BI-RADS 4 类病变MRI 亚分类方法初步探讨

刘丹丹，吕花营，刘俊业，王巧慧，巴照贵

山东省济南市第八人民医院医学影像科，山东 济南271126

乳腺影像报告和数据系统（breast imaging-reporting and data system，BI-RADS）4 类病变恶性可能性跨度大（2%～95%）［1］。2013 年北美放射学会推荐将钼靶X 线摄影和彩色多普勒超声BI-RADS 4 类病变进行亚分类：4a 类（2%～10%恶性可能），4b 类（10%～50%恶性可能）、4c 类（50%～95%恶性可能）。BI-RADS 4 类病变虽建议穿刺活检，但4a、4b、4c 类病变还需参照影像学检查结果采取不同处理方案，如影像结果倾向恶性而穿刺活检为良性对其处理应慎重。目前，对BI-RADS 4 类病变彩色多普勒超声和钼靶X 线摄影的亚分类已达成共识；但对BI-RADS 4 类病变MRI亚分类研究较少。中国抗癌协会提出MRI BI-RADS 4 类病变也可参照钼靶X 线摄影进行亚分类［2］，但未给出具体的亚分类方法。MRI 具有较高的敏感度，可检出更多4 类病变，因此对BI-RADS 4 类病变进行亚分类，可降低穿刺活检假阴性和组织学低估带来的影响。本研究通过分析经手术病理证实乳腺病变患者的MRI 表现，探讨一种合理的、简便的、利于推广应用的BI-RADS 4 类病变MRI 亚分类方法。

1 资料与方法

1.1 一般资料

纳入2013 年7 月至2022 年3 月我院经病理证实的乳腺病变患者424 例，其中非肿块样强化病变（NMLE）122 例（良性病变45 例，恶性病变77 例）；肿块样强化病变（MLE）302 例（良性病变162 例，恶性病变140 例），均为女性，年龄29～75 岁，平均（48.8±10.5）岁。纳入标准：①MRI 检查前无治疗史，MRI 检查后2 周内行手术治疗；②影像资料齐全；③术后病理资料齐全；④病变均为单发。排除标准：①图像质量不佳；②无术后病理学结果。

1.2 仪器与方法

采用GE 1.5 T HDe 超导型MRI 成像系统和4 通道乳腺专用表面线圈行乳腺MRI 检查。扫描序列与参数：DWI 采用单次激发平面回波技术（EPI），TR 8 400 ms，TE 93.8 ms，b 值取0、800 s/mm2，矩阵128×128，激励次数2；脂肪抑制T2WI 采用FSE 序列，化学频率选择脂肪饱和，TR 4 660 ms，TE 89.2 ms，矩阵320×256，激励次数2。DWI 和T2WI 均为横轴位扫描且定位一致，视野320 mm×320 mm，层厚4 mm，层距1 mm。动态增强扫描采用VIBRANT 序列，TR 4.7 ms，TE 2.2 ms，矩阵320 mm×320 mm，层厚1.0 mm，共行12 期扫描，第1 期为预扫描，扫描结束后经肘静脉团注Gd-DTPA（剂量0.1 mmol/kg 体质量），流率2 mL/s，单期扫描时间为41 s。

1.3 图像观察及数据测量

参照BI-RADS（2013 版）［1］的方法观察、记录病变的影像特征，将所有图像传至ADW4.3 工作站进行后处理。病变的形态学特征依据动态增强扫描图像确定，以胸大肌为参照记录病变的T2WI 信号特点。①绘制TIC：ROI 分别放置于强化最明显的区域，重复测量3 次，选取最倾向于恶性的曲线作为病变的TIC，计算其早期强化率。②ADC 值测量：ROI定位参照动态增强扫描图像，选取3 个ROI 测量取平均值；绘制ROC 曲线判断最佳诊断界值，以小于最佳界值者为恶性，反之则为良性。③血管征的判定：取强化最明显的减影图像行MIP，观察病灶及其周边是否有异常增多、增粗的血管。以血管长度≥30 mm且最大径≥2 mm 为筛选标准，两侧乳腺血管计数差值≥2 个为乳腺血供不对称性增加；若有1 支或多支血管进入病变，判定为供血血管［3］。有其中之一或二者判定为邻近血管征阳性。MLE 亚分类采用Fischer’s评分联合ADC 值进行［4］（表1，2）。NMLE 亚分类通过对数据统计分析后制订多参数评分模型进行。所有病变的特征及参数的获得均由2 位具有5 年以上乳腺MRI 工作经验的医师共同判定。

表1 Fischer’s 评分

表2 MLE BI-RADS 4 类病变MRI 亚分类规则

1.4 统计学方法

采用Medcalc 12.7 软件进行统计学分析。绘制ROC 曲线确定ADC 值的最佳诊断界值。采用χ2检验和Fisher 确切检验分析NMLE 良恶性病变分布、内部强化特征及T2WI 信号特点的差别；采用logistic回归分析确定多参数评分模型。利用ROC 曲线及Kappa 一致性分析判断诊断效能。以P＜0.05 为差异有统计学意义。

2 结果

2.1 MLE 分析

302 例MLE 中，Fischer’s 评 分0 分5 例，1 分22 例，3、4 分各43 例，5 分70 例，6、7 分各36 例，8 分2 例。采用Fischer’s 评分联合ADC 值发现4 类病变共112 例，其中4a 类33 例，4b 类25 例，4c 类54 例。ROC 曲线分析发现，以BI-RADS 4b 类为最佳临界值，诊断良恶性病变的敏感度、特异度分别为 97.86%（95%CI 93.9%～99.6%）、88.27%（95%CI 82.3%～92.8%）（图1）。

图1 肿块样强化病变（MLE）采用Fischer’s 评分联合ADC 值行乳腺影像报告和数据系统（BI-RADS）4 类病变亚分类的ROC 曲线 图2 非肿块样强化病变（NMLE）多参数评分的ROC 曲线 图3 以BI-RADS 4 类病变亚分类诊断乳腺良恶性病变的ROC 曲线

2.2 NMLE 多参数模型分析

ADC 值的最佳诊断界值为1.38×10-3mm2/s，AUC 为0.693（95%CI 0.581～0.791），敏感度88.89%，特异度47.22%，以ADC 值≤1.38×10-3mm2/s 为恶性病变的判断标准。病变分布、内部强化方式、TIC 曲线、ADC 值及血管征在良、恶性病变中差异均有统计学意义（均P＜0.05）。logistic 多因素分析发现，病变分布（节段样分布）、内部强化方式（簇集样强化）、ADC值及血管征阳性是恶性病变的独立预测因素（OR 值分别为8.70、6.29、4.56、2.84）。将以上征象纳入多模态评分模型，并分别赋分4、3、2、1 分，总分为0～10 分（表3）。ROC 曲线分析发现其最佳临界值为4 分，诊断敏感度和特异度分别为87.01%（95%CI 77.4%～93.6%）、82.22%（95%CI 67.9%～92.0%）（图2）。定义1～6 分为4 类病变，其中1～2 分为4a 类、3～4 分为4b 类、5～6 分为4c 类。NLME：BI-RADS 4 类病变共53 例，其中4a 类19 例、4b 类16 例、4c 类18 例。

表3 NMLE 多参数模型赋分结果 例

2.3 亚分类结果

424 例中，BI-RADS 4 类 病变共165 例，其中BI-RADS 4a 类病变52 例，4b 类病变41 例，4c 类病变72 例（表4）。ROC 曲线分析发现，以BI-RADS 4b类为诊断良恶性的诊断界值，敏感度和特异度分别为96.77%、81.44%（图3）。以BI-RADS 4b、4c 类病变为恶性，4a 类病变为良性［5］，Kappa 一致性分析发现其与病理结果的一致性显著（K=0.787）（图4，5）。

图4 非肿块样强化病变的MRI 图像 注：患者，女，58 岁，左乳节段性分布、不均匀强化病变（图4a），DWI 呈不均匀高信号（图4b），ADC 值1.58×10-3 mm2/s（图4c），TIC Ⅱ型（图4d），MIP 图像示供血血管（图4e），多参数评分5 分，判定为乳腺影像报告和数据系统（BI-RADS）4c 类，病理结果为导管内原位癌 图5 肿块样强化病变的MRI 图像 注：患者，女，52 岁，左乳不规则结节，边缘不清，不均匀强化（图5a），DWI 呈明显高信号（图5b），ADC 值0.98×10-3mm2/s（图5c），TIC Ⅰ型，早期强化率95%（图5d），剪影后MIP 图像可见供血血管（图5e），Fischer’s 评分4 分，ADC 值＜1.38×10-3 mm2/s，判定为BI-RADS 4b 类，病理结果为浸润性小叶癌

表4 BI-RADS 4 类病变MRI 亚分类结果

3 讨论

参照既往的研究方法［5］，本研究MLE 采用Fischer’s 评分联合ADC 值进行亚分类。有学者对Fischer’s 评分进行改良诊断乳腺病变，并认为可采用MRI 进行亚分类，但未联合使用DWI［6］。DWI 及ADC 值已被证实有助于乳腺病变良恶性的鉴别［7］，可在分子水平上反映不同组织、不同状态下组织中水分子扩散能力的变化。恶性肿瘤内细胞分布密集、细胞核大而包浆少、水分子扩散受限，其ADC 值通常小于良性病变，故将ADC 值作为乳腺病变亚分类的影响因素。既往也有学者认为DWI 可用于乳腺病变的亚分类，但未明确具体的评分方法［8-9］。本研究发现，采用Fischer’s 评分联合ADC 值诊断MLE 的良恶性具有良好的价值，ROC 曲线分析发现以BI-RADS 4b 为最佳临界值，诊断敏感度、特异度分别为97.86%、88.27%。

NMLE 是乳腺MRI 的诊断难点，仅参照Fischer’s评分的诊断准确率不高，因此，本研究对NMLE 采用独立的诊断模型。由于NMLE 内混杂正常腺体及脂肪，其早期强化率及TIC 等测量准确性易受影响［4，10］，故本研究将血管征引入NMLE 的诊断。血管征是在宏观水平反映乳腺肿瘤的血供，且不受乳腺腺体组织的干扰，能直接反映恶性肿瘤的血供，因此病变周围增多、增粗的血管在反映病变的良恶性时可能较TIC 及早期强化率更具优势。另外，NMLE 中节段样分布、簇集样强化对恶性病变具有很高的诊断价值，与以往研究［11-13］相符。本研究中病变ADC 值的权重低于病变的分布和内部强化特征，考虑与NMLE 中肿瘤和正常组织相互混杂有关。病变分布、内部强化方式、ADC 值及血管征阳性是恶性病变的独立预测因素（OR值分别为8.70、6.29、4.56、2.84），因此对其分别赋分为4、3、2、1 分，建立多参数预测模型。ROC 曲线分析发现，诊断恶性的最佳临界值为4 分，诊断特异度和敏感度分别为87.01%、82.22%。

本研究中BI-RADS 4 类病变共165 例，其中BI-RADS 4a、4b、4c 类病变分别52、41、72 例，Kappa一致性分析也发现，与病理结果具有显著的一致性。

本研究不足之处：①NMLE 患者较少，还需更大样本进行验证。②未联合其他影像学检查方法综合分析。

综上所述，对BI-RADS 4 类病变进行亚分类，可更好地指导临床治疗。