林倩，陳愛(ài)華，張婷婷

作者單位：三峽大學(xué)人民醫(yī)院（宜昌市第一人民醫(yī)院）放射科，宜昌 443000

0 前言

乳腺癌是影響全球女性健康的首位高發(fā)癌癥，病死率居全球第1 位、中國(guó)第4 位[1]。近些年，乳腺癌發(fā)病率有上升趨勢(shì)，但其病死率卻較1989 年有所降低，這主要得益于乳腺癌的早篩發(fā)現(xiàn)和個(gè)性化精準(zhǔn)治療[2]。第12 屆St.Gallen 會(huì)議[3]提出將乳腺癌細(xì)分為管腔A 型、管腔B 型、人表皮生長(zhǎng)因子受體2（human epidermal growth factor receptor 2,HER-2）陽(yáng)性型和三陰性乳腺癌（tripel negative breast cancer, TNBC）四個(gè)臨床亞型標(biāo)準(zhǔn)。不同亞型患者的臨床特點(diǎn)、治療方案及預(yù)后各不相同[4]，這也表明乳腺癌具有較高異質(zhì)性[5-6]。目前，乳腺癌亞型的確定需對(duì)活檢標(biāo)本行免疫組化檢查，此方法不僅有創(chuàng)，且局部穿刺活檢取材不充分，不能得到腫瘤的全部異質(zhì)性信息，最終也會(huì)影響結(jié)果的可靠性，影響臨床治療效果[7]。

因此，尋找一種既能體現(xiàn)病變整體特征又能動(dòng)態(tài)觀察病變變化情況的無(wú)創(chuàng)、簡(jiǎn)便、經(jīng)濟(jì)的替代方法尤為重要。MRI是常用的乳腺影像學(xué)檢查方法，MRI軟組織分辨度高，對(duì)乳腺癌的檢出敏感性高，動(dòng)態(tài)對(duì)比增強(qiáng)MRI（dynamic contrast-enhanced MRI, DCE-MRI）更是能以高空間分辨率提供腫瘤的形態(tài)學(xué)以及血流動(dòng)力學(xué)等信息[8]。隨著乳腺專用線圈及快速成像序列的開(kāi)發(fā)，乳腺M(fèi)RI影像質(zhì)量及檢測(cè)水平也有了很大提升。通過(guò)MRI圖像分析術(shù)前預(yù)測(cè)腫瘤分子分型可減輕患者負(fù)擔(dān)，優(yōu)化診療流程，達(dá)到精準(zhǔn)治療的目的。在醫(yī)學(xué)圖像中，不同紋理特征通常是反映機(jī)體的病理異質(zhì)性。醫(yī)學(xué)圖像分析方法-紋理分析是通過(guò)計(jì)算機(jī)技術(shù)發(fā)現(xiàn)病灶內(nèi)人眼無(wú)法辨別的具有潛在異質(zhì)性的圖像紋理特征，并利用數(shù)學(xué)算法定量圖像空間、像素及灰階的分布特征[9]。近年來(lái)，紋理分析在乳腺疾病中的研究已成為熱點(diǎn)，其可鑒別乳腺疾病的良惡性[10-11]、預(yù)測(cè)乳腺癌新輔助化療療效[12]、判斷患者預(yù)后[13-14]等。既往研究發(fā)現(xiàn)[15]，各分子分型乳腺癌在影像學(xué)上存在“異病同影”，判讀結(jié)果的客觀準(zhǔn)確性受報(bào)告醫(yī)師經(jīng)驗(yàn)等主觀因素影響。而紋理分析不僅能消除這一影響，還能提供豐富的高層語(yǔ)義信息，通過(guò)定量分析圖像的紋理特征參數(shù)輔助診斷疾病，能夠保證診斷效能的穩(wěn)定并為臨床決策提供支持。

本研究旨在探討DCE-MRI 紋理分析對(duì)乳腺癌分子亞型的診斷價(jià)值，并探討基于MRI紋理特征結(jié)合機(jī)器學(xué)習(xí)算法建立的預(yù)測(cè)模型的診斷效能，為臨床提供一種無(wú)創(chuàng)性的診斷手段。

1 材料與方法

1.1 研究對(duì)象

本研究遵守《赫爾辛基宣言》，并經(jīng)宜昌市第一人民醫(yī)院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)，免除受試者知情同意（批件號(hào)：PJ-KY2022-44）?；仡櫺苑治?021 年10 月至2022 年10 月在宜昌市第一人民醫(yī)院行乳腺M(fèi)RI 檢查的患者75 例。納入標(biāo)準(zhǔn)：（1）均為腫塊型病灶，經(jīng)病理證實(shí)為乳腺癌，并同時(shí)進(jìn)行免疫組化檢測(cè)；（2）有完整的術(shù)前乳腺DCE-MRI 檢查資料；（3）進(jìn)行MRI 檢查前未接受任何乳腺疾病相關(guān)的治療，包括穿刺、新輔助化療及其他抗腫瘤治療。排除標(biāo)準(zhǔn)：（1）MRI 圖像質(zhì)量不佳，不易勾畫(huà)ROI 者；（2）患者M(jìn)RI檢查時(shí)間與病理檢查相隔＞1 周。最終共納入患者75例（共75個(gè)病灶），皆為女性，年齡32～78（50.32±1.25）歲，其中導(dǎo)管原位癌9 例，非特殊性浸潤(rùn)性癌62 例，特 殊 性 浸 潤(rùn) 性 癌4 例；Lumianl A 型11 例，Luminal B 型36 例，HER-2 過(guò) 表 達(dá) 型14 例，TNBC 14例。

1.2 MRI檢查方法

采用GE Discovery MR 750 3.0 T 掃描儀，使用8 通道相控陣乳腺表面線圈?；颊卟扇「┡P位，兩側(cè)乳腺自然懸垂于線圈中央部位，且與線圈呈垂直角度。

平掃序列與掃描參數(shù)如下：（1）軸位T2WI，采用快速反轉(zhuǎn)恢復(fù)（T2-weighted short-tau inversion recovery, T2WI STIR）序 列，TR 5341.0 ms，TE 82.5 ms，層 厚5.0 mm，F(xiàn)OV 32 cm×32 cm，矩 陣512×512；（2）軸位T1WI，采用3D 快速小角度激發(fā)成像脂肪抑制（three-dimensional fast low angle shot imaging, T1WI 3D FLASH）序列，TR 3.9 ms，TE 1.7 ms，層厚1.4 mm，F(xiàn)OV 36 cm×36 cm，矩陣512×512；（3）彌散加權(quán)成像（diffusion weighted imaging, DWI）序列，TR 2769.6 ms，TE 61.7 ms，層厚4.0 mm，F(xiàn)OV 32 cm×32 cm，矩陣256×256，b值為0、800 s/mm2。

增強(qiáng)掃描采用三維快速小角度激發(fā)回波序列+橫軸位抑脂掃描，TR 3.0 ms，TE 1.4 ms，層厚1.0 mm，F(xiàn)OV 36 cm×36 cm，矩陣256×256。DCE-MRI 共掃描9 個(gè)時(shí)相，每個(gè)時(shí)相掃描時(shí)間為60 s，其中前1 個(gè)時(shí)相為蒙片，在第2個(gè)時(shí)相使用高壓注射器（MED TRON）經(jīng)肘靜脈推注順磁性對(duì)比劑Gd-DTPA（拜耳公司），劑量為0.1 mmol/kg，注射流率2.0 mL/s，然后注射生理鹽水15.0 mL，流率3.0 mL/s。

1.3 圖像分析方法

從影像歸檔和通信系統(tǒng)（picture archiving and communication systems, PACS）系統(tǒng)將病灶MR增強(qiáng)掃描后的T1WI抑脂橫軸位圖像導(dǎo)入后處理平臺(tái)（醫(yī)準(zhǔn)-達(dá)爾文科研平臺(tái)，http://premium.darwin.yizhun-ai.com），然后由兩名具有5 年以上乳腺M(fèi)RI診斷經(jīng)驗(yàn)的放射科主治醫(yī)師在未知其病理情況下，選擇腫塊最大層面且強(qiáng)化最明顯的區(qū)域沿病灶邊緣手動(dòng)勾ROI，勾畫(huà)時(shí)盡量避開(kāi)腫瘤壞死囊變及瘤周水腫區(qū)域。如存在意見(jiàn)不同的靶區(qū)勾畫(huà)部分，將另請(qǐng)一位具有10 年以上乳腺M(fèi)RI 診斷經(jīng)驗(yàn)的高年資放射學(xué)專家（主任醫(yī)師）進(jìn)行商討后最終確定。

ROI 勾畫(huà)完畢后，以分子分型是與非作為二分類指標(biāo)進(jìn)行特征參數(shù)提取（Luminal A型與非Luminal A型；Luminal B 型與非Luminal B 型；HER-2 過(guò)表達(dá)型與非HER-2 過(guò)表達(dá)型；TNBC 與非TNBC），共計(jì)提取1125個(gè)特征。首先對(duì)特征進(jìn)行標(biāo)準(zhǔn)化處理，使算法收斂更快，然后用最優(yōu)特征篩選器進(jìn)行特征降維，從原始特征中篩選出每組最相關(guān)特征參數(shù)，最后基于MRI最優(yōu)特征結(jié)合邏輯回歸分類器建立二分類預(yù)測(cè)模型。

1.4 免疫組化及分子分型判斷標(biāo)準(zhǔn)

2015年St.Gallen國(guó)際乳腺會(huì)議[16]4種免疫組化指標(biāo)雌激素受體（estrogen receptor, ER）、孕激素受體（progesterone receptor, PR）、人類表皮生長(zhǎng)因子受體2（human epidermal growth factor receptor 2, HER-2）、Ki-67的表達(dá)情況不同，將乳腺癌分為4種不同的分子亞型：Luminal A型、Luminal B型、HER-2過(guò)表達(dá)型及TNBC。分型標(biāo)準(zhǔn)詳見(jiàn)表1。

表1 乳腺癌分子分型標(biāo)準(zhǔn)Tab.1 Molecular classification criteria for breast cancer

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 26.0 軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料采用χ2檢驗(yàn)及Fisher 確切概率法，計(jì)數(shù)資料用頻數(shù)表示。本研究的計(jì)量資料有：年齡、紋理特征，符合正態(tài)分布的計(jì)量資料以表示，兩組間比較采用獨(dú)立樣本t檢驗(yàn)，多組間比較進(jìn)行方差分析（單因素ANOVA檢驗(yàn)），并取其中有意義的計(jì)量資料進(jìn)行事后多重比較；不符合正態(tài)分布的計(jì)量資料以中位數(shù)和四分位數(shù)M（P25，P75）表示，兩組間比較采用Mann-WhitneyU檢驗(yàn)，多組間比較行Kruskal-Wallis 檢驗(yàn)。對(duì)兩組間差異有統(tǒng)計(jì)學(xué)意義的紋理特征以Medcalc 軟件建立ROC 曲線，計(jì)算曲線下面積（area under the curve,AUC），確定截?cái)嘀担u(píng)價(jià)其對(duì)不同乳腺癌分子分型的鑒別診斷效能。P＜0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 患者臨床病理資料

四種分子分型乳腺癌患者間年齡、絕經(jīng)狀態(tài)、病理學(xué)分型、MRI 強(qiáng)化情況及淋巴結(jié)轉(zhuǎn)移情況的差異均不具有統(tǒng)計(jì)學(xué)意義（P＞0.05）（表2）。

表2 四種分子分型乳腺癌患者臨床資料Tab.2 Four molecular classification of breast cancer patients with clinical data

2.2 特征提取及模型構(gòu)建

將四種乳腺癌分子分型以二分類（Luminal A型/非Luminal A 型、Luminal B 型/非Luminal B 型、HER-2 過(guò)表達(dá)型/非HER-2 過(guò)表達(dá)型及TNBC/非TNBC）分組，經(jīng)過(guò)特征篩選降維，最終每組各篩選出5 個(gè)最優(yōu)特征（表3），其中包含有一階統(tǒng)計(jì)特征、形狀特征及紋理特征，本研究?jī)H對(duì)紋理特征進(jìn)行統(tǒng)計(jì)分析。

圖1 乳腺癌動(dòng)態(tài)對(duì)比增強(qiáng)MRI ROI示意圖。1A～1D分別為L(zhǎng)uminal A型、Luminal B型、HER-2過(guò)表達(dá)型、三陰性乳腺癌患者術(shù)前動(dòng)態(tài)對(duì)比增強(qiáng)MRI T1WI壓脂軸位單層靶區(qū)勾畫(huà)示意，紅線范圍內(nèi)為病灶ROI。HER-2：人表皮生長(zhǎng)因子受體2； ROI：感興趣區(qū)。Fig.1 Breast cancer dynamic enhanced MRI ROI diagram.1A-1D are Luminal A type, Luminal B type, HER-2 overexpression type, triple negative breast cancer patients with preoperative MRI dynamic contrast-enhanced T1WI fat suppression axial single-layer target area delineation, the red line range is the ROI of lesion.HER-2: human epidermal growth factor receptor 2; ROI: region of interest.

表3 經(jīng)篩選降維所得最優(yōu)特征參數(shù)名稱Tab.3 Optimal feature parameter names obtained by dimension reduction through screening

基于MRI圖像特征參數(shù)，使用邏輯回歸分類器構(gòu)建預(yù)測(cè)模型，各模型的AUC 值、特異度、敏感度、準(zhǔn)確率見(jiàn)表4，四種模型中預(yù)測(cè)Luminal A 型乳腺癌效能最高，AUC為0.92。

表4 基于MRI紋理特征各亞型分類模型的診斷效能Tab.4 Diagnostic efficacy of each subtype classification model based on MRI texture features

2.3 MRI紋理特征診斷Luminal A型乳腺癌的價(jià)值

在Luminal A 型組中有4 個(gè)紋理特征：灰度共生矩陣-逆差矩歸一化（wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized, w-HL_glcm_Idmn）、相鄰灰度色差矩陣-對(duì)比度（wavelet-LL neighboring gray tone difference matrix contrast, w-LL_ngtdm_C）、三維灰度共生矩陣-聚類陰影（3D grey level co-occurrence matrix cluster shadow, 3D_glcm_CS）、三維相鄰灰度色差矩陣-強(qiáng)度（3D neighboring gray tonedifference matrix Strength, 3D ngtdm_S）。使用Mann-WhitneyU檢驗(yàn)對(duì)Luminal A 型與非Luminal A 型組間4 個(gè)紋理特征進(jìn)行統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)3D_ngtdm_S 在組間的差異無(wú)統(tǒng)計(jì)學(xué)意義，其他3 個(gè)MRI紋理特征的差異均具有統(tǒng)計(jì)學(xué)意義（P＜0.05）。

w-HL_glcm_Idmn、w-LL_ngtdm_C、3D_glcm_CS 診斷Luminal A 型乳腺癌的AUC 值分別為0.73、0.70 和0.75，其中3D_glcm_CS 的鑒別診斷效能最高，以3D_glcm_CS＞0.439時(shí)診斷Luminal A型乳腺癌的敏感度為54.55%，特異度為90.62%，診斷效能的ROC 曲線見(jiàn)圖2A。

圖2 管腔型乳腺癌中差異有統(tǒng)計(jì)學(xué)意義的紋理特征的ROC曲線。2A為差異有統(tǒng)計(jì)學(xué)意義的特征參數(shù)鑒別Luminal A 型與非Luminal A 型乳腺癌的ROC曲線。2B 為差異有統(tǒng)計(jì)學(xué)意義的特征參數(shù)鑒別Luminal B型與非Luminal B 型乳腺癌的ROC 曲線。ROC：受試者工作特征；AUC：曲線下面積；w-HL_glcm_Idmn：灰度共生矩陣-逆差矩歸一化；w-LL_ngtdm_C：相鄰灰度色差矩陣-對(duì)比度；3D_glcm_CS：三維灰度共生矩陣-聚類陰影；o_glcm_CS：原始灰度共生矩陣-聚類陰影；w-LL_glcm_CS：低通濾波器-灰度共生矩陣-聚類陰影。Fig.2 ROC curve of texture features with statistically significant differences in luminal breast cancer.2A is the ROC curve of the characteristic parameters with statistically significant differences in differentiating Luminal A and non-Luminal A breast cancer.2B is the ROC curve of the characteristic parameters with statistically significant differences to identify Luminal B and non-Luminal B breast cancer.ROC:receiver operating characteristic; AUC: area under the curve;w-HL_glcm_Idmn: wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized; w-LL_ngtdm_C: wavelet-LL neighboring gray tone difference matrix contrast; 3D_glcm_CS: 3D grey level co-occurrence matrix cluster shadow; o_glcm_CS: original gray level co-occurrence matrix cluster shadow; w-LL_glcm_CS: wavelet-LL grey level co-occurrence matrix cluster shade.

2.4 MRI紋理特征診斷Luminal B型乳腺癌的價(jià)值

在Luminal B型組間選出的5個(gè)特征中有3個(gè)紋理特征：原始灰度共生矩陣-聚類陰影（original gray level co-occurrence matrix cluster shadow, o_glcm_CS）、高通濾波器-灰度共生矩陣-聚類陰影（wavelet-HH grey level co-occurrence matrix cluster shade, w-HH_glcm_CS）、低通濾波器-灰度共生矩陣-聚類陰影（wavelet-LL grey level co-occurrence matrix cluster shade,w-LL_glcm_CS）。使 用Mann-WhitneyU檢 驗(yàn) 對(duì)Luminal B 型與非Luminal B 型2 組間3 個(gè) 紋理特征進(jìn)行統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)w-HH_glcm_CS組間的差異無(wú)統(tǒng)計(jì)學(xué)意義（Z=1.315，P=0.189），o_glcm_CS、w-LL_glcm_CS 兩個(gè)紋理特征組間差異均具有統(tǒng)計(jì)學(xué)意義（P＜0.05），兩者鑒別診斷Luminal B型乳腺癌亞型的AUC分別為0.65和0.65（圖2B），其中o_glcm_CS的鑒別診斷效能最高，以o_glcm_CS＞0.169時(shí)診斷Luminal B型乳腺癌的敏感度為72.22%，特異度為64.10%。

2.5 MRI紋理特征診斷HER-2過(guò)表達(dá)型乳腺癌的價(jià)值

對(duì)HER-2 過(guò)表達(dá)型與非HER-2 過(guò)表達(dá)型2 組間5 個(gè)紋理特征進(jìn)行統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)二維-灰度游程長(zhǎng)度矩陣-運(yùn)行熵（local binary pattern 2D gray level run length matrix run entropy,lbp-2D_glrlm_RE）、灰度區(qū)域大小矩陣-依存熵（sigma grey level size zone matrix dependent entropy, s_glszm_DE）、灰度依賴矩陣-小依賴低灰度級(jí)強(qiáng)調(diào)（3D grey level dependence matrix small dependent low gray level emphasis,3D_gldm_SDLGLE）、灰度區(qū)域大小矩陣-低灰度級(jí)區(qū)域強(qiáng)調(diào)（3D grey level size zone matrix low gray level zone emphasis, 3D_glszm_LGLZE）、三維灰度區(qū)域大小矩陣-小區(qū)域低灰度優(yōu)勢(shì)（3D grey level size zone matrix small area low gray level emphasis, 3D_glszm_SALGLE）的組間差異均具有統(tǒng)計(jì)學(xué)意義（P＜0.05）（表5），各特征鑒別診斷HER-2 過(guò)表達(dá)型乳腺癌亞型的診斷效能詳見(jiàn)表6，圖3A，其中3D_glszm_SALGLE 的鑒別診斷效能最高，3D_glszm_SALGLE≤-0.460時(shí)診斷HER-2過(guò)表達(dá)型乳腺癌的敏感度為92.86%，特異度為70.49%。

圖3 HER-2過(guò)表達(dá)型及TNBC中差異有統(tǒng)計(jì)學(xué)意義的紋理特征的ROC曲線。3A：差異有統(tǒng)計(jì)學(xué)意義的特征參數(shù)鑒別HER-2 過(guò)表達(dá)型與非HER-2過(guò)表達(dá)型乳腺癌的ROC曲線。3B：差異有統(tǒng)計(jì)學(xué)意義的特征參數(shù)鑒別TNBC與非TNBC的ROC曲線。AUC：曲線下面積；HER-2：人表皮生長(zhǎng)因子受體2；TNBC：三陰性乳腺癌；ROC：受試者工作特征；lbp-2D_glrlm_RE：二維-灰度游程長(zhǎng)度矩陣-運(yùn)行熵；3D_gldm_SDLGLE：灰度依賴矩陣-小依賴低灰度級(jí)強(qiáng)調(diào)；3D_glszm_LGLZE：灰度區(qū)域大小矩陣-低灰度級(jí)區(qū)域強(qiáng)調(diào)；s_glszm_DE：灰度區(qū)域大小矩陣-依存熵；3D_glszm_SALGLE：三維灰度區(qū)域大小矩陣-小區(qū)域低灰度優(yōu)勢(shì)；w-LH_ngtdm_B：高通濾波器-相鄰灰度色差矩陣。Fig.3 ROC curve of texture features with statistically significant differences between HER-2 overexpression and TNBC.3A is the ROC curve of the characteristic parameters with statistically significant differences in identifying HER-2 overexpressing and non- HER-2 overexpressing breast cancer.3B is the ROC curve of the characteristic parameters with statistically significant differences to identify TNBC and non-TNBC.AUC: area under the curve; HER-2: human epidermal growth factor receptor 2; TNBC: triple negative breast cancer; ROC: receiver operating characteristic.lbp-2D_glrlm_RE: local binary pattern 2D gray level run length matrix run entropy; 3D_gldm_SDLGLE: 3D grey level dependence matrix small dependent low gray level emphasis; 3D_glszm_LGLZE: 3D grey level size zone matrix low gray level zone emphasis; s_glszm_DE: sigma grey level size zone matrix dependent entropy; 3D_glszm_SALGLE: 3D grey level size zone matrix small area low gray level emphasis; w-LH_ngtdm_B: wavelet LH neighbouring gray tone difference matrix busyness.

表5 HER-2過(guò)表達(dá)型與非HER-2過(guò)表達(dá)型組間紋理特征比較分析Tab.5 Comparative analysis of texture features between HER-2 overexpression and non- HER-2 overexpression groups

表6 紋理特征鑒別HER-2過(guò)表達(dá)型乳腺癌的診斷效能Tab.6 Diagnostic efficacy of texture features in the identification of HER-2 overexpressing breast cancer

2.6 MRI紋理特征診斷三陰性乳腺癌的價(jià)值

在三陰性乳腺癌組中有4個(gè)紋理特征：高通濾波器-相鄰灰度色差矩陣（wavelet LH neighbouring gray tone difference matrix busyness, w-LH_ngtdm_B）、灰度游程長(zhǎng)度矩陣-長(zhǎng)運(yùn)行強(qiáng)度（wavelet-HH gray level run lngth matrix long run emphasis,w-HH_glrlm_LRE）、灰度游程長(zhǎng)度矩陣-運(yùn)行方差（wavelet-HH gray level run lngth matrix run variance, w-HH_glrlm_RV）、灰度區(qū)域大小矩陣-小區(qū)域強(qiáng)調(diào)（wavelet-HH grey level size zone matrix small area emphasis, w-HH_glszm_SAE）。對(duì)TNBC 與非TNBC 組間4 個(gè)紋理特征進(jìn)行統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)組間w-LH_ngtdm_B 的差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05），其鑒別診斷TNBC的診斷效能見(jiàn)圖3B，AUC為0.65，以w-LH_ngtdm_B＞-0.255 時(shí)診斷TNBC 的敏感度為92.86%，特異度為39.34%。

3 討論

本研究使用回顧性方法評(píng)估了乳腺癌MRI圖像紋理特征在術(shù)前鑒別乳腺癌分子分型中的價(jià)值。結(jié)果發(fā)現(xiàn)三個(gè)紋理特征在Luminal A型與非Luminal A型組之間的差異有統(tǒng)計(jì)學(xué)意義，兩個(gè)紋理特征在Luminal B型與非Luminal B 型組之間的差異有統(tǒng)計(jì)學(xué)意義，五個(gè)紋理特征在HER-2過(guò)表達(dá)型與非HER-2過(guò)表達(dá)型組之間的差異有統(tǒng)計(jì)學(xué)意義，僅一個(gè)紋理特征在TNBC與非TNBC組之間的差異有統(tǒng)計(jì)學(xué)意義。此外，基于MRI圖像特征參數(shù)所建立的Luminal A 型、Luminal B型、HER-2過(guò)表達(dá)型、TNBC的預(yù)測(cè)模型AUC值分別為0.92、0.83、0.83、0.72。研究表明，部分紋理特征在鑒別乳腺癌分子分型時(shí)具有顯著差異，其中HER-2過(guò)表達(dá)型的多個(gè)MRI紋理特征明顯有別于非HER-2過(guò)表達(dá)型組，說(shuō)明MRI紋理分析對(duì)HER-2過(guò)表達(dá)型與非HER-2過(guò)表達(dá)型的分類具有一定提示意義，這與BRAMAN等[17]的研究結(jié)果相似。通過(guò)特征篩選降維構(gòu)建的基于邏輯回歸的二分類模型中，鑒別管腔A型與非管腔A型乳腺癌組診斷效能最高、AUC為0.92，這一結(jié)果與SUTTON等[18]的發(fā)現(xiàn)一致，筆者今后也將收集更多樣本數(shù)據(jù)來(lái)驗(yàn)證模型。由于HER-2過(guò)表達(dá)型乳腺癌治療方案與其他分型截然不同，其預(yù)后較管腔型乳腺癌差，通常通過(guò)分子靶向聯(lián)合化療進(jìn)行，TNBC 惡性程度最高，需行新輔助化療。因此，這一研究結(jié)果可以支持及幫助臨床分型診斷及選擇治療方案，為臨床醫(yī)生術(shù)前決策提供一定的理論參考依據(jù)。

3.1 不同分子分型乳腺癌患者的一般資料

乳腺癌作為一種高度異質(zhì)性的腫瘤，其分子分型與患者的預(yù)后及臨床治療方案密切相關(guān)[19-20]。隨著基因組學(xué)的發(fā)展，以往僅關(guān)注形態(tài)學(xué)的組織病理學(xué)診斷越來(lái)越無(wú)法滿足臨床診療需求，需根據(jù)免疫組化結(jié)果進(jìn)行腫瘤的分子分型。PEROU等[21]的研究顯示，管腔A型乳腺癌的發(fā)病率在四種分子亞型中最高，與SUN等[22]和TSAI等[23]的研究結(jié)果一致。本研究對(duì)75例乳腺癌患者的病理資料進(jìn)行分析，結(jié)果顯示Luminal A 型約14.7%、Luminal B 型約48.0%、HER-2 過(guò)表達(dá)型約18.7%、三陰性乳腺癌約18.7%，其中Luminal B 型占比最高，這與黃峻琳等[24]的研究一致。其原因在于本研究采用的分型標(biāo)準(zhǔn)，將PR高表達(dá)（≥20%）作為管腔A型的分型條件，而不滿足上述條件的管腔型乳腺癌均認(rèn)為是管腔B型。

本研究中，各分子亞型乳腺癌患者間年齡、絕經(jīng)狀態(tài)、淋巴結(jié)轉(zhuǎn)移情況的分布差異不具有統(tǒng)計(jì)學(xué)意義，與SHENG 等[25]的研究結(jié)果一致。郭俊字等[26]、汪玲等[27]研究卻發(fā)現(xiàn)不同分子分型在年齡、淋巴結(jié)轉(zhuǎn)移間差異具有統(tǒng)計(jì)學(xué)意義。這些研究得到的結(jié)果不同，可能與研究對(duì)象的選擇、樣本量大小及組間數(shù)據(jù)是否均衡有關(guān)。

3.2 特征篩選與模型構(gòu)建

乳腺M(fèi)RI 可產(chǎn)生大量的圖像數(shù)據(jù)，近些年，許多學(xué)者利用MRI 圖像勾畫(huà)乳腺疾病的ROI 并提取特征，通過(guò)研究發(fā)現(xiàn)所提取的部分紋理特征在鑒別乳腺病變的良惡性[28-29]、預(yù)測(cè)腋窩淋巴結(jié)狀態(tài)[30]等方面具有較高的價(jià)值。本研究則是通過(guò)MRI 圖像紋理特征來(lái)術(shù)前預(yù)判乳腺癌分子分型，因?yàn)槿橄侔┑姆肿觼喰图捌涓弋愘|(zhì)性是目前研究證明影響治療和預(yù)后的重要因素，因而本研究更具有現(xiàn)實(shí)的臨床意義。既往國(guó)內(nèi)一些學(xué)者[31]利用T2WI 壓脂平掃圖像進(jìn)行腫瘤分割并提取紋理特征，而DCE-MRI圖像蘊(yùn)含著更多病灶血流動(dòng)力學(xué)數(shù)據(jù)信息，本研究較既往一些研究更嚴(yán)謹(jǐn)、完善，勾畫(huà)了乳腺腫塊強(qiáng)化最明顯的最大層面ROI，更深度挖掘的病灶的內(nèi)部異質(zhì)性。

紋理分析利用計(jì)算機(jī)視覺(jué)，盡可能地從原始圖像中提取紋理特征進(jìn)行量化以供算法和模型使用[32]。現(xiàn)在各類軟件所提取的特征數(shù)量眾多，導(dǎo)致模型過(guò)度擬合，所以需要通過(guò)降維篩選出最優(yōu)特征參數(shù)，便于解釋與研究。特征選擇主要是為了降維以減少特征數(shù)量，加強(qiáng)模型泛化能力，減少過(guò)度擬合，同時(shí)增加對(duì)特征和特征值之間的理解。目前研究中對(duì)于特征選擇應(yīng)用較多的有LASSO 算法、方差閾值篩選器、迭代篩選特征、最小冗余最大相關(guān)算法、最優(yōu)特征篩選等[33-34]。本研究選擇的特征降維手段是用最優(yōu)特征篩選器進(jìn)行降維，最優(yōu)特征篩選器是通過(guò)統(tǒng)計(jì)方法篩選出對(duì)分類重要的特征。其內(nèi)置的評(píng)價(jià)準(zhǔn)則有χ2檢驗(yàn)、樣本方差F值及離散類別交互信息，可以配置特征選擇的評(píng)價(jià)準(zhǔn)則，以及需要保留的特征維數(shù)。

本研究采用的邏輯回歸是一種分類算法，其功能是提供一個(gè)回歸分類預(yù)測(cè)模型，根據(jù)輸入的樣本特征向量預(yù)測(cè)樣本所屬類別的概率，并估計(jì)每個(gè)自變量的權(quán)重，同時(shí)邏輯回歸模型還可以結(jié)合特征對(duì)應(yīng)的權(quán)值，分析單一因素對(duì)某一事件發(fā)生的影響因素。具有快速高效、模型可解釋性強(qiáng)及其結(jié)果具備概率意義、可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)。

3.3 MRI紋理特征預(yù)測(cè)乳腺癌分子分型

隨著技術(shù)的發(fā)展，以紋理分析、放射組學(xué)、深度學(xué)習(xí)為代表的多種計(jì)算機(jī)輔助診斷方法在醫(yī)學(xué)研究中發(fā)揮著重要作用[35]。現(xiàn)有紋理分析研究多采用MRI圖像，也有部分學(xué)者采用DCE-MRI定量參數(shù)圖、DWI、ADC圖等進(jìn)行分析，不同研究選用的紋理參數(shù)不盡相同，各個(gè)研究得出的紋理參數(shù)與腫瘤分子亞型間的關(guān)系也不盡相同?？傮w來(lái)說(shuō)，既往研究已發(fā)現(xiàn)了與乳腺癌亞型相關(guān)的MRI紋理特征。如薛珂等[36]研究發(fā)現(xiàn)基于動(dòng)態(tài)增強(qiáng)MRI紋理分析是潛在評(píng)估乳腺癌異質(zhì)性的一種方法，紋理特征能夠很好地區(qū)分HR 陽(yáng)性與HR 陰性型乳腺癌；HOLLI-HELENIUS 等[37]使用TA 軟件MaZda 從每個(gè)腫瘤T1WI抑脂增強(qiáng)前后的MR圖像中提取基于共生矩陣的紋理特征，結(jié)果得到了區(qū)分Luminal A型和Luminal B型最具鑒別性的2個(gè)紋理參數(shù)是總熵和總方差。

本研究在對(duì)不同分型乳腺癌進(jìn)行兩組間比較時(shí)發(fā)現(xiàn)，TNBC與非TNBC組間只有1個(gè)MRI紋理特征差異有統(tǒng)計(jì)學(xué)意義，即紋理分析對(duì)鑒別TNBC 可能存在一定局限性。XIE 等[38]基于定量ADC 圖和DCE 半定量圖發(fā)現(xiàn)部分紋理參數(shù)在不同亞型乳腺癌組間存在統(tǒng)計(jì)學(xué)差異，在鑒別TNBC 和Luminal A 型、和HER-2 陽(yáng)性癌、和非TNBC 的AUC 分別為0.71、0.76、0.68，紋理分析在鑒別TNBC 時(shí)表現(xiàn)欠佳，這與本研究結(jié)果一致。BRAMAN 等[17]、GRIMM 等[39]研 究發(fā)現(xiàn)HER-2 過(guò) 表達(dá)型乳腺癌與常規(guī)增強(qiáng)乳腺M(fèi)RI 半自動(dòng)提取的特征相關(guān)。馬曉雯[40]對(duì)乳腺DCE-MRI 圖像進(jìn)行影像組學(xué)特征的提取及分析，結(jié)果發(fā)現(xiàn)HER-2 過(guò)表達(dá)與非HER-2 過(guò)表達(dá)組間最優(yōu)特征最多，然后基于這些影像參數(shù)構(gòu)建模型得到鑒別HER-2 過(guò)表達(dá)和非HER-2 過(guò)表達(dá)的效能最高AUC為0.66，此結(jié)果與本研究不盡相同。與之前研究相反，WU等[41]對(duì)乳腺癌患者的MRI圖像行紋理分析，發(fā)現(xiàn)在Luminal A 型與非Luminal A 型、Luminal B型與非Luminal B型、TNBC與非TNBC組間均存在顯著統(tǒng)計(jì)學(xué)差異的紋理特征，且三組分子亞型分類診斷模型的AUC分別為0.71、0.67、0.66，此結(jié)果與本研究及SUTTON等[18]發(fā)現(xiàn)一致。

本文利用邏輯回歸基于MRI 紋理參數(shù)建立分類模型，在不同分子分型乳腺癌中達(dá)到了較好的鑒別效果，鑒別Luminal A 型和非Luminal A 型時(shí)表現(xiàn)最佳（AUC 達(dá)0.92），但鑒別TNBC 和非TNBC 效果欠佳（AUC為0.72），本研究與WU等[41]研究一致。本研究與既往相似研究結(jié)果不盡相同，筆者認(rèn)為這可能與患者的納入排除標(biāo)準(zhǔn)、實(shí)驗(yàn)技術(shù)設(shè)計(jì)等有關(guān)，需要在相同的條件下使用動(dòng)態(tài)分析進(jìn)一步驗(yàn)證。

以上結(jié)果均提示，紋理分析已日趨顯示其臨床應(yīng)用價(jià)值，本研究MRI紋理分析在鑒別乳腺癌分子亞型方面具有一定價(jià)值，一些紋理特征可能成為潛在影像標(biāo)志物，為臨床提供相應(yīng)的參考價(jià)值。

3.4 局限性

本研究仍有一些不足之處：（1）由于非腫塊型乳腺癌病灶難以準(zhǔn)確勾畫(huà)ROI邊界，因此本研究?jī)H納入腫塊型病變，可能存在數(shù)據(jù)偏倚；（2）本研究為單中心、小樣本回顧性研究，樣本量較小，有些分子亞型乳腺癌的病例數(shù)較少，組間數(shù)據(jù)平衡性欠佳，在今后研究中有待收集更多樣本數(shù)據(jù)進(jìn)一步驗(yàn)證；（3）腫瘤ROI均為放射科醫(yī)師手動(dòng)勾畫(huà)，可能存在一定的偏差。

4 結(jié)論

綜上所述，基于DCE-MRI紋理分析可實(shí)現(xiàn)術(shù)前較準(zhǔn)確地預(yù)測(cè)乳腺癌分子分型，基于MRI紋理特征構(gòu)建的邏輯回歸模型在乳腺癌分子分型中有較好的診斷效能，為臨床醫(yī)生術(shù)前指導(dǎo)治療及預(yù)后評(píng)估提供一定的理論參考依據(jù)。

作者利益沖突聲明：全部作者均聲明無(wú)利益沖突。

作者貢獻(xiàn)聲明：張婷婷設(shè)計(jì)本研究的方案，對(duì)稿件重要的智力內(nèi)容進(jìn)行了修改；林倩起草和撰寫(xiě)稿件，獲取、分析或解釋本研究的數(shù)據(jù)；陳愛(ài)華獲取、分析或解釋本研究的數(shù)據(jù)，對(duì)稿件重要的智力內(nèi)容進(jìn)行了修改；張婷婷獲得了北京醫(yī)學(xué)獎(jiǎng)勵(lì)基金會(huì)睿影基金項(xiàng)目資助；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。