0 前言

       在我国，女性乳腺癌的发病率和死亡率均居首位，且呈逐年上升的趋势^{[1, 2]}。增殖指数（Ki-67）与肿瘤细胞的增殖活动有关，作为乳腺癌的常规检测指标，与其预后密切相关。裴蓓等^[3]研究表明Ki-67增殖指数与腋窝淋巴结转移率呈正相关。宋旗等^[4]研究表明，Ki-67的表达水平与乳腺癌患者的预后密切相关，高表达组患者的生存时间明显低于低表达组。刘杰娜等^[5]研究证实Ki-67表达水平是乳腺癌患者新辅助化疗后病理学完全缓解的独立预测因素，Ki-67高表达患者病理学完全缓解率为低表达患者的4.282倍。因此，术前准确判断Ki-67的表达水平对乳腺癌患者的预后以及诊疗方案的制订具有重要的临床价值，但是，临床对于Ki-67的诊断多依赖于病理免疫组化。磁共振成像（magnetic resonance imaging, MRI）具有软组织分辨率高、多参数、多方位成像特点，近几年在乳腺疾病中的应用价值越来越得到认可^{[6, 7, 8]}。有研究发现通过扩散加权成像（diffusion weighted imaging, DWI）定量参数分析可以评估乳腺癌的分子亚型与Ki-67增殖指数的相关性^{[9, 10]}，明洁等^[11]基于动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）瘤内联合瘤周影像组学模型对乳腺癌Ki-67表达具有较高的预测效能。DWI可通过检测活体组织中水分子扩散程度，从而反映肿瘤内的微观结构。而目前国内外研究者基于影像组学联合平均ADC值预测Ki-67的研究较少。因此，本研究旨在探讨基于DCE-MR第1期增强图像的组学特征联合ADC值预测乳腺癌Ki-67表达水平的预测价值，为术前无创性准确评估乳腺癌Ki-67表达状态提供新方法，从而为临床诊疗方案的制订和预后的评估提供重要的参考依据。

1 材料与方法

1.1 一般资料

       回顾性分析皖南医学院弋矶山医院2018年12月至2021年12月间经术后病理证实的女性乳腺癌患者的影像及临床资料。病例纳入标准：（1）术前有完整的MRI平扫、DWI及多期增强检查；（2）术后有完整的病理资料（包括Ki-67表达水平）；（3）无其他恶性肿瘤病史。排除标准：（1）MRI检查前行手术或放化疗史；（2）图像不清晰，难以满足后期图像勾画；（3）肿瘤多发或存在转移史。Ki-67表达水平的高低参照2013年St Gallen国际乳腺癌会议专家共识^[12]，本研究将肿瘤细胞核着色＜20%定义为低表达、≥20%定义为高表达。本研究遵守《赫尔辛基宣言》，经过皖南医学院第一附属医院弋矶山医院医学伦理委员会批准，免除受检者知情同意（批文批号：2019-KY-271）。

1.2 MRI设备及扫描参数

       所有患者均进行了常规及DCE-MRI检查，采用GE Signa HD xt 3.0 T MR扫描仪，8通道乳腺专用相控阵线圈。患者取俯卧位，双侧乳腺自然悬垂于线圈内，扫描范围为腋窝至乳腺下缘。采用轴位和矢状面扫描；LAVA T1WI扫描参数：TR 5.68 ms，TE 2.20 ms，TI 16 ms，层厚2.0 mm，层间距0 mm，FOV 340 mm× 340 mm，矩阵 348×348。增强扫描采用双筒高压注射器静脉注射对比剂钆-二乙烯三胺五乙酸（拜耳制药，德国），注射流速2.5 mL/s，剂量0.1 mmol/kg，轴位平扫后注入对比剂后即行LAVA T1WI扫描，参数同上。每期扫描60 s，扫描8期，共480 s。各序列参数见表1。

点击查看表格

表1  MRI各序列扫描参数
Tab. 1  MRI scanning parameters of each sequence

1.3 图像分析

       将所有患者MRI图像从PACS工作站以DICOM格式导出后导入深睿医疗多模态科研平台（https://keyan.deepwise.com），参照DWI和多期动态增强图像，在DCE-MRI第1期相上采用半自动分割的方式逐层勾画瘤体感兴趣区（region of interest, ROI）。ROI勾画由两位放射科医生（医师1诊断经验10年，副主任医师；医师2诊断经验6年，主治医师）分别在告知病灶位置的情况下独立完成，医师1进行两次勾画，且两次勾画间隔时间≥1周。使用ICC评估影像组学特征提取的观察者间和观察者内一致性。使用科研平台从ROI中自动提取1906个组学特征，包括一阶特征（396个）、形状特征（14个）、灰度共生矩阵特征（484个）、灰度区域矩阵特征（352个）、灰度游程矩阵特征（352个）、灰度共生矩阵（gray-level co-occurrence matrix, GLCM）特征（308个）。瘤体ADC值测量由医师1（诊断经验10年，副主任医师）在后处理工作站进行，选取肿瘤最大层面勾画ROI（图1～2），测量平均ADC值，每个病灶测量3次，取平均值。

点击查看大图

图1  女，39岁，右乳浸润性乳腺癌，Ki-67高表达组（30%）。1A：横断面第1期DCE-MRI图像；1B：肿块ROI勾画图；1C：免疫组化染色，Ki-67高表达（+，30%）。
图2  女，68岁，右乳浸润性乳腺癌，Ki-67低表达组（5%）。2A：横断面第1期DCE-MRI图像；2B：肿块ROI勾画图；2C：免疫组化染色，Ki-67高表达（+，5%）。DCE-MRI：动态对比增强MRI；ROI：感兴趣区。
Fig. 1  39-year-old female with right breast invasive breast cancer, Ki-67 high expression group (30%). 1A: Cross-sectional the first phase of DCE-MRI. 1B: ROI mapping of lumps. 1C: Immunohistochemical staining, Ki-67 high expression (+ , 30%).
Fig. 2  68-year-old female with righr breast cancer, Ki-67 low expression group (5%). 2A: Cross-sectional the first phase of DCE-MRI. 2B: ROI mapping of lumps. 2C: Immunohistochemical staining, Ki-67 low expression (+, 5%). DCE-MRI: dynamic contrast enhanced magnetic resonance imaging; ROI: region of interest.

1.4 最优特征筛选与模型构建

       第一步将所有样本量的特征参数通过ICC筛选出一致性较好的非零组学特征（ICC＞0.8）。第二步使用深睿医疗多模态科研平台，采用10折交叉验证的方法，通过特征间线性相关性分析（C=0.75）和最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）算法筛选最优组学特征构建logistic回归模型。利用影像组学评分联合平均ADC值构建联合模型。

1.5 统计学方法

       特征筛选及预处理采用R软件（Version 3.6.0）进行统计分析。最优特征及平均ADC值采用SPSS 22.0统计软件包进行数据分析。计量资料采用x¯±s表示，符合正态分布的采用独立样本t检验，非正态分布采用Mann-Whitney U检验。诊断价值采用受试者工作特征（receiver operating characteristic, ROC）曲线分析。模型间的曲线下面积（area under the curve, AUC）比较采用DeLong检验对比分析。P＜0.05为差异有统计学意义。

2 结果

2.1 两组间一般资料比较

       本研究依据术后病理结果分为Ki-67高表达180例和低表达54例，所有患者术前均行乳腺MRI检查及术后免疫组化检测，年龄23～78（51.50±9.58）岁。纳入本研究的234例患者均为女性，其中浸润性癌219例（Ki-67高表达176例、低表达43例），非浸润性癌15例（Ki-67高表达4例、低表达11例）。术后免疫组化标记Ki-67高表达180例，年龄23～78（50.89±9.19）岁，低表达组54例，年龄26～77（53.52±10.63）岁，两组间年龄差异无统计学意义（P=0.131）（表2）。低表达组平均ADC值为0.997±0.222、高表达组平均ADC值为0.883±0.130，两组间的差异有统计学意义（P＜0.01）。

点击查看表格

表2  乳腺癌患者临床及病理基线资料
Tab. 2  Clinical and pathological baseline data of breast cancer patients

2.2 影像组学特征筛选及模型构建

       1906个影像组学特征经ICC（剔除207个）、特征间线性相关性分析（剔除1626个）和LASSO降维（剔除69个）后共筛选出4个最优组学特征分别是log-sigma-3-0-mm-3D_firstorder_Skewness、wavelet-LHH_gldm_DependenceEntropy、original_shape_Flatness和wavelet-LLL_firstorder_Skewness（图3），采用logistic回归构建影像组学模型。

点击查看大图

图3  影像组学分析最终筛选的4个最优特征及相关权重。
Fig. 3  The four optimal features and associated weights for the final screening by radiomics analysis.

2.3 各模型ROC曲线分析

       影像组学、平均ADC值及二者联合模型诊断乳腺癌Ki-67高表达的AUC分别为0.820、0.676和0.856，三者间的差异有统计学意义（P＜0.01）（表2）；DeLong检验结果显示平均ADC值与影像组学模型、平均ADC值与联合模型以及影像组学模型与联合模型之间存在显著性差异（P值分别为0.010、＜0.001及0.033）。根据约登指数，当组合模型取最佳界值0.654时，其预测乳腺癌Ki-67高表达的敏感度和特异度分别为88.3%和74.1%；校准曲线及决策曲线验证了模型的临床实用性（表3，图4, 5, 6）。

点击查看大图

图4  乳腺癌Ki-67表达水平平均表观扩散系数（ADC）值、影像组学模型及联合模型的受试者工作特征曲线。
Fig. 4  Receiver operating characteristic curve of radiomics, the average apparent diffusion coefficient (ADC) value and combined model to predict Ki67 expression levels in breast cancer.

点击查看大图

图5  乳腺癌Ki-67表达水平联合模型的校准曲线。
Fig. 5  Calibration curve of the combined model to predict Ki-67 expression levels in breast cancer.

点击查看大图

图6  乳腺癌Ki-67表达水平的影像组学模型、平均表观扩散系数（ADC）值及联合模型的决策曲线。
Fig. 6  Decision curve of radiomics, the average apparent diffusion coefficient (ADC) value and combined model to predict Ki-67 expression levels in breast cancer.

点击查看表格

表3  影像组学及平均ADC值预测Ki-67表达诊断效能
Tab. 3  Radiomics and average ADC values predicted the diagnostic efficacy of Ki-67 expression

3 讨论

       本研究基于动态增强影像组学模型结合平均ADC值构建联合模型预测乳腺癌Ki-67表达水平，通过提取MR T1-DCE第1期增强图像中瘤体影像组学特征联合瘤体平均ADC值构建的logistic回归模型对于乳腺癌Ki-67高表达的AUC、敏感度和特异度分别为0.856、88.3%和74.1%，联合模型的诊断效能优于影像组学模型和平均ADC值，联合模型的构建可以为临床提供一种新型无创的方法预测乳腺癌Ki-67表达水平。

3.1 影像组学模型预测乳腺癌Ki-67表达状态的价值

       影像组学是通过提取肉眼无法观察的高通量特征来预测恶性肿瘤的生物学行为，目前在乳腺癌中的应用已成为研究热点，多项研究表明，基于MRI影像组学对乳腺癌分子标志物的表达状态^{[13, 14, 15]}、腋窝淋巴结转移的预测^{[16, 17, 18, 19]}以及新辅助化疗的敏感性^{[20, 21]}均具有较好的诊断效能。本研究筛选的4个最优组学特征：偏度（Skewness）2个，分别为log-sigma-3-0-mm-3D_firstorder_Skewness和wavelet-LLL_firstorder_Skewness；灰度相关矩阵特征中的依赖熵（DependenceEntropy）；形状特征中的平整度（Flatness）（图3）。偏度描述图像中数据分布的不对称性，偏度越低数据分布越均匀。国内外学者研究表明恶性病变的偏度特征值高于良性病变^{[22, 23]}。本研究结果也表明Ki-67高表达组偏度高于低表达组，这说明Ki-67高表达组强化方式多以不均匀强化为主。作者分析认为不均匀强化是由于肿瘤生长速度快，细胞发生缺血缺氧而出现坏死囊变，从而导致强化不均匀。有学者研究表明乳腺癌不均匀强化与Ki-67阳性表达呈正相关^[24]，闫峰山等^[25]研究也表明，Ki-67高表达患者瘤体多呈不均匀强化，占比75.87%，显著高于低表达组的31.48%。依赖熵表示基于灰度相关矩阵的熵值，主要反映纹理异质性大小，值越大说明图像异质性越高^[26]，本研究结果发现依赖熵与Ki-67的表达水平呈正相关。Ki-67代表肿瘤细胞增殖情况，表达越高，说明增殖越活跃，从而导致肿瘤的异质性越高。

3.2 DWI预测乳腺癌Ki-67表达状态的价值

       ADC值是水分子扩散受限的定量指标，肿瘤细胞增殖越快，细胞越密集，水分子扩散运动越受限，从而导致ADC值越低，它可以敏感地衡量细胞微环境的变化^[27]，HOTTAT等^[28]发现乳腺肿瘤ROI-ADC在DWI的显著增加预示着完全的病理和放射学反应。洪娟等^[29]研究表明Ki-67的表达水平与ADC值呈明显负相关。本研究结果也进一步表明，Ki-67高表达组的平均ADC值低于低表达组，这与REN等^[30]研究结果相一致。

3.3 影像组学联合ADC值预测乳腺癌Ki-67表达状态的价值

       乳腺癌是一种高度异质性肿瘤，影像组学特征有可能反映肿瘤微观结构的异质性。肿瘤Ki-67的表达水平其分化程度密切相关^[31]，Ki-67表达水平越高，瘤细胞分化越差，细胞核异型性越高，核/浆比越高，从而导致水分子布朗运动越受限，ADC值越低。本研究结果表明影像组学模型联合ADC值预测乳腺癌Ki-67高表达的诊断效能优于影像组学模型和平均ADC值的单一指标，差异有统计学意义。决策曲线显示联合模型较影像组学模型、ADC值有更大的净收益，因此，可以得出联合模型对乳腺癌Ki-67高表达的预测具有更高的临床应用价值。

3.4 本研究的局限性

       本研究不足之处：（1）本研究采用的单中心数据，样本量相对较少，可能导致结果的偏倚，模型的鲁棒性差，因此，后期希望进行多中心、大样本数据研究进一步改善、提高模型的诊断效能及鲁棒性；（2）本研究由于样本量较小，未纳入验证组进行验证，结果可重复性可能存在一定影响，未来进一步扩大样本量，纳入验证组进行验证；（3）本研究影像组学特征的提取采用的是半自动分割的方式，存在一定人为的误差，后期希望采用深度学习的自动分割方式进行ROI勾画，从而尽可能避免人为误差。

4 结论

       总之，基于DCE-MRI组学特征联合平均ADC值对乳腺癌Ki-67高表达具有较高的预测效能，二者的联合模型优于影像组学及平均ADC值参数，对临床诊疗方案的制订和预后的评估具有一定的参考价值。