乳腺癌治疗前超声联合MRI参数预测EGFR的模型构建与评价

程辰 周建国 李雪平 李洪娥 赵红艳

1连云港市中医院超声科，连云港 222004；2连云港市中医院影像科，连云港 222004；3连云港市第一人民医院超声科，连云港 222000

乳腺癌的发生发展与生活环境、遗传基因等多种因素有关［1］。在大量诊断技术中，影像学检查技术能够为患者提供非常详细的诊疗信息。2018年，美国国立综合癌症网络制定的《乳腺癌临床实践指南》推荐钼靶、彩色多普勒超声检查（US）和磁共振成像（MRI）检查为乳腺疾病最基本的临床影像学检查方法［2］。US因其无辐射、重复性强、普及性高，尤其适用于妊娠期、哺乳期以及青少年女性，在检查乳腺疾病方面起着关键作用。MRI在分辨软组织方面有良好表现，可发现隐匿性与微小乳腺癌，目前，已被认为是诊断与评估乳腺癌的重要方式。表皮生长因子受体（EGFR）、E-钙黏附蛋白（E-cad）等免疫因子在乳腺癌诊断和治疗中扮演着越来越重要的角色。近期相关研究显示，乳腺癌中恶性程度较高的三阴性乳腺癌（triple negative breast cancer，TNBC）患者中有较大比例存在EGFR过表达现象，故对各类靶向治疗不敏感的TNBC患者而言，EGFR抑制剂治疗可能为其有效的治疗方式［3］。但EGFR其检测与评估依赖于有创检查或手术，而不同影像学检查方法的联合应用，能够发掘更多乳腺癌免疫因子的潜在信息［4-5］。若临床医师在患者治疗前或化疗过程中，能够参考影像学指标对乳腺癌发生/复发风险做出预测，除了可以缩短患者确诊时间，同时也可避免不必要的有创检查或手术。因此，本研究旨在建立乳腺癌超声征象/参数及MRI非形态学（功能学及血流动力学）参数预测EGFR表达的模型，并评价模型诊断效能，为临床乳腺癌治疗方案的制定及病情评估给予一定的参考与指导。

资料与方法

1.一般资料

回顾性分析2015年1月至2021年12月连云港市第一人民医院经新辅助化疗（NAC）后手术治疗的乳腺癌患者167例，年龄21～79（45.23±11.72）岁。所有患者在NAC治疗前，均行乳腺肿块穿刺活检并取得组织病理学和EGFR分析结果，患者或家属签署知情同意书。

本研究经连云港市第一人民医院伦理委员会审批通过（JS-20181025001）。

2.方法

2.1.检查方法 ⑴超声检查方法。此研究检查所用US仪器为彩色超声诊断仪LOGIQ E9型（美国GE公司），使用ML6-15线阵探头。被检测人员采用平卧位、侧卧位，对乳腺4个象限与腋窝行常规检查，主要对肿块大小、肿块边缘与边界、微钙化、彩色多普勒血流成像（CDFI）分级、纵横比、阻力指数（RI）等展开评估。指定2名相关工作经历≥5年、经验丰富的超声医师对检查结果做出诊断。⑵MRI检查方法。①MRI检查参数：此研究检查所用MRI仪器为Ingenia 3.0T磁共振扫描仪（飞利浦公司），8通道乳腺专用相控阵表面线圈。检查时，患者呈俯卧位，两乳自然下垂处在线圈双孔中，扫描区域为两乳腺与腋窝部位。先实施常规三平面定位扫描，再实施轴位水脂分离（IDEAL）序列扫描，重复时间（TR）6 000 ms，回波时间（TE）100 ms，视野（FOV）32 cm×32 cm，带宽62.5 kHz，层厚5 mm，层距1 mm，矩阵320×192，激励次数（NEX）3次；同时实施矢状位抑脂快速自旋回波（FSE）序列T2加权成像（T2WI）扫描，TR 3 200 ms，TE 88.9 ms，FOV 20 cm×20 cm，带宽31.2 kHz，层厚5 mm，层距1 mm，矩阵256×224，NEX 2次。磁共振扩散加权成像（DWI）扫描采用单次激发自旋回波EPI序列（SE-EPI）横断位扫描，TR 6 000 ms，TE 85.3 ms，FOV 32 cm×32 cm，带宽250 kHz，层厚5 mm，层距1 mm，矩阵128×128，NEX 3次，采用频率选择脂肪抑制技术，扩散敏感因子（b值）为800 s/mm2。动态增强磁共振成像（DCE-MRI）采用快速乳腺容积成像序列（VIBRANT）扫描，相关参数设定为：TR 4.4 ms，TE 2.1 ms，TI 14 ms，FOV 35 cm×35 cm，带宽83.3 kHz，层厚1.0 mm，无间隔，矩阵384×256，NEX 0.7次。增强扫描前先扫描蒙片，再使用高压注射器按照0.2 mmol/kg经肘静脉迅速团注对比剂钆喷酸葡胺（Gd-DTPA）（流速为2.5 ml/s），注射造影剂后0.5 min再扫描，含蒙片在内共计扫描时相数量为11个，单期扫描用时75 s。对比剂注射完毕后，再以相同速度注射20 ml生理盐水冲洗导管内的残留对比剂。②感兴趣区（ROI）选择与观测指标：选择病灶实质区域及强化最明显区域为ROI，尽量避开肉眼可辨别的血管、出血、液化、囊变及坏死部位，ROI面积通常为10 mm×10 mm～20 mm×20 mm。经2名≥5年工作经验的放射科诊断医生负责通过双盲法来分析、诊断每例患者的图像，主要对乳腺病灶形态、边缘、增强模式、时间-信号强度曲线（TIC）、表观扩散系数（ADC）值等展开评估。

患者穿刺活检前均行超声及MRI检查（两项检查的间隔时间不超过5 d）。超声检查所记录的变量为：肿块大小、肿块边缘与边界、微钙化、CDFI血流等级、纵横比、RI等；MRI检查所记录的变量为：达峰时间（TTP）、早期强化率（EER）、TIC、最大倾斜率（Max Slope）、信号增强率（SER）、ADC值。

2.2.免疫组化分析方法 针对手术切取肿块标本，均实施石蜡包埋处理、切片，之后进行HE染色，采用IHC二步法，测定乳腺癌生物标志物EGFR的表达水平（免疫组化试剂盒采用DakoLSAB2通用型免疫组化试剂盒）。免疫因子表达水平分级参照ASCO/CAP（美国临床肿瘤学会/美国病理学家协会）发布的免疫组织化学检测指南进行判读。

3.统计学分析

本研究采用R语言4.0.3（https：//www.r-project.org）进行数据分析。正态分布的连续变量、偏态分布的连续变量和分类变量分别以（）、M（P25，P75）和频率/百分比表示。全部数据按照7∶3的比例随机分为建模组和验证组，并设置随机种子。建模组和验证组之间比较按照上述变量类型分别采用独立样本t检验、Mann-WhitneyU检验和χ2检验分析超声参数/征象及MRI非形态参数与EGFR表达的组间差异。EGFR建模：变量筛选方法采用随机森林模型（RF），选取Inc Node Purity ＞2的变量作为建模变量。在建模组中采用广义线性建模（GLM）得到每个建模变量的回归系数、比值比（OR）和95%置信区间，并绘制彩色列线图。EGFR和Ki-67在建模组和验证组中分别评价模型性能，包括区分度评价和有效性评价。模型区分度评价采用受试者工作特征曲线（ROC）的曲线下面积（AUC），一般认为AUC在0.70～0.80之间区分度中等，AUC＞0.80区分度较高［6］；模型有效性评价采用决策曲线法（DCA）［7］。

结果

1.基线资料对比（表1）

表1 两组乳腺癌患者治疗前超声及MRI非形态学参数预测EGFR表达模型的基线资料比较

所有患者根据随机森林模型方法筛选EGFR建模组变量，将样本按7∶3比例随机分为建模组和验证组，两组在EGFR、ADC值、Max Slope、TTP、SER、EER、TIC、肿瘤长径、肿瘤边缘及边界、纵横比、微钙化、CDFI分级、RI、腋窝淋巴结转移（ALNM）组间差异均无统计学意义（均P＞0.05）。

2.EGFR变量筛选和回归模型构建（图1）

图1 EGFR的随机森林模型。A为基于Inc Node Purity＞2筛选为建模变量：ADC、长径、EER和TTP；B为EGFR诊断列线图

EGFR建模组采用随机森林模型筛选变量，模型中Inc Node Purity代表每个变量对分类树每个节点上观测值异质性的影响，是判断预测变量重要性指标，Inc Node Purity值越大表示该变量重要性越大，本研究选取Inc Node Purity ＞2的变量作为建模变量，EGFR筛选变量为ADC、肿瘤长径、EER和TTP。

3.EGFR预测模型效能验证和评价（图2、图3）

图2 EGFR预测模型建模组（A）与验证组（B）ROC

图3 EGFR预测模型建模组（A）和验证组（B）DCA

⑴模型区分度评价：ROC分析显示，建模组AUC=0.815，95%CI0.726～0.905；验证组AUC=0.805，95%CI0.660～0.949。

⑵DCA模型有效性评价：本研究建模组和验证组与None和All两条线间的面积较大，建模组患者诊断概率在0%～50%范围内，验证组诊断概率在15%～55%范围内，模型应用准确性和净获益最高，超出该范围模型准确性有限，净获益明显下降。

讨论

EGFR在大部分组织（不包括造血系统）内皆有分布，EGFR过表达对肿瘤细胞分裂、增殖具有诱导性，而乳腺癌中的EGFR过表达和肿瘤的自身分化、预后状况皆存在某种联系［8］。Rakha等［9］研究认为，乳腺癌患者的临床病程仍然难以预测，因为具有明显同质形态特征的肿瘤其治疗仍然会有不同的反应、呈现不同结局，他认为这与乳腺癌中免疫因子的表达有关，例如TNBC与EGFR的高表达及E-cad表达缺失有密切关系。张浩永和章宏欣［10］研究发现，乳腺癌患者血清中EGFR和血管内皮生长因子（VEGF）表达水平呈正相关（r=0.728，P＜0.01），EGFR和VEGF表达水平与肿瘤大小、TNM分期、病理类型和淋巴结转移等因素有关（均P＜0.05），且EGFR表达水平在乳腺癌手术后明显下降，可作为判断治疗效果的重要指标。

目前，国内外基于影像学构建的EGFR预测模型较少，Du和Zhao［11］在分析DCE-MRI纹理预测乳腺癌中EGFR突变状态的研究中，利用单一信息源的图像建模，探索反映EGFR突变状态的表达，最终建模形成弱分类器对EGFR突变状态具有良好的预测效果（训练组：AUC=0.983，95%CI0.95～1.00，准确度0.962，特异度0.936，灵敏度0.979；测试组：AUC=0.983，95%CI0.94～1.00，准确度0.943，特异度1.000，灵敏度0.905）。本研究中，通过随机森林筛选出预测EGFR的建模变量为ADC、最大长径、EER和TTP。所建立模型的ROC显示：建模组AUC=0.815，95%CI0.726～0.905；验证组AUC=0.805，95%CI0.660～0.949，有较好的预测价值。模型中筛选出的参数均含有乳腺肿块的长径、TTP、ADC值，分别是形态学、血流动力学和功能学中的有效参数。乳腺癌中血液对肿瘤的滋养是肿瘤发生发展的重要原因，新生血管使肿瘤的体积快速增大，而病理性新生血管网因有裂隙分布［12］，其构成为不完整的单层内皮，松弛且不具备舒缩能力。因此，在DCE-MRI上显像为“快进快出”的灌注表现，这是肿瘤新生血管及其血流动力学的特征［13］。DWI是反映水分子扩散运动的一种MRI功能学成像方法，通过ADC值来衡量肿瘤细胞的密度。Zhang等［14］在关于ADC值与Ki-67的研究中认为，肿瘤ADC值可以反映肿瘤的增殖活性和分化程度，且ADC值与癌细胞的增殖能力呈反比。

目前，大部分国内外专家所建立的术前影像学诊断乳腺癌的预测模型，多采用超声或MRI的形态学指标作为建模参数，且多为单一影像学方法，乳腺癌超声征象联合MRI非形态学构建预测免疫因子的模型在国内外还未有相似研究成果发表。虽然EGFR与E-cad在乳腺癌临床诊疗中有重要参考价值，但关于EGFR的影像学预测模型的研究目前国内外还未有成果报道，今后有待继续完善。

在本研究过程中还存在以下问题。⑴本研究的模型预测数据来源于单区域中心小样本数据，虽然内部验证和模型性能评价良好，但是并无先例参考验证，能否外推到其他人群尚未可知，仍需要进一步的多中心外部验证。⑵超声影像学在这一模型中体现的价值不及MRI，仅超声测量的最大长径入选建模参数。分析认为：一方面，超声指标多为定性参数或形态学指征，受检查仪器和主诊医师经验的影响较大；另一方面，MRI参数为功能学与血流动力学参数，相较于超声形态指征能更加敏感捕捉到各免疫因子在乳腺癌组织细胞中的变化。

综上，本研究基于机器学习和DCA等方法对构建的乳腺癌治疗前超声征象/参数联合MRI非形态学参数预测EGFR表达模型的分析，认为模型具有较好的诊断效能，可获得更高临床效益，对提高乳腺癌免疫因子的术前诊断、疗效评估有较好的临床应用价值。

利益冲突所有作者均声明不存在利益冲突

作者贡献声明程辰：酝酿和设计试验 ，实施研究 ，采集 、 分析/解释数据 ，起草文章 ， 统计分析 ， 获取研究经费 ； 周建国：采集数据 ， 对文章的知识性内容作批评性审阅 ， 技术支持指导 ， 支持性贡献 ； 李雪平：实施研究 ， 采集数据 ， 技术或材料支持 ；李洪娥：实施研究 ， 采集数据 ， 对文章的知识性内容作批评性审阅 ， 技术或材料支持 、 指导 ，支持性贡献 ； 赵红艳：酝酿和设计试验 ，采集数据 ，文章的知识性内容作批评性审阅 ， 获取研究经费 ，行政 、技术或材料支持 ，指导 ，支持性贡献