MRI定量參數預測子宮內膜癌病理分級的價值

武雅琳 劉穎 馬菊香 韓麗珠 葉兆祥

子宮內膜癌（endometrial carcinoma，EC）是最常見的婦科惡性腫瘤之一，發病率占婦科惡性腫瘤的56.8%［1］，嚴重威脅女性健康。腫瘤的組織學亞型、病理分級、FIGO分期及淋巴結轉移狀態決定EC的治療計劃及預后［2］。目前，診斷性刮宮是術前確定EC 分級的主要方法，但其存在盲目、有創、因取樣少不能反映病變整體而導致漏診、誤診的缺點［3］。MRI具有多序列、多參數、多方位成像及組織分辨率高的特點，其中DWI 可反映組織內水分子的擴散運動并通過表觀擴散系數（apparent diffusion coefficient，ADC）量化其運動受限程度，對EC 術前診斷及制定治療方案等具有重要作用。本研究通過分析EC不同病理分級間各常用MRI 參數的區別，以期為術前鑒別高低級別EC 建立簡單有效的判定標準，為臨床制定治療方案提供一定的參考依據。

1 材料與方法

1.1 材料

1.1.1 研究對象 回顧性分析2014年2月至2019年1月188例經天津醫科大學腫瘤醫院手術病理證實的EC 患者的術前MRI 圖像及臨床資料，患者年齡為26～76歲，平均年齡54歲。排除標準：1）術前行放療或化療；2）圖像資料不全；3）病灶太小或圖像偽影重影響測量；4）MRI檢查與手術時間間隔超過15天。

1.1.2 MRI 檢查設備 采用GE1.5T Medical Systems Signa HDxt 掃描儀（美國GE 公司）及8 通道體部相控陣線圈，患者檢查前至少禁食8 h，仰臥位正常呼吸進行掃描。參數如下：1）橫軸位及矢狀位T2（FS）FRFSE序列，視野（FOV）42 cm/36 cm，矩陣160×160，層厚為7 mm/6 mm，層間距1 mm，激勵次數（NEX）為2，TR為4 560 ms/3 400 ms，TE為102 ms；2）橫軸位及矢狀位DWI，FOV為42 cm/36 cm，矩陣128×128，層厚7 mm/6 mm，層間距1 mm，TR 為4 800 ms/3 600 ms，TE為72 ms，b值為0、800 s/mm2。

1.2 方法

1.2.1 MRI 圖像分析 所有MRI 定量參數均由2 名放射科醫生在不知病理結果的情況下共同商討測量完成。參照DWI在T2WI 3個垂直平面測量腫瘤和子宮（包括宮體及宮頸）的主要直徑，使用橢球公式V=4π×a×b×c/3 計算腫瘤及子宮的體積及其比值（neo?plasm/uterus volume ratio，N/U）。利 用GE 工 作 站Functool 軟件包生成ADC 圖（b 值為800 s/mm2）進行ADC值測量，結合矢狀位T2WI在腫瘤最大橫截面及相鄰兩層面分別繪制橢圓形感興趣區（region of inter?est，ROI），計算病灶的ADC 平均值（ADCmean），ROI 盡可能包括更多的病灶信息并避開邊緣、囊變、壞死、出血及正常組織。根據離散系數（coefficient vari?ance，CV）公式，CV=s/x 計算ADC 值的CV（CVADC），在矢狀位圖像測量子宮肌層的ADC 值，注意避開子宮肌瘤及腺肌癥；在軸位圖像右側閉孔內肌及臀大肌面積最大的層面測量兩者的ADC 值，盡量避開脂肪間隙及血管；參比部位均測量三次取平均值。根據rADC子宮肌層/閉孔內肌/臀大肌=ADC病灶/ADC子宮肌層/閉孔內肌/臀大肌計算得出3 處ADC 比值（rADC）。最后對腫瘤體積、N/U、ADCmean、3處rADC及CVADC進行分析。

1.2.2 病理分級 手術病理切片均由本院2 名病理科醫師共同評估。根據EC組織學分為子宮內膜樣腺癌及非子宮內膜樣腺癌亞型。根據子宮內膜樣腺癌的FIGO分級分為G1、G2、G3級。由于非子宮內膜樣腺癌分化程度低、侵襲性強且預后差將其歸為G3。由于G1預后及5年生存率明顯高于G2和G3，因此將G1歸為低級別組，G2和G3歸為高級別組。

1.3 統計學分析

使用SPSS 24.0及MedCalc 19.0.7軟件進行統計學分析。采用非參數檢驗對連續變量進行分析，行受試者工作曲線（receiver operating characteristic，ROC）分析。利用Logistic回歸分析有意義的參數建立聯合預測模型。以P＜0.05為差異具有統計學意義。

2 結果

2.1 病理結果

188例患者均經手術病理證實，其中子宮內膜樣腺癌162 例、非子宮內膜樣腺癌26 例，FIGO 分級中G1為64例、G2為68例、G3為56例。

2.2 不同病理分級間MRI定量參數分析

不同病理分級間MRI定量參數分析見表1。N/U、ADCmean、3 處rADC 在不同病理分級間差異均具有統計學意義。ADCmean、3 處rADC 隨病理分級的升高逐漸降低，腫瘤體積隨病理分級升高逐漸升高，但在不同病理分級間差異無統計學意義（P=0.05）；不同病理分級間CVADC差異無統計學意義（P=0.999）。

2.3 高、低級別EC間MRI定量參數及各參數ROC曲線分析

除腫瘤體積及CVADC在高、低級別兩組間差異無統計學意義，其余參數在兩組間差異均具有統計學意義（均P＜0.001），高級別組的ADCmean及3處rADC均低于低級別組，而N/U高于低級別組（表2）。對各參數單獨行ROC曲線分析，其對高、低級別EC的預測效能見表3、圖1。其中rADC閉孔內肌的效能最高，曲線下面積（AUC）為0.786、靈敏度為83.90%、特異度為65.60%。通過ROC曲線對4個參數進行成對比較，差異具有統計學意義（P＜0.05，表4）。

表1 不同病理等級間MRI定量參數分析（中位數）

表1 不同病理等級間MRI定量參數分析（中位數）（續表1）

表2 高、低級別EC間MRI定量參數分析（中位數）

表3 各參數ROC曲線分析

圖1 各獨立定量參數的ROC曲線

表4 成對比較各參數ROC曲線有差異的組合

2.4 建立聯合模型

將ADCmean、N/U、rADC子宮肌層、rADC閉孔內肌及rADC臀大肌經Logistic 向前回歸被納入方程，N/U 及rADC子宮肌層進入方程式內。該邏輯回歸模型的方程式為：Logit（P）=4.984+6.272X1-7.646X2（X1 代表N/U；X2 代表rADC子宮肌層）。ROC 曲線分析顯示，N/U 聯合rADC子宮肌層對高、低級別EC 具有較好的診斷效能，AUC為0.777，當N/U＞0.11、rADC子宮肌層＜0.65時診斷高級別EC的靈敏度為70.97%、特異度為76.56%（圖2）。

圖2 聯合模型的ROC曲線

3 討論

子宮內膜癌是女性惡性腫瘤中發病率較高的疾病，其癥狀主要表現為陰道不規則出血。近年來，中國EC的發病逐漸趨于年輕化。研究指出，對于G1且無深肌層浸潤（浸潤深度＜肌層厚度的50%）的患者，淋巴結清掃不能提高其生存率，為了減少不必要的治療，對于該類患者不建議行淋巴結清掃［4］。因此，準確判斷EC病理分級至關重要。

多項研究顯示，ADC值具有預測惡性腫瘤病理分級的潛能，包括腦腫瘤［5］、肺癌［6］、腎癌［7］等。目前，ADC值對EC病理分級的預測仍存在爭議。Nougaret等［8］研究顯示，G3的ADC最小值及多個百分位數顯著低于G1和G2；Woo等［9］研究證明，ADC值的部分參數可區分高、低級別病變。不同研究中同一級別EC的ADC值亦存在不同程度的差異，可能是由于采用不同掃描設備所致，限制了其臨床應用。本研究結果與上述研究具有相同的趨勢，ADCmean隨病理分級的升高逐漸降低，高級別EC的ADCmean顯著低于低級別，原因可能是隨著病理分級的升高，EC微環境腫瘤細胞密度增大，細胞外間隙變小，水分子運動受限加重，導致ADC值降低。另有研究顯示，不同病理分級EC的ADC值無顯著性差異［10-11］，可能是樣本量太少導致。

在臨床應用中，ADC值易受諸多因素的影響，包括患者個體差異以及MRI檢查參數等，這也可能是對ADC值研究存在爭議的原因。因此，有研究［12］提出“相對ADC值”概念，即rADC=ADC病灶/ADC參比部位。已有研究［12-13］證實，rADC在鑒別子宮良惡性病變中具有重要價值，但利用其預測EC病理分級的報道尚且較少。本研究參照既往文獻［12，14］，采用正常子宮肌層、閉孔內肌及臀大肌作為參比部位進行分析，結果顯示不同病理分級EC的3處rADC值進行比較差異均具有統計學意義；鑒別高、低級別EC效能最高的是rADC閉孔內肌，可能是因閉孔內肌相對臀大肌信號更均勻，不易受其他因素影響，并且距子宮內膜病灶較遠受其影響較小。

Nougaret等［8］研究顯示，N/U＞25%與腫瘤G3分級有顯著性相關（P＜0.001）。本研究顯示，EC不同病理分級的N/U差異具有統計學意義（P＜0.001），但N/U鑒別EC級別的診斷效能較低，且不同分級間的N/U存在不同程度的重疊，可能是因多數病例合并平滑肌瘤，導致測量子宮體積誤差所致。本研究亦顯示，不同病理分級間腫瘤體積無顯著性差異，可能是由于高級別腫瘤更傾向于替換性生長模式（腫瘤替代正常組織），而低級別腫瘤更傾向于膨脹性生長，因此高級別EC的N/U更高，該結果與Bonatti等［11］的研究相符。

CVADC反映病灶ADC 值的均質性，CV 越大，組織微結構越不均勻；反之微結構越均勻［15］。研究表明，惡性腫瘤的CVADC高于良性，反映惡性腫瘤的組織微結構不均勻性增加［14-15］。本研究結果顯示，EC 不同病理分級間的CVADC無顯著性差異，可能是僅測量腫瘤最大橫截面及其相鄰層面的ADC 值所致，CVADC不能反映病變整體的特征，后期需行進一步研究。

本研究中EC高、低級別組間的N/U、ADCmean、3處rADC均有顯著性差異，ROC曲線分析顯示，單一指標預測效能不能較好地兼顧靈敏度和特異度，因此聯合應用多個指標進行分析顯示，Logistic回歸模型的AUC為0.777、靈敏度為70.97%、特異度為76.56%。

綜上所述，MRI 定量參數對術前預測EC 病理分級具有一定的價值，有無創評估其病理分級的潛力，其中N/U＞0.11 聯合rADC子宮肌層＜0.65 可對高級別EC進行預測，有助于臨床治療方案的制定。