首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像诊断论文 > 基于DCE-MRI影像组学预测新辅助化疗后乳腺肿瘤退缩模式

基于DCE-MRI影像组学预测新辅助化疗后乳腺肿瘤退缩模式

2024-07-03 9 上传者：管理员

摘要：目的探讨基于动态对比增强核磁共振成像(dynamic contrast enhanced magnetic resonance imaging, DCE-MRI)的肿瘤影像组学标签对新辅助化疗(neoadjuvant chemotherapy, NAC)后乳腺肿瘤退缩模式的预测价值。方法回顾性分析54例经术前穿刺活检证实的乳腺癌患者的DCE-MRI图像及临床资料。所有患者均行双侧乳腺癌平扫及增强扫描。由2位医生分别阅片，分析肿瘤的退缩模式，将其分为1类退缩及2类退缩，使用3D-Slicer在靶区提取影像组学特征，运用最小绝对收缩与选择算子(LASSO)回归算法筛选特征并计算影像组学评分，根据评分构建影像组学模型。利用ROC、校准曲线及决策曲线分析(DCA)评估影像组学模型的预测效能。结果影像组学模型显示出优秀的预测效能，ROC下面积(AUC)为0.898(95%CI:0.815～0.980)。当阈值概率为0.01～1时，影像组学模型的临床净收益最大。结论基于DCE-MRI的影像组学模型可预测新辅助化疗后乳腺肿瘤的退缩模式。

关键词：
DCE-MRI
乳腺癌
女性恶性肿瘤
影像组学
肿瘤退缩模式
加入收藏

乳腺癌发病率以每年0.5%的速度持续增长[1],总体死亡率高居女性恶性肿瘤之首。术前新辅助化疗(neoadjuvant chemotherapy, NAC)可使乳腺癌降期，提高乳腺癌患者选择保乳治疗的可能性，在局部晚期乳腺癌的综合治疗中发挥重要作用[2,3]。2012年荷兰学者Lambin[4]在前人研究的基础上首次提出影像组学，从组织和病变的数字医学图像中高通量提取定量特征，这些特征参数与肿瘤大小、形状和纹理相关，共同反应了肿瘤的异质性，可独立应用或与人口学、组织学、基因组学和蛋白组学相结合，进而解决临床问题[5,6,7]。目前，MRI已成为NAC后评估残余乳腺肿瘤及化疗疗效的最佳方法[8,9]。DCE-MRI通过癌灶信号是否降低评价NAC疗效，较其他检查更为精准。我们通过构建DCE-MRI影像组学模型对NAC后乳腺肿瘤退缩模式进行预测，现报道如下。

1、资料与方法

1.1 一般资料

回顾性分析2017-08—2022-12月就诊于河北北方学院附属第一医院经病理确诊为乳腺癌的74例患者的临床资料。纳入标准：①于NAC前、后接受活检证实为Ⅱ、Ⅲ期局限性乳腺癌；②患者首次行MRI检查未接受过NAC;③NAC后再次接受乳腺MRI检查。排除标准：①未完成计划中的NAC方案周期或进行了非标准的NAC治疗；②伴发其他恶性肿瘤；③图像质量不符合研究要求；④临床和病理资料不全者。最终纳入54例乳腺癌患者进行研究，年龄32～74,平均(52.1±10.7)岁。

本研究已通过河北北方学院附属第一医院医学伦理委员会审核(No.2023039),患者知情同意豁免。

1.2 乳腺肿瘤退缩模式分类

NAC后，乳腺肿瘤会出现不同程度的萎缩，并呈现出不同的退缩模式，包括病理完全缓解(pathological complete response, pCR)、单灶退缩、多灶退缩、单灶体积缩小伴分散小病灶、病情稳定和病情进展。

本研究中，基于临床考量将肿瘤退缩模式分为2类：1类退缩：病理完全缓解(pCR)、向心性退缩；2类退缩：非向心性退缩、病情稳定(SD)、病情进展(PD)。

本研究54例患者中，1类退缩33例，2类退缩21例。

1.3 MRI扫描方案

应用荷兰Philips Ingenia 3.0T超导型核磁共振扫描仪和8通道体部相控线圈扫描。采用轴位T1WI压脂序列，乳腺DCE-MEI序列包括7个时相，1个时相为蒙片，蒙片扫描完成30 s后注射对比剂Gd-DTPA,经右侧肘正中静脉以2.5 mL·s-1的速度注射，剂量0.1 mmol·kg-1,造影剂注射完成后，追加注射30 mL生理盐水，流速2.5 mL·s-1,进行连续非间隔扫描，共扫描7个时相，整体扫描时间10 min 15 s。整个过程中所有MRI扫描参数保持完全一致。扫描参数：①DCE-MRI序列：扫描野(field of view, FOV)340 mm×410 mm, 重复时间(repetition time, TR)4.3 ms, 回波时间(echo time, TE)2.1 s, 三维快速小角度12°,激励次数(number of excitation, NEX)1,体素(voxel size)1 mm×1 mm×1 mm, 层厚1 mm; ②轴向T1WI序列：FOV为260 mm×320 mm, TE为8ms, TR为 541.7 ms, NEX为2,层厚为4 mm, 层间为0.4 mm。

所有患者检查前均签署增强MRI检查知情同意书。

1.4 影像组学模型建立

为避免磁场强度不均对图像的影响，分割图像前应用偏置场校正消除偏置场伪影。使用3D-slicer(http: //www.slicer.org)在DCE-MRI第三时相的图像上沿肿瘤轮廓逐层手动勾画ROI(图1)。注意将囊变、坏死、出血及钙化等区域包括在内，当肿瘤边界分界不清时，可结合其他序列确定肿瘤边界，由2位具有5年以上乳腺影像诊断经验的医师完成勾画，并判断退缩模式。使用Slicer Radiomics在靶区提取1 223个影像组学特征，包括形状特征、一阶特征及纹理特征(灰度共生矩阵特征、灰度依赖矩阵特征、灰度行程矩阵特征、灰度区域大小矩阵特征及邻域灰度差矩阵特征)。

图1 乳腺癌病灶感兴趣区勾画

1.5 统计学方法

运用R软件进行特征筛选：①首先对提取的影像组学特征进行z-score标准化处理，将不同量级的数据转化为统一量度，使影像组学特征参数之间具有可比性；②运用最小绝对收缩与选择算子(LASSO)算法，通过十折交叉验证确定最优超参数λ值以筛选非零系数的特征，依据筛选出的特征及其相应系数计算影像组学评分(Radscore),根据Radscore构建影像组学模型(图2)。

图2 3D影像组学特征筛选

绘制ROC曲线评估影像组学标签预测效能，利用混淆矩阵进行敏感度和特异度分析，最后绘制DCA图，分析影像组学标签在不同阈值下的净收益以评价其临床应用价值。利用校准曲线评估模型预测结果和实际结果的一致性。

2、结果

2.1 影像组学模型建立

从ROI中共提取1 223个特征，通过LASSO算法对特征进行筛选，在最佳λ值为0.086处筛选得到8个最优特征用于构建影像组学标签(表1)。

表1 特征名称及系数

2.2 影像组学标签的诊断效能及临床价值

ROC曲线显示，影像组学AUC为0.898(95% CI:0.815～0.980)(图3)。DCA显示当阈值概率为0.01～1时，影像组学模型的临床净收益最大(图4)。影像组学模型预测结果与实际情况一致性的校准曲线见图5。Hosmer-Lemeshow检验的χ2值为7.7066,P值为0.462。

图3 影像组学模型ROC曲线

图4 影像组学模型决策曲线分析

图5 校准曲线

3、讨论

MRI影像组学在乳腺癌应用中的研究多集中在鉴别乳腺肿瘤良恶性、鉴别分子分型、预测及评估NAC疗效和评估预后及复发风险等方面[10,11,12,13]。本研究共提取1 223个影像特征，其中包括2个一阶特征及6个纹理特征，偏度(Wavelet.LLL_firstorder_Skewness)及最小值(Original firstorder Minimum)是一阶特征，通过对图像中的ROI进行统计学计算，求得相应的统计量，用于灰度层面描述图像；最大概率(logsigma70mm3D_glcm_Maximum Probability)、相关性方差(Wavelet.LHL_gldm_DependenceVariance)、小面积强调(Wavelet.LHL_glszm_SmallAreaEmphasis)、集群阴影(Wavelet.HHH_glcm_ClusterShade)、大相关性低灰度强调(Wavelet.LLL_gldm_LargeDependenceLowGrayLevelEmphasis)及大面积高灰度强调(wavelet.LLL_glszm_LargeAreaHighGrayLevelEmphasis)均为纹理特征，描述体素空间分布强度等级，可以准确描述纹理并用于区分纹理种类。但这些特征均从瘤内影像获取，研究[14,15]表明瘤周影像同样包含肿瘤异质性信息，且包含区别于瘤内的额外信息，需进一步研究。

国内外相关研究探讨了MRI影像组学在预测NAC后疗效的可能性，重点是病理完全缓解(pathological complete response, pCR)或Miller-Payne分级[16,17],但对术式的选择，必须考虑是否能够将乳腺肿瘤连续完整切除，并保证手术切缘无肿瘤，因此，术前准确评估NAC后乳腺肿瘤退缩模式对制定手术方案至关重要。恰当的术式选择可以避免不必要的乳房切除术及二次手术。NAC后，乳腺肿瘤会有不同程度的缩小，呈现多种退缩模式[18]。在这些退缩模式中，pCR和向心性退缩更倾向于采用保乳手术，而多发残留病灶、主要残留病灶伴卫星病灶、SD和PD患者在完成NAC后则更倾向于乳房切除术。Zhuang等[19]则更细致地将退缩模式分为pCR、单灶退缩、多灶退缩、单灶体积缩小伴分散小病灶、疾病稳定和疾病进展，采用基于T2WI和DWI序列构建的影像组学模型来预测NAC后乳腺肿瘤退缩模式，训练集AUC达到0.858(95%CI:0.776 2～0.938 9),验证集AUC达到0.819(95%CI:0.619 0～1.000 0)。2项研究虽在分组方面存在微小差异，但结果一致，均表明MRI影像组学可预测乳腺肿瘤在NAC后的退缩模式，预测效能良好。但由于类似研究较少，无法证明此分组方法的广泛适用性。

本研究实验样本数据少，无法进行分组研究，且基于单中心，缺少外部验证数据，结果存在一定的偏差；另外，本研究的2类消退模式为人为区分，结果可能因医生判断的差异而不同；而且，本研究未联合基线资料，建立临床模型及二者的联合模型并进行比较；最后，本研究采用人工手动分割感兴趣区，此方法虽然精度高，但耗时长，人工误差降低了实验的可重复性，未来需联合深度学习，采取全自动分割方法以提高实验的可重复性[20]。本研究存在一定局限性，应加大样本量进行多中心及多模态深入研究。

综上，本研究结果表明，影像组学模型可预测NAC后乳腺肿瘤的退缩模式，在临床决策中，影像组学模型可作为判断NAC后乳腺肿瘤退缩模式的有效工具。

参考文献:

[16]宋德领,崔书君,杨飞,等.基于动态对比增强MRI影像组学模型预测乳腺癌新辅助化疗后非病理完全缓解[J].中国医学影像技术,2021,37(4):547-551.

[18]孙诗昀,李卓琳,何金涛,等.乳腺癌新辅助化疗后退缩模式的研究进展[J].中华放射学杂志,2022,56(4):456-459.

[20]刘鹏,王丽嘉,马超.影像组学及分析工具浅谈[J].生物医学工程与临床,2022,26(4):511-518.

文章来源:石子馨,焦光丽,赵丹,等.基于DCE-MRI影像组学预测新辅助化疗后乳腺肿瘤退缩模式[J].河北北方学院学报(自然科学版),2024,40(10):14-19.