謝亞咩，朱 櫻，柴維敏，宗紹云，張曉曉，詹維偉

1.上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院超聲科，上海 200025；

2.上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院放射科，上海 200025；

3.昆明理工大學(xué)醫(yī)學(xué)院附屬第一人民醫(yī)院超聲科，云南 昆明 650500

2020年中國女性乳腺癌的新發(fā)病例達(dá)42萬例，占全球乳腺癌的18%，在全國女性癌癥中發(fā)病率排名第一，死亡率排名第四［1］，中國女性乳腺癌發(fā)病率呈逐年上升趨勢［2-3］，且發(fā)病年齡集中于50～59歲。提高早期乳腺癌的檢出率并進(jìn)行及時(shí)、有效的治療是降低乳腺癌死亡率的有效措施。對于非致密型乳腺患者，乳腺X線攝影為首選的檢查方法，但對于亞洲地區(qū)致密型乳腺患者，超聲、磁共振成像（magnetic resonance imaging，MRI）檢查更具有優(yōu)勢，因此對于高?；颊邔?shí)行3種影像學(xué)聯(lián)合檢查在乳腺癌早期診斷方面尤其重要。Eghtedari等［4］建議將每種影像學(xué)檢查單獨(dú)描述，最終得出統(tǒng)一分類。目前，國內(nèi)超聲科獨(dú)立于放射科單獨(dú)存在，無法得出統(tǒng)一的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（Breast Imaging Reporting and Data System，BI-RADS）分類，因此本研究的主要目的是嘗試在此基礎(chǔ)上將三大影像學(xué)檢查聯(lián)合臨床特征，構(gòu)建一個(gè)多模態(tài)影像BI-RADS模型。

1 資料和方法

1.1 一般資料

收集2019年8月—2020年9月在上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院術(shù)前均行超聲、乳腺X線攝影及MRI檢查的患者，共計(jì)1 695例患者（1 717個(gè)乳腺腫塊），其中7例為男性，其余為女性，年齡16～88歲，平均年齡（51.2±14.4）歲。納入標(biāo)準(zhǔn)：① 患者的影像學(xué)圖像清晰；② 臨床病理學(xué)資料完整；③ 3種影像學(xué)檢查在1個(gè)月內(nèi)完成。排除標(biāo)準(zhǔn)：① 影像學(xué)圖像質(zhì)量不佳；② 臨床資料不完整；③ 已知惡性病變被排除在外。所有患者的病理學(xué)類型均經(jīng)手術(shù)后病理學(xué)檢查證實(shí)。

1.2 檢查方法

乳腺X線攝影檢查采用美國GE公司的Senographe 2000D全野數(shù)字化乳腺機(jī)，投照體位主要為內(nèi)外斜位與頭尾位，必要時(shí)予以局部加壓放大照射及特殊體位照射。MRI檢查采用德國Siemens公司的Magnetom Aera 1.5 T超導(dǎo)型MRI儀，使用18通道乳腺專用相控陣線圈，患者采取俯臥位，雙乳自然懸垂于乳腺線圈內(nèi)。掃描范圍包含雙側(cè)腋窩及雙側(cè)乳腺上下界。先橫軸位掃描，掃描序列：T2加權(quán)脂肪抑制序列；彌散加權(quán)成像（diffusion-weighted imaging，DWI）b值為10 00 s/mm2；T1加權(quán)動(dòng)態(tài)增強(qiáng)掃描，1期平掃（90 s）+5期增強(qiáng)掃描（90 s×5）。造影劑為釓噴替酸葡甲胺，劑量為0.1～0.2 mmol/kg，流速為2.0 mL/s，靜脈注射后以同樣速率注入15 mL 生理鹽水沖洗管腔，后期將圖像上傳至影像存儲(chǔ)與傳輸系統(tǒng)（picture archiving and communication system，PACS），在后處理工作站上進(jìn)行冠狀位及矢狀位重建，在DWI圖像上勾畫感興趣區(qū)（region of interest，ROI），測量表觀彌散系數(shù)（apparent diffusion coefficient，ADC），獲得時(shí)間信號強(qiáng)度曲線（time-signal intensity curve，TIC）；超聲儀采用意大利Esaote公司的MyLab90、深圳邁瑞生物醫(yī)療電子股份有限公司的Mindray Resona7，線陣探頭頻率為4.0～14.0 MHz，選擇乳腺模式，掃查范圍從腋后線到胸骨旁線，以乳頭為中心放射狀掃查整個(gè)乳腺、乳頭-乳暈復(fù)合區(qū)、乳腺尾葉以及其附屬的淋巴結(jié)，有副乳的患者應(yīng)注意掃查副乳腺區(qū)域。檢查病灶內(nèi)血流時(shí)，探頭應(yīng)輕放不宜加壓，以免小血管受壓消失。于2D圖像上清晰顯示病灶最長軸切面行剪切波彈性成像（shear wave elastography，SWE），探頭注意輕放。

1.3 影像學(xué)評估

本研究所分析的圖像下載自醫(yī)院PACS，格式為DICOM，由2名從事乳腺疾病研究方向（工作年限分別為3、5年）同時(shí)精通超聲、乳腺X線攝影與MRI診斷的影像科醫(yī)師，在不知道病理學(xué)檢查結(jié)果的情況下分別對超聲、MRI、乳腺X線攝影圖像進(jìn)行評估（腫塊與非腫塊的鑒別以其中一種檢查呈明顯腫塊為腫塊型，反之為非腫塊）。對每個(gè)腫塊特征依據(jù)BI-RADS描述記錄，同時(shí)MRI納入ADC、DWI、減影；超聲納入血流、彈性、腫塊最大徑（以2 cm為分界線）等指標(biāo)。注意當(dāng)3種影像的重復(fù)指標(biāo)如形狀、邊緣（以MRI與超聲為主）、鈣化形狀（超聲結(jié)合乳腺X線攝影）將最可疑的特征作為最終結(jié)果。對于定性數(shù)據(jù)結(jié)論有分歧時(shí)，與第三名醫(yī)師（年資＞10年）討論后達(dá)成一致，并行BI-RADS分類。超聲、MRI、乳腺X線攝影各得出一個(gè)分類，最終取三者最大分類（圖1）。結(jié)合患者臨床特征，如年齡分組（50歲為分界線）、臨床觸診活動(dòng)度、激素使用情況、家族史、胸部手術(shù)史、有無觸痛進(jìn)行綜合影像BI-RADS模型的構(gòu)建。

圖1 典型病例1（患者，女性，52歲，乳腺浸潤性導(dǎo)管癌）影像

1.4 統(tǒng)計(jì)學(xué)處理

所有統(tǒng)計(jì)分析都采用SPSS 26.0進(jìn)行。在單因素分析中，計(jì)量資料的描述采用±s，行組間獨(dú)立樣本t檢驗(yàn)。計(jì)數(shù)資料采用構(gòu)成比/率描述，采用χ2檢驗(yàn)或Fisher精確概率法分析，參數(shù)入選標(biāo)準(zhǔn)為P＜0.05。模型的參數(shù)選擇基于最大似然估計(jì)的向前逐步回歸法的多元logistic回歸分析法。以單因素分析有統(tǒng)計(jì)學(xué)意義的影像評估指標(biāo)及臨床征象為自變量，以乳腺腫塊的BI-RADS最大分類為因變量，構(gòu)建多元logistic回歸模型。模型的診斷效能采用受試者工作特征（receiver operating characteristic，ROC）曲線來評估。

2 結(jié) 果

2.1 病理學(xué)檢查結(jié)果

組織病理學(xué)檢查結(jié)果顯示良性病變658個(gè)，惡性病變1 059個(gè)。惡性病變包括629例浸潤性導(dǎo)管癌（invasive ductal carcinoma，IDC），25例浸潤性小葉癌（invasive lobular carcinoma，ILC），206例乳腺導(dǎo)管內(nèi)原位癌（ductal carcinomain situ，DCIS）及199例其他類型惡性病變（乳頭狀癌、化生性癌、黏液癌、鱗狀細(xì)胞癌、淋巴瘤）。

2.2 篩選影響腫塊BI-RADS分類的敏感參數(shù)

將單因素分析P＜0.05的指標(biāo)進(jìn)一步納入多元logistic回歸分析，篩選出敏感參數(shù)以構(gòu)建回歸模型?；谧畲笏迫还烙?jì)的向前逐步回歸法篩選出有統(tǒng)計(jì)學(xué)意義的指標(biāo)（表1）。

表1 進(jìn)入方程的各參數(shù)似然比檢驗(yàn)結(jié)果

2.3 模型預(yù)測 BI-RADS分類的陽性預(yù)測值、診斷效能及一致性分析

模型預(yù)測腫塊的BI-RADS分類見表2，每個(gè)類別良惡性占比的條形圖見圖2，結(jié)果符合BI-RADS指南類別的惡性概率，將BI-RADS 2、3類歸類為良性，BI-RADS 4、5類歸類為惡性。模型的靈敏度為100.00%（1 059/1 059），特異度為4.41%（29/658），準(zhǔn)確度為63.37%（1 088/1 717）；陽性預(yù)測值為62.74%（1 059/1 688）；陰性預(yù)測值為100.00%（29/29）。模型的曲線下面積（area under curve，AUC）為0.955（圖3）。模型的預(yù)測分類與實(shí)際分類比較見表3，一致性檢驗(yàn)呈中等一致性（Kappa=0.526）。

表2 腫塊預(yù)測BI-RADS分類情況

表3 模型預(yù)測 BI-RADS分類與實(shí)際BI-RADS分類情況n（%）

圖2 BI-RADS分類良惡性占比條形圖

圖3 模型區(qū)分腫塊良惡性的ROC曲線

3 討 論

BI-RADS自成立以來已發(fā)展成為一種簡短的影像詞典和報(bào)告指南，適當(dāng)?shù)厥褂肂I-RADS可以較準(zhǔn)確地評估腫瘤的惡性風(fēng)險(xiǎn)。2013年第5版BIRADS［5-6］將乳腺X線攝影、超聲及MRI上的術(shù)語、報(bào)告結(jié)構(gòu)、評估類別及管理建議進(jìn)行統(tǒng)一。雖然BI-RADS MRI 4類病變?nèi)詻]有進(jìn)行細(xì)分，但Elezaby［7］與Honda［8］等人在常規(guī)臨床實(shí)踐中對乳腺BI-RADS MRI 4類細(xì)分的可行性提供了數(shù)據(jù)支持，進(jìn)一步證實(shí)筆者將MRI的BI-RADS 4類細(xì)分為4A、4B與4C類與超聲或乳腺X線攝影一樣，可增加其臨床效用。但國內(nèi)的現(xiàn)狀是當(dāng)患者同時(shí)行3種檢查得到的腫塊類別可能不一致，給患者帶來極大困擾的同時(shí)，臨床醫(yī)師應(yīng)以哪個(gè)檢查類別為準(zhǔn)仍無定論。隨著3種檢查評估標(biāo)準(zhǔn)趨向一致，為綜合影像指標(biāo)的建立奠定基礎(chǔ)。

在原本BI-RADS分類標(biāo)準(zhǔn)的基礎(chǔ)上，加入臨床指標(biāo)及經(jīng)研究可提高良惡性診斷區(qū)分度的其他指標(biāo)，可能會(huì)導(dǎo)致模型預(yù)測與實(shí)際類別有所偏差，但最終模型預(yù)測結(jié)果仍符合BI-RADS分類標(biāo)準(zhǔn)。kappa值是檢測一致性最直觀的指標(biāo)，經(jīng)分析，模型預(yù)測分類與實(shí)際分類一致性中等。對此模型的分類差異進(jìn)行分析，結(jié)果發(fā)現(xiàn)，相似度最高的是4A類與5類（分別為78.53%與75.69%），其次為4C類、4B類與3類，3類的一致性最差，實(shí)際歸為3類的病灶有77%被模型判為4A類?？赡芘c模型納入的臨床因素中某些指標(biāo)所占的權(quán)重較高有關(guān)。

有研究［9］基于MRI增強(qiáng)圖像的紋理特征來鑒別乳腺良惡性腫塊，其靈敏度為82.93%、特異度為94.87%。本研究的主要目的是構(gòu)建多模態(tài)影像BI-RADS分類預(yù)測模型，得到的BI-RADS最終類別與臨床應(yīng)用更為相符。模型預(yù)測類別的陽性預(yù)測值與BI-RADS的符合率是模型效果好壞最直觀的判斷指標(biāo)，本研究以病理學(xué)結(jié)果為金標(biāo)準(zhǔn)，統(tǒng)計(jì)出每個(gè)預(yù)測分類中腫塊的實(shí)際惡性概率，在指南參考范圍之內(nèi)，模型對于因變量區(qū)分度的優(yōu)劣可用AUC來衡量［10］，預(yù)測模型的AUC為0.955，說明模型在區(qū)分腫塊良惡性方面效果顯著。在乳腺癌的診斷中，單獨(dú)使用MRI檢查的AUC高于單獨(dú)使用乳腺X線攝影或單獨(dú)使用超聲檢查，乳腺X線攝影在腺體致密型患者中的漏診率高達(dá)86.7%，提示超聲和MRI在中國年輕女性乳腺檢查中發(fā)揮著重要作用，聯(lián)合診斷的靈敏度達(dá)98.2%［11-12］。

本研究仍存在一些局限性：首先，我們沒有評估腫塊BI-RADS分類在觀察者間的一致性，鑒于既往研究［13］表明基于BI-RADS分類標(biāo)準(zhǔn)的規(guī)范性，無論是經(jīng)驗(yàn)豐富的高級職稱醫(yī)師還是初級職稱醫(yī)師，均可以對腫塊提供較一致的描述和評估；其次，模型靈敏度高，特異度低，需要深入探討提高特異度的方法；第三，選取行3種檢查的患者入組進(jìn)行建模，難免存在選擇偏移、惡性率偏高等問題，如進(jìn)一步構(gòu)建兩兩影像結(jié)合模型，臨床適應(yīng)性可能會(huì)更強(qiáng)。

總之，本研究模型的靈敏度高，對惡性腫塊的診斷達(dá)到無一例漏診。模型簡單易懂，有較高的臨床應(yīng)用價(jià)值，使臨床醫(yī)師能準(zhǔn)確地得到腫塊的最終分類，從而針對不同的患者給出明確的診斷意見，減少了與患者的溝通障礙。