基于动态对比增强磁共振影像学特征对乳腺癌分子分型的预测价值

[摘 " 要] " 目的：探讨动态对比增强磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）图像根据乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）规范的影像特征对乳腺癌分子分型的预测价值。方法：回顾性分析行乳腺MRI检查的97例乳腺癌患者的临床和影像学资料，其中Luminal A型26例、Luminal B 型34例、人表皮生长因子受体-2（human epidermal growth factor receptor 2，HER-2）过表达型19例、三阴性18例。比较4种不同分子亚型乳腺癌的影像学特征，采用多元Logistic 回归分析影响乳腺癌分子分型的因素及其预测乳腺癌分子分型的价值。结果：不同分子亚型乳腺癌肿瘤最大径、子灶、周围血管增多及乳头改变比较，差异均有统计学意义（P＜0.05）。多元Logistic 回归分析结果显示，肿瘤最大径、子灶、周围血管增多及乳头改变是乳腺癌分子分型的独立影响因素（均P＜0.05），四者联合预测乳腺癌分子分型准确率分别为72.0%、88.6%、84.2%、73.7%，模型总体预测准确率为80.6%。结论：肿瘤最大径、子灶、周围血管增多及乳头改变可有效预测乳腺癌分子分型。

[关键词] " 乳腺癌；分子分型；动态对比增强磁共振；影像学特征

[中图分类号] " R445.2 [文献标志码] " B [DOI] " 10.19767/j.cnki.32-1412.2024.06.021

根据乳腺癌不同的基因表达可分为Luminal A型、Luminal B型、人表皮生长因子受体-2（human epidermal growth factor receptor-2，HER-2）过表达型和三阴性乳腺癌（triple negative breast cancer，TNBC）[1]。术前确定乳腺癌亚型需对穿刺活检标本行免疫组化检查，此方法不仅有创，且存在取材不充分的问题，难以全面评估乳腺癌的异质性[2]。因此，有必要探寻更好、更简单的方法来区分乳腺癌分子亚型。动态对比增强磁共振（dynamic contrast-enhanced magnetic resonance，DCE-MR）是基于组织微循环特征的影像学检查，能无创提供乳腺肿瘤多方面信息，已成为分析乳腺癌不同分子机制的研究热点[3]，可用于诊断和判断乳腺癌预后[4-7]。此前很多论文探讨T2加权图像特征、表观扩散系数及动态对比增强模式在预测乳腺癌分子亚型中的作用[8-12]，但研究结果的差异较大。本研究回顾性分析南通市中医院2018年1月—2023年12月接受DCE-MR检查的乳腺癌患者97例临床和影像学资料，研究各型乳腺癌的影像学特征及其预测乳腺癌分子亚型的价值。

1 " 资料与方法

1.1 " 一般资料 " 接受乳腺DCE-MR检查的乳腺癌患者97例，均为女性，年龄30～85岁，平均（53.53±12.03）岁；其中Luminal A型26例，Luminal B型34例，HER-2过表达型19例，三阴性18例。Luminal A型患者平均年龄（55.08±14.22）岁，绝经15例（57.7%），未绝经11例（42.3%），乳腺癌左侧11例（42.3%），右侧15例（57.7%）；Luminal B型患者平均年龄（55.09±11.45）岁，绝经17例（50.0%），未绝经17例（50.0%），乳腺癌左侧21例（61.8%），右侧13例（38.2%）；HER-2过表达型患者平均年龄（49.47±9.52）岁，绝经9例（47.4%），未绝经10例（52.6%），乳腺癌左侧7例（36.8%），右侧12例（63.2%）；三阴性乳腺癌患者平均年龄（52.67±11.93）岁，绝经12例（66.7%），未绝经6例（33.3%），乳腺癌左侧8例（44.4%），右侧10例（55.6%）。四种分子型乳腺癌患者一般资料比较，差异均无统计学意义（P＞0.05）。入组标准：（1）图像采集设备和扫描条件一致；（2）手术病理证实为乳腺癌；（3）MR检查前未进行过穿刺活检、手术切除或放化疗等治疗。

1.2 " 检查设备及方法 " 采用GE Signa HDxt 1.5T超导磁共振扫描仪，扫描方案主要包括3个序列：（1）脂肪抑制T2WI；（2）磁共振弥散加权成像：TR/TE 8 300/63.6 ms，FOV 32 cm×32 cm，矩阵256×256，层厚5 mm，层间隔6 mm，b值选择0、1 000 s/mm2，NEX=4；（3）DCE-MRI：采用3D Vibrant技术，静脉注入对比剂钆喷酸葡胺后延迟28 s扫描，剂量为0.1 mmol/kg，速率为2 mL/s，连续扫描8个时相，每个时相52～60 s；图像层厚1.4 mm，FOV 28～36 cm，矩阵512×512，翻转角 12°，激发1次。增强前行蒙片扫描，动态采集平扫及注射造影剂后共9期。

1.3 " 影像特征评估 " 形态学特征参考乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）2013年版，包括：（1）病灶类型：非肿块型、肿块型；（2）病灶形态：类圆形、分叶形及不规则形；（3）病灶边缘：光滑、毛刺状及不规则；（4）血流动力学表现：强化方式（均匀、不均匀及环形强化）、时间-信号强度曲线（time intensity curve，TIC）类型；（5）肿块周围征象，如子灶（单侧乳腺同一象限内存在2个或多个恶性病灶）、周围血管增多、腋窝淋巴结肿大、皮肤改变（皮肤收缩、增厚或受侵）和乳头改变（乳头收缩）。在DCE-MR序列中增强后第二期测量轴位上病灶最大径。图像采用专用工作站软件（GE Functool软件）处理，避开囊变、出血、坏死等区域，在病灶最大层面中心区域勾画感兴趣区，自动获得病灶TIC。根据病灶强化特征将TIC曲线分为流入型、平台型和流出型。在三维最大密度投影（three dimensions maximum intensity projection，3D-MIP）图像上观察病灶周围血管增多情况。背景实质强化（background parenchymal enhancement，BPE）采用BI-RADS Atlas定性分类，包括极小（＜25%纤维腺体组织强化）、轻度（25%～50%纤维腺体组织强化）、中度（50%～75%纤维腺体组织强化）、显著（＞75%纤维腺体组织强化）。

1.4 " 病理组织分析 " 手术切除乳腺肿瘤组织，福尔马林固定、石蜡包埋，行免疫组化染色，检测雌激素受体（estrogen receptor，ER）、孕激素受体（progesterone receptor，PR）、HER-2及Ki-67的表达情况。核染色细胞超过10%为阳性，根据ER、PR和HER-2表达情况，分为Luminal A型（ER或PR阳性，HER-2阴性）、Luminal B型（ER或PR阳性，HER-2阳性）、HER-2过表达型（ER阴性，HER-2阳性）或三阴性（ER阴性，PR阴性、HER-2阴性）。

1.5 " 统计学处理 " 采用SPSS 22.0软件包对数据进行统计学分析。符合正态分布的计量资料以x±s表示，多组间比较采用单因素方差分析；非正态分布的计量数据以M（Q25，Q75）表示，多组间比较采用Kruskal-Wallis H检验，两两比较采用Bonferroni校正（P＜0.0125表示差异有统计学意义）。计数资料以频数及百分率表示，组间比较采用χ2检验。对单因素分析中Plt;0.10的变量采用多元Logistic回归分析影响乳腺癌分子分型的因素。P＜0.05表示差异有统计学意义。

2 " 结 " " "果

2.1 " 不同分子分型乳腺癌间影像特征比较 " Luminal A型、Luminal B型、HER-2过表达型及三阴性乳腺癌肿瘤最大径、子灶、周围血管增多及乳头改变方面的差异均有统计学意义（P＜0.05）。两两比较显示，Luminal A型与Luminal B型、Luminal B型与三阴性患者子灶、周围血管增多及乳头改变的差异均无统计学意义（P＞0.05）；Luminal A型与HER-2过表达型患者比较，肿瘤最大径（Bonferroni校正P=0.008）、周围血管增多（Bonferroni校正P=0.010）差异均有统计学意义；Luminal B型与HER-2过表达型患者比较，子灶（Bonferroni校正P=0.003）、周围血管增多（Bonferroni校正P=0.001）差异均有统计学意义；HER-2过表达型与三阴性患者比较，乳头改变（Bonferroni校正P=0.004）差异有统计学意义。见表1。

2.2 " 影像特征对乳腺癌分子分型的预测价值 " 以乳腺癌分子分型为因变量，以肿瘤最大径为自变量，子灶、周围血管增多及乳头改变为协变量，进行多元Logistic回归分析，建立预测模型：Logit（P）=40.064（截距）＋59.390×子灶＋49.214×周围血管增多+48.302×乳头改变＋210.041×肿瘤最大径。结果显示，肿瘤最大径、子灶、周围血管增多及乳头改变是乳腺癌分子分型的独立影响因素（均P＜0.05），Hosmer-Lemeshow检验显示模型拟合效果良好，P=0.924，模型能很好地拟合原始数据，概率较大。四者联合预测乳腺癌分子分型准确率分别为72.0%、88.6%、84.2%、73.7%，总体预测准确率为80.6%。

3 " 讨 " " "论

乳腺癌不同分子亚型间发病率、生存率以及对治疗的反应差异较大。虽然病理活检是分型的金标准，但毕竟是有创的，而DCE-MR能无创性提供乳腺癌多方面信息[13-14]。乳腺病变的形态特征及强化方式是鉴别良恶性的重要参考指标，不规则形态、不均匀强化和环形强化是乳腺癌常见征象。乳腺癌MR特征与其分子生物学存在密切关系。本研究使用2013年第5版MR BI-RADS对病灶影像特征进行观察，规范病变特征的描述，有效减少不同放射医师间的主观差异。

本研究结果显示，Luminal A型、Luminal B型、HER-2过表达型及三阴性乳腺癌肿瘤最大径、子灶、周围血管增多及乳头改变方面的差异均有统计学意义（P＜0.05）。与Luminal A型比较，HER-2过表达型肿瘤最大径大，周围血管增多较多见，差异均有统计学意义（P＜0.05）；与Luminal B型比较，HER-2过表达型子灶增多、周围血管增多减少，差异均有统计学意义（P＜0.05）；与三阴性患者比较，HER-2过表达型乳头改变增多，差异有统计学意义（P＜0.05）。本研究结果与其他学者的研究结果一致[15-16]，表明HER-2过表达型与其他三种分型可以通过不同的MR影像特征进行鉴别，而其他三种类型MR影像特征的差异不显著。肿瘤大小是细胞增殖和死亡等生物过程的结果，高增殖肿瘤通常与不良预后相关，较大的肿瘤预后比较小的肿瘤差[17]。有研究显示，血管生成是乳腺癌的独立危险因素，与肿瘤大小、组织学类型、腋窝淋巴结转移等预后因素相关。病变周围血管生成是癌症的标志，也是肿瘤生长、侵袭和进展的关键条件[18-19]。

本研究多元Logistic回归分析结果显示，肿瘤最大径、子灶、周围血管增多及乳头改变是乳腺癌分子分型的独立影响因素（均P＜0.05），四者联合预测乳腺癌分子分型准确率分别为72.0%、88.6%、84.2%、73.7%，总体预测准确率为80.6%，提示可有效预测乳腺癌分子分型。

[参考文献]

[1] GRAVALLESE E M，FIRESTEIN 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] 邓勋伟，黄波，汪鹏，等. 多模态MRI联合血清miR-125b对乳腺癌新辅助化疗疗效的预测价值［J］. 放射学实践，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，王丽君，等. 乳腺MRI背景实质强化与乳腺癌分子分型的相关性［J］. 放射学实践，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，杨鸿羽，赵青，等. 锥光束乳腺增强CT影像特征与乳腺癌激素受体及HER-2表达状态的相关性［J］. 放射学实践，2023，38（12）：1554-1561.

[16] ZHANG C，LIANG Z，FENG 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，宁宁，赵思奇，等. 基于DCE-MRI的3D-MIP重建及多参数评估BI-RADS 4类乳腺肿瘤［J］.磁共振成像，2024，15（5）：94-101.

[19] 雷鸣峰，邓宏亮，金汉葵，等. 磁共振成像评价乳腺血供在乳腺良恶性疾病鉴别诊断中的价值［J］. 中国CT和MRI杂志，2020，18（10）：70-73，封2 .

[收稿日期] 2024-09-08

（本文编辑 " 缪宏建）