基于DCE-MRI表現的logistic回歸分析模型在乳腺良惡性病變診斷中的應用＊

劉剛虎 汪 飛 程蘭蘭 胡漢金

安慶市立醫院醫學影像科 (安徽 安慶 246003)

乳腺病變是女性常見、多發病之一，包括乳腺結節等良性病變與乳腺癌等惡性病變。乳腺是女性機體重要部分，一旦發生惡性病變，往往需要對乳房進行手術治療，給女性生理及心理帶來極大損害。近年來乳腺癌發病率逐漸上升，且出現年輕化趨勢。根據2020年國際癌癥研究機構(IARC)發布數據顯示，乳腺癌新發病例約占全球新發癌癥病例的11.7%，首次超過肺癌成為癌癥發病率全球第一[1]。中國乳腺癌患者占所有癌癥患者9.1%，也是中國女性癌癥發病類型首位。乳腺癌死亡人數約占中國癌癥死亡總數3.9%，占女性癌癥死亡率第四位，嚴重危害女性健康[2]。乳腺癌早期癥狀不明顯，30%的女性確診時已是晚期，錯過最佳治療期，影響女性生命質量。對乳腺良惡性病變進行準確鑒別對患者的治療方案起確定性作用，從而改善預后。隨著醫學影像學的發展，動態增強MRI(dynamiccontrast enhanced MRI，DCE-MRI)在乳腺良惡性病變診斷中廣泛應用，DCE-MRI可以直觀反映病灶的血流動力學特征，其較傳統CT檢查具有解剖圖像清晰，無輻射等的優點[3-4]。但影像學診斷乳腺疾病結果依賴操作者與新技術應用的熟練程度及診斷經驗，存在“異病同影”的問題，缺乏特征性指標。如何提高影像學對乳腺疾病的診斷能力成為研究熱點之一。因此學者們提出了乳腺癌的預測模型，利用數學模型結合影像學資料，做出更準確客觀的診斷[5]。因此，本研究基于多模態MRI影像學表現，采用logistic回歸分析的方法構建乳腺良惡性病變診斷模型，旨在提高對乳腺良惡性病變鑒別診斷的水平。

1 資料與方法

1.1 一般資料回顧性分析2021年1月至2023年10月來我院進行乳腺檢查患者161例臨床資料。

納入標準：術前兩周內行乳腺MRI平掃和DCE-MRI掃描；均經手術病理證實疾病良惡性。排除標準：既往有其他惡性腫瘤病史或乳腺疾病史；有MRI禁忌證；不能耐受上臂上舉。

最終納入161例乳腺疾病患者，均為女性，經術后病理檢查確診。良性病變者60例：乳腺纖維腺瘤者35例，乳腺腺病16例，導管內乳頭狀瘤12例，部分患者合并多種良性病變；惡性病變者101例：浸潤性導管癌76例，導管原位癌14例，浸潤性小葉癌3例，浸潤性乳腺癌3例，實性乳頭狀癌2例，粘液癌1例，腺樣囊性癌1例，浸潤性癌1例。分別納入良性組及惡性組，見表1。

表1 病例基本情況[n(%)]

1.2 DCE -MRI 掃描方法采用德國西門子3.0T Skyra MR超導型掃描儀，檢查前患者去除身上金屬物品，取俯臥位，雙乳充分暴露、自然懸垂于線圈中心，雙臂置于頭兩側。檢查過程中保持平靜呼吸、避免移動和吞咽動作。

掃描序列和參數：軸位T1WI：視野(Field of View，FOV)340 m m×340 mm、重復時間(repetition time,TR)450ms，回波時間(echo time,TE)為9.7ms、層厚/層間距 4mm/1mm、矩陣 320×320；T2WI：TR4050ms、TE80ms；抑脂T2WI：FOV 340mm×340mm，TR4200ms、TE60ms，層厚/層間距3mm/1mm，矩陣384×384。DWI序列：FOV340mm×340mm，TR/TE=7600/71ms，層厚/層間距5mm/1mm，矩陣160×160，b值(激勵次數)為50s/mm2，1000s/mm2。

DCE-MRI：TR 4.7ms，TE 1.77ms，層厚 1.2mm，反轉角10°，FOV 320mm×320mm，矩陣320×320。應用乳腺容積成像序列進行增強掃描，第一個時相先掃蒙片，隨后采用高壓注射器以2mL/s速率，注射0.2mmol/kg對比劑釓噴酸葡胺注射液和等量生理鹽水，注入對比劑后行動態增強掃描，單期掃描時間為1min，共獲得7期圖像。

將所得數據及圖像上傳至Syngo工作站，由2名高年資乳腺放射科醫師進行后處理及重建，判定診斷結果采用雙盲法，意見不一致時共同協商認定。

1.3 統計方法選擇SPSS 20.0統計學軟件進行統計分析，計數資料以率[n(%)]表示，比較采用χ2檢驗或Fisher精確檢驗；定量資料以平均數±標準差表示，比較采用t檢驗；非正態分布的定量資料采用中位數(四分位數距)[M(Q)]表示，組間比較采用Mann-Whitney U檢驗。實施Logistic回歸分析，建立Logistic回歸模型；繪制受試者工作特征曲線(ROC)評估評價模型診斷能力；當P<0.05，表明差異有統計學意義。

2 結 果

2.1 病例基本情況兩組腺體分型比較差異無統計學意義(P>0.05)。年齡、生育史等差異有統計學意義(P<0.05)。見表1。 單因素分析顯示，兩組TIC曲線、ΒI-RADS分級、早期強化率、邊緣形態及病灶大小比較差異有統計學意義(P<0.05)。見表2。

表2 影響乳腺良惡性病變DCE-MRI危險因素分析[n(%)]

2.2 影響乳腺良惡性病變賦值二分類型指標賦值為0、1，數值型賦值為實測值，病變良惡性賦值：良性病變=0，惡性病變=1。見表3。

表3 影響乳腺良惡性病變DCE-MRI危險因素賦值

2.3 影響乳腺良惡性病變二元Logisitic回歸分析根據二元Logistic回歸分析結果顯示，TIC曲線、ΒI-RADS分級、早期強化率、邊緣形態及病灶大小是乳腺良惡性病變危險征像。從而建立Logistic回歸診斷模型為：Y=-0.633+0.645TIC曲線+2.112×ΒIRADS分級+1.142×早期強化率+1.136×邊緣形態+1.136×病灶大小，見表4。

表4 影響乳腺良惡性病變二元Logisitic回歸分析

2.4 二元Logisitic診斷模型的評價與驗證結果采用ROC曲線評價基于DCE-MRI表現的Logisitic回歸分析乳腺良惡性診斷模型，敏感度83.33%，特異度為85.15%，ROC曲線下面積AUC為0.944，提示該模型具有較高的診斷效能。

圖1 Logisitic乳腺良惡性診斷模型ROC曲線分析圖

圖2A-圖2C 左乳乳腺纖維腺瘤；患者女，35歲，左乳乳腺纖維腺瘤。圖2A MRI橫軸位脂肪抑制T2WI示左乳外上象限見一類圓形團塊狀高信號影，信號欠均勻，其內可見低信號分隔，境界清晰；圖2B 病灶增強呈不均勻強化；圖2C 動態增強后病變區時間-信號強度曲線圖呈流入型。圖3A-圖3C 左乳浸潤性導管癌；患者女，61歲，左乳浸潤性導管癌。圖3A MRI橫軸位脂肪抑制T2WI示左乳外上象限見不規則分葉狀腫塊影，邊緣可見毛刺，境界不 清；圖3B 增強后病灶明顯強化，強化程度欠均勻，中心見斑點狀相對低信號；圖3C 動態增強后病變區時間-信號強度曲線圖呈流出型。

3 討 論

乳腺惡性病變是婦女較為常見的腫瘤疾病，且發病率一直處于上升趨勢。隨著影像學技術在醫學領域的發展，MRI已成為乳腺良惡性病變臨床鑒別重要方式。尤其是DCE -MRI技術，具有多序列成像、多參數、多方位等特點，且有較高的軟組織的空間分辨率。TIC曲線可以反映病灶血流灌注情況，腫瘤強化特征及血流輪廓情況，可克服乳腺脂肪組織較多引起的環形偽影問題[6-7]。但同時乳腺良惡性病變的組織結構差異較大，形態不規則、邊界不清及內部砂礫樣鈣化等惡性腫物共同特征，在實際診斷中不一定同時具備，而且良、惡性腫物影像學資料存在部分征象重疊，難免影響診斷的準確性[8-9]。二元Logistic回歸分析，能夠將統計學意義的因子從諸多因素中分析出，并進行各因子交互分析，起到篩選作用[10-11]。因此，廣泛應用于臨床研究各種疾病診斷模型建立中。本研究通過分析DCE-MRI表現，構建乳腺良惡性病變的二元Logistic回歸分析診斷模型，并進行ROC曲線判斷該模型效能。

本研究應用DCE -MRI表現的資料，經過二分類Logistic回歸分析，篩選出TIC曲線、ΒI-RADS分級、早期強化率、邊緣形態及病灶大小5項特征變量具有統計學意義，提示其在乳腺良惡性鑒別診斷中的作用，需要著重觀察。本研究建立診斷模型，ROC曲線研究結果顯示，敏感度83.33%，特異度為85.15%，ROC曲線下面積AUC為0.944，提示該模型具有較高的診斷效能?；贒CE-MRI表現二元Logistic乳腺良惡性病變診斷模型，作為乳腺病變無創診斷工具，有良好的臨床推廣價值。

TIC曲線主要分為平臺型、流入型、流出型(廓清型)，主要由MR的動態增強序列注射造影劑后，根據病灶強化程度在不同時相上的數值描繪，反映病灶血流動力學特征，對于病變性質判斷有所幫助[12]。研究結果顯示良惡性病變TIC曲線比較差異性具有統計學意義。其機制在于良性、惡性病變對于造影劑的攝取和排泄速度不同所致，而惡性病變有較多的腫瘤新生血管，致使造影劑排泄較快。但腫瘤血管發育不良具有較高的血管通透性，加速腫瘤部位對比劑的滲出。因此，信號強度在短時間內迅速上升，達到峰值后呈下降趨勢，TIC曲線多呈流出型[13-14]。同理，信號強度迅速上升并達到峰值后，保持緩慢但穩定上升的流入型曲線更傾向于良性病變。但是同樣良惡性病變曲線重疊較大，尤其是平臺型曲線，需結合臨床病理檢查。DCE -MRI早期強化程度受病灶血管及血液灌注情況直接影響，因此，成為乳腺良惡性病變重要診斷參考指標[15-16]。早期強化率≥100%OR值為1.906，提示早期強化率≥100%患者發生乳腺惡性病變概率是小于100%的患者的近2倍，丁寧[17]等研究結果顯示乳腺病變良惡性診斷指標中早期強化率ROC曲線的AUC為0.783，也說明其在乳腺病變良惡性診斷中的重要性，與本研究結果具有一致性。乳腺癌具有多種形態特征，其中病灶形態不規則、邊緣不整齊是其主要表現[18-19]。本研究結果顯示邊緣形態不清晰是乳腺惡性病變獨立危險因素。主要與惡性腫瘤的浸潤性或不均衡生長有關，良性病變如纖維瘤等，呈現異常增殖，膨脹性生長狀態，但并不侵入鄰近組織，因此包膜完整，動態增強后呈現邊界清楚、形態規則狀態[20-21]。而惡性病變因浸潤傾向，包膜突破，呈現邊緣不清楚、形態不規則[22]。 綜上所述，本研究建立基于DCE-MRI表現的logistic回歸分析模型，能有效診斷乳腺良惡性病變，有助于乳腺病變早期診斷及制訂正確的治療方案。本研究作為回顧性研究，存在一定局限性，本研究數據組來自一個醫療中心，且樣本量相對較小，導致結果缺少泛化性和穩健性，需要進一步進行多中心數據分析。為了使模型更加簡單，僅對用DCE-MRI序列提取的影像特征進行研究，這可能降低模型的效能，需要在后續研究中進一步深入探討。