師 琳，鐘李長(zhǎng)，馬 方，谷麗萍

上海交通大學(xué)醫(yī)學(xué)院附屬第六人民醫(yī)院超聲醫(yī)學(xué)科，上海 200233

乳腺癌作為女性主要的惡性腫瘤之一［1］，已向年輕化趨勢(shì)發(fā)展［2］，成為20～59歲女性癌癥死亡的首要原因［3］。目前超聲是乳腺癌早期篩查的主要方法之一［4-5］，早期診斷與治療對(duì)提高乳腺癌患者生存率與生活質(zhì)量至關(guān)重要［6］。美國(guó)放射學(xué)會(huì)（American College of Radiology，ACR）超聲乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（Breast Imaging Reporting and Data System，BI-RADS）可幫助臨床醫(yī)師制訂乳腺結(jié)節(jié)治療方案，但對(duì)于部分乳腺結(jié)節(jié)來(lái)說(shuō)，尤其是BI-RADS 4類(lèi)，其惡性可能的范圍較廣，造成一定的鑒別診斷困難，導(dǎo)致了不必要的手術(shù)或穿刺活檢［7］。乳腺腫瘤組織通常由腫瘤細(xì)胞及基質(zhì)細(xì)胞組成，這些基質(zhì)細(xì)胞能夠引起瘤周基質(zhì)的顯著變化［8］。影像組學(xué)能夠通過(guò)高通量的方法提取醫(yī)學(xué)影像中肉眼無(wú)法識(shí)別到的細(xì)微特征，這些細(xì)微特征可能與腫瘤的異質(zhì)性和腫瘤細(xì)胞的某些生物學(xué)行為密切相關(guān)［9］。因此，本研究旨在探討瘤內(nèi)瘤周超聲影像組學(xué)特征對(duì)乳腺結(jié)節(jié)良惡性鑒別診斷的價(jià)值。

1 資料和方法

1.1 數(shù)據(jù)收集

回顧并收集2017年1月—2021年12月于上海交通大學(xué)醫(yī)學(xué)院附屬第六人民醫(yī)院行超聲檢查并診斷為乳腺結(jié)節(jié)的共300例患者的臨床及影像學(xué)資料。患者年齡14～86歲，平均年齡（46.01±15.41）歲。納入標(biāo)準(zhǔn)：常規(guī)超聲檢查提示為BI-RADS 3～5類(lèi)乳腺結(jié)節(jié)并且具有完整的檢查資料；所有乳腺結(jié)節(jié)均經(jīng)術(shù)后病理學(xué)檢查或穿刺活檢證實(shí)。排除標(biāo)準(zhǔn)：超聲圖像質(zhì)量不符合標(biāo)準(zhǔn)。

1.2 超聲檢查及感興趣區(qū)（region of interest，ROI）勾畫(huà)

采用德國(guó)Siemens公司的S2000超聲診斷儀，探頭檢測(cè)頻率4～9 MHz。所有患者在術(shù)前1周內(nèi)進(jìn)行乳腺常規(guī)超聲檢查，取仰臥位，掃查到可疑結(jié)節(jié)后多個(gè)切面觀察結(jié)節(jié)情況，在結(jié)節(jié)二維超聲圖像質(zhì)量較好的基礎(chǔ)上，存儲(chǔ)結(jié)節(jié)最大切面，圖像以DICOM格式儲(chǔ)存于硬盤(pán)中。

挑選出符合納入標(biāo)準(zhǔn)的乳腺結(jié)節(jié)超聲圖像，按照計(jì)算機(jī)產(chǎn)生的隨機(jī)數(shù)進(jìn)行簡(jiǎn)單隨機(jī)化分組，隨機(jī)選擇70%（210例）的患者組成訓(xùn)練組，剩余30%（90例）的患者為驗(yàn)證組。由1名具有5年以上乳腺超聲診斷經(jīng)驗(yàn)的醫(yī)師在未知病理學(xué)檢查結(jié)果的前提下應(yīng)用軟件ITK-SNAP 3.8版在二維超聲圖像上沿乳腺結(jié)節(jié)的大致輪廓手動(dòng)勾畫(huà)ROI（圖1）；瘤周ROI是指根據(jù)瘤內(nèi)ROI勾畫(huà)的邊界自動(dòng)適形向外擴(kuò)展2 mm得到的區(qū)域（圖1）。

圖1 乳腺結(jié)節(jié)瘤內(nèi)（紅色）及瘤周2 mm（綠色）ROI勾畫(huà)示意圖

1.3 影像組學(xué)的特征提取、篩選及模型構(gòu)建

對(duì)勾畫(huà)完成的ROI區(qū)域應(yīng)用Pyradiomics軟件進(jìn)行影像組學(xué)特征提取，主要包含形態(tài)特征、一階直方圖特征、紋理特征及小波特征共4種特征。紋理特征主要包括灰度游程矩陣（gray level run length matrix，GLRLM）、灰度共生矩陣（gray level co-occurrence matrix，GLCM）、灰度依賴(lài)矩陣（gray level dependence matrix，GLDM）、灰度級(jí)帶矩陣（gray level size zone matrix，GLSZM）和鄰域灰度差分矩陣（neighborhood gray-tone difference matrix，NGTDM）。

采用Z-score方法對(duì)提取出來(lái)的超聲影像組學(xué)特征進(jìn)行歸一化處理，再進(jìn)行t檢驗(yàn)、Pearson相關(guān)性分析以及最小絕對(duì)收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）篩選特征，將篩選出系數(shù)非零的超聲影像組學(xué)特征使用10折交叉驗(yàn)證超參數(shù)，篩選出最優(yōu)特征后構(gòu)建影像組學(xué)支持向量機(jī)（support vector machine，SVM）模型，根據(jù)影像組學(xué)評(píng)分運(yùn)算公式Rad-Score=X0+X1Y1+X2Y2+X3Y3+…+XnYn計(jì)算每個(gè)乳腺結(jié)節(jié)的Rad-Score評(píng)分，其中，Yn表示經(jīng)篩選后的超聲影像組學(xué)特征，X0為Rad-Score的常量，Xn為相應(yīng)特征在回歸模型中的回歸系數(shù)。采用受試者工作特征（receiver operating characteristic，ROC）曲線(xiàn)評(píng)估超聲影像組學(xué)模型的診斷效能，并在驗(yàn)證組中驗(yàn)證模型，最后繪制驗(yàn)證組的影像組學(xué)模型ROC曲線(xiàn)。

1.4 統(tǒng)計(jì)學(xué)處理

采用R軟件及SPSS 26.0對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析，并以病理學(xué)檢查結(jié)果為金標(biāo)準(zhǔn)，對(duì)計(jì)量資料進(jìn)行正態(tài)分布及方差齊性檢驗(yàn)，符合正態(tài)分布進(jìn)行兩樣本獨(dú)立t檢驗(yàn)，采用Mann-Whitney U檢驗(yàn)比較非正態(tài)分布的連續(xù)性變量；采用χ2檢驗(yàn)比較分類(lèi)變量；利用logistic回歸構(gòu)建預(yù)測(cè)模型并繪制ROC曲線(xiàn)，得出模型的準(zhǔn)確度、靈敏度、特異度、精確度、F1值、曲線(xiàn)下面積（area under curve，AUC）。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 臨床資料特征

在納入研究的300例乳腺結(jié)節(jié)患者中，最終術(shù)后病理學(xué)檢查診斷為良性199例，其中纖維腺瘤125例，乳腺腺病55例，導(dǎo)管內(nèi)乳頭狀瘤16例，良性葉狀腫瘤2例，肉芽腫性小葉性乳腺炎1例；診斷為惡性101例，其中小葉原位癌16例，導(dǎo)管內(nèi)原位癌53例，乳頭狀癌11例，浸潤(rùn)性小葉癌21例。經(jīng)隨機(jī)化選擇7∶3分為訓(xùn)練集（210例）及驗(yàn)證組（90例）。經(jīng)過(guò)單因素及多因素分析患者的腫塊直徑、BI-RADS評(píng)分與乳腺結(jié)節(jié)的良惡性差異均有統(tǒng)計(jì)學(xué)意義（P＜0.001，表1），被視為乳腺惡性腫瘤的獨(dú)立風(fēng)險(xiǎn)因子。臨床變量模型在訓(xùn)練組的AUC為0.746（95% CI 0.678～0.814），驗(yàn)證組的AUC為0.823（95% CI 0.720～0.926）（圖2），其在訓(xùn)練組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.698、0.733、0.679、0.629、0.550，驗(yàn)證組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.800、0.846、0.780、0.721、0.629。

表1 訓(xùn)練集和驗(yàn)證組臨床特征資料n（%）

圖2 各診斷模型的ROC曲線(xiàn)及校準(zhǔn)曲線(xiàn)

2.2 影像組學(xué)特征提取、篩選與建模

采用Pyradiomics軟件對(duì)每個(gè)乳腺結(jié)節(jié)超聲圖像已勾畫(huà)的ROI進(jìn)行瘤內(nèi)超聲影像組學(xué)特征提取，共提取1 560個(gè)瘤內(nèi)影像組學(xué)特征，然后通過(guò)t檢驗(yàn)、LASSO、Pearson相關(guān)檢驗(yàn)進(jìn)行特征篩選，最后篩選出18個(gè)系數(shù)非零的影像組學(xué)特征，將篩選出18個(gè)瘤內(nèi)最優(yōu)特征用于構(gòu)建瘤內(nèi)超聲影像組學(xué)SVM模型，瘤內(nèi)超聲影像組學(xué)模型在訓(xùn)練組的AUC為0.927（95% CI 0.889～0.965），驗(yàn)證組的AUC為0.808（95% CI 0.710～0.905）（圖2），其在訓(xùn)練組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.887、0.933、0.843、0.838、0.761，驗(yàn)證組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.753、0.731、0.763、0.644、0.576。

采用同樣的方法提取乳腺結(jié)節(jié)瘤周2 mm超聲影像組學(xué)特征，共提取1 560個(gè)瘤周影像組學(xué)特征，經(jīng)過(guò)t檢驗(yàn)、LASSO、Pearson相關(guān)性檢驗(yàn)進(jìn)行特征篩選，最后篩選出19個(gè)系數(shù)非零的影像組學(xué)特征，將篩選出19個(gè)瘤周最優(yōu)特征用于構(gòu)建瘤周超聲影像組學(xué)SVM模型。瘤周超聲影像組學(xué)模型在訓(xùn)練組的AUC為0.930（95% CI 0.891～0.969），驗(yàn)證組的AUC為0.857（95% CI 0.763～0.949）（圖2），其在訓(xùn)練組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.865、0.893、0.850、0.822、0.761，驗(yàn)證組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.812、0.846、0.797、0.733、0.647。

在瘤內(nèi)聯(lián)合瘤周的超聲影像組學(xué)特征模型中，共納入18個(gè)系數(shù)非零的影像組學(xué)特征，其中包括1個(gè)瘤內(nèi)特征和17個(gè)瘤周特征，瘤內(nèi)聯(lián)合瘤周超聲影像組學(xué)特征在訓(xùn)練組SVM模型的AUC為0.941（95% CI 0.843～0.967），驗(yàn)證組的AUC為0.865（95% CI 0.781～0.949）（圖2），該模型訓(xùn)練組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.884、0.92、0.864、0.847、0.784，驗(yàn)證組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.824、0.692、0.881、0.706、0.720。

瘤內(nèi)瘤周聯(lián)合臨床變量組模型中，訓(xùn)練組SVM模型的AUC為0.952（95% CI 0.924～0.979），驗(yàn)證組的AUC為0.873（95%CI 0.788～0.956）（圖2），該模型訓(xùn)練組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.879、0.933、0.850、0.843、0.769，驗(yàn)證組的準(zhǔn)確度、靈敏度、特異度、F1值、精確度分別為0.859、0.692、0.932、0.75、0.818，校準(zhǔn)曲線(xiàn)顯示三者聯(lián)合模型的預(yù)測(cè)曲線(xiàn)與理想曲線(xiàn)有良好的一致性（圖2）。

3 討 論

目前，乳腺癌的主要篩查手段有超聲、乳腺X線(xiàn)攝影、磁共振成像（magnetic resonance imaging，MRI）、計(jì)算機(jī)體層成像（computed tomography，CT）等，但各項(xiàng)篩查方法都存在一定的缺陷，如乳腺X線(xiàn)攝影無(wú)法有效地檢出致密型乳腺的結(jié)節(jié)［6］，而國(guó)內(nèi)女性一半以上都屬于致密型乳腺；CT檢查存在輻射，MRI檢查費(fèi)用昂貴且有一定禁忌證［10］。超聲已成為乳腺檢查的主要方式，但是對(duì)檢查醫(yī)師的診斷能力依賴(lài)性較高，且良惡性乳腺腫瘤超聲表現(xiàn)往往存在一定的重疊性［11-12］。影像組學(xué)是一門(mén)基于傳統(tǒng)成像檢查和人工智能的新興學(xué)科，影像組學(xué)特征提供了一種穩(wěn)定的、非侵入性的方法，通過(guò)深度揭示紋理特征來(lái)反映病變的異質(zhì)性，提供對(duì)腫瘤診斷及治療有價(jià)值的信息［13］。

Hong等［14］的研究中，其提取的影像組學(xué)特征模型診斷BI-RADS 4～5類(lèi)乳腺結(jié)節(jié)的AUC在驗(yàn)證組、訓(xùn)練集中分別為0.886、0.868；在Romeo等［15］的研究中其將影像組學(xué)與機(jī)器學(xué)習(xí)相結(jié)合，AUC為0.82。本研究從瘤內(nèi)超聲影像組學(xué)特征中篩選出18個(gè)瘤內(nèi)最優(yōu)特征構(gòu)建瘤內(nèi)超聲影像組學(xué)SVM模型，瘤內(nèi)超聲影像組學(xué)模型在訓(xùn)練組的AUC為0.927（95% CI 0.889～0.965）（圖2A～D），驗(yàn)證組的AUC為0.808（95% CI 0.71～0.905），與既往研究［14-15］一致。在米拉·也爾蘭等［16］的研究中，從BI-RADS 4a類(lèi)不規(guī)則乳腺結(jié)節(jié)中提取包括1個(gè)直方圖特征、2個(gè)紋理特征和16個(gè)小波特征共19個(gè)系數(shù)非零的影像組學(xué)特征，用于診斷BI-RADS 4a類(lèi)不規(guī)則乳腺結(jié)節(jié)的良惡性，訓(xùn)練組影像組學(xué)模型AUC為0.927（95% CI 0.900～0.950），驗(yàn)證組影像組學(xué)模型AUC為0.946（95% CI 0.908～0.976）。Luo等［17］將瘤內(nèi)超聲影像組學(xué)聯(lián)合BI-RADS分類(lèi)用于預(yù)測(cè)乳腺良惡性病變，結(jié)果顯示，結(jié)合影像組學(xué)評(píng)分和BI-RADS分類(lèi)的模型表現(xiàn)出更好的乳腺惡性和良性病變鑒別能力（AUC=0.928），優(yōu)于單獨(dú)應(yīng)用影像組學(xué)評(píng)分模型（AUC=0.857）和BI-RADS分類(lèi)模型（AUC=0.864）。Hong等［14］的研究將提取的瘤內(nèi)超聲影像組學(xué)特征聯(lián)合患者年齡、BI-RADS分類(lèi)和病灶最大徑建立的診斷模型，其研究結(jié)果顯示出良好的鑒別乳腺良惡性病變能力（AUC=0.937）。

然而，既往的乳腺腫瘤超聲影像組學(xué)研究多集中在瘤內(nèi)，對(duì)瘤周影像組學(xué)特征關(guān)注較少，而乳腺癌瘤周區(qū)域可能存在一些重要的生物學(xué)信息，如間質(zhì)反應(yīng)、血管生成以及淋巴管和血管的瘤周浸潤(rùn)［18-19］。我們嘗試提取乳腺結(jié)節(jié)的瘤周影像組學(xué)特征，并最終篩選出19個(gè)系數(shù)非零的影像組學(xué)特征用于建立瘤周影像組學(xué)模型，與瘤內(nèi)組學(xué)模型相比較，驗(yàn)證組的AUC也從0.808提高到0.857，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。本研究的瘤內(nèi)聯(lián)合瘤周超聲影像組學(xué)特征模型在訓(xùn)練組和驗(yàn)證組SVM模型的AUC顯著高于瘤內(nèi)組學(xué)模型（P＜0.05），也高于瘤周影像組學(xué)模型，但差異無(wú)統(tǒng)計(jì)學(xué)意義。Klimonda等［20］發(fā)現(xiàn)，瘤內(nèi)聯(lián)合瘤周的定量超聲特征鑒別乳腺良惡性病變的AUC為0.94，而單獨(dú)使用瘤內(nèi)的定量超聲特征的AUC為0.83。本研究通過(guò)瘤內(nèi)聯(lián)合瘤周特征建立的診斷模型優(yōu)于單獨(dú)以瘤內(nèi)特征建立的影像組學(xué)模型，可能的原因是瘤內(nèi)影像組學(xué)模型難以鑒別的良性與惡性乳腺結(jié)節(jié)能夠通過(guò)瘤周影像組學(xué)模型明確鑒別。

本研究發(fā)現(xiàn)，許多臨床因素與乳腺病變的良惡性相關(guān)，包括腫塊直徑、BI-RADS分類(lèi)。因此，我們開(kāi)發(fā)了一個(gè)包含瘤內(nèi)瘤周影像組學(xué)特征和臨床特征的預(yù)測(cè)模型，對(duì)乳腺結(jié)節(jié)的良惡性鑒別診斷表現(xiàn)出良好的診斷能力，AUC達(dá)0.873，在保持靈敏度的同時(shí)，精確度從0.720提高到了0.818，有效減少了假陰性、假陽(yáng)性的出現(xiàn)。Luo等［17］將瘤內(nèi)超聲影像組學(xué)聯(lián)合BI-RADS分類(lèi)用于預(yù)測(cè)乳腺良惡性病變，結(jié)果顯示，結(jié)合影像組學(xué)評(píng)分和BI-RADS分類(lèi)的模型表現(xiàn)出更好的乳腺良惡性病變鑒別能力（AUC=0.928），優(yōu)于影像組學(xué)評(píng)分模型（AUC=0.857）和BI-RADS分類(lèi)模型（AUC=0.864）。在Hong等［14］的研究中，將提取的瘤內(nèi)超聲影像組學(xué)特征聯(lián)合患者年齡、BI-RADS分類(lèi)和最大病灶直徑建立的診斷模型，其研究結(jié)果顯示良好的鑒別乳腺良惡性病變能力（AUC=0.937）。Luo等［17］、Hong等［14］以及本研究的聯(lián)合模型的診斷效能均顯示出聯(lián)合診斷模型的優(yōu)勢(shì)。

此外，有研究發(fā)現(xiàn)基于X線(xiàn)及增強(qiáng)X線(xiàn)、MRI及增強(qiáng)MRI的瘤內(nèi)瘤周的影像組學(xué)特征與淋巴結(jié)轉(zhuǎn)移［21-23］、雌激素受體（estrogen receptor，ER）和孕激素受體（progesterone receptor，PR）表達(dá)水平［24］、人表皮生長(zhǎng)因子受體2（human epidermal growth factor receptor 2，HER2）表達(dá)水平和Ki-67增殖指數(shù)［25］、新輔助化療效果［26］、乳腺癌分子亞型［27］相關(guān)。

本研究存在一些局限性：首先，本研究為單中心研究，且樣本量較小，可能導(dǎo)致模型穩(wěn)定性降低；第二，所有ROI區(qū)域的勾畫(huà)均在二維超聲圖像的基礎(chǔ)上進(jìn)行，忽略了腫瘤的三維特征；第三，瘤周ROI僅選擇了瘤周2 mm區(qū)域，未提取瘤內(nèi)ROI 2 mm之外的瘤周特征，可能導(dǎo)致部分瘤周影像組學(xué)特征的遺失。

綜上所述，基于瘤內(nèi)和瘤周影像組學(xué)特征聯(lián)合臨床、影像學(xué)特征建立聯(lián)合診斷模型能夠較為準(zhǔn)確地鑒別乳腺結(jié)節(jié)的良惡性，為臨床醫(yī)師的決策提供指導(dǎo)，進(jìn)而降低漏診率，避免不必要的活檢。