[摘 " 要] " 目的：探討動態(tài)對比增強(qiáng)磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）圖像根據(jù)乳腺影像報告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）規(guī)范的影像特征對乳腺癌分子分型的預(yù)測價值。方法：回顧性分析行乳腺M(fèi)RI檢查的97例乳腺癌患者的臨床和影像學(xué)資料，其中Luminal A型26例、Luminal B 型34例、人表皮生長因子受體-2（human epidermal growth factor receptor 2，HER-2）過表達(dá)型19例、三陰性18例。比較4種不同分子亞型乳腺癌的影像學(xué)特征，采用多元Logistic 回歸分析影響乳腺癌分子分型的因素及其預(yù)測乳腺癌分子分型的價值。結(jié)果：不同分子亞型乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變比較，差異均有統(tǒng)計學(xué)意義（P＜0.05）。多元Logistic 回歸分析結(jié)果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨(dú)立影響因素（均P＜0.05），四者聯(lián)合預(yù)測乳腺癌分子分型準(zhǔn)確率分別為72.0%、88.6%、84.2%、73.7%，模型總體預(yù)測準(zhǔn)確率為80.6%。結(jié)論：腫瘤最大徑、子灶、周圍血管增多及乳頭改變可有效預(yù)測乳腺癌分子分型。

[關(guān)鍵詞] " 乳腺癌；分子分型；動態(tài)對比增強(qiáng)磁共振；影像學(xué)特征

[中圖分類號] " R445.2 [文獻(xiàn)標(biāo)志碼] " B [DOI] " 10.19767/j.cnki.32-1412.2024.06.021

根據(jù)乳腺癌不同的基因表達(dá)可分為Luminal A型、Luminal B型、人表皮生長因子受體-2（human epidermal growth factor receptor-2，HER-2）過表達(dá)型和三陰性乳腺癌（triple negative breast cancer，TNBC）[1]。術(shù)前確定乳腺癌亞型需對穿刺活檢標(biāo)本行免疫組化檢查，此方法不僅有創(chuàng)，且存在取材不充分的問題，難以全面評估乳腺癌的異質(zhì)性[2]。因此，有必要探尋更好、更簡單的方法來區(qū)分乳腺癌分子亞型。動態(tài)對比增強(qiáng)磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）是基于組織微循環(huán)特征的影像學(xué)檢查，能無創(chuàng)提供乳腺腫瘤多方面信息，已成為分析乳腺癌不同分子機(jī)制的研究熱點(diǎn)[3]，可用于診斷和判斷乳腺癌預(yù)后[4-7]。此前很多論文探討T2加權(quán)圖像特征、表觀擴(kuò)散系數(shù)及動態(tài)對比增強(qiáng)模式在預(yù)測乳腺癌分子亞型中的作用[8-12]，但研究結(jié)果的差異較大。本研究回顧性分析南通市中醫(yī)院2018年1月—2023年12月接受DCE-MR檢查的乳腺癌患者97例臨床和影像學(xué)資料，研究各型乳腺癌的影像學(xué)特征及其預(yù)測乳腺癌分子亞型的價值。

1 " 資料與方法

1.1 " 一般資料 " 接受乳腺DCE-MR檢查的乳腺癌患者97例，均為女性，年齡30～85歲，平均（53.53±12.03）歲；其中Luminal A型26例，Luminal B型34例，HER-2過表達(dá)型19例，三陰性18例。Luminal A型患者平均年齡（55.08±14.22）歲，絕經(jīng)15例（57.7%），未絕經(jīng)11例（42.3%），乳腺癌左側(cè)11例（42.3%），右側(cè)15例（57.7%）；Luminal B型患者平均年齡（55.09±11.45）歲，絕經(jīng)17例（50.0%），未絕經(jīng)17例（50.0%），乳腺癌左側(cè)21例（61.8%），右側(cè)13例（38.2%）；HER-2過表達(dá)型患者平均年齡（49.47±9.52）歲，絕經(jīng)9例（47.4%），未絕經(jīng)10例（52.6%），乳腺癌左側(cè)7例（36.8%），右側(cè)12例（63.2%）；三陰性乳腺癌患者平均年齡（52.67±11.93）歲，絕經(jīng)12例（66.7%），未絕經(jīng)6例（33.3%），乳腺癌左側(cè)8例（44.4%），右側(cè)10例（55.6%）。四種分子型乳腺癌患者一般資料比較，差異均無統(tǒng)計學(xué)意義（P＞0.05）。入組標(biāo)準(zhǔn)：（1）圖像采集設(shè)備和掃描條件一致；（2）手術(shù)病理證實(shí)為乳腺癌；（3）MR檢查前未進(jìn)行過穿刺活檢、手術(shù)切除或放化療等治療。

1.2 " 檢查設(shè)備及方法 " 采用GE Signa HDxt 1.5T超導(dǎo)磁共振掃描儀，掃描方案主要包括3個序列：（1）脂肪抑制T2WI；（2）磁共振彌散加權(quán)成像：TR/TE 8 300/63.6 ms，F(xiàn)OV 32 cm×32 cm，矩陣256×256，層厚5 mm，層間隔6 mm，b值選擇0、1 000 s/mm2，NEX=4；（3）DCE-MRI：采用3D Vibrant技術(shù)，靜脈注入對比劑釓噴酸葡胺后延遲28 s掃描，劑量為0.1 mmol/kg，速率為2 mL/s，連續(xù)掃描8個時相，每個時相52～60 s；圖像層厚1.4 mm，F(xiàn)OV 28～36 cm，矩陣512×512，翻轉(zhuǎn)角 12°，激發(fā)1次。增強(qiáng)前行蒙片掃描，動態(tài)采集平掃及注射造影劑后共9期。

1.3 " 影像特征評估 " 形態(tài)學(xué)特征參考乳腺影像報告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）2013年版，包括：（1）病灶類型：非腫塊型、腫塊型；（2）病灶形態(tài)：類圓形、分葉形及不規(guī)則形；（3）病灶邊緣：光滑、毛刺狀及不規(guī)則；（4）血流動力學(xué)表現(xiàn)：強(qiáng)化方式（均勻、不均勻及環(huán)形強(qiáng)化）、時間-信號強(qiáng)度曲線（time intensity curve，TIC）類型；（5）腫塊周圍征象，如子灶（單側(cè)乳腺同一象限內(nèi)存在2個或多個惡性病灶）、周圍血管增多、腋窩淋巴結(jié)腫大、皮膚改變（皮膚收縮、增厚或受侵）和乳頭改變（乳頭收縮）。在DCE-MR序列中增強(qiáng)后第二期測量軸位上病灶最大徑。圖像采用專用工作站軟件（GE Functool軟件）處理，避開囊變、出血、壞死等區(qū)域，在病灶最大層面中心區(qū)域勾畫感興趣區(qū)，自動獲得病灶TIC。根據(jù)病灶強(qiáng)化特征將TIC曲線分為流入型、平臺型和流出型。在三維最大密度投影（three dimensions maximum intensity projection，3D-MIP）圖像上觀察病灶周圍血管增多情況。背景實(shí)質(zhì)強(qiáng)化（background parenchymal enhancement，BPE）采用BI-RADS Atlas定性分類，包括極?。ǎ?5%纖維腺體組織強(qiáng)化）、輕度（25%～50%纖維腺體組織強(qiáng)化）、中度（50%～75%纖維腺體組織強(qiáng)化）、顯著（＞75%纖維腺體組織強(qiáng)化）。

1.4 " 病理組織分析 " 手術(shù)切除乳腺腫瘤組織，福爾馬林固定、石蠟包埋，行免疫組化染色，檢測雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone receptor，PR）、HER-2及Ki-67的表達(dá)情況。核染色細(xì)胞超過10%為陽性，根據(jù)ER、PR和HER-2表達(dá)情況，分為Luminal A型（ER或PR陽性，HER-2陰性）、Luminal B型（ER或PR陽性，HER-2陽性）、HER-2過表達(dá)型（ER陰性，HER-2陽性）或三陰性（ER陰性，PR陰性、HER-2陰性）。

1.5 " 統(tǒng)計學(xué)處理 " 采用SPSS 22.0軟件包對數(shù)據(jù)進(jìn)行統(tǒng)計學(xué)分析。符合正態(tài)分布的計量資料以x±s表示，多組間比較采用單因素方差分析；非正態(tài)分布的計量數(shù)據(jù)以M（Q25，Q75）表示，多組間比較采用Kruskal-Wallis H檢驗(yàn)，兩兩比較采用Bonferroni校正（P＜0.0125表示差異有統(tǒng)計學(xué)意義）。計數(shù)資料以頻數(shù)及百分率表示，組間比較采用χ2檢驗(yàn)。對單因素分析中Plt;0.10的變量采用多元Logistic回歸分析影響乳腺癌分子分型的因素。P＜0.05表示差異有統(tǒng)計學(xué)意義。

2 " 結(jié) " " "果

2.1 " 不同分子分型乳腺癌間影像特征比較 " Luminal A型、Luminal B型、HER-2過表達(dá)型及三陰性乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變方面的差異均有統(tǒng)計學(xué)意義（P＜0.05）。兩兩比較顯示，Luminal A型與Luminal B型、Luminal B型與三陰性患者子灶、周圍血管增多及乳頭改變的差異均無統(tǒng)計學(xué)意義（P＞0.05）；Luminal A型與HER-2過表達(dá)型患者比較，腫瘤最大徑（Bonferroni校正P=0.008）、周圍血管增多（Bonferroni校正P=0.010）差異均有統(tǒng)計學(xué)意義；Luminal B型與HER-2過表達(dá)型患者比較，子灶（Bonferroni校正P=0.003）、周圍血管增多（Bonferroni校正P=0.001）差異均有統(tǒng)計學(xué)意義；HER-2過表達(dá)型與三陰性患者比較，乳頭改變（Bonferroni校正P=0.004）差異有統(tǒng)計學(xué)意義。見表1。

2.2 " 影像特征對乳腺癌分子分型的預(yù)測價值 " 以乳腺癌分子分型為因變量，以腫瘤最大徑為自變量，子灶、周圍血管增多及乳頭改變?yōu)閰f(xié)變量，進(jìn)行多元Logistic回歸分析，建立預(yù)測模型：Logit（P）=40.064（截距）＋59.390×子灶＋49.214×周圍血管增多+48.302×乳頭改變＋210.041×腫瘤最大徑。結(jié)果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨(dú)立影響因素（均P＜0.05），Hosmer-Lemeshow檢驗(yàn)顯示模型擬合效果良好，P=0.924，模型能很好地擬合原始數(shù)據(jù)，概率較大。四者聯(lián)合預(yù)測乳腺癌分子分型準(zhǔn)確率分別為72.0%、88.6%、84.2%、73.7%，總體預(yù)測準(zhǔn)確率為80.6%。

3 " 討 " " "論

乳腺癌不同分子亞型間發(fā)病率、生存率以及對治療的反應(yīng)差異較大。雖然病理活檢是分型的金標(biāo)準(zhǔn)，但畢竟是有創(chuàng)的，而DCE-MR能無創(chuàng)性提供乳腺癌多方面信息[13-14]。乳腺病變的形態(tài)特征及強(qiáng)化方式是鑒別良惡性的重要參考指標(biāo)，不規(guī)則形態(tài)、不均勻強(qiáng)化和環(huán)形強(qiáng)化是乳腺癌常見征象。乳腺癌MR特征與其分子生物學(xué)存在密切關(guān)系。本研究使用2013年第5版MR BI-RADS對病灶影像特征進(jìn)行觀察，規(guī)范病變特征的描述，有效減少不同放射醫(yī)師間的主觀差異。

本研究結(jié)果顯示，Luminal A型、Luminal B型、HER-2過表達(dá)型及三陰性乳腺癌腫瘤最大徑、子灶、周圍血管增多及乳頭改變方面的差異均有統(tǒng)計學(xué)意義（P＜0.05）。與Luminal A型比較，HER-2過表達(dá)型腫瘤最大徑大，周圍血管增多較多見，差異均有統(tǒng)計學(xué)意義（P＜0.05）；與Luminal B型比較，HER-2過表達(dá)型子灶增多、周圍血管增多減少，差異均有統(tǒng)計學(xué)意義（P＜0.05）；與三陰性患者比較，HER-2過表達(dá)型乳頭改變增多，差異有統(tǒng)計學(xué)意義（P＜0.05）。本研究結(jié)果與其他學(xué)者的研究結(jié)果一致[15-16]，表明HER-2過表達(dá)型與其他三種分型可以通過不同的MR影像特征進(jìn)行鑒別，而其他三種類型MR影像特征的差異不顯著。腫瘤大小是細(xì)胞增殖和死亡等生物過程的結(jié)果，高增殖腫瘤通常與不良預(yù)后相關(guān)，較大的腫瘤預(yù)后比較小的腫瘤差[17]。有研究顯示，血管生成是乳腺癌的獨(dú)立危險因素，與腫瘤大小、組織學(xué)類型、腋窩淋巴結(jié)轉(zhuǎn)移等預(yù)后因素相關(guān)。病變周圍血管生成是癌癥的標(biāo)志，也是腫瘤生長、侵襲和進(jìn)展的關(guān)鍵條件[18-19]。

本研究多元Logistic回歸分析結(jié)果顯示，腫瘤最大徑、子灶、周圍血管增多及乳頭改變是乳腺癌分子分型的獨(dú)立影響因素（均P＜0.05），四者聯(lián)合預(yù)測乳腺癌分子分型準(zhǔn)確率分別為72.0%、88.6%、84.2%、73.7%，總體預(yù)測準(zhǔn)確率為80.6%，提示可有效預(yù)測乳腺癌分子分型。

[參考文獻(xiàn)]

[1] GRAVALLESE E M，F(xiàn)IRESTEIN G S. Rheumatoid arthritis- common origins，divergent mechanisms［J］. N Engl J Med，2023，388（6）：529-542.

[2] ZANNETTI A. Breast cancer： from pathophysiology to novel therapeutic approaches 2.0［J］. Int J Mol Sci，2023，24（3）：2542.

[3] ZIADA K，SIU M，QASSID O，et al. A new scoring system for differentiating malignant from benign “second-look” breast lesions detected by MRI in patients with known breast cancer［J］. Clin Radiol，2023，78（8）：e560-e567.

[4] MILITELLO C，RUNDO L，DIMARCO M，et al. 3D DCE-MRI radiomic analysis for malignant lesion prediction in breast cancer patients［J］. Acad Radiol，2022，29（6）：830-840.

[5] REIG B，LEWIN A A，DU L ，et al. Breast MRI for evaluation of response to neoadjuvant therapy［J］. Radiographics，2021，41（3）：665-679.

[6] BACKHAUS P，BURG M C，ASMUS I，et al. Initial results of （68）Ga-FAPI-46 PET/MRI to assess response to neoadjuvant chemotherapy in breast cancer［J］. J Nucl Med，2023，64（5）：717-723.

[7] 鄧勛偉，黃波，汪鵬，等. 多模態(tài)MRI聯(lián)合血清miR-125b對乳腺癌新輔助化療療效的預(yù)測價值［J］. 放射學(xué)實(shí)踐，2024，39（3）：371-376.

[8] BEAKA R，SZAB？魷OV？魣 D，GUL’A？譒OV？魣 Z，et al. Classic and new markers in diagnostics and classification of breast cancer［J］. Cancers，2022，14（21）：5444.

[9] ZHANG Y，CHEN J H，LIN Y，et al. Prediction of breast cancer molecular subtypes on DCE-MRI using convolutional neural network with transfer learning between two centers［J］. Eur Radiol，2021，31（4）：2559-2567.

[10] XU A，CHU X，ZHANG S，et al. Prediction breast molecular typing of invasive ductal carcinoma based on dynamic contrast enhancement magnetic resonance imaging radiomics characteristics： a feasibility study［J］. Front Oncol，2022，

12：799232.

[11] KIM J J，KIM J Y，SUH H B，et al. Characterization of breast cancer subtypes based on quantitative assessment of intratumoral heterogeneity using dynamic contrast-enhanced and diffusion-weighted magnetic resonance imaging［J］. Eur Radiol，2022，32（2）：822-833.

[12] 茅依玲，汪登斌，王麗君，等. 乳腺M(fèi)RI背景實(shí)質(zhì)強(qiáng)化與乳腺癌分子分型的相關(guān)性［J］. 放射學(xué)實(shí)踐，2022，37（6）：710-714.

[13] SMOLARZ B，NOWAK A Z，ROMANOWICZ H. Breast cancer-epidemiology，classification，pathogenesis and treatment （review of literature）［J］. Cancers，2022，14（10）：2569.

[14] LEON-FERRE R A，GOETZ M P. Advances in systemic therapies for triple negative breast cancer［J］. BMJ，2023，

381：e071674.

[15] 代婷，楊鴻羽，趙青，等. 錐光束乳腺增強(qiáng)CT影像特征與乳腺癌激素受體及HER-2表達(dá)狀態(tài)的相關(guān)性［J］. 放射學(xué)實(shí)踐，2023，38（12）：1554-1561.

[16] ZHANG C，LIANG Z，F(xiàn)ENG Y，et al. Risk factors for lymphovascular invasion in invasive ductal carcinoma based on clinical and preoperative breast MRI features： a retrospective study［J］. Acad Radiol，2023，30（8）：1620-1627.

[17] BISMEIJER T，VAN DER VELDEN B H M，CANISIUS S，et al. Radiogenomic analysis of breast cancer by linking MRI phenotypes with tumor gene expression［J］. Radiology，2020，296（2）：277-287.

[18] 梁泓冰，寧寧，趙思奇，等. 基于DCE-MRI的3D-MIP重建及多參數(shù)評估BI-RADS 4類乳腺腫瘤［J］.磁共振成像，2024，15（5）：94-101.

[19] 雷鳴峰，鄧宏亮，金漢葵，等. 磁共振成像評價乳腺血供在乳腺良惡性疾病鑒別診斷中的價值［J］. 中國CT和MRI雜志，2020，18（10）：70-73，封2 .

[收稿日期] 2024-09-08

（本文編輯 " 繆宏建）