分享:
分享到微信朋友圈
X
临床研究
基于瘤内及瘤周MRI影像组学列线图预测乳腺癌腋窝淋巴结转移
赵楠楠 朱芸 汤晓敏 杨昭 李阳 张舒妮 王玲玲 李晓光 谢宗玉

Cite this article as: ZHAO N N, ZHU Y, TANG X M, et al. Prediction of axillary lymph node metastasis in breast cancer based on intra-tumoral and peri-tumoral MRI radiomics nomogram[J]. Chin J Magn Reson Imaging, 2023, 14(3): 81-87, 94.本文引用格式:赵楠楠, 朱芸, 汤晓敏, 等. 基于瘤内及瘤周MRI影像组学列线图预测乳腺癌腋窝淋巴结转移[J]. 磁共振成像, 2023, 14(3): 81-87, 94. DOI:10.12015/issn.1674-8034.2023.03.014.


[摘要] 目的 探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)的瘤内及瘤周影像组学列线图在预测乳腺癌患者腋窝淋巴结(axillary lymph node, ALN)转移中的价值。材料与方法 回顾性分析蚌埠医学院第一附属医院术前经乳腺DCE-MRI检查且经病理证实的180例乳腺癌患者病例,按照7∶3的比例随机分为训练集(n=126)及测试集(n=54)。首先,选择DCE-MRI第2期病灶最大层面勾画感兴趣区(region of interest, ROI),并且适形外扩6 mm,通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归筛选最优影像组学特征,通过支持向量机(support vector machine, SVM)方法获取瘤内、瘤周及瘤内+瘤周影像组学评分(radiomics score, Rad-score),分别构建瘤内模型、瘤周模型、瘤内+瘤周模型,通过单-多因素logistic回归筛选临床高危因素构建临床模型,最终选择效能最高的瘤内+瘤周Rad-score联合临床高危因素构建影像组学列线图模型。采用受试者工作特征(receiver operating characteristic, ROC)曲线分析各模型的预测效能并计算曲线下面积(area under the curve, AUC),使用校准曲线评估预测模型的临床实用性。结果 列线图模型诊断性能最佳,其训练集AUC、敏感度、特异度及准确度分别为0.945、87.5%、93.0%及92.6%;测试集分别为0.942、90.9%、90.6%及90.2%。结论 列线图模型在术前对乳腺癌ALN转移的预测中具有重要价值,可以科学、无创地为临床决策提供重要指导。
[Abstract] Objective To investigate the value of dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) based intra-tumoural and peri-tumoural radiomics nomogram in predicting axillary lymph node (ALN) metastases in breast cancer patients.Materials and Methods A total of 180 breast cancer patients with confirmed by preoperative DCE-MRI and pathology in the First Affiliated Hospital of Bengbu Medical College were retrospectively analyzed, which was randomly divided into a training set (n=126) and a test set (n=54) in a ratio of 7∶3. Firstly, the region of interest (ROI) was outlined at the largest level of the DCE-MRI stage 2 lesion with a conformal outreach of 6 mm, and the optimal ROI was selected by regression with the least absolute shrinkage and selection operator (LASSO). The intra-tumoural, peri-tumoural and intra+peri-tumoural radiomics scores (Rad-score) were obtained by support vector machine (SVM) to construct the intra-tumour, peri-tumour and intra+peri-tumour models respectively. The clinical model was constructed by screening clinical risk factors through single-multifactor logistic regressionby, and the most effective intra+peri-tumoural Rad-score combined with the clinical risk factors was selected to construct the radiomics nomogram. The predictive performance of each model was analyzed using the receiver operating characteristic (ROC) curve and the correspongding area under the curve (AUC) was calculated. The clinical practicability of the prediction models was assessed using calibration curves.Results The nomogram model has the best diagnostic performance. And the AUC, sensitivity, specificity, and accuracy of the nomogram model was 0.945, 87.5%, 93.0%, 92.6% for the training set and 0.942, 90.9%, 90.6%, 90.2% for the test set respectively.Conclusions The nomogram model is essential in the preoperative prediction of ALN metastasis in breast cancer, which can precisely and non-invasively provide important guidance for clinical decision-making in a scientific and non-invasive manner.
[关键词] 乳腺癌;淋巴结;腋窝淋巴结;瘤周;磁共振成像;影像组学;列线图
[Keywords] breast cancer;lymph nodes;axillary node;peri-tumor;magnetic resonance imaging;radiomics;nomogram

赵楠楠 1, 2   朱芸 1   汤晓敏 1   杨昭 1, 2   李阳 1, 2   张舒妮 1, 2   王玲玲 3   李晓光 4   谢宗玉 1*  

1 蚌埠医学院第一附属医院放射科,蚌埠 233004

2 蚌埠医学院研究生院,蚌埠 233004

3 蚌埠医学院医学影像学院,蚌埠 233004

4 陆军军医大学大坪医院放射科,重庆 400042

通信作者:谢宗玉,E-mail:zongyuxie@sina.com

作者贡献声明:谢宗玉设计本研究的方案,对稿件重要的智力内容进行了修改,对最终要发表的论文版本进行了全面的审阅和把关;赵楠楠起草和撰写稿件,获取、分析或解释本研究的数据,对稿件重要的智力内容进行了修改;朱芸、王玲玲勾画图像ROI,对稿件重要的智力内容进行了修改;汤晓敏、李晓光完成临床、影像资料的评价,对稿件重要的智力内容进行了修改;杨昭、李阳、张舒妮完成数据前期收集与整合,对稿件重要的智力内容进行了修改;谢宗玉获得安徽省教育厅自然科学基金重点项目资助,王玲玲获得蚌埠医学院校级课题项目资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 安徽省教育厅自然科学基金重点项目 KJ2019A0402 蚌埠医学院校级课题 2022byzd012
收稿日期:2022-11-09
接受日期:2023-02-28
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.03.014
本文引用格式:赵楠楠, 朱芸, 汤晓敏, 等. 基于瘤内及瘤周MRI影像组学列线图预测乳腺癌腋窝淋巴结转移[J]. 磁共振成像, 2023, 14(3): 81-87, 94. DOI:10.12015/issn.1674-8034.2023.03.014.

0 前言

       根据美国癌症协会(American Cancer Society, ACS)最新统计数据,2022年女性乳腺癌新增病例预计达到287 850例,占所有女性癌症新增病例的31%,目前乳腺癌已经成为危害女性生命健康最主要原因之一[1]。腋窝淋巴结(axillary lymph node, ALN)转移是客观评价乳腺癌临床分期、指导临床医生制订个性化治疗决策及评估患者预后的关键因素[2, 3]。目前临床上ALN评估以病理学检查为金标准,主要方法是腋窝淋巴结清扫术(axillary lymph node dissection, ALND)及前哨淋巴结活检术(sentinel lymph node biopsy, SLNB),但是以上操作均属于侵入性检查,可能会影响患者的生活质量。MRI是临床上检测乳腺癌最重要的成像方法之一,其中动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)序列提供病灶最佳的形态学信息及功能性信息[4, 5, 6],病灶检出率高于乳房X线摄影、数字乳腺断层摄影(digital breast tomosynthesis, DBT)和超声成像[7]。但是乳腺癌不仅由肿瘤细胞组成,还包括基质细胞,肿瘤细胞和周围基质细胞不断适应新的生长环境,从而促进肿瘤生长。近年来,乳腺癌微环境作为预后因素及潜在治疗靶点越来越受到人们关注[8]。实体癌在不同的水平上具有时空异质性,这限制了基于活检的分子分析的使用,影像组学从影像图像上高通量提取定量特征,以非侵入性方法获取肿瘤内在异质性[9]。因此,本研究通过提取瘤内及瘤周影像组学特征并联合临床影像特征建立模型,预测乳腺癌患者术前是否发生ALN转移,旨在以非侵入性的方式为临床乳腺癌的治疗和预后提供有效指导。

1 材料与方法

1.1 研究对象

       本研究遵循《赫尔辛基宣言》,经蚌埠医学院第一附属医院医学伦理委员会批准,免除受试者知情同意,批准文号:2020-84。回顾性分析2018年11月至2021年03月在蚌埠医学院第一附属医院接受诊治的乳腺癌患者临床及影像资料。纳入标准:(1)术前及穿刺前常规行乳腺DCE-MRI检查;(2)病理证实为乳腺癌,且术中行SLNB或(和)ALND;(3)单发肿块型病灶;(4)术前未接受任何放化学治疗。排除标准:(1)患者临床、病理及影像资料不全;(2)多发肿块型或非肿块型病灶。最终纳入病例180例,均为女性,年龄27~87(48.46±9.42)岁。按照ALN病理结果分为阳性组(62例)和阴性组(118例),将纳入病例按照7∶3的比例随机分为训练集(126例)及测试集(54例)。

1.2 仪器与方法

       所有入组患者MRI数据采集均采用双梯度Philips Achieva 3.0 T MRI扫描仪(荷兰),使用乳腺专用线圈(SENSE 7),患者均采取仰卧位,双乳置于线圈中央。主要扫描序列及相关参数:(1)T1WI序列,TR 400 ms,TE 10 ms,FOV 350 mm×350 mm,矩阵234×225,层厚4.5 mm,层间距1 mm;(2)脂肪抑制T2WI序列,TR 5000 ms,TE 60 ms,FOV 350 mm×350 mm,矩阵336×303,层厚4.5 mm,层间距1 mm;(3)扩散加权成像(diffusion-weighted imaging, DWI)序列,TR 3000 ms,TE 59 ms,FOV 350 mm×350 mm,矩阵188×186,层厚4.5 mm,层间距1 mm,b=0、800 s/mm2;(4)DCE-MRI序列,TR 4.6 ms,TE 2.3 ms,FOV 350 mm×350 mm,矩阵320×350,层厚2 mm,层间距1 mm。共采集6期图像,每期时相60 s,第一期为蒙片像,然后迅速使用高压注射器经肘正中静脉注射对比剂钆喷酸葡胺(拜耳先灵医药公司,德国),剂量0.2 mmol/kg,注射速率2 mL/s,随后以相同流速注入生理盐水20 mL。

1.3 影像特征与临床特征的纳入

       分析入组病例的临床资料,获取患者年龄、ALN触诊、生育史及临床T分期等临床特征。由两名具有5年以上工作经验的放射科副主任医师在后处理工作站上分析图像。评估内容主要包括腺体类型、背景实质强化(background parenchymal enhancemennt, BPE)、病灶MRI最大径、肿块内部强化特征、MRI_腋窝淋巴结(magnetic resonance imaging_axillary lymph node, MRI_ALN)、肿瘤边缘及乳腺影像报告与数据系统(Breast Imaging Reporting and Data System, BI-RADS)分类等。根据2013年美国放射学院的BI-RADS[10]进行图像评价,腺体类型根据纤维腺体含量分为非致密型(包括脂肪型、散在纤维腺体型)及致密型(包括不均匀致密型、极度致密型);BPE根据纤维腺体强化占比分为4型,包括极少、轻度、中度及重度;肿块内部强化特征根据强化范围及特点分为均匀及不均匀(其中包括边缘型)。MRI_ALN根据既往研究ALN发生转移的主要影像征象(淋巴门结构消失、偏心性皮质增厚、边缘不规则、短径≥10 mm、纵横比小于2及不均质强化等)[11]分为阳性和阴性;肿瘤边缘根据与周围组织的关系分为清晰和不清晰。通过单-多因素logistic回归筛选出能预测ALN转移的临床、影像特征,构建临床模型。

1.4 影像组学分析

1.4.1 图像感兴趣区勾画

       将所需MRI图像上传至“达尔文科研平台”,由2名具有5年以上工作经验的放射科主治医师在不知患者临床资料的情况下间隔一周时间先后勾画感兴趣区(region of interest, ROI)并保存标注,两名医师统一勾画标准。由于既往研究证实大多数浸润性癌症的峰值增强多在注射对比剂完成的前两分钟内,对比剂注射后60~120 s为乳腺恶性肿瘤相对腺体背景的信号高峰值时段[12],故本研究选择在对比剂注射后120 s的第2期DCE-MRI图像上病灶最大层面勾画ROI。在ZHANG等[13]一项预测乳腺癌分子亚型的多中心研究中,证明瘤周6 mm具有较好的预测效能,故本研究选择的瘤周范围为6 mm。瘤周ROI获取方法是以瘤内ROI的边界为基础根据形态自动外扩6 mm(图1)。

图1  女,55岁,乳腺浸润性导管癌。1A:临床可触及肿块,MRI示右乳内上象限占位(箭),病理证实为乳腺浸润性导管癌;1B:瘤内及瘤周感兴趣区(ROI),黄色填充区为瘤内ROI,周围的红色类环形未填充区为瘤周ROI。
Fig. 1  Female, 55 years old, with invasive ductal carcinoma of the breast. 1A: Clinically palpable mass, MRI shows an occupancy in the upper inner quadrant of the right breast (arrow), pathologically confirmed as invasive ductal carcinoma of the breast; 1B: The region of interest (ROI) of intratumoural and peritumoural, with the yellow filled area being the intratumoural ROI and the surrounding red ring-like unfilled area being the peritumoural ROI.

1.4.2 影像组学特征提取及模型构建

       ROI勾画完成后建立运算模型,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[-1,1]之间,计算组内相关系数(intra-class correlation coefficient, ICC),保留ICC>0.75的特征,然后采用“Select K Best”方法并选择f-calssif函数降维,瘤内、瘤周及瘤内+瘤周的K值分为39、39及23,即保留f值在前39%、39%及23%的特征,通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归对数据进行多重降维处理,筛选出具有预测ALN转移价值的特征,最后通过支持向量机(support vector machine, SVM)方法根据筛选后的影像组学特征建立瘤内、瘤周、瘤内+瘤周组学模型,根据其在模型中的加权系数分别得出影像组学评分(radiomics score, Rad-score)。

1.5 列线图模型构建

       绘制瘤内组学模型、瘤周组学模型、瘤内+瘤周组学模型受试者工作特征(receiver operating characteristic, ROC)曲线,比较3组影像组学模型的曲线下面积(area under the curve, AUC)值,选取效能最高的Rad-score值联合单因素筛选出的临床、影像特征做多因素logistic回归分析,筛选出最终有意义的特征构建影像组学列线图模型,校准曲线用以校验模型的预测效能。

1.6 统计学分析

       统计学分析采用SPSS 26.0、Medcalc 19.2及R 4.2.1软件进行分析。使用ICC描述ROI勾画结果的一致性,ICC>0.75表示一致性较好。计量资料先使用Kolmogorov-Smirnov检验评价数据分布的正态性,符合正态分布的资料使用(平均数±标准差)表示,检验方法采用独立样本t检验;不符合正态分布(非参数计量资料)采用中位数(上四分位数,下四分位数)表示,采用Mann-Whitney U检验分析。计数资料采用频数(构成比)表示,卡方检验及Fisher检验用来验证数据分布情况。通过单-多因素logistic回归筛选与ALN转移相关的临床特征。通过Medcalc 19.2软件绘制ROC曲线,采用AUC、敏感度、特异度及准确度作为模型性能评价指标,DeLong检验用于判断各模型ROC曲线差异有无统计学意义。使用R 4.2.1软件构建列线图模型,通过Hosmer-Lemeshow检验对模型进行评估。P<0.05为差异有统计学意义。

2 结果

2.1 临床基线资料

       本研究最终共纳入病例180例,年龄27~87(48.46±9.42)岁,其中ALN阳性患者118例,ALN阴性患者62例,通过卡方检验ALN分布在训练集、测试集间差异无统计学意义(P>0.05),可以用于模型的建立与验证。

2.2 临床特征及模型构建

       通过统计学分析11个临床及影像资料,以病理为金标准通过单因素logistic回归分别筛选出病灶MRI最大径、ALN触诊、MRI_ALN、肿瘤边缘、临床T分期、BI-RADS分类6个危险因素(训练集),MRI最大径、ALN触诊、MRI_ALN、临床T分期4个危险因素(测试集)(表1)。通过多因素logistic回归分析训练集6个危险因素,最终筛选出ALN触诊(P<0.01)及MRI_ALN(P<0.01)2个独立危险因素(表2),构建临床模型。

表1  乳腺癌患者基本临床资料及影像学表现
Tab. 1  Basic clinical information and imaging manifestations of breast cancer patients
表2  训练组多因素logistic回归分析
Tab. 2  Multi-factor logistic regression analysis for the training group

2.3 影像组学特征选择及模型构建

       从每位患者的瘤内及瘤周6 mm ROI中各提取1316、1316个影像组学特征,瘤内+瘤周经过早期特征融合提取2632个影像组学特征,保留ICC>0.75的特征,经过最大绝对值归一化、f-calssif函数分别筛选出瘤内、瘤周、瘤内+瘤周513、342、606(其中包括瘤内412个,瘤周194个)个影像组学特征,经过LASSO回归最终分别筛选出瘤内、瘤周、瘤内+瘤周8、12、11个影像组学特征,其中瘤内+瘤周包括8个瘤内及3个瘤周最优特征(图2),通过SVM分别构建瘤内、瘤周及瘤内+瘤周组学模型。

图2  11个预测ALN转移最佳影像组学特征。
Fig. 2  The 11 best radiomics features for predicting ALN metastasis.

2.4 列线图模型

       分别绘制瘤内、瘤周、瘤内+瘤周组学模型的ROC曲线,比较3个模型的AUC值,其中瘤内+瘤周组学模型(训练集、测试集的AUC值分别为0.884、0.857)高于其他组别,选择瘤内+瘤周Rad-score与训练集中6个有意义的临床、影像特征做多因素logistic回归分析,最终筛选出ALN触诊(P<0.01)、MRI_ALN(P<0.01)及瘤内+瘤周Rad-score(P<0.01)构建列线图模型,将列线图可视化(图3)。校准曲线(图4)提示列线图模型在判断训练集、测试集ALN转移结果与理想模型的一致性较好(P<0.05)。决策曲线(图5)提示列线图模型的临床适用性较高。

图3  瘤内及瘤周影像组学联合临床、影像特征构建的列线图模型。Rad_score:瘤内联合瘤周影像组学评分;Palpation:腋窝淋巴结(ALN)触诊(0=阴性,1=阳性);MRI_ALN:MRI_腋窝淋巴结(0=阴性,1=阳性)。根据不同指标对应分数的总和越高,ALN转移的概率越大。
Fig. 3  The nomogram is constructed by intratumoral and peritumoral radiomics combined with clinical and imaging features. Rad_score: intratumoral combined with peritumoral radiomics score; Palpation: axillary lymph node (ALN) palpation (0=negative, 1=positive); MRI_ALN: axillary lymph node on MRI (0=negative, 1=positive). The higher the sum of the corresponding scores according to the different indicators, the higher the probability of ALN metastasis.
图4  训练集(4A)及测试集(4B)的校准曲线。图5 训练集(5A)及测试集(5B)的决策曲线。
Fig. 4  Calibration curves of training set (4A) and test set (4B).
Fig. 5  Decision curve analysis of training set (5A) and test set (5B).

2.5 ROC曲线分析

       列线图模型在训练集、测试集的AUC值分别为0.945、0.942,其判断ALN转移的效能高于瘤内组学模型(训练集、测试集的AUC值分别为0.872、0.854)、瘤周组学模型(训练集、测试集的AUC值分别为0.844,0.818)、瘤内+瘤周组学模型(训练集、测试集的AUC值分别为0.884、0.857)及临床预测模型(训练集、测试集的AUC值分别为0.902、0.889)(表3),通过DeLong检验,单一模态组学模型和临床模型与列线图模型之间差异有统计学意义(P<0.05),列线图模型表现出更高的诊断性能。

表3  各模型预测效能比较
Tab. 3  Comparison of predictive performance among models

3 讨论

       早期乳腺癌患者五年生存率高达99%,而ALN转移患者的五年生存率下降到89%[14],ALN转移是客观评价乳腺癌个性化治疗决策及评估患者预后的关键因素。本研究开发并验证了一种利用SVM机器学习算法基于DCE-MRI瘤内联合瘤周影像组学的列线图模型,探究其在预测乳腺癌患者ALN转移中的潜在价值。研究结果初步表明列线图模型在训练集和测试集中AUC值分别为0.945、0.942,该模型具有较高的诊断性能,优于单组特征及瘤内联合瘤周特征建立的模型,可辅助临床制订个性化治疗方案。

3.1 各诊断模型性能评估

       研究结果显示列线图模型与其他任一模型比较具有较高的诊断性能,优于单组特征及瘤内联合瘤周特征建立的模型(训练集AUC:0.945 vs. 0.844~0.902,测试集AUC:0.942 vs. 0.818~0.889)。列线图模型中训练集的特异度及准确度均高于单模态影像组学模型和临床模型,但敏感度次于临床模型,这可能与纳入模型的病例较少、模型间的共线性及随机分组相关。瘤内联合瘤周影像组学模型诊断性能高于单独的瘤内、瘤周模型,证实了肿瘤周围区域存在一些与肿瘤的发展和转移密切相关的特殊细胞及物质[15]。LIU等[16]通过基于DCE-MRI瘤内联合瘤周组学模型在预测乳腺癌ALN的AUC值为0.872;明洁等[17]通过基于DCE-MRI瘤内联合瘤周组学预测肿瘤细胞增殖指数(Ki-67)表达的AUC值高达0.949;BEIG等[18]通过瘤内联合瘤周CT组学鉴别肺息肉和非小细胞肺癌AUC值为0.80,均高于单独瘤内、瘤周组学模型,与本研究一致。既往一些学者认为临床因素与乳腺癌患者ALN是否发生转移无明显相关性[19],ALN转移受多重因素影响,仅凭单一临床表现、影像学表现或者影像组学特征很难准确预测ALN是否发生转移。因此,列线图模型较单一模型具有更高诊断性能。

3.2 影像组学与ALN转移关系

       影像组学广泛应用于乳腺癌的诊断、预后分析及生物标记物的预测等[20]。但是既往研究大多关注于肿瘤本身,忽略了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,与肿瘤的发展和转移密切相关[21],但传统影像诊断难以发现。关于瘤周影像组学的研究值得深入挖掘。CHENG等[22]尝试通过钼靶和MRI的瘤内联合瘤周影像组学预测乳腺癌前哨淋巴结(sentinel lymph node, SLN),结果显示瘤内联合瘤周组学特征可以为识别SLN提供补充信息。BRAMAN等[23]通过瘤内联合瘤周MRI影像组学预测乳腺癌人类表皮生长因子受体2(human epidermal growth factor receptor 2, HER-2)表达的AUC值高达0.89,可以有效辅助术前行靶向治疗。然而,DCE-MRI上乳腺癌的最佳瘤周面积大小仍存在争议。BRAMAN等[24]通过基于DCE-MRI的瘤内联合瘤周影像组学预测乳腺癌患者新辅助化疗的疗效,结果提示瘤周2.5~5 mm的瘤周范围具有较好的预测效能。MAO等[25]基于对比剂增强光谱乳腺摄影术前预测乳腺癌新辅助化疗的疗效,瘤内联合瘤周5 mm的预测效能高于瘤内联合瘤周10 mm。在ZHANG等[13]一项预测乳腺癌分子亚型的4项任务中,分别比较了瘤周2 mm、4 mm、6 mm、8 mm瘤周组学特征的预测效能,结果显示6 mm、8 mm分别在3个、1个任务中性能最好,6 mm的稳定性优于8 mm。WANG等[26]比较瘤范围1 mm、3 mm、5 mm,发现3 mm瘤周区域提取的影像组学特征可以在对比增强乳房X光检查中区分乳腺良恶性病变。所以本研究尝试构建利用SVM机器学习算法基于DCE-MRI瘤内联合瘤周影像组学列线图模型,结果证明了瘤内联合瘤周影像组学模型可以提高瘤内影像组学模型的预测性能。

       SVM是解决二分类问题最常见的机器学习方法之一,存在稳定性好、受共线性影响小且不易过度拟合等优势[27],其决策边界是对学习样本求解的最大边距超平面。通过SVM构建的瘤内联合瘤周影像组学模型最终提取了11个影像组学特征。瘤内特征Maximum2DDiameterSlice所占比例最大,表示轴向平面中的肿瘤表面网格顶点之间的最大的距离。既往研究证实这个特征与乳腺肿瘤的恶性程度呈正相关[28]。本研究中此特征与ALN转移的风险相关,其值越大,ALN转移的概率越大。提取的瘤内形态特征圆形度(sphericity),在先前LIN等[29]基于乳腺X线摄影的影像组学研究中发现该特征与乳腺肿瘤的良恶性相关。本研究结果显示该特征与肿瘤的ALN转移呈负相关,既往研究证实病灶短径与长径的比值越大,病灶更倾向于球形,同侧ALN转移率越小[30],与本次研究结果相符。瘤周提取特征小波特征(wavelet-LLH-firstorder-mean)所占比例最大,表示经小波滤波处理后的图像平均灰度值,与ALN转移呈负相关。提取的瘤周特征还包括纹理特征对比度(logarithm NGTDM_Contrast),基于这些邻域灰度差矩阵特征的值反映相邻体素之间的强度差异[21,31, 32]。既往研究证实纹理特征可以提供肿瘤潜在的异质性信息,间接反映肿瘤的生长速度、侵袭能力及预后等[33],可能与ALN转移相关。此研究中该特征在ALN阳性组与阴性组之间具有统计学意义,与朱永琪等[34]研究结果相符。

3.3 临床、影像特征与ALN转移关系

       本研究最终纳入列线图模型的临床特征包括ALN触诊及MRI_ALN。ALN触诊是临床医师初步判断ALN转移常见的简便检查方法。在张东蕾等[35]的研究中,通过触诊判断ALN转移的敏感度、特异度及准确度分别为79.2%、83.3%、81.4%。但是触诊受到临床医师经验、患者配合程度、皮下脂肪层深度、ALN自身情况等多重因素影响,可能出现漏诊及误诊。本研究通过多因素筛选出MRI_ALN作为预测ALN转移的独立危险因素,与朱芸等[36]预测前哨淋巴结转移结果一致,可能与肿瘤细胞通过淋巴管引起边缘窦增生,进而侵犯皮髓质,从而导致ALN发生形态学改变相关[37, 38]。本研究中基于ALN触诊及MRI_ALN构建的临床模型AUC值高达0.902,具有良好的预测价值,但是此模型可能会受到主观因素的影响,存在一定波动性。病灶MRI最大径与临床T分期在单因素分析中差异有统计学意义,但在多因素分析中差异没有统计学意义,这可能与样本量较少及多因素之间互相产生影响有关。

3.4 局限性

       本研究具有以下局限性:(1)本研究为单中心研究,样本量较小,应当适当扩大样本量,采取多种分类方法;(2)ROI勾画均为2D勾画,且受到容积效应影响,在此基础上可以勾画3D图像;(3)本研究选取自动外扩6 mm,忽略了其他瘤周范围对结果的影响,在此基础上可以扩展多个瘤周范围;(4)部分临床特征评价为半定量特征,其结果可能受到评价者主观性的影响。

4 结论

       综上所述,基于瘤内和瘤周影像组学特征及临床特征建立的列线图模型具有较高的诊断性能,对ALN转移风险做出高效评估,为临床医生提供科学决策。但目前影像组学的应用仍处发展初期,随着数据共享和机器学习的深入发展,影像组学在医学领域的应用有待进一步挖掘。

[1]
SIEGEL R L, MILLER K D, JEMAL A. Cancer statistics, 2015[J]. CA A Cancer J Clin, 2015, 65(1): 5-29. DOI: 10.3322/caac.21254.
[2]
HUMPHREY K L, SAKSENA M A, FREER P E, et al. To do or not to do: axillary nodal evaluation after ACOSOG Z0011 Trial[J]. Radiographics, 2014, 34(7): 1807-1816. DOI: 10.1148/rg.347130141.
[3]
ANDERSSON Y, BERGKVIST L, FRISELL J, et al. Long-term breast cancer survival in relation to the metastatic tumor burden in axillary lymph nodes[J]. Breast Cancer Res Treat, 2018, 171(2): 359-369. DOI: 10.1007/s10549-018-4820-0.
[4]
LEITHNER D, MOY L, MORRIS E A, et al. Abbreviated MRI of the breast: does it provide value?[J/OL]. J Magn Reson Imaging, 2019, 49(7): e85-e100 [2022-09-12]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6408315. DOI: 10.1002/jmri.26291.
[5]
LEITHNER D, WENGERT G J, HELBICH T H, et al. Clinical role of breast MRI now and going forward[J]. Clin Radiol, 2018, 73(8): 700-714. DOI: 10.1016/j.crad.2017.10.021.
[6]
KUHL C K, SCHRADING S, BIELING H B, et al. MRI for diagnosis of pure ductal carcinoma in situ: a prospective observational study[J]. Lancet, 2007, 370(9586): 485-492. DOI: 10.1016/S0140-6736(07)61232-X.
[7]
PINKER K, HELBICH T H, MORRIS E A. The potential of multiparametric MRI of the breast[J/OL]. Br J Radiol, 2017, 90(1069): 20160715 [2022-09-12]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5605035. DOI: 10.1259/bjr.20160715.
[8]
MITTAL S, BROWN N J, HOLEN I. The breast tumor microenvironment: role in cancer development, progression and response to therapy[J]. Expert Rev Mol Diagn, 2018, 18(3): 227-243. DOI: 10.1080/14737159.2018.1439382.
[9]
LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[10]
D'ORSI C J, SICKLES E A, MENDELSON E B, et al. ACR BI-RADS® Atlas, Breast Imaging Reporting and Data System[M]. Reston: American College of Radiology, 2013.
[11]
HYUN S J, KIM E K, YOON J H, et al. Adding MRI to ultrasound and ultrasound-guided fine-needle aspiration reduces the false-negative rate of axillary lymph node metastasis diagnosis in breast cancer patients[J]. Clin Radiol, 2015, 70(7): 716-722. DOI: 10.1016/j.crad.2015.03.004.
[12]
CHATTERJI M, MERCADO C L, MOY L. Optimizing 1.5-Tesla and 3-Tesla dynamic contrast-enhanced magnetic resonance imaging of the breasts[J]. Magn Reson Imaging Clin N Am, 2010, 18(2): 207-224. DOI: 10.1016/j.mric.2010.02.011.
[13]
ZHANG S H, WANG X L, YANG Z, et al. Intra- and peritumoral radiomics model based on early DCE-MRI for preoperative prediction of molecular subtypes in invasive ductal breast carcinoma: a multitask machine learning study[J/OL]. Front Oncol, 2022, 12: 905551 [2022-09-15]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9263840. DOI: 10.3389/fonc.2022.905551.
[14]
CHANG J M, LEUNG J W T, MOY L, et al. Axillary nodal evaluation in breast cancer: state of the art[J]. Radiology, 2020, 295(3): 500-515. DOI: 10.1148/radiol.2020192534.
[15]
ARNETH B. Tumor microenvironment[J/OL]. Medicina (Kaunas), 2019, 56(1): 15 [2022-10-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7023392. DOI: 10.3390/medicina56010015.
[16]
LIU Y, LI X, ZHU L N, et al. Preoperative prediction of axillary lymph node metastasis in breast cancer based on intratumoral and peritumoral DCE-MRI radiomics nomogram[J/OL]. Contrast Media Mol Imaging, 2022, 2022: 6729473 [2022-10-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9410821. DOI: 10.1155/2022/6729473.
[17]
明洁, 陈莹, 刘莹, 等. 基于DCE-MRI瘤内联合瘤周影像组学模型术前预测乳腺癌Ki-67表达状态的价值[J]. 磁共振成像, 2022, 13(10): 132-137, 149. DOI: 10.12015/issn.1674-8034.2022.10.020.
MING J, CHEN Y, LIU Y, et al. Value of preoperative prediction of Ki-67 expression in breast cancer based on DCE-MRI intratumoral combined with peritumoral radiomics model[J]. Chin J Magn Reson Imaging, 2022, 13(10): 132-137, 149. DOI: 10.12015/issn.1674-8034.2022.10.020.
[18]
BEIG N, KHORRAMI M, ALILOU M, et al. Perinodular and intranodular radiomic features on lung CT images distinguish adenocarcinomas from granulomas[J]. Radiology, 2019, 290(3): 783-792. DOI: 10.1148/radiol.2018180910.
[19]
DONG Y H, FENG Q J, YANG W, et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer based on radiomics of T2-weighted fat-suppression and diffusion-weighted MRI[J]. Eur Radiol, 2018, 28(2): 582-591. DOI: 10.1007/s00330-017-5005-7.
[20]
CONTI A, DUGGENTO A, INDOVINA I, et al. Radiomics in breast cancer classification and prediction[J]. Semin Cancer Biol, 2021, 72: 238-250. DOI: 10.1016/j.semcancer.2020.04.002.
[21]
YU H W, MENG X Q, CHEN H, et al. Correlation between mammographic radiomics features and the level of tumor-infiltrating lymphocytes in patients with triple-negative breast cancer[J/OL]. Front Oncol, 2020, 10: 412 [2022-10-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7174560. DOI: 10.3389/fonc.2020.00412.
[22]
CHENG Y, XU S, WANG H T, et al. Intra- and peri-tumoral radiomics for predicting the sentinel lymph node metastasis in breast cancer based on preoperative mammography and MRI[J/OL]. Front Oncol, 2022, 12: 1047572 [2023-01-30]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9792138. DOI: 10.3389/fonc.2022.1047572.
[23]
BRAMAN N, PRASANNA P, WHITNEY J, et al. Association of peritumoral radiomics with tumor biology and pathologic response to preoperative targeted therapy for HER2 (ERBB2)–positive breast cancer[J/OL]. JAMA Netw Open, 2019, 2(4): e192561 [2023-01-30]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6481453. DOI: 10.1001/jamanetworkopen.2019.2561.
[24]
BRAMAN N M, ETESAMI M, PRASANNA P, et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI[J/OL]. Breast Cancer Res, 2017, 19(1): 57 [2022-10-05]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5437672. DOI: 10.1186/s13058-017-0846-1.
[25]
MAO N, SHI Y H, LIAN C, et al. Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast-enhanced spectral mammography[J]. Eur Radiol, 2022, 32(5): 3207-3219. DOI: 10.1007/s00330-021-08414-7.
[26]
WANG S M, SUN Y Q, LI R M, et al. Diagnostic performance of perilesional radiomics analysis of contrast-enhanced mammography for the differentiation of benign and malignant breast lesions[J]. Eur Radiol, 2022, 32(1): 639-649. DOI: 10.1007/s00330-021-08134-y.
[27]
YANG J F, DING X F, ZHU W D. Improving the calling of non-invasive prenatal testing on 13-/ 18-/ 21-trisomy by support vector machine discrimination[J/OL]. PLoS One, 2018, 13(12): e0207840 [2023-01-31]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6281214. DOI: 10.1371/journal.pone.0207840.
[28]
张书海, 王小雷, 朱芸, 等. 基于瘤内及瘤周早期动态增强MRI的影像组学模型鉴别乳腺影像报告和数据系统4类肿瘤良性与恶性的价值[J]. 中华放射学杂志, 2022, 56(7): 758-765. DOI: 10.3760/cma.j.cn112149-20210829-00616.
ZHANG S H, WANG X L, ZHU Y, et al. The value of intra-tumoral and peri-tumoral early dynamic contrast-enhanced MRI-based radiomics models in identifying benign from malignant in breast imaging-reporting and data system 4 breast tumors[J]. Chin J Radiol, 2022, 56(7): 758-765. DOI: 10.3760/cma.j.cn112149-20210829-00616.
[29]
LIN F, WANG Z Y, ZHANG K, et al. Contrast-enhanced spectral mammography-based radiomics nomogram for identifying benign and malignant breast lesions of sub-1 cm[J/OL]. Front Oncol, 2020, 10: 573630 [2022-10-12]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7662120. DOI: 10.3389/fonc.2020.573630.
[30]
HU D X, ZHOU J, HE W, et al. Risk factors of lateral lymph node metastasis in cN0 papillary thyroid carcinoma[J/OL]. World J Surg Oncol, 2018, 16(1): 30 [2022-10-13]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5811970. DOI: 10.1186/s12957-018-1336-3.
[31]
CHEN S, HARMON S, PERK T, et al. Using neighborhood gray tone difference matrix texture features on dual time point PET/CT images to differentiate malignant from benign FDG-avid solitary pulmonary nodules[J/OL]. Cancer Imaging, 2019, 19(1): 56 [2022-10-15]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6697997. DOI: 10.1186/s40644-019-0243-3.
[32]
PÉREZ-MORALES J, TUNALI I, STRINGFIELD O, et al. Peritumoral and intratumoral radiomic features predict survival outcomes among patients diagnosed in lung cancer screening[J/OL]. Sci Rep, 2020, 10(1): 10528 [2022-10-15]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7324394. DOI: 10.1038/s41598-020-67378-8.
[33]
ALBERT K, GAU V, TAYLOR W D, et al. Attention bias in older women with remitted depression is associated with enhanced amygdala activity and functional connectivity[J]. J Affect Disord, 2017, 210: 49-56. DOI: 10.1016/j.jad.2016.12.010.
[34]
朱永琪, 纪华, 朱彦芳, 等. 术前MRI影像组学列线图对乳腺癌腋窝淋巴结转移的预测价值[J]. 磁共振成像, 2022, 13(5): 52-58. DOI: 10.12015/issn.1674-8034.2022.05.010.
ZHU Y Q, JI H, ZHU Y F, et al. Predictive value of preoperative MRI-based nomogram for axillary lymph node metastasis in breast cancer[J]. Chin J Magn Reson Imaging, 2022, 13(5): 52-58. DOI: 10.12015/issn.1674-8034.2022.05.010.
[35]
张东蕾, 钱银锋, 李伟, 等. 影响乳腺癌腋窝淋巴结转移的因素分析及不同诊断方式的对比研究[J]. 中国临床医学影像杂志, 2021, 32(2): 94-99. DOI: 10.12117/jccmi.2021.02.005.
ZHANG D L, QIAN Y F, LI W, et al. Analysis of factors affecting axillary lymph node metastasis of breast cancer and comparative study of different diagnostic methods[J]. J China Clin Med Imaging, 2021, 32(2): 94-99. DOI: 10.12117/jccmi.2021.02.005.
[36]
朱芸, 张书海, 王小雷, 等. 基于MRI、钼靶和病理的列线图预测肿块型乳腺浸润性导管癌前哨淋巴结转移的价值[J]. 磁共振成像, 2022, 13(5): 45-51. DOI: 10.12015/issn.1674-8034.2022.05.009.
ZHU Y, ZHANG S H, WANG X L, et al. Value of a nomogram based on MRI, mammography and pathology for predicting sentinel lymph node metastasis of mass-type breast invasive ductal carcinoma[J]. Chin J Magn Reson Imaging, 2022, 13(5): 45-51. DOI: 10.12015/issn.1674-8034.2022.05.009.
[37]
FUSCO R, SANSONE M, GRANATA V, et al. Use of quantitative morphological and functional features for assessment of axillary lymph node in breast dynamic contrast-enhanced magnetic resonance imaging[J/OL]. Biomed Res Int, 2018, 2018: 2610801 [2022-10-20]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5998166. DOI: 10.1155/2018/2610801.
[38]
ZONG Q, DENG J, GE W, et al. Establishment of simple nomograms for predicting axillary lymph node involvement in early breast cancer[J]. Cancer Manag Res, 2020, 12: 2025-2035. DOI: 10.2147/cmar.s241641.

上一篇 瘤体及瘤周多参数MRI对于乳腺癌及病理因素的诊断价值研究
下一篇 心脏磁共振特征追踪技术在单纯性肥胖患者心室功能评价中的价值
  
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