分享:
分享到微信朋友圈
X
临床研究
MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2表达状态的价值
李周丽 陈基明 高静 吴莉莉 丁俊 张爱娟 邵颖

Cite this article as: LI Z L, CHEN J M, GAO J, et al. Value of MRI image omics model in preoperative prediction of human epidermal growth factor receptor 2 expression in breast cancer[J]. Chin J Magn Reson Imaging, 2023, 14(4): 82-88.本文引用格式:李周丽, 陈基明, 高静, 等. MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2表达状态的价值[J]. 磁共振成像, 2023, 14(4): 82-88. DOI:10.12015/issn.1674-8034.2023.04.014.


[摘要] 目的 探讨常规及功能MRI影像组学在预测乳腺癌人表皮生长因子受体2(human epidermalgrowth factor receptor-2, HER-2)表达状态中的价值。材料与方法 回顾性收集我院2016年1月至2020年5月142例经手术病理证实的乳腺癌患者的完整资料,其中HER-2阳性57例、阴性85例;将患者随机分为训练组(100例,HER-2阳性60例、阴性40例)、验证组(42例,HER-2阳性25例、阴性17例)。所有患者均行乳腺常规和动态对比增强磁共振成像扫描,手动勾画感兴趣区并用AK软件提取纹理特征,利用最小冗余最大相关和最小绝对收缩和选择算子回归方法对纹理特征降维,建立影像组学标签;采用多因素logistic回归构建包含影像组学标签和临床因素的个性化预测模型。通过受试者工作特征(receiver operating characteristic, ROC)曲线和决策曲线分析(decision curve analysis, DCA)评价诊断效能和临床应用价值。结果 临床预测模型在训练组和验证组中预测乳腺癌HER-2阳性的ROC曲线下面积(area under the curve, AUC)分别为0.81和0.69,联合序列影像组学标签的AUC分别为0.89和0.81,个性化预测模型的AUC分别为0.94和0.87。DCA表明个性化预测模型临床应用价值高于临床预测模型及联合序列影像组学标签。结论 个性化预测模型诊断效能优于联合序列影像组学标签及临床预测模型,对预测HER-2表达状态具有一定的价值。
[Abstract] Objective To explore the value of conventional and functional MRI radiomics in prediction of human epidermal growth factor receptor 2 (HER-2) status in breast cancel.Materials and Methods In this retrospective study, a total of 100 patients with breast cancer confirmed by surgery and pathology were enrolled from January 2016 to May 2020 in our hospital, including 57 cases of HER-2 positive and 85 cases of HER-2 negative. The patients were randomly divided into training group [100 cases, HER-2(+) 60 cases, HER-2(-) 40 cases], testing group [42 cases, HER-2(+) 25 cases, HER-2(-) 17 cases]. All patients underwent routine and dynamic contrast enhanced magnetic resonance imaging scans of the breast. A region of interest (ROI) of the primary breast tumor in each patient was delineated, and then the texture features of the ROI were extracted by AK. The minimum redundancy maximum redundancy and the least absolute shrinkage and selection operator methods were used to reduce the dimensionality of texture features and establish radiomics signature. Multivariate logistic regression was used to establish individualized prediction model (including clinical factors and radiomics signature). The performance of the model was assessed by area under the receiver operating characteristic curve (AUC). Decision curve analysis (DCA) were used to evaluate the clinical usefulness.Results The area under the curve (AUC) of the clinical prediction model for positive HER-2 in the training group and the testing group was 0.81 and 0.69, respectively. The AUC of the combined sequentomics label was 0.89 and 0.81, respectively. The AUC of personalized prediction models was 0.94 and 0.87, respectively. DCA indicated that the value of individualized prediction model was higher than clinical prediction model and joint radiomics signature in clinical practice.Conclusions The individualized prediction model is superior to clinical prediction model and joint radiomics signature, and it has high value in predicting of HER-2 status.
[关键词] 乳腺癌;人表皮生长因子;影像组学;预测模型;预后;磁共振成像
[Keywords] breast cancer;human epidermal growth factor;radiomics;prediction model;prognosis;magnetic resonance imaging

李周丽    陈基明 *   高静    吴莉莉    丁俊    张爱娟    邵颖   

皖南医学院弋矶山医院放射科,芜湖 241001

通信作者:陈基明,E-mail:yjsyycjm1@126.com

作者贡献声明:陈基明设计本研究的方案,对稿件的重要内容进行了修改;李周丽起草和撰写稿件,获取、分析或解释本研究的数据;高静、吴莉莉、丁俊、张爱娟、邵颖获取、分析或解释本研究的数据,对稿件的重要内容进行了修改。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。


收稿日期:2022-09-16
接受日期:2023-04-11
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.04.014
本文引用格式:李周丽, 陈基明, 高静, 等. MRI影像组学模型术前预测乳腺癌人表皮生长因子受体2表达状态的价值[J]. 磁共振成像, 2023, 14(4): 82-88. DOI:10.12015/issn.1674-8034.2023.04.014.

0 前言

       乳腺癌在女性中的发病率和致死率居癌症首位[1],因此,乳腺癌的预防、早期发现、早期诊断、治疗以及预后评估尤其重要。乳腺癌具有高度异质性,不同分子亚型的乳腺癌具有不同的生物学行为[2, 3]。乳腺癌的发生发展是一个多基因参与的复杂生物学过程,人表皮生长因子受体2(human epidermalgrowth factor receptor-2, HER-2)与细胞的生长、分化、转移过程调控作用有关[4, 5],HER-2阳性的乳腺癌分化较差、侵袭性强,具有更高的复发率和转移率,治疗有别于其他类型的乳腺癌,辅助治疗可以提高患者的手术机会,降低复发率及死亡率[6, 7]。因此,术前无创性预测乳腺癌HER-2表达状态具有重要意义。穿刺活检是确认HER-2表达状态的方法,但其有创且难以全面反映肿瘤内部的异质性。常规MRI对乳腺癌早期发现、早期诊断及疗效评估具有重要价值,但评估不同分子亚型的作用有限。影像组学可将图像转化为多维度定量参数,提取并筛选MRI特征建立分类模型[8, 9, 10]。但既往影像组学对乳腺癌分子分型的研究多为单一模式[如仅基于T2WI或动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging, DCE-MRI)影像组学],研究结果差异较大[11, 12, 13, 14]。本研究结合临床、病理资料及常规、功能MRI影像组学建立多种诊断模型,并评估模型的预测价值,为临床提供治疗指导。

1 材料与方法

1.1 临床资料

       回顾性分析2016年1月至2020年5月我院经手术病理证实为乳腺癌患者的完整资料。纳入标准:(1)术前行常规和DCE-MRI检查且MRI检查与手术间隔时间≤2周;(2)均为肿块性病灶;(3)既往未进行化疗、放疗及内分泌治疗,无乳腺手术史。排除标准:(1)图像质量差,伪影严重;(2)临床资料不完整。最终142名患者纳入研究,均为女性,年龄32~68(47.68±8.34)岁,其中HER-2阳性57例,阴性85例。运用R语言软件将患者按7∶3的比例随机分为训练组(100例,HER-2阳性60例、阴性40例)和验证组(42例,HER-2阳性25例、阴性17例)。本研究遵守《赫尔辛基宣言》,经皖南医学院弋矶山医院科研与新技术伦理委员会批准,免除受试者知情同意(批准文号:201965)。

1.2 检查方法

       采用GE signa HDxt 3.0 T MR扫描仪,8通道乳腺专用相控阵线圈。患者俯卧位,将双侧乳腺置于线圈中央。采用轴位和矢状位扫描。(1)轴位短时间反转恢复序列T2WI扫描参数如下:TR 11000 ms,TI 240 ms,TE 60 ms,层厚4.0 mm,层间距0.4 mm,FOV 320 mm×320 mm,矩阵 320×196;(2)轴位弥散加权成像(diffusion weighted imaging, DWI)扫描参数如下:TR 6500 ms,TE 60 ms,b=800 s/mm2,层厚4.0 mm,层间距0.4 mm,FOV 340 mm×340 mm,矩阵130×96;(3)轴位T1动态对比增强(dynamic contrast-enhanced, DCE)扫描参数如下:TR 5.6 ms,TI 16 ms,TE 2.2 ms,层厚 2.0 ms,层间距 0 mm,FOV 320 mm×320 mm,矩阵 348×348,平扫后静脉注射对比剂钆双胺(GE Healthcare Ireland Limited,J20140164),注射流速2.5 mL/s,剂量为0.1 mmol/kg,再以相同流速注入20 mL生理盐水。每期扫描60 s,扫描8期,共480 s。

1.3 HER-2蛋白表达的标准

       根据中国乳腺癌HER-2检测指南(2019版),HER-2蛋白表达的标准如下:免疫组织化学染色阴性或(+)为HER-2表达阴性;免疫组织化学染色(++)为HER-2表达不确定,需以荧光原位杂交法做进一步检测;免疫组织化学染色(+++)为HER-2表达阳性,最终确定其表达为阳性或阴性。

1.4 图像分割及影像组学特征提取

       从PACS系统中调取所有患者的STIR T2WI、DWI和DCE-MRI图像,导入ITP-SNAP(Version3.6)软件,由两名放射医师(分别具有5年工作经验的住院医师和10年工作经验的主治医师)沿病灶的边缘逐层手动勾画感兴趣区,并进行三维融合(图1),导入AK软件(Version 3.2,GE Healthcare Analysis Kit),每个序列各提取1044个影像组学特征,包括直方图特征、形态特征、灰度共生矩阵(Gray-level co-occurrence matrix, GLCM)特征及Haralick特征,三个序列合计3132个。

图1  乳腺癌感兴趣区示意图。1A:轴位沿病灶边缘逐层手工勾画感兴趣区;1B:将病灶所有层面勾画的感兴趣区融合成三维感兴趣区。
Fig. 1  The region of interest of breast cancer. 1A: The region of interest is manually delineated around the edge in axial image on each slice. 1B: Three-dimensional diagram of the region of interest after fusion.

1.5 影像组学特征筛选及标签构建

       采用组间相关系数(intraclass correlation coefficient, ICC)评价两名医师提取特征的一致性。利用最小冗余最大相关(minimum redundancy and maximum redundancy, mRMR)算法和最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归方法对特征降维,并将所筛选特征进行系数加权,构建影像组学标签,计算每个患者的影像组学标签得分。

1.6 统计学分析

       采用SPSS 21.0软件、R软件(Version3.6.1),计量资料采用Kolmogorov-Smirnov检验进行正态性检验,符合正态分布的计量资料用x¯±s表示,采用独立样本t检验;不符合正态分布的用中位数(上、下四分位数)表示,采用Mann-Whitney U检验。计数资料以频数表示,采用χ2检验或Fisher检验。采用多因素logistic回归构建临床病理模型、临床预测模型,以及个性化预测模型(包含临床、组织病理及影像组学标签)。绘制受试者工作特征(receiver operating characteristic, ROC)曲线评价模型效能,并对模型的ROC曲线进行DeLong检验,比较各模型间效能差异是否有统计学意义。采用决策曲线分析(decision curve analysis, DCA)评价预测模型临床应用价值。用Hosmer-Lemeshow检验评价模型拟合优度(P>0.05表示拟合优度较好)。P<0.05表示差异有统计学意义。

2 结果

2.1 临床资料、MRI特征和病理结果

       雌激素受体(estrogen receptor, ER)、孕激素受体(progesterone receptor, PR)在训练组和验证组阴性与阳性间差异均有统计学意义;时间强化曲线(time intensify curve, TIC)类型、细胞核增殖指数(Ki-67)在训练组阴性与阳性间差异有统计学意义,在验证组阴性与阳性间差异无统计学意义;其余变量均无统计学意义(表1)。用ER、PR、Ki-67构建临床病理模型,在训练组和验证组中预测HER-2状态的ROC曲线下面积(area under the curve, AUC)分别为0.75、0.87(表2)(图2A2B),包含TIC类型构建临床预测模型提高了训练组预测效能(AUC为0.81)(表2)(图2A2B)。

图2  训练组(2A)和验证组(2B)临床病理模型、临床模型的受试者工作特征(ROC)曲线及曲线下面积(AUC)。
Fig. 2  The receiver operating characteristic (ROC) curve and area under the curve (AUC) of pathological model, clinical prediction model in the training group (2A) and testing group (2B).
表1  训练组和验证组临床资料、MRI特征和病理结果
Tab. 1  Comparison of clinicalopathologic characteristics and MRI features in the training and testing group
表2  训练组及验证组中不同模型的预测效能
Tab. 2  Predictive performance of different models in the training and testing group

2.2 影像组学特征的选择和标签的构建

       两名医师提取的纹理特征一致性较好(ICC为0.785~0.915),选取高年资医师提取的特征进行影像组学分析。从STIR T2WI、DWI、DCE-MRI和联合序列中经mRMR去除冗余特征,再经LASSO回归降维(图3)分别筛选出5、13、13、15个纹理特征。根据这些特征分别建立影像组学标签,再根据特征权重(图4)计算每个患者的影像组学标签得分。经ROC分析,联合序列影像组学标签诊断效能最高,在训练组和验证组AUC为0.89、0.81(表2图5)。

图3  联合序列影像组学特征降维示意图。3A:使用最小绝对收缩和选择算子(LASSO)回归方法对影像组学特征降维后绘制二项式偏差与惩罚系数的对数;3B:不同纹理特征的LASSO收敛系数图。
Fig. 3  Dimensionality reduction diagram of combined sequence radiomics features. 3A: Draw the logarithm of binomial deviation and penalty coefficient after dimensionality reduction of image group characteristics using least absolute shrinkage and selection operator (LASSO) regression method. 3B: The LASSO convergence coefficient diagram of different texture features.
图4  联合序列筛选的影像组学特征及权重。横坐标表示权重,纵坐标表示特征。
Fig. 4  Radiomics feature and coefficients of combined sequence. The abscissa represents the coefficients, and the ordinate represents the feature.
图5  训练组(5A)和验证组(5B)联合序列影像组学模型、临床预测模型及个性化预测模型的受试者工作特征曲线。ROC:受试者工作特征;AUC:ROC曲线下面积。
Fig. 5  The receiver operating characteristic curve, clinical prediction model and individualized prediction model in the training group (5A) and testing group (5B). ROC: receiver operating characteristic; AUC: area under the curve.

2.3 个性化预测模型的构建及效能

       结合临床、组织病理及影像组学标签进行多因素logistic回归分析构建个性化预测模型,AUC为0.94和0.87(表2图5),优于临床模型预测效能(Delong检验,P<0.05);ER、PR、Ki-67、TIC和联合序列影像组学标签为预测HER-2表达状态的独立危险因子。个性化预测模型训练组和验证组的校正曲线都显示了良好的校正性能(图6),生成的诺曼图实现模型可视化预测乳腺癌患者HER-2表达状态,每个变量对应的得分在列线图最顶端的比例尺上。将所有变量的得分相加,得到总得分,总得分对应的底线的刻度代表HER-2表达阳性的概率(图7)。经Hosmer-Lemeshow检验模型拟合度较好(P>0.05)。DCA显示个性化预测模型具有更高的净获益,临床应用价值更高(图8)。

图6  个性化预测模型在训练组(6A)和验证组(6B)校正曲线。
Fig. 6  The calibration plots of individualized model in the training group (6A) and testing group (6B).
图7  用于预测人表皮生长因子受体2表达状态的诺曼图。
Fig. 7  The nomogram predicted the human epidermal growth factor receptor 2 status.
图8  联合序列影像组学模型、临床预测模型和个性化预测模型的决策曲线,全部表示所有患者均为人表皮生长因子受体2(HER-2)表达阳性患者,无表示所有患者均为HER-2表达阴性患者。
Fig. 8  Decision curve analysis of the joint radiomics signature, clinical prediction model and individualized prediction model. All represented human epidermalgrowth factor receptor-2 (HER-2) positive, none represented HER-2 negative.

3 讨论

       乳腺癌具有高度异质性,目前对乳腺癌的研究已深入到分子水平,不同分子分型的乳腺癌的治疗方式及预后不同[15, 16],本研究全面收集了患者的临床资料、MRI特征及病理资料,分别探讨了基于不同序列(T2WI、DWI和DCE)影像组学标签及3个序列联合影像组学标签预测乳腺癌HER-2表达状态的价值,并从联合序列中筛选出15个影像组学特征,与临床及病理资料构建了个性化预测模型,对个性化模型进行评估,得到较高的诊断效能,且高于联合序列影像组学标签及临床预测模型,证明了个性化预测模型中的ER、PR、Ki-67、TIC临床病理因素提高了影像组学特征预测乳腺癌HER-2表达状态的能力。

3.1 临床模型预测乳腺癌HER-2表达状态的价值

       乳腺癌的生物学行为由乳腺癌相关癌基因表达决定,可产生不同组织病理学表现,而组织病理学是影像表现的基础。不同分子亚型乳腺癌的MRI表现各异,分子亚型与部分MRI征象之间有一定的相关性[17]。HER-2原癌基因具有酪氨酸酶活性,负责信号的传导并促进细胞生长分裂,使细胞的整合素和黏合素功能异常,增加乳腺癌细胞的侵袭性和转移力。但本研究显示反映肿瘤侵袭性和转移的毛刺和淋巴结转移状态在训练和验证组的阳性与阴性间差异均无统计学意义,这可能与样本量小有关。本研究显示TIC类型在训练组的阳性与阴性间差异有统计学意义,与程雪等[18]研究结果相一致。TIC能显示增强过程中病变信号强度随时间的变化情况,能综合反映出病灶血流灌注和流出等多种因素。HER-2阳性肿瘤新生血管丰富,血管内皮细胞发育不完善,血管通透性较强,TIC类型中流入型与HER-2表达呈负相关,而流出型呈正相关。PARK等[19]研究认为HER-2可诱导血管内皮生长因子生成,肿瘤血流量增加,灌注增加,表观弥散系数(apparent diffusion coefficient, ADC)值增高,但本研究并未发现,这可能是因为ADC值不仅受水分子扩散的影响,还与微循环灌注有关。一般来说低b值情况下,ADC值受灌注影响较大导致测量结果偏大,系统误差增大,高b值时系统误差小,能更准确地反映弥散状况和测量的ADC值,而不同的MR机型和磁场强度对b值有很大影响,因此结果的差异可能与b值差异较大有关。

       本研究结果表明年龄与肿瘤大小在训练组和验证组的阳性与阴性间差异均无统计学意义,ER、PR和Ki-67是个性化预测模型预测肿瘤HER-2表达状态的独立危险因子,该结论与杨雅洁等[20, 21, 22]报道相一致。ER、PR为细胞转录调节子,PR是ER作用的最终产物,雌激素与其受体结合,可促进新的蛋白合成,调节乳腺细胞正常的生长及分化,乳腺癌患者ER、PR会部分或完全消失。本研究表明,ER、PR的表达与HER-2表达呈负相关;Ki-67染色比例升高,提示细胞增殖活跃。Ki-67作为癌变人群的高危生物学标志物之一,为处于增殖过程中的细胞核的标记物,其和细胞的合成及代谢密切相关,Ki-67比例升高,提示细胞增殖活跃[23],Ki-67的表达与HER-2表达呈正相关。国内外报道[24, 25, 26, 27, 28]HER-2基因扩增还可能与肿瘤大小、组织学分级等有关,本研究并未发现,研究结果的不一致性可能与样本量过小有关。本研究结果显示单纯的临床病理特征模型在训练组中诊断效能(AUC为0.75)低于结合了MRI特征的临床模型(AUC为0.81),这表明MRI特征提高临床病理特征模型预测效能。

3.2 MRI联合序列影像组学模型预测乳腺癌HER-2表达状态的价值

       影像组学可将医学图像转化为高通量的定量数据。多项研究显示MRI纹理分析或影像组学对预测乳腺癌HER-2表达状态有一定的价值。薛珂等[29]基于DWI及DCE-MRI影像组学构建的预测HER-2过表达型乳腺癌模型在训练组和验证组均具有较好诊断效能(AUC分别为0.79、0.81)。梁翠珊等[30]基于T2WI影像组学标签预测乳腺癌HER-2表达状态在训练组和验证组的AUC分别为0.798、0.707。JIANG等[31]及LU等[32]研究表明DCE-MRI图像纹理分析对预测HER-2表达状态具有较高诊断价值,采用不同分类方法获得AUC为0.832~0.925。本研究显示基于3个序列联合影像组学标签的诊断效能(高于基于不同序列(T2WI、DWI和DCE)影像组学标签的诊断效能,且高于临床模型,这是由于影像组学能全面挖掘病灶内部微观信息,反映肿瘤内部异质性,联合序列影像组学模型在训练组和验证组的诊断效能均较好。本研究从联合序列中共筛选出15个影像组学特征,为二阶特征,包括GLCM特征及Haralick特征,其中特征GLCM-集群阴影和Haralick-相关性对于影像组学标签的贡献较大(特征系数较大),说明该特征对乳腺癌HER-2表达状态的预测价值。GLCM是一种灰度图像纹理特征提取的方法,能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像的局部模式和它们的排列规则的基础,是目前最常见、应用最广泛、效果最好的纹理统计分析方法之一,Haralick特征中的相关性可反映体素之间的相似程度,其值越高,提示局部的纹理越简单,肿瘤的异质性越低。各研究结果的差异可能与样本量大小、设备、参数差异及研究方法等多种因素有关。

3.3 个性化模型预测乳腺癌HER-2表达状态的价值

       乳腺癌HER-2表达状态病理生理机制复杂,可能与临床、组织病理及影像组学多种潜在因素相关,但目前国内外结合这三方面的因素构建个性化预测模型预测乳腺癌HER-2表达状态的研究较少。本研究探讨基于临床、组织病理及影像组学预测乳腺癌HER-2表达状态的价值,结果显示结合影像特征、组织病理及影像组学标签构建的个性化预测模型则能进一步提高预测效能(AUC分别为0.94、0.87),优于联合序列影像组学标签及临床预测模型的诊断效能。临床预测模型能够反映肿瘤特征、组织成分等特征,联合序列影像组学标签则可以更客观反映肿瘤内部异质性,将两者联合构建的个性化预测模型能更全面地反映肿瘤特征。DCA表明个性化预测模型比临床预测模型及联合序列影像组学标签临床净收益高。

3.4 本研究的局限性

       本研究也有一定的局限性:(1)为回顾性研究,难免存在选择偏倚;(2)样本量较少,有待进行更大样本量的研究;(3)病灶为手动勾画,结果受个人主观影响。

4 结论

       综上所述,临床模型及联合序列影像组学模型均具有较高的预测乳腺癌HER-2表达状态的效能,个性化预测模型的诊断效能更高,优于临床模型及联合序列影像组学模型,具有较好的临床净收益,能够为临床治疗提供有效的指导。

[1]
赫捷, 陈万青, 李霓, 等. 中国女性乳腺癌筛查与早诊早治指南(2021, 北京)[J]. 中国肿瘤, 2021, 30(3): 161-191. DOI: 10.11735/j.issn.1004-0242.2021.03.A001.
HE J, CHEN W Q, LI N, et al. China guideline for the screening and early detection of female breast cancer (2021, Beijing)[J]. China Cancer, 2021, 30(3): 161-191. DOI: 10.11735/j.issn.1004-0242.2021.03.A001.
[2]
HAN L H, LI L, WANG N, et al. Relationship of epidermal growth factor receptor expression with clinical symptoms and metastasis of invasive breast cancer[J]. J Interferon Cytokine Res, 2018, 38(12): 578-582. DOI: 10.1089/jir.2018.0085.
[3]
ZHAO Y, YANG N, WANG X, et al. Potential roles of lymphovascular space invasion based on tumor characteristics provide important prognostic information in T1 tumors with ER and HER2 positive breast cancer[J]. Clin Transl Oncol, 2020, 22(12): 2275-2285. DOI: 10.1007/s12094-020-02369-9.
[4]
WU J, SUN X L, WANG J, et al. Identifying relations between imaging phenotypes and molecular subtypes of breast cancer: model discovery and external validation[J]. J Magn Reson Imaging, 2017, 46(4): 1017-1027. DOI: 10.1002/jmri.25661.
[5]
SUTTON E J, OH J H, DASHEVSKY B Z, et al. Breast cancer subtype intertumor heterogeneity: MRI-based features predict results of a genomic assay[J]. J Magn Reson Imaging, 2015, 42(5): 1398-1406. DOI: 10.1002/jmri.24890.
[6]
WUERSTLEIN R, HARBECK N. Neoadjuvant therapy for HER2-positive breast cancer[J]. Rev Recent Clin Trials, 2017, 12(2): 81-92. DOI: 10.2174/1574887112666170202165049.
[7]
KANGLEON-TAN H L, SIM J, YOU J Y, et al. Omission of chemotherapy for hormone receptor-positive and human epidermal growth factor receptor 2-negative breast cancer: patterns of treatment and outcomes from the Korean Breast Cancer Society Registry[J]. Ann Surg Treat Res, 2022, 103(6): 313-322. DOI: 10.4174/astr.2022.103.6.313.
[8]
HAN L, ZHU Y B, LIU Z Y, et al. Radiomic nomogram for prediction of axillary lymph node metastasis in breast cancer[J]. Eur Radiol, 2019, 29(7): 3820-3829. DOI: 10.1007/s00330-018-5981-2.
[9]
KÖSEOĞLU R D, MARKOÇ F, MÜSLEHIDDINOĞLU A, et al. HER-2/neu and hormone receptor analysis in breast carcinomas and their association with clinicopathologic parameters[J]. Eur J Breast Health, 2019, 15(1): 43-50. DOI: 10.5152/ejbh.2018.4118.
[10]
LI C L, SONG L R, YIN J D. Intratumoral and peritumoral radiomics based on functional parametric maps from breast DCE-MRI for prediction of HER-2 and ki-67 status[J]. J Magn Reson Imaging, 2021, 54(3): 703-714. DOI: 10.1002/jmri.27651.
[11]
FAN Y, PAN X L, YANG F, et al. Preoperative computed tomography radiomics analysis for predicting receptors status and ki-67 levels in breast cancer[J]. Am J Clin Oncol, 2022, 45(12): 526-533. DOI: 10.1097/COC.0000000000000951.
[12]
ZHU W S, SHI S Y, YANG Z H, et al. Radiomics model based on preoperative gadoxetic acid-enhanced MRI for predicting liver failure[J]. World J Gastroenterol, 2020, 26(11): 1208-1220. DOI: 10.3748/wjg.v26.i11.1208.
[13]
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.
[14]
王中一, 毛宁, 谢海柱. 乳腺癌MRI影像组学的研究进展[J]. 磁共振成像, 2021, 12(1): 109-111. DOI: 10.12015/issn.1674-8034.2021.01.026.
WANG Z Y, MAO N, XIE H Z. Research progress of MRI imaging of breast cancer[J]. Chin J Magn Reson Imaging, 2021, 12(1): 109-111. DOI: 10.12015/issn.1674-8034.2021.01.026.
[15]
GRANZIER R W Y, VERBAKEL N M H, IBRAHIM A, et al. MRI-based radiomics in breast cancer: feature robustness with respect to inter-observer segmentation variability[J/OL]. Sci Rep, 2020, 10(1): 14163 [2022-09-15]. https://pubmed.ncbi.nlm.nih.gov/32843663/. DOI: 10.1038/s41598-020-70940-z.
[16]
VALDORA F, HOUSSAMI N, ROSSI F, et al. Rapid review: radiomics and breast cancer[J]. Breast Cancer Res Treat, 2018, 169(2): 217-229. DOI: 10.1007/s10549-018-4675-4.
[17]
HA R, MUTASA S, KARCICH J, et al. Predicting breast cancer molecular subtype with MRI dataset utilizing convolutional neural network algorithm[J]. J Digit Imaging, 2019, 32(2): 276-282. DOI: 10.1007/s10278-019-00179-2.
[18]
程雪, 余日胜, 徐民, 等. 乳腺癌的功能磁共振成像征象与人表皮生长因子受体2表达差异的相关性分析[J]. 中华医学杂志, 2019, 99(31): 2440-2444. DOI: 10.3760/cma.j.issn.0376-2491.2019.31.007.
CHENG X, YU R S, XU M, et al. The correlation between functional magnetic resonance imaging features and expression of Her-2 in breast cancer[J]. Natl Med J China, 2019, 99(31): 2440-2444. DOI: 10.3760/cma.j.issn.0376-2491.2019.31.007.
[19]
PARK S H, CHOI H Y, HAHN S Y. Correlations between apparent diffusion coefficient values of invasive ductal carcinoma and pathologic factors on diffusion-weighted MRI at 3.0 Tesla[J]. J Magn Reson Imaging, 2015, 41(1): 175-182. DOI: 10.1002/jmri.24519.
[20]
杨雅洁, 孙艳花. 乳腺癌组织中HER2的表达及其与临床病理特征的关系[J]. 南昌大学学报(医学版), 2018, 58(1): 55-59, 64. DOI: 10.13764/j.cnki.ncdm.2018.01.013.
YANG Y J, SUN Y H. Relationship between HER2 expression and clinicopathological characteristics in breast cancer[J]. J Nanchang Univ Med Sci, 2018, 58(1): 55-59, 64. DOI: 10.13764/j.cnki.ncdm.2018.01.013.
[21]
BITENCOURT A G V, GIBBS P, ROSSI SACCARELLI C, et al. MRI-based machine learning radiomics can predict HER2 expression level and pathologic response after neoadjuvant therapy in HER2 overexpressing breast cancer[J]. EBioMedicine, 2020, 61: 103042. DOI: 10.1016/j.ebiom.2020.103042.
[22]
ZHOU J, TAN H N, LI W, et al. Radiomics signatures based on multiparametric MRI for the preoperative prediction of the HER2 status of patients with breast cancer[J]. Acad Radiol, 2021, 28(10): 1352-1360. DOI: 10.1016/j.acra.2020.05.040.
[23]
SONG B, WANG L, ZHANG Y, et al. Combined detection of HER2, Ki67, and GSTP1 genes on the diagnosis and prognosis of breast cancer[J]. Cancer Biother Radiopharm, 2019, 34(2): 85-90. DOI: 10.1089/cbr.2018.2570.
[24]
CAIN E H, SAHA A, HAROWICZ M R, et al. Multivariate machine learning models for prediction of pathologic response to neoadjuvant therapy in breast cancer using MRI features: a study using an independent validation set[J]. Breast Cancer Res Treat, 2019, 173(2): 455-463. DOI: 10.1007/s10549-018-4990-9.
[25]
LEITHNER D, BERNARD-DAVILA B, MARTINEZ D F, et al. Radiomic signatures derived from diffusion-weighted imaging for the assessment of breast cancer receptor status and molecular subtypes[J]. Mol Imaging Biol, 2020, 22(2): 453-461. DOI: 10.1007/s11307-019-01383-w.
[26]
KIM J J, KIM J Y, SUH H B, et al. Characterization of breast cancer subtypes based on quantitative assessment of intratumoral heterogeneity using dynamic contrast-enhanced and diffusion-weighted magnetic resonance imaging[J]. Eur Radiol, 2022, 32(2): 822-833. DOI: 10.1007/s00330-021-08166-4.
[27]
YAMAGUCHI K, NAKAZONO T, EGASHIRA R, et al. Maximum slope of ultrafast dynamic contrast-enhanced MRI of the breast: comparisons with prognostic factors of breast cancer[J]. Jpn J Radiol, 2021, 39(3): 246-253. DOI: 10.1007/s11604-020-01049-6.
[28]
SATAKE H, ISHIGAKI S, ITO R, et al. Radiomics in breast MRI: current progress toward clinical application in the era of artificial intelligence[J]. Radiol Med, 2022, 127(1): 39-56. DOI: 10.1007/s11547-021-01423-y.
[29]
薛珂, 李卓琳, 李振辉, 等. 多参数MRI影像组学特征识别HER-2过表达型乳腺癌[J]. 放射学实践, 2020, 35(2): 186-189. DOI: 10.13609/j.cnki.1000-0313.2020.02.012.
XUE K, LI Z L, LI Z H, et al. Identify HER-2 over expression breast cancer based on radiomics of multi-parametric MRI[J]. Radiol Pract, 2020, 35(2): 186-189. DOI: 10.13609/j.cnki.1000-0313.2020.02.012.
[30]
梁翠珊, 崔运能, 杨伟超, 等. 基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态[J]. 中国医学影像技术, 2019, 35(4): 555-559. DOI: 10.13929/j.1003-3289.201808188.
LIANG C S, CUI Y N, YANG W C, et al. T2WI-based radiomics signatures for predicting human epidermal growth factor receptor 2 status in breast cancer[J]. Chin J Med Imaging Technol, 2019, 35(4): 555-559. DOI: 10.13929/j.1003-3289.201808188.
[31]
JIANG Z, SONG L, LU H, et al. The potential use of DCE-MRI texture analysis to predict HER2 2+ status[J/OL]. Front Oncol, 2019, 9: 242 [2022-09-15]. https://pubmed.ncbi.nlm.nih.gov/31032222/. DOI: 10.3389/fonc.2019.00242.
[32]
LU H, YIN J. Texture analysis of breast DCE-MRI based on intratumoral subregions for predicting HER2 2+ status[J/OL]. Front Oncol, 2020, 10: 543 [2022-09-15]. https://pubmed.ncbi.nlm.nih.gov/32373531/. DOI: 10.3389/fonc.2020.00543.

上一篇 治疗前T2WI水肿表现预测乳腺癌新辅助化疗疗效的价值
下一篇 3D-IDEAL-IQ定量评估2型糖尿病患者肝脏和胰腺脂肪浸润及其与胰岛素抵抗的相关性
  
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