分享:
分享到微信朋友圈
X
基层论坛
磁共振成像对乳腺BI-RADS 4类病变诊断效能的研究
王芳芳 彭琴 徐丙仁 金军 汤小俐

Cite this article as: Wang FF, Peng Q, Xu BR, et al. Study on diagnostic efficacy of magnetic resonance imaging for BI-RADS category 4 lesions[J]. Chin J Magn Reson Imaging, 2022, 13(8): 88-91.本文引用格式:王芳芳, 彭琴, 徐丙仁, 等. 磁共振成像对乳腺BI-RADS 4类病变诊断效能的研究[J]. 磁共振成像, 2022, 13(8): 88-91. DOI:10.12015/issn.1674-8034.2022.08.017.


[摘要] 目的 探讨MRI对美国放射学院(American College of Radiology, ACR)乳腺影像报告与数据系统(Breast Imaging Reporting and Data System, BI-RADS)4类病变的诊断效能。材料与方法 回顾性分析经乳腺X线摄影或超声检查中提示为BI-RADS 4类的患者病例81例,病灶86个,所有患者均行MRI增强检查,根据形态学、表观扩散系数(apparent diffusion coefficient, ADC)值和动态增强曲线等多参数序列综合评估给予诊断分类,其中4类细分为4A、4B、4C,以最终病理结果及两年随访时间为依据,分别计算其阳性预测值(positive predictive value, PPV)。结果 81例患者(86个病灶)中,病灶评估为BI-RADS 2类3个,3类8个,4类59个(其中4A 13个、4B 16个、4C 30个),5类16个。最终病理结果为恶性病灶51个,非恶性病灶35个,其中4A、4B、4C的PPV分别为7.69%、37.50%、93.33%,4A与4C、4B与4C组间比较PPV差异有统计学意义(P<0.001),4A与4B组间比较PPV差异无统计学意义(P>0.05)。结论 MRI对乳腺BI-RADS 4类病变可细分为三个亚类,根据BI-RADS分类中所对应恶性肿瘤的可能性,每个亚类的PPV在预定范围内。
[关键词] 乳腺;磁共振成像;乳腺影像报告与数据系统;阳性预测值;诊断效能
[Keywords] breast;magnetic resonance imagine;Breast Imaging Reporting and Data System;positive predictive value;diagnostic efficiency

王芳芳    彭琴    徐丙仁    金军    汤小俐 *  

深圳市前海蛇口自贸区医院医学影像科,深圳 518067

汤小俐,E-mail:303175614@qq.com

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 深圳市南山区卫生科技项目 2020106
收稿日期:2021-05-10
接受日期:2022-08-10
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.08.017
本文引用格式:王芳芳, 彭琴, 徐丙仁, 等. 磁共振成像对乳腺BI-RADS 4类病变诊断效能的研究[J]. 磁共振成像, 2022, 13(8): 88-91. DOI:10.12015/issn.1674-8034.2022.08.017

       世界卫生组织(World Health Organization, WHO)已将早期乳腺癌列为可治愈性疾病,早诊断早治疗是提高乳腺癌治愈率的最佳途径。乳腺疾病的病谱很广泛,从良性发展到恶性是一个渐进的过程,即使在病理上有时良恶性也没有明确的截然的分界,一个病灶内时常有多个病变共存,组织类型较复杂,因为肿瘤的异质性,其影像学表现呈多样性。乳腺影像报告与数据系统(Breast Imaging Reporting and Data System, BI-RADS)是美国放射学院(American College of Radiology, ACR)制定的全球标准化影像报告,将最终病变可疑性给予0~6类评估分类。其中4类定义为不具有典型恶性征象、但有足够可疑需要用活检证实,明确病变的组织学类型。BI-RADS 4类病变恶性概率范围较广,覆盖了从>2%到<95%的恶性概率区间,进一步细分为4A低度可疑(>2%~≤10%)、4B中度可疑(>10%~≤50%)、4C高度可疑(>50%~<95%)三种亚类,这种细分在BI-RADS的乳腺X线摄影和超声诊断章节中均有明确分类,而在乳腺MRI章节中未对4类再具体进行子分类,也有提到认为进行一致且清晰的细致分类对临床医生和病理医生有帮助,然而并没有数据方面的统计分析。国内外对于是否将乳腺MRI中的4类细分无明确统一的共识[1, 2]。BI-RADS 4类病变是临床上最常见、最需要处理、但也是最难处理的一类,尽管处理意见是一致的,但无细分时可能无法传达恶性可能性的风险分层水平。本研究拟尝试通过将BI-RADS 4类病变再细分为三个亚类,旨在探讨每个亚分类的阳性预测值(positive predictive value, PPV)及对临床决策的实用性。

1 材料与方法

1.1 一般资料

       回顾性分析本院2018年2月至2021年10月期间,乳腺X线摄影或超声检查提示为BI-RADS 4类的患者,纳入标准:(1)乳腺X线摄影或超声检查任一项提示为BI-RADS 4类,包括4A、4B、4C均可;(2)乳腺X线摄影或超声检查任一项提示BI-RADS 3~4A类;(3)MRI检查和穿刺或病理结果间隔1个月内。排除标准:(1)已确诊乳腺癌或有乳腺放化疗史;(2)治疗后复查的病例。本研究经过深圳市前海蛇口自贸区医院医学伦理委员会批准,免除受试者知情同意,批准时间:2021年5月24日。

1.2 磁共振检查方法

       采用美国GE Signa HDxt 3.0 T MRI机器及专门乳腺相控阵线圈。检查前询问月经周期、闭经时间、激素替代治疗史,绝经前女性尽量选择月经期第2周。双乳自然下垂,充分暴露双乳和腋窝。T1WI序列扫描参数:TR 620 ms,TE 11.8 ms,层厚6 mm,层间距1 mm。T2WI压脂序列扫描参数:TR 9600 ms,TE 67.5 ms,层厚6 mm,层间距1 mm。矢状位T2WI压脂序列扫描参数:TR 3000 ms,TE 81.8 ms,层厚5 mm,层间距1 mm。DWI序列扫描参数:b值=0和800 s/mm2,TR 3600 ms,TE 74.3 ms,矩阵130×130,层厚6 mm,层间距1 mm。三维动态增强序列扫描参数:TR 4.16 ms,TE 2.10 ms,FA 10°,矩阵340×256,层厚1 mm,层间距0 mm,对比剂采用钆喷酸葡胺注射液(Gd-DTPA,广州康臣药业有限公司,中国),剂量为0.2 mmol/kg,注射流率2 mL/s,然后用15 mL生理盐水冲刷,扫描时间8~10 min,共6期时相,每期时相90 s,第1期为预扫描蒙片,获得6期连续动态增强的原始图像和减影图像。

1.3 图像分析及分类

       由两位分别为9年和39年诊断经验时长的影像科主治医师和主任医师在不知病理结果的前提下共同阅片、评估分类,达成一致意见。诊断标准参照ACR第5版BI-RADS指南,分类基于多个序列综合评估的结果。对于多个病变的处理意见应基于最可疑的病变特征,类别的层次从高到低依次是:5>4C>4B>4A>3>2>1>0。评估分类的诊断目前国际上没有明确的标准,笔者复习ACR BI-RADS指南和多篇文献等资料[3, 4, 5],从形态学特征、扩散加权成像(diffusion weighted imaging, DWI)、动态增强曲线三个方面进行综合分析,以形态学特征为主。当病变均无以下可疑恶性征象时,诊断为1~3类;当病变仅有一个方面出现可疑征象时诊断为4A;当病变同时出现两个方面可疑征象时诊断为4B或4C(无形态学可疑恶性为4B,有形态学可疑恶性为4C);当病变在三个方面均出现可疑征象时诊断为5类(按ACR BI-RADS说明要求,对于5类的评估需要多个可疑发现的组合来验证,从而确保评估不被滥用)。具体评估按肿块、非肿块样病变分别综合分析,给出相对准确的分类;肿块的可疑恶性征象有形态不规则、边缘毛刺或环形强化、混杂强化;非肿块样病变的可疑恶性征象有线样分布(导管样分布)或段样分布、集簇状强化、成簇环状强化。排除背景实质强化,如点状病变边缘和内部增强可以评估时,应被认为是小肿块来进行分类。多发病灶且可能影响治疗方案时,分别给予评估分类。

1.4 病理

       以穿刺或手术病理结果为金标准,将本组分为恶性、非恶性组(良性和危险病变)。如果随访时间超过两年无变化归为非恶性组。

1.5 统计学分析

       使用SPSS 26.0统计软件进行分析,分别计算每个亚类的PPV和95%置信区间,组内及组间比较采用卡方检验,P<0.05为差异有统计学意义。

2 结果

2.1 患者一般资料

       最终纳入患者81例(共86个病灶),女80例,男1例,年龄22~83(47.7±11.4)岁。其中5例患者随访时间超过2年病灶无变化,余76例患者均行活检或病理结果证实,最终51个病灶为恶性,35个病灶为非恶性。

2.2 MRI影像表现及分类评估

       81例患者根据高分辨MRI影像表现,发现86个可能影响治疗决策的病灶,分别给予分类评估(表1)。MRI诊断2类有3个病灶,影像表现为较典型背景实质强化或未见明确强化,病理结果1个良性(纤维囊性乳腺病),2个随访时间超过两年无变化。3类有8个病灶,影像表现为背景实质强化、无明显可疑恶性特征的单发肿块,病理结果6个良性(乳腺增生、纤维腺瘤、乳腺腺病伴钙化),2个随访时间超过两年无变化。MRI诊断为5类共16个病灶,影像表现具有典型恶性征象,多合并伴随征象,均经手术病理证实为恶性(导管原位癌或伴微浸润、浸润性导管癌、浸润性小叶癌、混合性浸润癌、髓样癌)。

       MRI诊断BI-RADS 4类共59个病灶(表2),影像表现不典型、但具有可疑恶性征象(图1),其中4A、4B、4C所对应的PPV分别为7.69%、37.50%、93.33%。按照ACR指南中对乳腺X线摄影和超声中所指定4类的恶性可能性概率,其MRI每组细分的PPV均在BI-RADS中定义的范围内。4A与4C、4B与4C组间比较PPV差异有统计学意义(P<0.001),4A与4B组间比较差异无统计学意义(P>0.05)。

图1  浸润性导管癌的MRI及病理图。1A:动态增强早期示左乳肿块(箭),形态尚规则;1B:最大密度投影(MIP)示双乳血供大致对称;1C:增强矢状位示肿块呈环形强化(箭),诊断为BI-RADS 4A类;1D:病理图(HE ×40)示为浸润性导管癌Ⅰ级伴低级别导管原位癌。
表1  入组病例BI-RADS分类 单位:例
表2  以病理结果为金标准的乳腺BI-RADS 4类MRI诊断结果

3 讨论

3.1 BI-RADS 4类诊断与病理的相关性

       本研究的亚分类提供了更明确的风险分层,4C比4A和4B更有可能是恶性,4B比4A更有可能是恶性,而4A类恶性概率很小。这与Strigel等[6]报道一致,不同的是本组4B、4C类的PPV更高,这可能与两者的研究样本量不同有关,本组病理结果恶性病变偏多。另外笔者的评估标准按照ACR BI-RADS指南,仅在典型征象时评估为5类,这也使得更多可疑恶性的病灶会划分为4B和4C。

       本组MRI评估下调为BI-RADS 2和3类的病灶均为良性,有助于减少不必要的活检,通常X线摄影是由于可疑的钙化提示为4A,而MRI对应区域未见强化或可疑恶性的征象,Strobel等[7]发现这种病变是可能处于相对稳定的状态,选择短期随访而不是立刻活检,认为是可以接受的合理建议,并提到除了仅表现为单纯钙化的低级别导管原位癌,MRI阴性预测值可达100%[8]。本组病例中未出现此类病灶,可能原因一是样本量少,二是入组的病例多为浸润性癌。本组4A病灶中仅1个为恶性,病理结果是浸润性导管癌Ⅰ级伴低级别导管原位癌。4B病灶中病理以良性居多,组内良恶性比较差异无统计学意义(P>0.05)。4C病灶中仅2个为非恶性,病理结果分别为结核和慢性炎症,影像表现均为非肿块样强化(non-mass enhancement, NME),有形态学可疑恶性征象,是导致分类高估的原因之一。本组病例为浸润癌且合并原位癌的病灶有19个,影像表现为肿块伴周围NME或NME,后经手术病理证实伴随的NME为原位癌成分和导管内成分或不典型增生。

3.2 MRI分类现状及细分的意义

       在BI-RADS的X线摄影和超声章节中,均对4类有细分且对应不同的恶性可能性概率。而在MRI章节中未做进一步细分,原因可能是需要更大数据量统计和考虑临床实践方面的综合因素。接受MRI检查的患者通常是高风险或已知有可疑恶性病变的人群,仅是评估为4类并不能满足临床医生和患者的需求。Honda等[9]和Eghtedari等[10]认为推行细分是有可能实现的,具体的分类和含义仍需要更多的数据支持。虽然ACR BI-RADS并未在MRI进行细分,但也提到这种细分对临床实践很有意义,对涉及受试者工作特征曲线分析的研究很有帮助,有利于临床和病理医生工作的开展。

       我们的研究发现将4类病变细分所对应恶性肿瘤的可能性在X线摄影和超声中BI-RADS规定的概率区间内,即4A(>2%~≤10%)、4B(>10%~≤50%)和4C(>50%~<95%),这种细分提供了一个更明确的恶性风险分层,使得MRI与乳腺X线摄影、超声达成一致的共识,有助于提高影像与病理的相关性和一致性。我们发现4A类病变的恶性概率较低,对于一些风险耐受的4A类患者,有可能减少活检而选择短期随访也认为是可以接受的合理建议,Strobel等[7]文献中认为即便最终病理是导管原位癌,也是低级别或相对稳定的原位癌,大多数可能不会发展到浸润性癌或需要相当长的风险时间。Flowers等[11]认为对4A类低风险病变可以进行类似于3类的6个月随访,在相对安全的时间范围内观察病变并降低活检率,同时不太可能会因为延迟诊断而对生存带来影响。

       BI-RADS 4类的亚分类尚未在文献中得到广泛的验证[12, 13]。对于4A、4B、4C的PPV,最近几年各文献报道不一,Strigel等[6]报道4A、4B、4C的PPV分别为2.5%、27.6%、83.3%,Chikarmane等[14]报道4A、4B、4C的PPV分别为7.9%、23.5%、59.7%,这是由于样本量不同和良恶性所占比例的不同所导致,但有一点是一致的,即每个亚类的PPV均在预定范围内或接近预定范围,且各组间的差异有统计学意义,随着级别的增加,恶性可能性也会随之增加。对于4B类的病灶Almeida等[15]报道PPV为37%,本组结果与之接近,文献中认为此类病灶相对缺乏意义,应单独给予分析。笔者认为最终可能仍需要较积极的处理方式而无法避免活检。细分的意义不仅在于提示恶性风险概率,更多的是能够提供可能改变临床治疗策略的影像特征,从而使患者受益。MRI能够显示肿瘤及其周围的原位癌成分和弥漫导管内成分(extensive intraductal component, EIC),影像表现为NME伴或不伴有肿块,有学者也称为卫星病灶,这种广泛的导管内成分是评估乳腺癌术后复发和整体生存率的重要危险因素,多个文献中均表明合并EIC的浸润性癌局部复发率更高[16, 17, 18],这对术前规划和手术方案选择有直接影响,尤其是对保乳手术的决策。Kim等[19]报道在浸润性癌中EIC的发生率有30%~40%,本组发生率为31%,与文献报道一致。因此做保乳手术时建议将周围的非肿块样强化区域一并切除才能真正做到切缘阴性,从而避免因切缘不够而造成的再次手术,降低复发率。

3.3 不足和展望

       本研究有一定的局限性:第一,样本量有限,且恶性病变居多;第二,评估分类暂没有明确的统一标准,仍然依赖影像专家阅片经验,导致测量结果可能有误差,以后需要更加完善BI-RADS描述术语和对应分类的相关性,联合人工智能评分可能是未来的方向[20, 21, 22];第三,对多发病变的分类因样本量有限未做相关统计学分析;第四,对于浸润性癌合并的原位癌成分,病理上缺乏其所占百分比的全部数据。

       综上所述,根据BI-RADS分类恶性肿瘤的可能性,MRI将4类细分为4A、4B、4C是可行的,每个亚类的PPV均在预定范围内,这种细分提示了更明确的恶性风险分层。随着更大样本量的研究开展和报道,这种细分有可能在未来的BI-RADS指南中实现。

[1]
Elezaby M, Li G, Bhargavan-Chatfield M, et al. ACR BI-RADS assessment category 4 subdivisions in diagnostic mammography: utilization and outcomes in the national mammography database[J]. Radiology, 2018, 287(2): 416-422. DOI: 10.1148/radiol.2017170770.
[2]
刘炳光, 曹满瑞, 张方景, 等. BI-RADS-MRI4类乳腺癌阳性预测值与亚分类的初探[J]. 临床放射学杂志, 2012, 31(6): 804-808. DOI: 10.13437/j.cnki.jcr.2012.06.024.
Liu BG, Cao MR, Zhang FJ, et al. Positive predictive value and subcategory for breast cancer in BI-RADS-MRI category 4 lesions[J]. J Clin Radiol, 2012, 31(6): 804-808. DOI: 10.13437/j.cnki.jcr.2012.06.024.
[3]
Istomin A, Masarwah A, Okuma H, et al. A multiparametric classification system for lesions detected by breast magnetic resonance imaging[J/OL]. Eur J Radiol, 2020, 132 [2022-03-01]. https://linkinghub.elsevier.com/retrieve/pii/S0720-048X(20)30511-8. DOI: 10.1016/j.ejrad.2020.109322.
[4]
de Almeida JR, Gomes AB, Barros TP, et al. Predictive performance of BI-RADS magnetic resonance imaging descriptors in the context of suspicious (category 4) findings[J]. Radiol Bras, 2016, 49(3): 137-143. DOI: 10.1590/0100-3984.2015.0021.
[5]
Mahoney MC, Gatsonis C, Hanna L, et al. Positive predictive value of BI-RADS MR imaging[J]. Radiology, 2012, 264(1): 51-58. DOI: 10.1148/radiol.12110619.
[6]
Strigel RM, Burnside ES, Elezaby M, et al. Utility of BI-RADS assessment category 4 subdivisions for screening breast MRI[J]. AJR Am J Roentgenol, 2017, 208(6): 1392-1399. DOI: 10.2214/AJR.16.16730.
[7]
Strobel K, Schrading S, Hansen NL, et al. Assessment of BI-RADS category 4 lesions detected with screening mammography and screening US: utility of MR imaging[J]. Radiology, 2015, 274(2): 343-351. DOI: 10.1148/radiol.14140645.
[8]
Avendano D, Marino MA, Onishi N, et al. Can follow-up be avoided for probably benign US masses with No enhancement on MRI?[J]. Eur Radiol, 2021, 31(2): 975-982. DOI: 10.1007/s00330-020-07216-7.
[9]
Honda M, Kataoka M, Kawaguchi K, et al. Subcategory classifications of Breast Imaging and Data System (BI-RADS) category 4 lesions on MRI[J]. Jpn J Radiol, 2021, 39(1): 56-65. DOI: 10.1007/s11604-020-01029-w.
[10]
Eghtedari M, Chong A, Rakow-Penner R, et al. Current status and future of BI-RADS in multimodality imaging, from the AJR special series on radiology reporting and data systems[J]. AJR Am J Roentgenol, 2021, 216(4): 860-873. DOI: 10.2214/AJR.20.24894.
[11]
Flowers CI, O'Donoghue C, Moore D, et al. Reducing false-positive biopsies: a pilot study to reduce benign biopsy rates for BI-RADS 4A/B assessments through testing risk stratification and new thresholds for intervention[J]. Breast Cancer Res Treat, 2013, 139(3): 769-777. DOI: 10.1007/s10549-013-2576-0.
[12]
Bennani-Baiti B, Baltzer PA. MR imaging for diagnosis of malignancy in mammographic microcalcifications: a systematic review and Meta-analysis[J]. Radiology, 2017, 283(3): 692-701. DOI: 10.1148/radiol.2016161106.
[13]
Li JY, Zheng H, Cai WG, et al. Subclassification of BI-RADS 4 magnetic resonance lesions: a systematic review and Meta-analysis[J]. J Comput Assist Tomogr, 2020, 44(6): 914-920. DOI: 10.1097/RCT.0000000000001108.
[14]
Chikarmane SA, Tai R, Meyer JE, et al. Prevalence and predictive value of BI-RADS 3, 4, and 5 lesions detected on breast MRI: correlation with study indication[J]. Acad Radiol, 2017, 24(4): 435-441. DOI: 10.1016/j.acra.2016.11.008.
[15]
Maltez de Almeida JR, Gomes AB, Barros TP, et al. Subcategorization of suspicious breast lesions (BI-RADS category 4) according to MRI criteria: role of dynamic contrast-enhanced and diffusion-weighted imaging[J]. AJR Am J Roentgenol, 2015, 205(1): 222-231. DOI: 10.2214/AJR.14.13834.
[16]
Eun NL, Son EJ, Gweon HM, et al. The value of breast MRI for BI-RADS category 4B mammographic microcalcification: based on the 5th edition of BI-RADS[J]. Clin Radiol, 2018, 73(8): 750-755. DOI: 10.1016/j.crad.2018.04.014.
[17]
Ahn HS, Kim SM, Kim MS, et al. Application of magnetic resonance computer-aided diagnosis for preoperatively determining invasive disease in ultrasonography-guided core needle biopsy-proven ductal carcinoma in situ[J/OL]. Medicine, 2020, 99(31) [2022-03-01]. https://journals.lww.com/md-journal/Fulltext/2020/07310/Application_of_magnetic_resonance_computer_aided.34.aspx. DOI: 10.1097/MD.0000000000021257.
[18]
Ha SM, Cha JH, Shin HJ, et al. Mammography, US, and MRI to assess outcomes of invasive breast cancer with extensive intraductal component: a matched cohort study[J]. Radiology, 2019, 292(2): 299-308. DOI: 10.1148/radiol.2019182762.
[19]
Kim HR, Jung HK, Ko KH, et al. Mammography, US, and MRI for preoperative prediction of extensive intraductal component of invasive breast cancer: interobserver variability and performances[J]. Clin Breast Cancer, 2016, 16(4): 305-311. DOI: 10.1016/j.clbc.2016.02.005.
[20]
Mann RM, Cho N, Moy L. Breast MRI: state of the art[J]. Radiology, 2019, 292(3): 520-536. DOI: 10.1148/radiol.2019182947.
[21]
Milos RI, Pipan F, Kalovidouri A, et al. The Kaiser score reliably excludes malignancy in benign contrast-enhancing lesions classified as BI-RADS 4 on breast MRI high-risk screening exams[J]. Eur Radiol, 2020, 30(11): 6052-6061. DOI: 10.1007/s00330-020-06945-z.
[22]
Pötsch N, Dietzel M, Kapetas P, et al. An A.I. classifier derived from 4D radiomics of dynamic contrast-enhanced breast MRI data: potential to avoid unnecessary breast biopsies[J]. Eur Radiol, 2021, 31(8): 5866-5876. DOI: 10.1007/s00330-021-07787-z.

上一篇 基于灰度共生矩阵的MRI纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值
下一篇 自发性基底动脉夹层一例
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2