基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值.pdf

论著（临床研究）基于动态增强 瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值吴 韧，李新宇，陈 随，卢光明 摘要 目的 探讨基于动态增强磁共振（）瘤内和最佳瘤周区域影像组学模型来预测三阴性乳腺癌（）。方法 回顾性分析东部战区总医院 年 月至 年 月入院治疗并行手术病理证实的 例乳腺癌患者。采用随机抽样的方法按照 比例分为训练集（）和测试集（）。所有患者均行乳腺 检查，在 序列上手动逐层勾画感兴趣区（），瘤周区域分别等距外扩。线性相关阈值和方差分析用于特征筛选，联合逻辑回归（）的机器学习方法构建影像组学模型。融合模型由瘤内及最佳瘤周影像组学特征共同组成。采用受试者工作特性曲线（）来评价各模型的诊断性能，检验来比较各模型预测性能。结果 瘤内模型的训练集和测试集的 曲线下面积（）分别为、。瘤周特征建模以瘤周 范围结果最佳，在训练集和测试集 分别为、。瘤内和瘤周的融合模型的预测效能最佳，在训练集和测试集 分别为、。结论 基于乳腺 瘤内和瘤周的融合影像组学模型可以很好的预测三阴性乳腺癌。关键词 三阴性乳腺癌；磁共振成像；影像组学；瘤内；瘤周 中图分类号 文献标志码 文章编号 （）基金项目：科技部科技创新 重大项目“新一代人工智能”专项（）作者单位：南京，南京医科大学金陵临床医学院（东部战区总医院）放射诊断科（吴韧、李新宇、陈 随、卢光明）通信作者：卢光明，：，（，）（）（）（）（），（），（），（），医学研究与战创伤救治 年 月 第 卷 第 期 ，（），（），；引 言 乳腺癌是一种全球性的常见病，严重威胁女性的健康，乳腺癌的分子分型与治疗策略及疗效密切相关。乳腺癌分为四种分子亚型：型、型、型（，）和三阴性乳腺癌（，）。是指雌激素受体（，）、孕激素受体（，）及 均为阴性。体积常较大，侵袭性较高，预后很差。此外，对术前化疗更敏感，更易发生病理完全缓解，如果能通过影像学方法来无创性的早期识别，对患者治疗及预后均有重要的意义。在乳腺癌中应用广泛，然而它只能在大小、形态或者信号等方面来观察，识别分子亚型的准确性有限。影像组学可以从医疗图像中提取海量定量特征，是一种准确、无创的方法。既往对于乳腺癌的研究多基于肿瘤本身的特征，而对肿瘤周围的区域研究较少。因此本研究旨在基于乳腺动态增强磁共振（，）瘤内和瘤周的影像组学模型来预测。资料与方法临床资料回顾性分析 年 月至 年 月东部战区总医院接受治疗且取得病理结果的乳腺癌患者的临床资料，均为女性。纳入标准：术前行双侧乳腺 检查；没有进行任何治疗；经病理证实为乳腺癌，有完整的免疫组化结果。排除标准：检查前做过新辅助化疗、活检等；图像质量差；病灶体积较小；多灶性病变。最终共纳入 例患者，年龄 岁，中位年龄 岁。按照病理结果分为（例）和非（例），以 比例随机分为训练集（）和测试集（）。训练集包括 例和非 例，测试集包括 例和非 例。本研究经过医院伦理委员会批准（批准号：），患者均签署知情同意书。仪器与方法所有患者均接受双侧乳腺 扫描，采用美国 公司 磁共振扫描仪（；，），通道乳腺相控阵线圈。患者取俯卧位，头先进。扫描方案包括横断面、及。具体扫描参数如下：重复时间（，），回波时间（，），层厚 ，视野（，）；：重复时间（，），回波时间（，），层厚 ，视野（，）；：，层厚 ，；：，层厚 ，。以 的速度注射 钆喷替酸葡甲胺（北京北陆药业股份有限公司，北京，中国），然后注射 等渗盐水。先扫一期蒙片，注药后即连续扫描 期，每期扫描时间为 。肿瘤分割所有图像均为 格式，选取 的第三期来准确勾画感兴趣区（，），因为此期靶病灶强化已达峰值，周围腺体背景实质强化较轻，两者对比明显可以准确勾画病灶边缘。对于瘤内病灶的勾画，由两位此前对病理结果不知情的放射科医师对图像进行审查，首先由一位具有三年乳腺癌诊断经验的影像科医师使用开源软件（版本，）手动逐层勾画，然后由一位具有 年乳腺癌诊断经验的影像科高级医师进行审核，对其不合理的地方进行修正，最后融合成 。对于瘤周的勾画，首先将所有图像均上传至深睿多模态研究医学研究与战创伤救治 年 月 第 卷 第 期 ，平台（：，），然后在 上勾画的 基础上使用平台软件分别等距外扩 、和 。影像组学特征提取影像组学特征的提取均在深睿多模态研究平台，首先将数据进行标准化处理，通过最大绝对值归一化将所有特征转化至，之间，计算组内相关系数（，），保留 的特征，主要包括一阶特征、形态特征及纹理特征，纹理特征包括灰度共生矩阵、灰度大小区域矩阵、灰度游程矩阵和灰度差异矩阵等。预测模型的构建 筛选影像组学特征，包括以下步骤：保留 相关性分析大于 的影像组学特征；通过 正则化对组学特征进行自动筛选；所有特征筛选完成后，采用 机器模型来构建影像组学模型，包括 个模型：个 瘤内模型，个 瘤周模型，个 瘤内和最佳瘤周范围的融合模型。所有的数据按照：的比例分为训练集和测试集。病理学检查所有患者均经手术切除进行病理分析，利用、的状态和 表达水平来确定分子分型。型：阳性，阴性，。型：阳性，且 阳性；或 阳性，阴性。型：阳性，、均阴性。：、及 均为阴性。非 组包括 型、型和 型。统计学分析 采用 统计软件进行统计分析。定量变量描述为平均值标准差（）。数据符合正态分布采用 检验，否则采用 检验。分类变量以计数（百分比）描述，并使用卡方检验进行比较。采用 曲线分析各模型的鉴别能力，代表具有良好的鉴别能力。以 具有统计学意义。结 果 一般资料 本研究共纳入 例患者，训练集 例，年龄 岁，中位年龄 岁；测试集 例，年龄 岁，中位年龄 岁。在训练集中，型、型、型和 的病例数分别是（）、（）、（）、（）；在测试集中，病例数分别是（）、（）、（）、（）。在训练集和测试集中，年龄、绝经情况、家族史、病灶长径、腋窝淋巴结状态均无统计学意义（），病例类型仅在测试集中有统计学意义（），见表。提取、筛选组学特征及建立影像组学模型 通过深睿多模态研究平台在 瘤内和瘤周图像上分别提取 个影像组学特征，基于 分析、相关性分析及 正则化，对组学特征进行筛选，建立影像组学模型。在瘤内影像组学模型共得到 个最优特征，在训练集中和测试集的 值分别为 和。对于瘤周各个范围的影像组学模型，在训练集中，瘤周 、和 的 值分别为、和；在测试集中，相应的 分别为 、和。检验结果显示，瘤周各个范围的影像组学模型在训练集中和测试集差异无统计学意义（），但是瘤周 范围的影像组学模型在训练集和测试集的、敏感性、特异性及准确性均较其他稳定且结果较好，故取瘤周 作为最佳范围建立影像组学模型。最终将瘤内和最佳瘤周范围模型联合，最后融合模型共选择了 个特征，包括来自瘤内 个组学特征及来自瘤周 个组学特征，并联合 的机器学习方法用于构建预测 融合影像组学模型。结果显示融合模型性能较单个瘤内及瘤周模型模型均有提高，在训练集和测试集的 值分别达到了（：）和（：）。检验结果显示，融合模型在训练集中与瘤内模型和瘤周模型、在验证集中与瘤周模型相比均有统计学差异（），但是在验证集中与瘤周模型相比无统计学差异（）。各个组学模型的相对权重、曲线分析结果及 曲线分别见图、图，表。医学研究与战创伤救治 年 月 第 卷 第 期 ，表 乳腺癌患者训练集和测试集的基本临床资料和影像学表现 特征训练集（）三阴性乳腺癌（）非三阴性乳腺癌（）值测试集（）三阴性乳腺癌（）非三阴性乳腺癌（）值年龄（岁）绝经情况 未绝经（）（）（）（）已绝经（）（）（）（）家族史 无（）（）（）（）有（）（）（）（）病灶长径（）腋窝淋巴结状态 无转移（）（）（）（）有转移（）（）（）（）病例类型 浸润性导管癌（）（）（）（）其他（）（）（）（）表 乳腺癌患者各影像组学模型预测性能 模型训练集（）敏感性特异性测试集（）敏感性特异性瘤内模型（）（）瘤周 模型（）（）瘤周 模型（）（）瘤周 模型（）（）瘤周 模型（）（）融合模型（）（）：瘤内影像组学特征；：瘤周 影像组学特征；：融合影像组学特征图 乳腺癌患者影像组学特征及相关系数 ：各瘤周模型在训练集中的曲线下面积（）；：各瘤周模型在验证集中的；：各模型在训练集中的；：各模型在测试集中的 图 各模型的受试者工作特征（）曲线 （）医学研究与战创伤救治 年 月 第 卷 第 期 ，讨 论 本研究利用 机器学习方法探究基于 的瘤内和瘤周融合模型对 的预测价值，探讨其在临床应用价值，得出其在训练集和测试集中均具有较好的预测效能，优于单个瘤内及瘤周模型。此外，还发现肿瘤周围 区域建立的影像组学模型最优。可见基于 的瘤内和瘤周融合模型，可以更准确鉴别，对于病人治疗方式的选择及改善预后具有重要意义。影像组学是一种基于影像图像的计算机辅助方法，不仅可以反映病变的异质性，还可以提高预后，在医疗学领域发挥了越来越重要的作用。既往研究中，是应用最多的序列，可以反应病灶的形态学及生理变化的情况，是目前最敏感的序列，已有多个研究显示在分子分型方面的价值。等基 于 影 像 组 学 模 型 来 预 测，在测试集的 为。等先基于 影像组学模型来预测，在测试集的 为，略高于上述研究；然后加入背景实质增强特征，达到了。等基于 及临床变量构成的影像组学模型来预测乳腺癌的四种分型，也显示出良好的预测结果。而吴等和张等均基于 和其他序列的联合影像组学模型来预测，同样得到了较好的结果，在测试集的 分别为 和。以上结果与我们的结论一致，可见基于 瘤内影像组学特征有助于鉴别。对于其他序列的预测价值，等基于 瘤内影像组学模型来预测，在测试集 为，但是略低于绝大部分 序列的模型。故本研究先基于 序列的瘤内影像组学模型来预测 和非，同样显示出良好的鉴别能力，在测试集中 达到了。以上的研究多局限在肿瘤内特征，近些年来关于瘤周区域的研究越来越多。瘤周区域指的是肿瘤周围的实质细胞构成的区域，是肿瘤周围的微环境的代表，包含很多重要的生物学信息。有越来越多的研究表明肿瘤周围的微环境包含重要的生物学信息，图像会发生细微的改变；且肿瘤周围基质内的物理及遗传的变化有助于控制其生长和扩散，是肿瘤发展的关键因素，可以规避机体的免疫防疫，并抵抗治疗干预；乳腺癌的瘤周区域可能存在的一些重要的生物学信息，包括免疫细胞、细胞外基质及新生血管等，与肿瘤的发展、转移及分子分型密切相关。故关于肿瘤周围区域值得进一步探索，而且目前的研究对于乳腺癌 瘤周的最佳范围仍然存在争议。等建立了基于对比增强光谱乳腺摄影图像的周围 、和 的组学模型，得出瘤周 组学模型可以很好的预测乳腺良恶性病变，在测试集中 达。等基于 瘤内和瘤周 的影像组学模型来预测 和 在乳腺癌中表达，得到了很好的结果。等基于 瘤周 的影像组学模型来预测 阳性乳腺癌患者的术前靶向治疗的病理反应，验证集的 为。等在一项预测乳腺癌不同分子分型的多个任务中，得出基于 瘤周 影像组学模型稳定性最好。等分析了多个肿瘤周围区域，得出肿瘤周围 、和 可以进一步提高预测乳腺癌转移的影像组学模型的性能。以上研究表明，对于乳腺癌 瘤周的最佳范围仍然存在很大的差异，不同的研究选择的范围有所不同。我们的发现与以上部分研究结果相类似，本研究得出基于瘤周 内的区域组学模型较瘤周其他区域预测效果最佳，可以进一步优化模型。最后我们建立瘤内和最佳瘤周区域的融合模型，在验证集中 为，而单独的瘤内模型和最佳瘤周模型 值分别为 和，融合模型的性能明显较单独的模型要好，进一步提高了预测效能。这与 等的结果类似，通过结合肺结节 内和结节周围影像组学来预测肺腺癌和肉芽肿，达到了，优于结节内模型，其 为。这些结果都表明，肿瘤周围的微环境的重要性。在融合模型提取的所有特征中，瘤内 的组学特征占的相对权重最高，它是一种纹理参数，代表肿瘤内的灰度强度中第 位的灰度值分布。纹理分析是影像组学的重要组成部分，可以量化肿瘤的异质性，是通过计算图像中灰度的变化来量化肿瘤的异质性。本研究中 组的瘤内 高于非 组，表明 组的影像灰度更高，成分更复杂，提示其具有更高的异质性。在所有特征中，小医学研究与战创伤救治 年 月 第 卷 第 期 ，波特征的比例较高。在以前的研究中，等结果表明小波特征可能与乳腺癌的分子亚型相关。等研究结果得出小波特征可以来预测 和 在乳腺癌中表达，可能包括更多的乳腺癌信息。这与我们的研究一致，表明小波特征与乳腺癌的分子分型相关。此外，我们的研究中，一阶特征及纹理特征占比很高，这表明 局部变化或者分布的区域可能比整体的变化更加重要，且纹理特征可以反映乳腺癌的高度异质性，提示其侵袭性和生长速度等，可能与 有关，但这需要更多的研究来验证。本研究的不足：本研究是单中心的回顾性研究，可能会存在一定的选择偏移；本研究样本量不大，较少，未来将会增加数据来改进模型；瘤周区域范围尝试较少，未来将尝试更多的瘤周区域。综上所述，基于 的瘤内和瘤周的融合影像组学模型能够有效预测三阴性乳腺癌，可以帮助临床在术前获得更多的资料，从而采取个体化的治疗方案。【参考文献】，：，（）：，（）：，：（），（）：中国抗癌协会乳腺癌专业委员会 中国抗癌协会乳腺癌诊治指南与规范（年版）中国癌症杂志，（）：顾 军，于泽平，李宁三阴性乳腺癌的研究进展医学研究生学报，（）：常乾坤，白春强，王伟芳，等三阴性乳腺癌临床及超声表现与腋窝淋巴结转移的相关性分析医学研究生学报，（）：，：，（）：，：，：，（）：，：，（）：，（）：，：，：，（）：，（）：，（）：赵楠楠，朱 芸，汤晓敏，等 基于瘤内及瘤周 影像组学列线图预测乳腺癌腋窝淋巴结转移 磁共振成像，（）：，（）：，（）：，：，（）：，：，（）：吴佩琪，赵可，吴磊，等 基于扩散加权成像和动态增强 的影像组学特征与乳腺癌分子分型的关系初探 中华放射学杂志，（）：张 晶，李陇超，折霞，等 影像组学鉴别三阴性与非三阴性乳腺癌的价值 影像诊断与介入放射学，医学研究与战创伤救治 年 月 第 卷 第 期 ，（）：，：，：，：，（）：，：，（）：，（）：，（）：，：，（）：，（）：，（），（）：，（）：，（）：，（）：，：（收稿日期：；修回日期：）（责任编辑：杨建鑫；英文编辑：李 麒）医学研究与战创伤救治 年 月 第 卷 第 期 ，