分享:
分享到微信朋友圈
X
综述
MRI影像组学在乳腺肿瘤诊疗中的应用进展
李晓光 田静 张春来 谢宗玉 王毅

Cite this article as: LI X G, TIAN J, ZHANG C L, et al. Overview of MRI-based radiomics in breast cancer diagnosis and treatment[J]. Chin J Magn Reson Imaging, 2024, 15(7): 196-203.本文引用格式:李晓光, 田静, 张春来, 等. MRI影像组学在乳腺肿瘤诊疗中的应用进展[J]. 磁共振成像, 2024, 15(7): 196-203. DOI:10.12015/issn.1674-8034.2024.07.033.


[摘要] 乳腺癌已成为全世界女性发病率和致死率最高的恶性肿瘤。提供准确高效的诊断、风险分层和及时调整治疗策略是实现乳腺癌精准医疗的重要步骤。影像组学是一种新兴的、高通量的图像定量分析方法,旨在从临床医学图像中提取可挖掘的高维数据。目前来自影像医学不同领域的各种研究都展现出影像组学在提高乳腺癌临床决策方面的潜力。本文就近几年磁共振成像(magnetic resonance imaging, MRI)影像组学在鉴别乳腺良恶性病变、预测乳腺癌分子分型、新辅助化疗疗效、腋窝淋巴结状态、Ki-67表达、预后评估及复发风险等方面的研究进展进行论述,并阐述目前存在的局限性和面临的挑战,以期为优化治疗决策、促进乳腺癌精准医学的发展提供新思路。
[Abstract] Breast cancer has become the world's highest incidence and mortality of female malignant tumors. Providing accurate and efficient diagnosis, risk stratification and timely adjustment of treatment strategies is an important step in achieving precision medicine for breast cancer. Radiomics is a new and high-throughput image quantitative analysis method, which aims to extract mineable high-dimensional data from clinical medical images. Currently, various studies from different fields of imaging medicine have shown the potential of radiomics in improving clinical decision-making of breast cancer. This paper will introduce the application of MRI radiomics in breast cancer differentiation, molecular subtyping prediction, efficacy evaluation of neoadjuvant chemotherapy, status of axillary lymph nodes, Ki-67 expression, prognosis assessment and recurrence risk, and discuss the limitations and challenges of current radiomics, in order to provide new ideas for optimizing treatment decisions and promoting the development of precision medicine for breast cancer.
[关键词] 乳腺肿瘤;磁共振成像;影像组学;生境成像;诊断;预测;预后
[Keywords] breast tumor;magnetic resonance imaging;radiomics;habitat imaging;diagnosis;prediction;prognosis

李晓光 1   田静 1   张春来 1   谢宗玉 2   王毅 3*  

1 陆军军医大学大坪医院放射科,重庆 400042

2 蚌埠医科大学第一附属医院放射科,蚌埠 233004

3 陆军军医大学大坪医院核医学科,重庆 400042

通信作者:王毅,E-mail:ywhxl@qq.com

作者贡献声明:王毅设计本研究的方案,并对稿件重要内容进行了修改;李晓光起草和撰写稿件,获取、分析和解释本研究的数据;田静、张春来、谢宗玉构思和设计本研究,获取、分析本研究的数据,对稿件重要内容进行了修改;王毅获得陆军军医大学临床医学研究项目资助,李晓光获得重庆市卫生健康委医学科研项目资助;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: 重庆市卫生健康委医学科研项目 2022WSJK029 陆军军医大学临床医学研究项目 2022XLC08
收稿日期:2024-04-02
接受日期:2024-06-25
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2024.07.033
本文引用格式:李晓光, 田静, 张春来, 等. MRI影像组学在乳腺肿瘤诊疗中的应用进展[J]. 磁共振成像, 2024, 15(7): 196-203. DOI:10.12015/issn.1674-8034.2024.07.033.

0 引言

       乳腺癌是全世界女性最常见的恶性肿瘤,且近年来发病率呈年轻化趋势,严重威胁女性的生命健康。在精准医疗时代,乳腺癌的早期诊断、有效治疗、准确的预后评估对患者的生存情况和生活质量具有重要意义。乳腺MRI是诊断乳腺癌最敏感的成像方式之一,在临床上被广泛应用于早期乳腺癌筛查、术前肿瘤分期指导手术方案制订以及评估肿瘤对新辅助化疗的反应[1]。动态对比增强MRI(dynamic contrast-enhanced MRI, DCE-MRI)是乳腺MRI临床应用的基础,在描述乳腺癌的形态学和动力学特征方面具有重要价值。除DCE-MRI外,T2WI和扩散加权成像(diffusion-weighted imaging, DWI)也被常规应用,以提高诊断准确性,其组合方案称为多参数MRI(multiparametric MRI, MP-MRI)。此外,为了提高乳腺癌的诊断和监测治疗,各种MRI定量学方法如药代动力学分析,先进的扩散峰度成像(diffusion kurtosis imaging, DKI)技术和磁共振波谱(magnetic resonance spectroscopy, MRS)技术目前正用于乳腺MRI[2]。然而,放射科医师基于这些多模态或功能成像数据进行肿瘤分类、分级以及疗效评估时,容易受到主观因素影响,不同观察者之间的结果差异性较大。此外,一些能够反映肿瘤异质性的重要特征无法被肉眼识别,会影响临床诊断准确性。病理学检查虽然是肿瘤确诊的金标准,但有限的活检组织不能完全反映整个肿瘤的异质性,在一定程度上阻碍了无创精准诊疗的发展。影像组学是医学图像研究的一个新领域,通过计算机图像处理技术高通量提取、挖掘病灶的图像特征,可提供更多潜在的反映肿瘤异质性的信息,进而指导临床进行精准诊疗[3]。目前影像组学在乳腺癌领域的研究已经达到较高水平,但同时也存在一些局限性,如影像组学方法尚无统一标准,大多数研究为小样本回顾性研究,缺乏多中心外部验证和前瞻性研究等。因此有必要对MRI影像组学在乳腺癌临床诊疗中发展现状和不足进行总结。本综述将对影像组学概念和工作流程进行简述,并根据已发表文献总结MRI影像组学在鉴别乳腺良恶性病变、预测乳腺癌分子分型、新辅助化疗疗效、腋窝淋巴结状态、Ki-67表达、预后评估及复发风险等方面的研究进展,旨在让放射和临床医师了解更多MRI影像组学在乳腺癌诊疗应用中的信息,为今后的临床诊疗和科研提供更多选择。

1 影像组学概述

       影像组学最早由学者GILLIES等[4]于2010年首次提出,后经学者LAMBIN等[5]进一步完善并进行全面描述后首次提出“影像组学”概念。影像组学即利用大量基于人工智能的数据表征算法集,从大量医学图像中挖掘出肉眼无法识别的高纬度定量特征,利用机器学习(machine learning, ML)对这些特征进行分析和挖掘,并将其与临床宏观信息和病理和/或遗传微观信息联系起来,对疾病的检测、诊断、预后和治疗方面提供决策支持。影像组学基本工作流程分为:(1)图像获取及重建;(2)图像分割(手动、半自动和自动进行感兴趣区分割);(3)特征提取(形状、直方图、纹理特征等);(4)特征筛选及模型构建。目前影像组学策略主要有两种方法:一种是经典的方法,基于使用传统ML方法提取预先设定(也称为手工制定)的特征;另一种是最近几年开发的基于深度学习(deep learning, DL)方法,主要通过构建多层神经网络直接对医学图像进行自主学习,并提取与疾病相关的复杂抽象特征,DL方法不需要任何预设计[6]。此外,生境成像(habitat imaging, HI)正逐步成为一种新的影像组学分析方法[7],通过对肿瘤生物学环境特征进行聚类和定量分析,HI可以揭示出肿瘤内不同生境亚区的分子特征和生物学特性,如肿瘤细胞密度、氧气浓度、血管密度、免疫细胞浸润程度等。这些生境特征可能与治疗反应、预后等临床指标相关联。HI有助于更深入地描绘出肿瘤内部空间异质性,为精准医学和个体化治疗提供重要依据。HI常用的方法包括:(1)基于图像像素值的大津阈值法;(2)经典聚类方法,如K均值聚类算法、高斯混合模型、分级聚类算法等。

2 MRI影像组学在乳腺肿瘤诊疗中的应用

2.1 乳腺良恶性肿瘤的鉴别

       精确诊断并区分乳腺良恶性肿瘤对于后续治疗选择是必要的。乳腺良性肿瘤多选择定期随访或直接切除,但恶性肿瘤则需要手术、放化疗或免疫治疗等。目前基于DCE-MRI影像组学在识别乳腺肿瘤恶性特征方面展现出巨大潜力。在样本量方面,具有代表性的研究是JI等[8]从1974例乳腺癌和496例乳腺良性病变患者的DCE-MRI图像中提取影像组学特征后,利用支持向量机(support vector machine, SVM)构建预测模型用于乳腺良恶性病变的鉴别,结果显示模型具有良好的预测效能[曲线下面积(area under the curve, AUC)为0.89],且与实际临床管理决策相比,模型的敏感性达到99.5%,推荐病灶活检减少9.6%。DEBBI等[9]从DCE-MRI 14个药代动力学参数图中提取影像组学特征构建模型对乳腺肿瘤进行分类,并将其性能与乳腺影像报告数据系统(breast imaging reporting and data system, BI-RADS)分类进行比较,结果显示影像组学模型在测试集中的AUC达到0.94,并且高于传统的BI-RADS评分(AUC为0.84)。XU等[10]利用DCE-MRI的瘤内和瘤周影像组学特征构建4种影像组学模型用于鉴别浸润性乳腺癌导管内成分,结果显示瘤内和瘤周联合影像组学特征具有最佳的诊断效果,训练集与验证集的AUC分别为0.821、0.815。FAN等[11]从DCE-MRI上分别提取结节区域和乳腺区域的影像组学特征,并分别构建结节区域、乳腺整体区域、二者联合的三个模型用于预测乳腺结节良恶性,结果显示包含1个结节区域特征和3个乳腺整体区域特征的联合模型具有最佳预测效能(训练集和验证集的AUC分别为0.902、0.756)。除DCE-MRI外,基于非增强MRI(如DWI和T2WI)影像组学在鉴别乳腺良恶性病变方面同样具有一定价值。SUN等[12]研究多参数DWI图像(单指数、双指数、拉伸指数、弥散峰度)影像组学特征用于鉴别乳腺良恶性病变,结果显示双指数DWI模型具有最高的诊断效能(AUC为0.85),比平均扩散指标能更好地区分乳腺良恶性病变。LIU等[13]对1760例患者T2WI、DWI图像构建影像组学模型用于鉴别乳腺良恶性病变,结果显示基于T2WI+DWI的高斯过程模型具有最佳的诊断效能,训练集与验证集中的AUC分别为0.893、0.848,并且前瞻性、回顾性以及外部测试集中的诊断效能均与两位高年资乳腺影像诊断医师诊断水平相似。MP-MRI是指几种MRI技术的组合应用,较MRI单序列可以有效提高乳腺癌诊断准确性,因此MP-MRI已成为影像组学在乳腺MRI中的应用趋势。WANG等[14]研究结果显示基于DCE-MRI(第3期)+DWI+T2WI联合模型是影像组学应用于乳腺良恶性病变分类的最佳选择(AUC为0.888),有可能将良性活检特异性从68.4%降低到44.7%,同时保持敏感度大于98%。以上研究表明基于MRI影像组学应用于乳腺良恶性肿瘤鉴别诊断方面已较为成熟,可以提高乳腺癌的诊断准确性,潜在地减少不必要的活检。但大多数研究中的影像组学模型只适用于肿块型病变的良恶性鉴别,后续研究需要纳入非肿块型病灶和小病灶并进行大样本量、多中心验证来提高模型的泛化能力。

2.2 乳腺癌分子分型的预测

       乳腺癌在分子水平上分为四种亚型,分别是Luminal A型、Luminal B型、人表皮生长因子受体2(human epidermal growth factor receptor 2, HER-2)阳性型以及三阴型乳腺癌(triple negative breast cancer, TNBC)。每种亚型都与不同的危险因素、治疗反应、疾病进展风险以及不同的转移部位相关[15]。目前乳腺癌的分子亚型主要依赖免疫组织化学确定,不仅有创、耗时,且由于肿瘤的空间和时间异质性,导致病理学评价不一定完全代表肿瘤初始生物学性状。因此,许多研究尝试采用MRI影像组学方法对与治疗和预后相关的病理或分子亚型进行分类,以提供个性化的诊断。如HUANG等[16]从135例乳腺癌患者DCE-MRI图像中提取特征构建影像组学模型来鉴别Luminal型与非Luminal型乳腺癌,结果显示影像组学特征在训练集和验证集中均具有良好的鉴别能力,AUC分别为0.86、0.80。YUE等[17]利用U-Net神经网络自动分割方法提取516例乳腺癌患者DCE-MRI图像的影像组学特征,通过SVM、逻辑回归(logistic regression, LR)和随机森林(random forest, RF)三种分类器构建的模型在预测整体分子分型上性能均较高,平均AUC为0.862。三种模型在单独预测Lumina型、HER-2阳性型以及三阴型乳腺癌中的平均AUC分别为0.878、0.867、0.933。ZHANG等[18]根据不同的DCE-MRI药代动力学参数提取肿瘤亚区影像组学特征,结果显示基于快速动力学肿瘤亚区的模型对预测Luminal A型、Luminal B型、TNBC、HER-2阳性型乳腺癌的AUC分别为0.878、0.756、0.701、0.796,比DCE-MRI原始图像具有更好的诊断效果,尤其是对Luminal B型乳腺癌。此外,ZHANG等[19]发现基于非单指数DWI图像构建的影像组学模型在鉴别Luminal A/B型与非Luminal A/B型,TNBC与非TNBC方面的价值与DCE-MRI影像组学模型相似,该研究展现了在无对比剂情况下评价乳腺癌分子亚型的可行性。除利用单一模态外,联合多个模态图像提取的特征可以进一步提升模型的预测性能。ZHOU等[20]研究显示基于T2WI、DCE-MRI组合的影像组学模型在区分HER-2阳性与HER-2阴性乳腺癌具有良好的性能,AUC在训练集和验证集分别为0.86和0.81,均高于T2WI和DCE-MRI单独影像组学模型。ZHANG等[21]分别构建MP-MRI(DCE-MRI、T2WI和DWI)影像组学模型、表观扩散系数(apparent diffusion coefficient, ADC)影像组学模型以及分层ADC生境模型用于TNBC与非TNBC的鉴别,结果显示MP-MRI模型与分层ADC生境模型在区分TNBC和非TNBC方面表现良好,训练集和测试集的最佳AUC分别为0.818和0.773。联合MP-MRI模型与分层ADC生境模型的准确率优于其他三种单独模型,训练集和测试集的AUC分别为0.832和0.784。XU等[22]探讨基于MP-MRI生境分析用于鉴别TNBC与非TNBC,该研究利用ADC和DCE-MRI参数图像,通过K均值聚类方法将增强病灶划分为3个空间栖息地(分别为富血管细胞亚区、低血管细胞亚区和无活力区)并计算相应肿瘤亚区分形维数(fractal dimension, FD)。其中FD1、FD2、FD3分别代表低ADC-高流入/流出、低ADC-低流入/流出和高ADC-低流入/流出。该研究结果显示与非TNBC相比,TNBC具有较少的富血管细胞亚区和较高的FD1,基于二者构建的分类模型对TNBC具有较高的鉴别能力,AUC为0.951,准确率为91.9%。这表明高血管细胞亚区比例及其FD可作为预测TNBC有用的影像标志物。既往研究[23]显示乳腺癌患者在接受新辅助化疗(neoadjuvant chemotherapy, NAC)后,部分患者受体状态和分子分型会发生转变,因此准确预测NAC后分子分型的改变对指导临床及时调整治疗方案具有重要意义。LIU等[24]通过联合T2WI,ADC以及DCE-MRI影像组学特征构建模型用于识别NAC后TNBC和雌激素受体(estrogen receptor, ER)弱阳性/HER-2阴性乳腺癌的分子亚型改变,结果显示模型展现出良好的预测效能(交叉验证集与独立测试集的AUC分别为0.908、0.864),表明MRI影像组学具有预测 NAC后分子亚型转变的潜力。ZHENG等[25]提取MP-MRI(T2WI、DWI、ADC和DCE-MRI)影像组学特征用于区分乳腺癌中HER-2表达状态(即HER-2高表达、HER-2低表达和HER-2零表达),结果显示来自DWI、ADC和DCE的11个特征;来自DWI的1个特征;来自DWI、ADC和DCE中的17个特征构建的三个模型分别对识别HER-2高表达、HER-2低表达和HER-2零表达均具有良好的性能,训练集的AUC分别为0.809、0.779、0.889,外部验证集的AUC分别为0.725、0.782、0.813。这表明MP-MRI影像组学具有对HER-2状态进行无创分类的潜力,有助于改进乳腺癌患者的抗HER-2治疗决策。综上所述,MRI影像组学对乳腺癌分子亚型的二分类预测效能较好,但对多任务模型还有待更多地开发、测试和验证。此外,基于DL模型预测乳腺癌分子亚型的研究目前仍较少,尚待进一步探索。

2.3 NAC疗效的预测

       目前NAC是乳腺癌术前标准治疗方案之一,大约30%乳腺癌患者对NAC产生良好的治疗反应,并将复发率降低高达50%。获得病理完全缓解(pathological complete response, pCR)是患者长期生存的一个强有力的预后因素,它被认为是目前唯一有效的生存生物标志物。但如果对NAC的疗效没有反应或效果不理想,就需要进一步改变治疗策略。因此,早期停止无效的NAC或调整治疗策略对于避免不必要的化疗药物毒性和优化整体治疗方案至关重要。目前多项研究已探索使用MRI影像组学来预测对NAC的反应,其中大多数研究采用DCE-MRI序列[26, 27],且与增强单期图像相比,多期相图像联合影像组学特征对NAC后的pCR预测能力更好。肿瘤周围微环境在癌症进展和化疗耐药中发挥着重要作用,因此,瘤周影像组学特征可能蕴含肿瘤微环境相关信息。PARK等[28]从DCE-MRI早期、延迟期图像中分别提取肿瘤内、瘤周1 mm、3 mm的影像组学特征用于预测ER阳性HER-2阴性局部晚期乳腺癌NAC后pCR情况,结果显示基于DCE-MRI早期瘤内和瘤周1 mm特征构建的SVM模型具有最佳的效能,验证集的AUC为0.944。徐海敏等[29]仅从T1WI图像中提取瘤内、瘤周8 mm的影像组学特征并结合临床特征构建联合模型,结果显示该模型对预测NAC具有良好的效能,训练集和验证集中的AUC分别为0.91、0.88。ZHENG等[30]利用DCE-MRI图像分别提取肿瘤内、瘤周(2.5~5.0 mm)、背景实质强化区域(background parenchymal enhancement, BPE)的影像组学特征用于预测pCR,结果显示对于三个单独区域的特征,BPE提供了最好的pCR预测效能(训练集和验证集的AUC分别为0.777、0.712),并且在添加BPE特征后,肿瘤内和肿瘤周围区域的诊断性能均得到提高。这表明基于乳腺BPE的影像组学特征对预测乳腺癌pCR具备一定的应用价值。Delta影像组学是近年来影像组学研究的热点之一,主要反映从不同时间点采集(如肿瘤NAC治疗前后或动态变化)图像中提取特征值的变化。基于Delta影像组学有望成为一种预测乳腺癌NAC后反应的新策略。GUO等[31]通过DCE-MRI早期、峰值和延迟期图像的Delta影像组学模型对pCR预测,结果显示相对于DCE-MRI峰值和延迟期,早期Delta影像组学模型具有最高效能(AUC在训练集和验证集中分别为0.917、0.842),当进一步融合临床病理信息(激素受体和HER-2),模型可以有效预测乳腺癌患者NAC第一周期后pCR,AUC在训练集和验证集中分别为0.934、0.864。余雅丽等[32]分析了基于ADC图像影像组学模型对肿块样乳腺癌NAC后pCR的预测能力,结果显示训练集和验证集中预测pCR的AUC分别为0.87、0.85。同时该研究结果提示异质性更大、纹理特征越复杂及肿瘤三维形状更类似于紧密球体的肿块样乳腺癌患者更不易获得pCR。SHI等[33]通过对DCE-MRI的肿瘤亚区进行常规影像组学分析,建立肿瘤亚区域定量分析算法用于评估乳腺癌肿瘤空间异质性(intratumoral heterogeneity, ITH),并测试将该定量测量方法与临床病理变量和常规影像组学相结合的模型用于预测乳腺癌NAC后反应,结果显示该组合模型对乳腺癌NAC后pCR预测效果良好,训练集和外部测试集的AUC(95%置信区间)分别为0.90(0.83~0.87)。此外该研究发现基于NAC前DCE-MRI上乳腺癌的ITH指数为NAC疗效的独立预测因子,为乳腺癌NAC疗效评估模型的临床应用提供了生物学依据。集成MRI(synthetic MRI, SyMRI)是一种新的定量MRI技术,可通过一次扫描能够同时获得组织T1、T2和质子密度(proton density, PD)的定量图像。HWANG等[34]利用SyMRI的定量参数图(T1、T2和PD)提取直方图和纹理特征用于预测TNBC患者NAC疗效,经单变量分析分别确定15个T1,10个T2和12个PD特征,在训练集和测试集中预测pCR的AUC均大于0.70。在治疗中期获得的多变量影像组学模型的效能优于基线时获得的模型,在训练集和测试集中的AUC分别为0.78和0.72。以上研究对MRI不同序列及不同区域影像组学特征进行了探索,这对指导NAC临床方案的及时调整具有重要意义,但目前大多数研究是基于DCE-MRI,并且对于选择哪期图像进行特征提取最佳,目前尚无统一标准。此外,未来研究需要进一步探讨基于MP-MRI影像组学对NAC疗效评估,以期能够提供更多肿瘤异质性信息,进一步改善预测模型的效能。

2.4 腋窝淋巴结状态的预测

       准确识别腋窝淋巴结(axillary lymph node, ALN)状态对于判断肿瘤分期、制订合适的腋窝治疗方案、预测预后具有重要意义。腋窝淋巴结清扫(axillary lymph node dissection, ALND)和前哨淋巴结(sentinel lymph node biopsy, SLN)活检是判断ALN状态的两种主要方法。但这两种方法均存在不同程度的并发症风险。因此,开发非侵入性生物标志物来识别ALN状态对于乳腺癌患者的准确管理具有重要意义。MRI影像组学提供了一种无创评估ALN状态的新方法。王贇霞等[35]基于DCE-MRI第3期图像影像组学特征应用多种分类器算法构建预测模型,结果显示基于绝对值最大归一化和Bagging决策树算法构建的影像组学标签是预测ALN转移的最佳模型,该模型在训练集和测试集的AUC分别为0.929、0.803。LI等[36]等研究显示DCE-MRI影像组学不仅具有良好的预测ALN转移的能力外,还可以有效预测ALN转移的数量,训练集和验证集的AUC分别为0.94和0.84。除了评估肿瘤区域外,瘤周区域特征的评估对预测ALN转移同样具有一定价值。赵楠楠等[37]研究发现结合DCE-MRI瘤内、瘤周的影像学特征以及临床病理信息的联合模型对预测ALN转移的效能要优于单独使用影像学组学模型(训练组AUC为0.869,验证组AUC为0.806)。ZHAN等[38]开发了一种名为瘤内-瘤周结构转变(intra-peritumoural textural transition, IPRIS)新的影像组学方法,能够定量地提取肿瘤内部和外部差异的图像特征。他们利用DCE-MRI上原发肿瘤的IPRIS特征来预测乳腺癌患者的ALN状态,并在测试集中获得了较高的预测效能,AUC为0.855。LIN等[39]利用DCE-MRI图像构建基于多种分类器算法的影像组学模型用于评估接受全乳切除术(total mastectomy, TM)并有1~2个SLN阳性的中国乳腺癌患者的非SLN转移。结果显示基于随机森林分类器表现最佳,在验证集中的平均AUC最高(0.833)。结合影像组学评分(radiomics score, Rad-score)、肿瘤大小、淋巴管侵犯和阳性SLN比例的联合模型具有最佳的预测效能,在训练、内部验证和外部验证集的AUC分别为0.903、0.890和0.836。此外,联合模型能显著提高非SLN转移预测的准确性和临床效益。HARAGUCHI等[40]利用短时间反转恢复序列(short-tau inversion recovery, STIR)和背景信号抑制扩散加权全身成像序列(diffusion weighted whole body imaging with background signal suppression, DWIBS)提取影像组学特征,分别采用LR和SVM算法进行建模用于预测ALN状态,结果显示在验证集中,使用DWIBS、STIR和两种序列组合的LR模型的AUC分别为0.765、0.801和0.779,相应SVM模型的AUC分别为0.765、0.757和0.779,表明结合DWIBS和STIR序列的放射组学特征可以潜在地预测ALN状态。MP-MRI将解剖学及功能学图像相结合,不仅能够提供肿瘤的形态学特征,还可以反映出病变相关的病理改变。SONG等[41]构建了基于T2WI、DCE-MRI减影图像影像组学特征以及动力学特征的联合模型,可以有效预测Ⅰ~Ⅱ期三阴型乳腺癌ALN是否转移,AUC为0.82。另一些研究[42, 43]通过整合影像组学特征与临床病理因素构建MRI影像组学列线图,其中一些是基于DL[43],均显示出一定的ALN转移预测能力。以上研究表明,MRI影像组学在术前无创评估ALN是否转移方面取得了良好效果,具有优化乳腺癌患者治疗策略的潜力。但目前大多数研究仍是基于DCE-MRI,尚需要进一步探讨基于MP-MRI影像组学和生境成像对ALN的预测价值。此外,大多数研究的结果仍不够精确,可能会限制模型的重复性,无法直接应用于临床。 后续研究增加多期相DCE-MRI、T2WI、DWI等影像组学或生境特征,有助于提高对乳腺癌ALN状态预测的敏感性和特异性,从而更好的指导和优化乳腺癌治疗策略。

2.5 Ki-67表达的预测

       Ki-67是一种参与细胞增殖的核蛋白。Ki-67表达已被认为是预测乳腺癌患者预后的重要标志物之一。最近的研究验证了通过MRI影像组学方法预测Ki-67表达的可行性。张丽等[44]选择从DCE-MRI第2期图像提取影像组学特征,并采用机器学习多个分类器构建乳腺癌Ki-67表达的预测模型,结果显示基于SVM模型预测Ki-67表达的效能最佳,AUC、准确率和 F1度量值在训练集分别为0.95、95%、0.90,在测试集分别为0.88、79%、0.74。明洁等[45]选取DCE-MRI第 2期肿瘤内和肿瘤周围5 mm区域的影像组学特征后,利用SVM算法建立模型瘤内、模型瘤周及模型瘤内+瘤周用于预测乳腺癌Ki-67表达,结果显示模型瘤内+瘤周诊断效能最优,训练集与验证集的AUC分别为0.949、0.862,提示基于DCE-MRI瘤内和瘤周相结合的影像组学特征更能有助于识别Ki-67状态。除DCE-MRI以外,基于非增强序列影像组学也可以有效预测乳腺癌Ki-67状态。刘晓东等[46]探讨了基于DWI、ADC图及 DWI+ADC图提取的影像组学特征对乳腺癌Ki-67水平的预测,结果显示与单参数模型相比,DWI+ADC模型具有最高的诊断效能,训练集和验证集的AUC分别为0.94、0.93。此外,通过整合MP-MRI图像的影像组学特征也是MRI影像组学预测乳腺癌Ki-67表达研究热点之一。FENG等[47]等从DCE-MRI参数图(流入图、流出图、信号增强率图)和ADC图中提取影像组学特征用于预测乳腺癌Ki-67状态,结果显示联合DCE-MRI三个参数图和ADC图的影像组学特征较具有最佳的预测效能,训练集和验证集的AUC分别为0.839、0.795。ZHANG等[48]构建了一种基于双序列(DCE-MRI+ADC)影像组学特征与临床特征相结合的列线图评估Ki-67在乳腺癌中的表达,结果显示在验证集中,双序列联合模型(DCE-MRI+ADC)的预测效能(AUC=0.862)高于ADC模型(AUC=0.797)和DCE-MRI模型(AUC=0.755),当加入ER和ALN转移特征后构建的列线图能进一步提高预测效能(AUC=0.876)。目前对何种MRI序列构建的影像组学模型对Ki-67指数的预测效能更好,结果尚无统一。此外,由于Ki-67指数的界限值在不同研究中心存在差异,因此不同研究的模型重复性欠佳,还有待进一步进行多中心验证。最近TABNAK等[49]将31项有关MRI影像组学预测Ki-67表达的研究进行Meta分析后,结果显示在总体上使用基于DL的影像组学和MP-MRI(DWI+DCE)预测模型的诊断性能略高。此外,从DWI序列获得的影像组学特征在特异性和敏感性方面优于DCE-MRI序列。

2.6 预后评估及复发风险的预测

       乳腺癌早期复发患者比晚期复发患者生存时间更短,并且需要更积极的治疗方案。因此有效监测乳腺癌患者复发转移及远期生存率是临床关注的重点。越来越多的研究表明,MRI影像组学也可以用于帮助预测乳腺癌复发和生存结果。MA等[50]通过提取NAC前以及NAC第一周期后DCE-MRI图像的影像组学特征来预测TNBC复发,结果显示基于NAC前、后的影像组学特征相结合建立的联合模型在预测TNBC患者NAC 3年内是否会出现全身复发方面表现最佳,模型的AUC在训练集和验证集中分别为0.963、0.933。LEE等[51]探讨使用DCE-MRI增强早期减影图像、ADC图像相结合的影像组学特征与临床病理信息构建的列线图来预测40岁以下早期乳腺癌复发概率,结果表明Rad-score评分和雌激素受体阴性构建的列线图具有良好的预测能力,尤其是术后2年患者的无病生存期(disease free survival, DFS)。此外,该研究还发现一些被认为是与年轻乳腺癌有关的影像组学特征,如ADC图的肿瘤均匀性与较低的DFS有关,ADC图的聚类趋势与肿瘤复发呈正相关。CHO等[52]采用数据驱动聚类方法从乳腺癌DCE MRI图像中识别具有相似动力学特征的灌注亚区,分类出五个具有不同灌注模式的肿瘤栖息地,根据这些栖息地的影像组学特征构建生境风险评分(habitat risk score, HRS),并进一步构建HRS、临床、联合生境和两种传统影像组学风险模型来预测患者的DFS。结果显示在验证集中,联合生境风险模型在5种不同风险模型中表现最好。在HRS风险模型和联合生境风险模型中,HRS是预测较差DFS结果的独立危险因素。这表明灌注亚区异质性的量化是预测乳腺癌患者预后的一种潜在方法,并可能促进乳腺癌的个性化治疗策略。PARK等[53]研究表明,将导管原位乳腺癌的早期动态T1减影图像与对侧乳腺正常实质的动态T1前和早期动态T1减影图像的影像组学特征相结合有助于预测乳腺癌的无复发生存率(recurrence free survival, RFS),这表明潜在的乳腺环境可能比肿瘤本身的癌症生物学更有助于复发。YU等[54]利用深度学习从T2WI和DCE-T1WI图像提取影像组学特征并构建影像组学深度生存网络(radiomic deepsurv net, RDeepNet)模型来预测乳腺癌复发风险,并进一步探讨影像组学与表观遗传分子特征的关联和定量关系,研究结果显示RDeepNet模型与患者的RFS显著相关,在验证集和测试集中RDeepNet模型还可以将患者划分为高风险组和低风险组,3年RFS的AUC分别为0.91和0.94。此外,该研究发现影像组学与长链非编码RNA(long non-coding RNA, lncRNA)之间存在显著相关性。通过基于DL的影像组学预测模型,可以无创量化一个关键lncRNA,训练集和测试集的AUC分别为0.79、0.77,展现出影像组学在指导乳腺癌治疗决策方面的潜力。21基因检测对早期乳腺癌的复发风险和化疗获益程度具有较好的预测作用。根据16个肿瘤相关基因和5个参考基因的表达情况,计算复发风险评分(recurrence score, RS),可以量化乳腺癌患者术后复发的危险程度。崔雅静等[55]研究基于DCE-MRI影像组学特征联合临床病理信息,用于预测ER阳性、ALN阴性的早期乳腺癌21基因检测RS,结果显示有8个影像组学特征和1个临床病理特征与RS存在关联,基于影像组学特征构建的模型的拟合优度R2为0.264,联合临床病理特征后,R2提高到0.295。CHEN等[56]研究发现基于MP-MRI(T2WI、ADC和DCE)影像组学特征与临床特征的融合模型,在评估ER阳性/HER-2阴性乳腺癌患者RS方面模型预测效能(训练集AUC为0.920)优于其他单参数模型和临床模型。以上研究表明,MRI影像组学可作为一种潜在的有效工具,为乳腺癌患者复发风险分层和预后提供更好的预测价值。但目前该领域尚处于初期探索阶段,大多数研究仅基于影像学和简单病理学信息,后续研究需要联合转录组学、蛋白质组学、代谢组学等,可更好的指导个性化风险分层和治疗策略。

3 乳腺MRI影像组学的局限性与面临的挑战

       尽管使用乳腺MRI的影像组学已被应用于科学研究,但现阶段仍处于初步阶段,面临诸多方面的挑战,因此尚未应用于实际临床工作中。第一,目前绝大部分影像组学研究都是来自单中心,且都是回顾性研究,因此纳入研究的病例数量相对较少。由于缺乏足够多的数据用于训练模型,因此统计学结果可能缺乏普遍性和可重复性。因此,有必要开展前瞻性的大样本量的多中心合作研究,从而为影像组学在临床实际工作中提供可靠依据。第二,不同机构之间的MRI扫描、图像采集方案、参数设定、图像的采集、重建等均存在差异,这些差异可能会导致后续提取特征过程中产生变化。第三,在对图像进行定量特征计算过程中,有很多方法例如图像后处理、图像分割、数据转换、图像插值和量化,每种方法的变化都会影响特征值。第四,影像组学特征的再现性和可重复性是影像组学工作流程中每个环节都可能存在的问题。不同的研究者选择的机器学习算法和性能会影响特征值,因此缺乏统一性和可重复性。目前已有研究者发现许多特征值存在不稳定的现象[57]。第五,几乎在所有已发表的影像组学研究中,仅仅只有少部分特征从几百甚至上千个影像组学特征中被筛选出来用于构建模型,这些特征的直接生物学解释仍然存在很大的不确定性,因此仍然需要大量的探索性研究来揭示特征的深层含义。最后,影像组学研究是基于医学和计算机人工智能相结合的交叉学科,需要临床医学、影像医学、计算机图像处理、机器学习或深度学习等医工专业知识结合,对跨学科合作提出了更高的要求。

4 小结与展望

       MRI影像组学在乳腺癌患者中的应用是一个新兴的转化研究课题,对乳腺癌患者的临床管理具有良好的应用前景。本文简要论述了MRI影像组学的工作流程以及在乳腺肿瘤中的临床应用,包括鉴别良恶性肿瘤、预测乳腺癌分子分型、对NAC的反应、ALN状态、Ki-67表达、预后评估及复发风险的预测。乳腺MP-MRI可以提供丰富的定量信息,基于乳腺MRI的影像组学在乳腺癌患者的诊断、预测、决策和治疗支持方面将会提供更精准的信息。然而,它仍处于研究阶段,在临床应用前仍存在许多问题,尤其在癌症治疗中的应用还需要一些努力。基因组学和DL的迅速发展将鼓励影像组学研究人员探索新的可能性,并增强我们对乳腺癌患者的管理能力。未来的放射科医生有望将从乳腺MP-MRI中提取的信息与临床决策联系起来,并为精准医疗建立重要的生物标志物。

[1]
WEKKING D, PORCU M, SILVA P D, et al. Breast MRI: clinical indications, recommendations, and future applications in breast cancer diagnosis[J]. Curr Oncol Rep, 2023, 25(4): 257-267. DOI: 10.1007/s11912-023-01372-x.
[2]
KATAOKA M, IIMA M, MIYAKE K K, et al. Multiparametric imaging of breast cancer: an update of current applications[J]. Diagn Interv Imaging, 2022, 103(12): 574-583. DOI: 10.1016/j.diii.2022.10.012.
[3]
GUIOT J, VAIDYANATHAN A, DEPREZ L, et al. A review in radiomics: making personalized medicine a reality via routine imaging[J]. Med Res Rev, 2022, 42(1): 426-440. DOI: 10.1002/med.21846.
[4]
GILLIES R J, ANDERSON A R, GATENBY R A, et al. The biology underlying molecular imaging in oncology: from genome to anatome and back again[J]. Clin Radiol, 2010, 65(7): 517-521. DOI: 10.1016/j.crad.2010.04.005.
[5]
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.
[6]
ZHAO X, BAI J W, GUO Q, et al. Clinical applications of deep learning in breast MRI[J/OL]. Biochim Biophys Acta Rev Cancer, 2023, 1878(2): 188864 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/36822377/. DOI: 10.1016/j.bbcan.2023.188864.
[7]
ZHANG X, SU G H, CHEN Y, et al. Decoding Intratumoral Heterogeneity: clinical Potential of Habitat Imaging based on Radiomics[J/OL]. Radiology, 2023, 309(3): e232047 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38085080/. DOI: 10.1148/radiol.232047.
[8]
JI Y, LI H, EDWARDS A V, et al. Independent validation of machine learning in diagnosing breast Cancer on magnetic resonance imaging within a single institution[J/OL]. Cancer Imaging, 2019, 19(1): 64 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/36991474/. DOI: 10.1186/s40644-019-0252-2.
[9]
DEBBI K, HABERT P, GROB A, et al. Radiomics model to classify mammary masses using breast DCE-MRI compared to the BI-RADS classification performance[J/OL]. Insights Imaging, 2023, 14(1): 64 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37052738/. DOI: 10.1186/s13244-023-01404-x.
[10]
XU H, LIU J K, CHEN Z, et al. Intratumoral and peritumoral radiomics based on dynamic contrast-enhanced MRI for preoperative prediction of intraductal component in invasive breast cancer[J]. Eur Radiol, 2022, 32(7): 4845-4856. DOI: 10.1007/s00330-022-08539-3.
[11]
FAN W, SUN W, XU M Z, et al. Diagnosis of benign and malignant nodules with a radiomics model integrating features from nodules and mammary regions on DCE-MRI[J/OL]. Front Oncol, 2024, 14: 1307907 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38450180/. DOI: 10.3389/fonc.2024.1307907.
[12]
SUN K, JIAO Z C, ZHU H, et al. Radiomics-based machine learning analysis and characterization of breast lesions with multiparametric diffusion-weighted MR[J/OL]. J Transl Med, 2021, 19(1): 443 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/34689804/. DOI: 10.1186/s12967-021-03117-5.
[13]
LIU Y L, JIA X X, ZHAO J Q, et al. A machine learning-based unenhanced radiomics approach to distinguishing between benign and malignant breast lesions using T2-weighted and diffusion-weighted MRI[J/OL]. J Magn Reson Imaging, 2023 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37933890/. DOI: 10.1002/jmri.29111.
[14]
WANG G S, GUO Q, SHI D F, et al. Clinical breast MRI-based radiomics for distinguishing benign and malignant lesions: an analysis of sequences and enhanced phases[J/OL]. J Magn Reson Imaging, 2023 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38006286/. DOI: 10.1002/jmri.29150.
[15]
TURNER K M, YEO S K, HOLM T M, et al. Heterogeneity within molecular subtypes of breast cancer[J/OL]. Am J Physiol Cell Physiol, 2021, 321(2): C343-C354 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/34191627/. DOI: 10.1152/ajpcell.00109.2021.
[16]
HUANG T, FAN B, QIU Y Y, et al. Application of DCE-MRI radiomics signature analysis in differentiating molecular subtypes of luminal and non-luminal breast cancer[J/OL]. Front Med, 2023, 10: 1140514 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37181350/. DOI: 10.3389/fmed.2023.1140514.
[17]
YUE W Y, ZHANG H T, GAO S, et al. Predicting breast cancer subtypes using magnetic resonance imaging based radiomics with automatic segmentation[J]. J Comput Assist Tomogr, 2023, 47(5): 729-737. DOI: 10.1097/RCT.0000000000001474.
[18]
ZHANG L L, FAN M, WANG S W, et al. Radiomic analysis of pharmacokinetic heterogeneity within tumor based on the unsupervised decomposition of dynamic contrast-enhanced MRI for predicting histological characteristics of breast cancer[J]. J Magn Reson Imaging, 2022, 55(6): 1636-1647. DOI: 10.1002/jmri.27993.
[19]
ZHANG L, ZHOU X X, LIU L, et al. Comparison of dynamic contrast-enhanced MRI and non-mono-exponential model-based diffusion-weighted imaging for the prediction of prognostic biomarkers and molecular subtypes of breast cancer based on radiomics[J]. J Magn Reson Imaging, 2023, 58(5): 1590-1602. DOI: 10.1002/jmri.28611.
[20]
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.
[21]
ZHANG W L, LIANG F R, ZHAO Y, et al. Multiparametric MR-based feature fusion radiomics combined with ADC maps-based tumor proliferative burden in distinguishing TNBC versus non-TNBC[J/OL]. Phys Med Biol, 2024, 69(5) [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38306970/. DOI: 10.1088/1361-6560/ad25c0.
[22]
XU R, YU D, LUO P, et al. Do habitat MRI and fractal analysis help distinguish triple-negative breast cancer from non-triple-negative breast carcinoma[J/OL]. J L'association Can Des Radiol, 2024: 8465371241231573 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38389194/. DOI: 10.1177/08465371241231573.
[23]
VEMURU S, HUANG J, COLBORN K, et al. Clinical implications of receptor conversions in breast cancer patients who have undergone neoadjuvant chemotherapy[J]. Breast Cancer Res Treat, 2023, 200(2): 247-256. DOI: 10.1007/s10549-023-06978-0.
[24]
LIU H Q, LIN S Y, SONG Y D, et al. Machine learning on MRI radiomic features: identification of molecular subtype alteration in breast cancer after neoadjuvant therapy[J]. Eur Radiol, 2023, 33(4): 2965-2974. DOI: 10.1007/s00330-022-09264-7.
[25]
ZHENG S Y, YANG Z H, DU G Z, et al. Discrimination between HER2-overexpressing, -low-expressing, and -zero-expressing statuses in breast cancer using multiparametric MRI-based radiomics[J/OL]. Eur Radiol, 2024 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38363315/. DOI: 10.1007/s00330-024-10641-7.
[26]
YU Y M, WANG Z B, WANG Q, et al. Radiomic model based on magnetic resonance imaging for predicting pathological complete response after neoadjuvant chemotherapy in breast cancer patients[J/OL]. Front Oncol, 2023, 13: 1249339 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38357424/. DOI: 10.3389/fonc.2023.1249339.
[27]
LI Q, XIAO Q, LI J W, et al. Value of machine learning with multiphases CE-MRI radiomics for early prediction of pathological complete response to neoadjuvant therapy in HER2-positive invasive breast cancer[J/OL]. Cancer Manag Res, 2021, 13: 5053-5062 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/34234550/. DOI: 10.2147/CMAR.S304547.
[28]
PARK J, KIM M J, YOON J H, et al. Machine learning predicts pathologic complete response to neoadjuvant chemotherapy for ER+HER2- breast cancer: integrating tumoral and peritumoral MRI radiomic features[J/OL]. Diagnostics, 2023, 13(19): 3031 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37835774/. DOI: 10.3390/diagnostics13193031.
[29]
徐海敏, 戴瑶, 马雨竹, 等. MRT1WI瘤体及瘤周影像组学联合临床特征预测乳腺癌新辅助化疗疗效[J]. 中国医学影像技术, 2023, 39(10): 1520-1525. DOI: 10.13929/j.issn.1003-3289.2023.10.016.
XU H M, DAI Y, MA Y Z, et al. MR T1WI intratumoral and peritumoral radiomics combined with clinical features for predicting effect of neoadjuvant chemotherapy for breast cancer[J]. Chin J Med Imag Technol, 2023, 39(10): 1520-1525. DOI: 10.13929/j.issn.1003-3289.2023.10.016.
[30]
ZHENG G Y, PENG J X, SHU Z Y, et al. Predicting pathological complete response to neoadjuvant chemotherapy in breast cancer patients: use of MRI radiomics data from three regions with multiple machine learning algorithms[J/OL]. J Cancer Res Clin Oncol, 2024, 150(3): 147 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38512406/. DOI: 10.1007/s00432-024-05680-y.
[31]
GUO L C, DU S Y, GAO S, et al. Delta-radiomics based on dynamic contrast-enhanced MRI predicts pathologic complete response in breast cancer patients treated with neoadjuvant chemotherapy[J/OL]. Cancers, 2022, 14(14): 3515 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/35884576/. DOI: 10.3390/cancers14143515.
[32]
余雅丽, 王晓, 查小明, 等. 基线ADC图全容积ROI影像组学模型预测肿块样乳腺癌新辅助化疗后获得病理完全缓解的价值[J]. 放射学实践, 2022, 37(8): 987-994. DOI: 10.13609/j.cnki.1000-0313.2022.08.012.
YU Y L, WANG X, ZHA X M, et al. Whole volume ROI radiomics analysis of mass-like breast cancer based on pretreatment ADC images for the prediction of pathological complete response to neoadjuvant chemotherapy[J]. Radiol Pract, 2022, 37(8): 987-994. DOI: 10.13609/j.cnki.1000-0313.2022.08.012.
[33]
SHI Z W, HUANG X M, CHENG Z L, et al. MRI-based quantification of intratumoral heterogeneity for predicting treatment response to neoadjuvant chemotherapy in breast cancer[J/OL]. Radiology, 2023, 308(1): e222830 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37432083/. DOI: 10.1148/radiol.222830.
[34]
HWANG K P, ELSHAFEEY N A, KOTROTSOU A, et al. A radiomics model based on synthetic MRI acquisition for predicting neoadjuvant systemic treatment response in triple-negative breast cancer[J/OL]. Radiol Imaging Cancer, 2023, 5(4): e230009 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37505106/. DOI: 10.1148/rycan.230009.
[35]
王贇霞, 尚怡研, 郭亚欣, 等. DCE-MRI影像组学特征在预测乳腺癌腋窝淋巴结转移中的价值[J]. 磁共振成像, 2023, 14(3): 21-27. DOI: 10.12015/issn.1674-8034.2023.03.005.
WANG Y X, SHANG Y Y, GUO Y X, et al. Value of DCE-MRI based radiomics features for prediction of axillary lymph node metastasis in breast carcinoma[J]. Chin J Magn Reson Imag, 2023, 14(3): 21-27. DOI: 10.12015/issn.1674-8034.2023.03.005.
[36]
LI L, YU T, SUN J Q, et al. Prediction of the number of metastatic axillary lymph nodes in breast cancer by radiomic signature based on dynamic contrast-enhanced MRI[J]. Acta Radiol, 2022, 63(8): 1014-1022. DOI: 10.1177/02841851211025857.
[37]
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.
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 Imag, 2023, 14(3): 81-87, 94. DOI: 10.12015/issn.1674-8034.2023.03.014.
[38]
ZHAN C N, HU Y Q, WANG X R, et al. Prediction of Axillary Lymph Node Metastasis in Breast Cancer using Intra-peritumoral Textural Transition Analysis based on Dynamic Contrast-enhanced Magnetic Resonance Imaging[J/OL]. Acad Radiol, 2022, 29(Suppl 1): S107-S115 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/33712393/. DOI: 10.1016/j.acra.2021.02.008.
[39]
LIN G H, CHEN W Y, FAN Y Y, et al. Machine learning radiomics-based prediction of non-sentinel lymph node metastasis in Chinese breast cancer patients with 1-2 positive sentinel lymph nodes: a multicenter study[J/OL]. Acad Radiol, 2024: S1076-S6332(24)00080-1 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38490840/. DOI: 10.1016/j.acra.2024.02.010.
[40]
HARAGUCHI T, KOBAYASHI Y, HIRAHARA D, et al. Radiomics model of diffusion-weighted whole-body imaging with background signal suppression (DWIBS) for predicting axillary lymph node status in breast cancer[J]. J Xray Sci Technol, 2023, 31(3): 627-640. DOI: 10.3233/XST-230009.
[41]
SONG S E, WOO O H, CHO Y, et al. Prediction of axillary lymph node metastasis in early-stage triple-negative breast cancer using multiparametric and radiomic features of breast MRI[J/OL]. Acad Radiol, 2023, 30(Suppl 2): S25-S37 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37331865/. DOI: 10.1016/j.acra.2023.05.025.
[42]
CHEN Y S, LI J P, ZHANG J, et al. Radiomic nomogram for predicting axillary lymph node metastasis in patients with breast cancer[J]. Acad Radiol, 2024, 31(3): 788-799. DOI: 10.1016/j.acra.2023.10.026.
[43]
ZHANG B Y, YU Y M, MAO Y, et al. Development of MRI-based deep learning signature for prediction of axillary response after NAC in breast cancer[J]. Acad Radiol, 2024, 31(3): 800-811. DOI: 10.1016/j.acra.2023.10.004.
[44]
张丽, 黄小华, 沈梦伊, 等. 基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值[J]. 中国医学计算机成像杂志, 2024, 30(1): 39-44. DOI: 10.19627/j.cnki.cn31-1700/th.2024.01.016.
ZHANG L, HUANG X H, SHEN M Y, et al. The value of radiomics models based on different machine learning in predicting ki-67 expression in invasive breast cancer[J]. Chin Comput Med Imag, 2024, 30(1): 39-44. DOI: 10.19627/j.cnki.cn31-1700/th.2024.01.016.
[45]
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 Imag, 2022, 13(10): 132-137, 149. DOI: 10.12015/issn.1674-8034.2022.10.020.
[46]
刘晓东, 王新宇, 宁刚. MRI影像组学术前预测乳腺浸润性导管癌Ki-67表达[J]. 中国医学影像技术, 2022, 38(2): 210-214. DOI: 10.13929/j.issn.1003-3289.2022.02.012.
LIU X D, WANG X Y, NING G. MRI radiomics for preoperative predicting Ki-67 expression of breast invasive ductal carcinoma[J]. Chin J Med Imag Technol, 2022, 38(2): 210-214. DOI: 10.13929/j.issn.1003-3289.2022.02.012.
[47]
FENG S Q, YIN J D. Radiomics of dynamic contrast-enhanced magnetic resonance imaging parametric maps and apparent diffusion coefficient maps to predict Ki-67 status in breast cancer[J/OL]. Front Oncol, 2022, 12: 847880 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/36895526/. DOI: 10.3389/fonc.2022.847880.
[48]
ZHANG L, SHEN M Y, ZHANG D Y, et al. Radiomics nomogram based on dual-sequence MRI for assessing ki-67 expression in breast cancer[J/OL]. J Magn Reson Imaging, 2023 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/38088478/. DOI: 10.1002/jmri.29149.
[49]
TABNAK P, HAJIESMAILPOOR Z, BARADARAN B, et al. MRI-based radiomics methods for predicting ki-67 expression in breast cancer: a systematic review and meta-analysis[J]. Acad Radiol, 2024, 31(3): 763-787. DOI: 10.1016/j.acra.2023.10.010.
[50]
MA M M, GAN L Y, LIU Y H, et al. Radiomics features based on automatic segmented MRI images: prognostic biomarkers for triple-negative breast cancer treated with neoadjuvant chemotherapy[J/OL]. Eur J Radiol, 2022, 146: 110095 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/34890936/. DOI: 10.1016/j.ejrad.2021.110095.
[51]
LEE J, KIM S H, KIM Y, et al. Radiomics nomogram: prediction of 2-year disease-free survival in young age breast cancer[J/OL]. Cancers, 2022, 14(18): 4461 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/36139620/. DOI: 10.3390/cancers14184461.
[52]
CHO H H, KIM H, NAM S Y, et al. Measurement of perfusion heterogeneity within tumor habitats on magnetic resonance imaging and its association with prognosis in breast cancer patients[J/OL]. Cancers, 2022, 14(8): 1858 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/35454768/. DOI: 10.3390/cancers14081858.
[53]
PARK G E, KIM S H, LEE E B, et al. Ipsilateral recurrence of DCIS in relation to radiomics features on contrast enhanced breast MRI[J]. Tomography, 2022, 8(2): 596-606. DOI: 10.3390/tomography8020049.
[54]
YU Y F, REN W, HE Z F, et al. Machine learning radiomics of magnetic resonance imaging predicts recurrence-free survival after surgery and correlation of LncRNAs in patients with breast cancer: a multicenter cohort study[J/OL]. Breast Cancer Res, 2023, 25(1): 132 [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/37915093/. DOI: 10.1186/s13058-023-01688-3.
[55]
崔雅静, 范明, 厉力华. DCE-MRI影像联合临床信息预测乳腺癌复发风险评分[J]. 杭州电子科技大学学报(自然科学版), 2022, 42(1): 67-73. DOI: 10.13954/j.cnki.hdu.2022.01.011.
CUI Y J, FAN M, LI L H. Prediction of Oncotype DX RS in breast cancer by integrating of DCE-MRI radiomics and clinicopathologic data[J]. J Hangzhou Dianzi Univ Nat Sci, 2022, 42(1): 67-73. DOI: 10.13954/j.cnki.hdu.2022.01.011.
[56]
CHEN Y, TANG W, LIU W, et al. Multiparametric MR imaging radiomics signatures for assessing the recurrence risk of ER+/HER2- breast cancer quantified with 21-gene recurrence score[J]. J Magn Reson Imaging, 2023, 58(2): 444-453. DOI: 10.1002/jmri.28547.
[57]
PAQUIER Z, CHAO S L, ACQUISTO A, et al. Radiomics software comparison using digital phantom and patient data: IBSI-compliance does not guarantee concordance of feature values[J/OL]. Biomed Phys Eng Express, 2022, 8(6) [2024-04-01]. https://pubmed.ncbi.nlm.nih.gov/36049399/. DOI: 10.1088/2057-1976/ac8e6f.

上一篇 MRI在三阴性乳腺癌新辅助化疗疗效评价中的研究进展
下一篇 基于磁共振的局部进展期直肠癌新辅助治疗后肿瘤退缩分级评分方法应用现状
  
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