qiáng)掃描采用時(shí)間分辨隨機(jī)軌道（TWIST）成像技術(shù)，先掃蒙片，然后采用高壓注射器經(jīng)手背靜脈團(tuán)注對(duì)比劑釓噴酸葡胺（Gd-DTPA，0.5mmol/mL，拜耳公司），注射劑量0.1 mmol/kg 體質(zhì)量，流率3.0 mL/s，對(duì)比劑注射完畢后以相同流率注射生理鹽水20 mL，前2個(gè)時(shí)相為蒙片，第3 個(gè)時(shí)相在注射對(duì)比劑同時(shí)進(jìn)行掃描，注射對(duì)比劑后共掃描32 個(gè)時(shí)相。

1.3 臨床特征及NAC 療效病理評(píng)價(jià)標(biāo)準(zhǔn) 記錄病人年齡、雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone receptor，PR）、人表皮生長因子受體 2 （human epidermal growth factor receptor，HER-2）、腫瘤增殖細(xì)胞核抗原Ki-67 及NAC 療效病理評(píng)估結(jié)果。ER 和PR 陽性標(biāo)準(zhǔn)為核染色的腫瘤細(xì)胞數(shù)≥1%；HER-2 陽性標(biāo)準(zhǔn)是免疫組織化學(xué)檢測（+++）或熒光原位雜交法檢測陽性；Ki-67＜20%定義為低表達(dá)，≥20%為高表達(dá)；NAC 療效病理評(píng)估采用Miller-Payne 分級(jí)系統(tǒng)，其中Ⅰ～Ⅳ級(jí)定義為PPR，V 級(jí)定義為 PCR[2]。

1.4 影像組學(xué)模型構(gòu)建

1.4.1 腫瘤勾畫 將DCE-MRI 影像（選取DCE-MRI序列中病灶強(qiáng)化峰值所對(duì)應(yīng)時(shí)相）、ADC 圖導(dǎo)入ITK-SNAP 軟件（version 3.6.0， https://itk.org/）內(nèi)，由1 名影像科主治醫(yī)師對(duì)病灶進(jìn)行手動(dòng)逐層標(biāo)記，并由另1 名副主任醫(yī)師進(jìn)行核對(duì)，意見分歧時(shí)通過協(xié)商達(dá)成一致。標(biāo)記時(shí)盡量避免超出病灶邊緣。

1.4.2 數(shù)據(jù)預(yù)處理 依據(jù)NAC 療效病理評(píng)估結(jié)果對(duì)訓(xùn)練組和驗(yàn)證組中的病人進(jìn)行標(biāo)記，PPR 者和PCR 者在模型中分別標(biāo)記為0 和1。

1.4.3 影像組學(xué)特征提取 將原始數(shù)據(jù)和腫瘤三維分割結(jié)果導(dǎo)入AK 軟件（Artificial Intelligence Kit V3.0.0.R，GE），提取 5 大類特征（包括灰度共生矩陣、灰度大小區(qū)域矩陣、直方圖、形態(tài)學(xué)特征和游程矩陣）并對(duì)分割區(qū)域內(nèi)的影像數(shù)據(jù)進(jìn)行特征計(jì)算。AK 軟件中內(nèi)嵌的特征計(jì)算公式遵循影像生物標(biāo)志物標(biāo)準(zhǔn)化倡議（image biomarker standardisation initiative，IBSI）標(biāo)準(zhǔn)。每個(gè)特征所對(duì)應(yīng)的計(jì)算公式可見網(wǎng)址（https://pyradiomics.readthedocs.io/en/latest/features.html）。每例病人提取396 個(gè)特征。

1.4.4 影像組學(xué)特征降維和模型構(gòu)建 采用Spearman 相關(guān)性分析（閾值0.9）減少重復(fù)變量（采用R 軟件進(jìn)行影像組學(xué)特征篩選），采用最小絕對(duì)收縮和選擇算法剔除系數(shù)為0 的變量，最終分析DCE 模型的偏度、聚類萌_angle45_offset7 和聚類萌_angle0_offset7 特征，ADC 模型的峰度、長游程低灰度補(bǔ)償_angle0_offset7 和高密度短域補(bǔ)償特征。最后采用多元Logistic 回歸方法分別構(gòu)建DCE 模型和ADC 模型，同時(shí)計(jì)算相應(yīng)模型的影像組學(xué)評(píng)分（DCE-Radscore 和 ADC-Radscore）[2]，計(jì)算公式為：為常數(shù)項(xiàng)，Xi為選擇的特征值，Ci為選擇特征所對(duì)應(yīng)的回歸系數(shù)。

1.5 臨床模型構(gòu)建 采用單因素Logistic 回歸對(duì)病人年齡、ER、PR、HER-2 及 Ki-67 表達(dá)狀態(tài)進(jìn)行分析，然后將有統(tǒng)計(jì)學(xué)意義的臨床特征納入多因素Logistic 回歸建立臨床預(yù)測模型。

1.6 統(tǒng)計(jì)學(xué)方法 采用R 軟件（Version:3.4.4，https://www.r-project.org/）和SPSS19.0 軟件進(jìn)行數(shù)據(jù)分析。符合正態(tài)分布的計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差（）表示，2 組間比較采用t檢驗(yàn)；計(jì)數(shù)資料以例（%）表示，2 組間比較采用χ2檢驗(yàn)或Fisher 確切概率檢驗(yàn)。采用受試者操作特征（ROC）曲線評(píng)估影像組學(xué)模型和臨床模型的預(yù)測效能，并計(jì)算其準(zhǔn)確度、特異度、敏感度和相應(yīng)曲線下面積（AUC）。采用決策曲線評(píng)估模型的臨床應(yīng)用價(jià)值。P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 PCR 者和PPR 者間臨床特征比較 在訓(xùn)練組中，PCR 者的 ER、PR 陰性率較 PPR 者高（均P＜0.05，表 1），并在驗(yàn)證組中得到驗(yàn)證（均P＜0.05，表 2）。年齡、HER-2 及 Ki-67 表達(dá)狀態(tài)在 PCR 者與 PPR 者間的差異均無統(tǒng)計(jì)學(xué)意義（均P＞0.05，表1）。

表1 訓(xùn)練組中PCR 者和PPR 者間臨床特征比較 例（%）

表2 驗(yàn)證組中PCR 者和PPR 者間臨床特征比較 例（%）

2.2 影像組學(xué)模型評(píng)分比較 在訓(xùn)練組中，PCR 者的 DCE-Radscore 高于 PPR 者（P＜0.05），并在驗(yàn)證組中得到驗(yàn)證（P＜0.05）。訓(xùn)練組中，PCR 者的 ADCRadscore 高于 PPR 者（P＜0.05），未在驗(yàn)證組中得到驗(yàn)證（P＞0.05），見表 3。

表3 PCR 者和PPR 者的影像組學(xué)模型評(píng)分比較

2.3 訓(xùn)練組和驗(yàn)證組中3 種模型預(yù)測PCR 的效能 訓(xùn)練組中，臨床模型的敏感度及AUC 最高，其次是ADC 模型，DCE 模型最低。驗(yàn)證組中，臨床模型AUC 值最高而敏感度最低，ADC 模型AUC 最低而敏感度最高（表4）。訓(xùn)練組和驗(yàn)證組中3 種模型預(yù)測PCR 的ROC 曲線見圖1。決策曲線分析顯示臨床模型具有最大的凈獲益，其次是ADC 模型，DCE 模型最低（圖 2）。

圖1 訓(xùn)練組（A）和驗(yàn)證組（B）中3 種模型預(yù)測PCR 的ROC 曲線

圖2 訓(xùn)練組中臨床模型、DCE 模型和ADC 模型的決策曲線分析

表4 3 種模型在訓(xùn)練組和驗(yàn)證組中預(yù)測PCR 的效能

3 討論

ER、PR 表達(dá)狀態(tài)與病人的療效相關(guān)[2]，ER/PR陰性者對(duì)NAC 較敏感，因此NAC 治療后能夠獲得PCR 的概率就較高。本研究結(jié)果顯示PCR 者的ER、PR 陰性率較PPR 者高，這與Chen 等[9]研究結(jié)果相同，符合ER/PR 陰性者獲得PCR 概率較高的改變。此外，腫瘤的異質(zhì)性與其療效亦相關(guān)[2]，因此了解乳腺癌的異質(zhì)性將有助于評(píng)估NAC 療效。本研究中396 個(gè)影像組學(xué)特征經(jīng)過篩選后最終確定偏度、峰度、聚類萌、長游程低灰度補(bǔ)償和高密度短域補(bǔ)償，這5 個(gè)特征均能反映腫瘤的異質(zhì)性。而且，基于上述特征建立的影像組學(xué)模型評(píng)分的比較結(jié)果顯示，在訓(xùn)練組和驗(yàn)證組中PCR 者的DCE-Radscore 絕對(duì)值均低于PPR 組，這與既往研究[2]結(jié)果相符，因此提示腫瘤異質(zhì)性越明顯，其影像組學(xué)模型評(píng)分絕對(duì)值就越大，而NAC 療效就越差。

乳腺M(fèi)RI 在乳腺癌診斷、鑒別診斷及療效評(píng)估中的實(shí)用性已經(jīng)被證實(shí)[7-8，10-13]。本研究利用基于DCE-MRI 的影像組學(xué)特征建立預(yù)測乳腺癌NAC 療效模型，結(jié)果顯示基于治療前DCE-MRI 影像建立的影像組學(xué)模型預(yù)測乳腺癌PCR 具有較好的預(yù)測效能（AUC=0.750），這與 Braman 等[7]的研究結(jié)果相近（AUC=0.780）。同樣，基于ADC 圖建立的影像組學(xué)模型對(duì)預(yù)測乳腺癌PCR 亦具同樣的預(yù)測效能（AUC=0.785），稍高于 Liu 等[8]的研究結(jié)果（AUC=0.690）。分析原因可能是本研究為單中心、小樣本研究，病人選擇及統(tǒng)計(jì)結(jié)果可能存在偏差，而后者為大樣本、多中心研究。基于聯(lián)合ER、PR 建立的臨床模型對(duì)預(yù)測乳腺癌PCR 具有最高的預(yù)測效能（AUC=0.823），稍高于上述2 種影像組學(xué)模型，這與Liu 等[8]部分研究結(jié)果相似，并再次驗(yàn)證了臨床預(yù)測因子如ER、PR 和HER-2 在預(yù)測腫瘤特征或療效方面的價(jià)值優(yōu)于影像組學(xué)特征。另外，決策曲線分析顯示應(yīng)用臨床模型預(yù)測PCR 的臨床凈獲益稍優(yōu)于影像組學(xué)模型，這也從一側(cè)面提示在預(yù)測乳腺癌PCR 方面臨床特征稍優(yōu)于影像組學(xué)特征。

本研究對(duì)基于DCE-MRI、ADC 圖建立的影像組學(xué)模型預(yù)測效能進(jìn)行比較，結(jié)果顯示在訓(xùn)練組中，基于ADC 影像組學(xué)模型在預(yù)測乳腺癌PCR 效能（AUC=0.785）稍高于基于DCE-MRI 影像組學(xué)模型預(yù)測效能（AUC=0.750），且前者的敏感度（0.750）較后者的（0.688）高，這與 Liu 等[8]研究結(jié)果相似，而且應(yīng)用基于ADC 影像組學(xué)模型預(yù)測PCR 的臨床凈獲益亦稍優(yōu)于基于DCE-MRI 影像組學(xué)模型。此外，本研究驗(yàn)證組中，ADC 模型的敏感度為1，推測主要原因與PCR 組病人顯著少于PPR 組有關(guān)，這也反映了目前乳腺癌NAC 治療后PCR 病人明顯少于PPR 病人這一普遍現(xiàn)象[9，14-15]。影像組學(xué)預(yù)測乳腺癌NAC 療效的實(shí)用性已被既往研究[9，16-17]所證實(shí)，本研究的模型也取得了較好的預(yù)測結(jié)果，在后續(xù)的研究中我們將加入更多的病例對(duì)模型進(jìn)行驗(yàn)證。

綜上所述，基于ADC、DCE-MRI 影像組學(xué)模型和基于聯(lián)合ER 和PR 臨床模型均能作為術(shù)前預(yù)測乳腺癌NACPCR 的預(yù)測因子，其中臨床模型的預(yù)測效能及獲益最高。本研究尚存在一定局限性：首先，病例數(shù)偏少，特別是PCR 病人；其次，回顧性研究無法控制乳腺M(fèi)RI 質(zhì)量，可能會(huì)影響結(jié)果的準(zhǔn)確性和可靠性。因此，需要擴(kuò)大樣本量進(jìn)行多中心研究進(jìn)一步驗(yàn)證。