汪雅琪，魯夢甜，余開湖**

(1．湖北科技學院臨床醫(yī)學院，湖北 咸寧 437100；2．咸寧市中心醫(yī)院)

乳腺癌在女性惡性腫瘤中發(fā)病率最高，死亡率位居第6位[1]。2020年近350萬美國婦女患有乳腺癌[2]。在中國，女性發(fā)病概率約為42.55/10萬人[3]。新輔助化療(neoadjuvantchemotherapy，NAC)是乳腺癌治療的重要方式，術前NAC可以降低腫瘤分期、復發(fā)率及術后并發(fā)癥，6%～25%的患者出現(xiàn)化療后的病理完全緩解(pathologic complete response，PCR)，10%～35%的乳腺癌對NAC不敏感[4]。乳腺癌患者早期診斷及治療反應的預測對患者的結局和預后非常重要。

多模態(tài)MRI是指多種磁共振序列融合，從而得到病變組織或器官的綜合信息；影像組學是一種新興的影像分析方法。本文就多模態(tài)MRI及影像組學在乳腺癌診療中的主要研究及進展進行綜述。

1 多模態(tài)MRI

多模態(tài)MRI可通過不同成像技術，對病灶的水分子運動、血流動力學信息、化合物成分及能量代謝等情況進行分析，根據(jù)微觀結構和功能的差別，從而更好地對病灶進行診斷和鑒別。在乳腺多模態(tài)MRI中，應用較廣泛的技術包括動態(tài)增強(dynamic contrast enhanced，DCE)、磁共振擴散加權成像(diffusion weighted imaging，DWI)及其衍生技術、磁共振波譜成像(magnetic resonance spectroscopy，MRS)等。

1.1 DCE

DCE通過注入對比劑來反映組織及病變血流動力學信息。DCE定性分析鑒別乳腺良惡性病灶的敏感性、特異性、準確性、陽性預測和陰性預測

值分別為91.67%、80.00%、88.24%、91.67%和80.00%[5]。DCE定量參數(shù)中的Ktrans和Kep鑒別乳腺良惡性病灶的特異性分別為88.6%和95.1%，敏感性分別為87.9%和68.7%[6]。NAC之后，病灶的顯示會受到水腫和壞死的干擾。乳腺鉬靶X線檢查和超聲檢查會低估腫瘤的大小，低估程度分別為14%和18%[7]。MRI平掃受病灶周圍水腫的影響而高估腫瘤大小，特別是浸潤性小葉癌和乳腺導管內(nèi)原位癌[8]。DCE基于腫瘤的血管特性，不僅能準確定位腫瘤的邊界，還能初步評估化療的效果[9]。定量DCE評估乳腺癌NAC的敏感性和特異性分別為84%和83%[10]。DCE在乳腺癌的診療中已被廣泛應用，但隨著影像技術的發(fā)展及個體化治療的需要，DCE結合其他技術可以獲得更精準的信息。

1.2 DWI及其衍生技術

DWI無需注射對比劑就能評估組織及病變水分子布朗運動的差異，通過表觀擴散系數(shù)(apparent diffusion coemcient，ADC)進行定量分析。Razek等[11]應用DWI序列對乳腺癌患者腫大的腋窩淋巴結進行評估，研究結果表明，良性和轉(zhuǎn)移性腋窩淋巴結的平均ADC值存在統(tǒng)計學差異，ADC值為1.39×10-3mm2/s時，鑒別轉(zhuǎn)移性與良性腋窩淋巴結準確率為95.6%，敏感性93%，特異性100%。病灶ADC值的變化對于預測乳腺癌PCR有一定的輔助作用，ADC值的變化結合腫瘤分子亞型能提高對乳腺癌PCR的預測能力[12]。

由DWI衍生的技術，如體內(nèi)不相干運動(intravoxel incoherent motion，IVIM)、擴散張量成像(diffusion tensor image，DTI)、擴散峰度成像(diffusion kurtos isimaging，DKI)可以較好地反映組織和細胞微觀結構[13]。乳腺癌NAC前及治療的第二周，IVIM參數(shù)的變化可以預測乳腺癌治療反應[14]。對于不適合使用對比劑的乳腺癌患者(如孕婦)，DTI在病灶大小的測量方面與組織病理學具有較好的一致性，在鑒別腫瘤良惡性方面也有一定的參考價值[15]。侵襲性乳腺癌的病灶DTI參數(shù)與腫瘤大小、組織學分級、腋窩淋巴結狀態(tài)、雌激素受體、孕激素受體和Ki-67之間存在相關性，這些DTI參數(shù)包括平均彌散率、各向異性分數(shù)、相對各向異性、體積比[16]?；诜歉咚箶U散理論的DKI技術，其參數(shù)平均彌散峰度與ADC值有相同的敏感性，但特異性更高[13]。DWI新技術還未廣泛應用于臨床研究，現(xiàn)階段對于感興趣區(qū)、b值以及ADC閾值地選取沒有統(tǒng)一的標準，因此，需要大量的研究數(shù)據(jù)去評估。

1.3 1H-MRS

1H-MRS可以評估活體組織代謝及生化水平的變化。目前，對于乳腺癌MRS的研究，主要是檢測化學位移位于3.20ppm左右膽堿復合物(tCho)的水平[17]。tCho主要參與細胞膜的構成，惡性程度高的腫瘤中，tCho明顯升高[18]。對tCho進行分析，可以提高乳腺癌BI-RADS分類的準確性[19]。tCho水平的變化還可以評估乳腺癌NAC的早期反應。Zhou等[20]研究表明，乳腺癌NAC后24h，tCho水平就開始發(fā)生改變，早于形態(tài)學的改變。

1.4 多模態(tài)MRI在乳腺癌診療中的應用

多模態(tài)MRI是在常規(guī)MRI的基礎上，對多種MRI技術的一種柔性組合。柔性組合是指多模態(tài)MRI的融合并非局限于一種方式，結合病灶血流動力學的變化、水分子布朗運動的差異、代謝及生化水平的改變等特點，對多模態(tài)MRI序列自由組合，從而準確診斷或制訂出合適的治療方案。多模態(tài)MRI的融合不僅可以對不同的序列進行優(yōu)勢結合，還可以進行優(yōu)劣互補，例如DWI、1H-MRS圖像分辨力低，而DCE圖像具有分辨力高、定位準確這一優(yōu)勢，將不同模態(tài)的序列結合可以更準確地挖掘影像信息。

DCE結合DWI序列在乳腺癌診療中具有較高的價值。研究人員表明，DWI的定量參數(shù)、DCE參數(shù)中的早期強化率及時間-信號曲線，三者聯(lián)合對乳腺癌的診斷價值高于三者單獨診斷價值[21]。DWI結合DCE診斷乳腺良惡性病變的敏感度、特異性、準確性分別為92.36%、93.06%、90.00%[5]。程雪等[22]分析乳腺癌人表皮生長因子受體2(Her-2)的表達與DWI及DCE參數(shù)之間的相關性時表明，ADC值及DCE參數(shù)中的早期強化率與Her-2表達呈顯著正相關。Her-2陽性的乳腺癌出現(xiàn)復發(fā)轉(zhuǎn)移的風險比陰性的高，對Her-2陽性乳腺癌患者進行抗Her-2的靶向藥物治療，能改善其預后[23]。

1H-MRS診斷乳腺癌的準確性與感興趣區(qū)的選擇有關，單獨應用干擾因素多。1H-MRS一般作為DCE及DWI的補充序列，提供有價值的信息。1H-MRS結合DCE序列，感興趣區(qū)的選擇可以盡量避開水腫、壞死區(qū)，提高診斷的準確性。1H-MRS聯(lián)合DWI鑒別乳腺良惡性病變的敏感性為93.3%，特異性為72.7%[24]，特異性較低的原因可能是1H-MRS和DWI圖像分辨率都較低，對于非腫塊型病變以及較小的病變，1H-MRS存在診斷的困難。另外，在評估乳腺癌NAC反應方面，隨著化療的進行，病灶如果發(fā)生體積縮小或內(nèi)部出現(xiàn)液化壞死，感興趣區(qū)的選擇會出現(xiàn)偏差。1H-MRS存在部分技術限制是影響其臨床可用性的原因之一。

2 影像組學

2.1 影像組學概述

影像組學是一種無創(chuàng)且可重復的影像分析方法，它能把影像的任何感興趣區(qū)作為研究對象，提取大量的特征信息，再通過分析篩選出關鍵信息，最終用于疾病的診斷或治療的評估。

影像組學的工作流程主要包括圖像采集、圖像分割、特征提取和篩選、建立模型[25-26]。醫(yī)學影像圖像都可以與影像組學結合起來。圖像分割是精準提取影像組學特征的重要前提。特征提取和篩選是指從大量影像特征中選取最核心的特征集，最常提取的四大類腫瘤定量參數(shù)包括信號強度特征、形態(tài)學特征、紋理特征及小波特征[26]。在眾多的參數(shù)中，嫡是應用較廣泛的一個，嫡反映了腫瘤內(nèi)部的像素分布，像素分布均勻即代表腫瘤異質(zhì)性低，反之代表異質(zhì)性高[27]。模型的選擇與建立的方法歸納為兩大類，分別是基于統(tǒng)計學和基于機器學習，基于統(tǒng)計學方法中的Logistic回歸模型因其簡單易行，是較為常用的監(jiān)督分類器[4]。

2.2 基于MRI影像組學分析在乳腺癌診療中的應用

基于DWI的影像組學分析具有良好的Ki-67增殖指數(shù)識別能力，有助于乳腺癌分子分型的預測。有研究[28]對乳腺浸潤性導管癌的患者進行基于DWI的影像組學分析，將患者分為Ki-67陰性表達組和Ki-67陽性表達組，從DWI圖像中的ADC圖譜提取放射學特征1029個，選擇11個特征構建模型，研究結果表明Ki-67陽性表達與ADC值呈負相關。Holli-Helenius等[27]研究人員對浸潤性導管乳腺癌分子亞型的預測進行研究，結果表明Luminal B型乳腺癌體積和嫡值均比Luminal A型大，反映了Luminal B型乳腺癌的異質(zhì)性更大。病理上，Luminal B型乳腺癌Ki-67指數(shù)較Luminal A型高，高Ki-67指數(shù)影響腫瘤細胞內(nèi)的血管內(nèi)皮生長因子表達，引起血管內(nèi)皮細胞增值率和血管通透性增高，腫瘤異質(zhì)性增高[27]。Ashirbani等[25]采用基于機器學習的方法，在DCE的背景下對乳腺癌進行了影像組學分析，研究表明影像組學特征可以區(qū)分Luminal A 及其它乳腺癌分子亞型。一項基于乳腺癌DCE影像組學特征預測遠處轉(zhuǎn)移研究[29]表明，骨、肺、肝是乳腺癌最常見的遠處轉(zhuǎn)移部位，Luminal型乳腺癌骨轉(zhuǎn)移常見，三陰型乳腺癌肺轉(zhuǎn)移常見，Her-2過表達型乳腺癌肝轉(zhuǎn)移常見。基于影像組學的紋理參數(shù)還可以很好評估NAC的效果[9]。這些實驗結果表明MRI影像組學在預測腫瘤分子分型方面有著較大優(yōu)勢，在評估不同免疫表型乳腺癌NAC變化方面也有較高的敏感性。

DWI可以反映組織和細胞微觀結構，DCE圖像分辨率高，腫瘤與周圍背景分界清楚，基于DCE的影像組學分析有利于圖像分割，將不同模態(tài)的圖像結合可以得到更豐富的信息。融合多模態(tài)MRI的特征將有助于提高影像組學模型的效能?；赥2WI、DKI和定量DCE影像組學特征的模型，對良惡性乳腺病變具有很高的鑒別能力[30]。基于多模態(tài)MRI影像組學在評估NAC方面比單模態(tài)具有更高的敏感性[4，31]。研究人員[4]從多模態(tài)MRI中提取4個影像組學特征，并建立了結合影像組學和獨立臨床危險因素的聯(lián)合預測模型，結果表明這個模型在預測NAC不敏感型乳腺癌方面具有優(yōu)勢。一項多中心研究[31]表明，多模態(tài)MRI影像組學建立的模型在PCR的預測方面優(yōu)于臨床模型。不同的影像組學處理方式可能對建立的模型甚至最終的結果產(chǎn)生影響，因此，選用科學及合理的方法是研究的重點。

3 結 語

多模態(tài)MRI及影像組學在乳腺癌的診斷、預測腫瘤分子分型、NAC前后腫瘤的評估、預測PCR等方面都具有一定的價值。然而，目前的研究結果并不完全一致，不同數(shù)據(jù)的實驗設備及成像參數(shù)不同，感興趣區(qū)的選取、圖像分割、影像組學特征集的選擇、模型的建立等因素也不盡相同?；诙嗄B(tài)MRI的影像組學也處于發(fā)展階段。未來的研究還需要通過大量數(shù)據(jù)進行分析和驗證，最終應用于臨床。