基于MRI、鉬靶和病理的列線圖預測腫塊型乳腺浸潤性導管癌前哨淋巴結轉移的價值

朱蕓，張書海，王小雷，楊昭，李淑華，楊麗，湯曉敏，馬宜傳，謝宗玉*

乳腺癌是我國女性最常見的惡性腫瘤，發病率呈逐年上升趨勢，在女性惡性腫瘤中位居首位。乳腺癌包括多種類型，其中浸潤性導管癌(invasive ductal carcinoma，IDC)占據大約70%，是威脅女性健康最大的一種類型[1-2]。前哨淋巴結(sentinel lymph node，SLN)反映了淋巴結(lymph node，LN)的組織學狀態，在乳腺癌分期、選擇合適的治療方式及預后的評估中都至關重要[3]。目前臨床上多采用腋窩淋巴結清掃(axillary lymph node dissection，ALND)或前哨淋巴結活檢(sentinel lymph node biopsy，SLNB)來確定SLN 的狀態。然而，這些方式都是有創的，常引起一定的并發癥，如上肢淋巴水腫、感覺障礙、肩關節活動受限等，影響患者的生活質量及精神狀態[4-5]。此外，術前注射放射性示蹤劑、手術時間延長以及SLNB期間可能出現的假陽性結果等限制因素不容忽視[6]。因此如果能夠在ALND 或SLNB 術前，找到一種方便直觀且較為準確的評估SLN 狀態的方法具有重要意義。目前MRI 和鉬靶(mammography，MG)是術前評估乳腺癌分期及LN轉移與否的主要影像學手段，但是他們都有各自的局限性。MG 是乳腺癌篩查首選的影像檢查方法，對鈣化敏感度高，但對致密型腺體的敏感度較低[7]。MRI的多方位、多參數、多序列成像，可以作為MG重要的補充檢查手段，獲取更多的信息。其中T2加權成像(T2-weighted imaging，T2WI)頻率衰減反轉恢復序列(spectral attenuated inversion recovery，SPAIR)，能清除病灶周圍高信號脂肪成分，顯示病灶內部及周圍含水成分；擴散加權成像(diffusion weighted imaging，DWI)上有助于顯示高信號的病灶，在發現隱匿病灶、明確病變范圍等方面有優勢；動態對比增強磁共振成像(dynamic contrast enhanced magnetic resonance imaging，DCE-MRI)可以顯示病灶的強化方式及程度，分析病灶內部的血流動力學特征。但MRI 對鈣化識別能力有限，特異度較差，容易造成假陽性從而導致不必要的活檢和過度治療。目前還沒有基于術前MRI、MG 影像特征聯合臨床病理構建的列線圖用來預測SLN 轉移的研究，本研究以腫塊型IDC 為研究對象，探討基于術前MRI、MG 影像特征聯合臨床病理因素構建的列線圖在預測SLN 轉移中的價值。

1 材料與方法

1.1 一般資料

回顧性分析2018 年1 月至2021 年4 月蚌埠醫學院第一附屬醫院乳腺癌患者臨床病理及影像資料，共納入312 例IDC 患者，均為女性，年齡23～73(49.4±9.0)歲。納入標準：(1)經病理證實為IDC 患者；(2)術前或穿刺活檢前行MRI和MG檢查；(3)病灶為腫塊型；(4)原發性乳腺癌。排除標準：(1)雙乳癌或隱匿性乳腺癌；(2) MRI 及MG 檢查前行放化療等輔助治療；(3)已發生遠處轉移的患者；(4)圖像質量不佳或資料缺失。

將312例IDC患者按3∶1隨機分成訓練組(234例)與驗證組(78例)。記錄所有患者的臨床資料及術后病理信息。包括：年齡、腫瘤位置、腫瘤象限、腫瘤最大徑、腫瘤數量、臨床T分期、LN觸診、病理分級、雌激素受體(estrogen receptor，ER)、孕激素受體(progesterone receptor，PR)、人類表皮生長因子受體2 (human epidermal growth factor receptor 2，HER2)、Ki-67、脈管浸潤、SLN 轉移情況。當病灶數量≥2 個，僅對最大病灶進行評估[8]。本研究經過蚌埠醫學院第一附屬醫院醫學倫理委員會批準，免除受試者知情同意，批準文號：2020-84。

1.2 檢查設備及方法

(1)采用Philips Achieva 3.0 T雙梯度超導型MRI掃描儀，SENSE 7通道乳腺專用線圈。采取俯臥位，雙乳置于線圈環槽中。MRI 掃描序列和參數：(1) SE T1WI：TR 400 ms，TE 10 ms，層厚5 mm，層間距1 mm，FA 90°，FOV 350 mm×350 mm，矩陣 216×194，NEX 2.0；(2) FSE T2WI SPAIR：TR 5000 ms，TE 60 ms，層厚5 mm，層間距1 mm，FA 90°，FOV 350 mm×350 mm，矩陣 260×274，NEX 1.0；(3) DWI：TR 2500 ms，TE 40 ms，層厚5 mm，層間距1 mm，FA 90°，FOV 350 mm×350 mm，矩陣 184×95，NEX 2.0，b=0、800 s/mm2；(4) DCE-MRI：TR 4.8 ms，TE 2.4 ms，層厚5 mm，層間距1 mm，FA 10°，FOV 350 mm×350 mm，矩陣252×339，NEX 1.0。分6 個時相采集圖像，每個時相掃描80 s，從第2 個時相掃描開始，對比劑為釓噴酸葡胺(拜耳先靈醫藥公司，德國)，劑量為0.2 mmol/kg，隨后以流速1.5 mL/s 注射生理鹽水20 mL。在Philips Extended MR Workspace EWS工作站，選取病灶強化最明顯的位置畫感興趣區，盡量避開囊變壞死區，繪制時間-信號強度曲線(time intensity curve，TIC)。

(2)采用德國Siemens Mammomat Inspiration乳腺X 線機，行頭尾位及內外斜位標準雙體位投照，采用自動曝光裝置，必要時進一步行數字乳腺斷層攝影。

1.3 MRI及MG圖像分析

分別由一名具有18年影像診斷經驗的主治醫師與一名具有15年影像診斷經驗的副主任醫師對圖像進行獨立閱片，依照第5版美國放射學院的乳腺影像報告和數據系統[9](Breast Imaging Reporting and Data System，BI-RADS)進行圖像分析，當意見出現分歧時，經協商達成一致。MRI評價指標包括：(1)背景實質增強(background parenchymal enhancement，BPE)：指纖維腺體組織的正常強化，大約在強化后90 s 出現，包括極少、輕度、中度、重度；(2)纖維腺體組織構成分類：幾乎全部為脂肪(a型)，散在分布的纖維腺體組織(b 型)，不均勻分布的纖維腺體組織(c 型)，致密纖維腺體組織(d 型)；(3)腫塊形狀：卵圓形(包括分葉狀)、圓形、不規則形；(4)腫塊邊緣：清晰、不清晰；(5)病灶強化特點：均勻、不均勻、邊緣強化；(6) TIC曲線：持續上升型(Ⅰ型)、平臺型(Ⅱ型)和速升速降型(Ⅲ型)；(7) BI-RADS 分類；(8)是否伴有腋窩淋巴結(axillary lymph node，ALN)轉移(圖1)。MG 評價指標包括：(1)腫塊邊緣：規則、不規則；(2)病灶內有無鈣化；(3) BI-RADS分類；(4)是否伴有ALN轉移。根據國內外研究報道[10-11]，ALN發生轉移時，主要影像征象包括：(1)形態改變：LN門結構消失、偏心性皮質增厚、LN邊緣不規則、短徑≥10 mm、縱橫比減小(常＜2)、形態近似圓形、LN融合；(2)LN強化：強化幅度增高、不均勻強化或環形強化、DWI呈高信號、TIC為Ⅱ型或Ⅲ型。

1.4 病理及免疫組化檢查

ER、PR 判定標準：陽性細胞≤10%為陰性，＞10%為陽性；HER2 判定標準：+++為陽性，-/+為陰性，++或++～+++時用熒光原位雜交檢測存在基因是否擴增；脈管浸潤判定標準：以D2-40 和CD34 分別標記淋巴管和血管，D2-40和CD34陽性的淋巴管和血管內發現癌細胞即可判定為脈管浸潤。

1.5 統計學分析

采用SPSS 26.0 和R 軟件(版本3.5.1)進行統計分析。計數資料以“例(%)”表示。兩組間比較采用χ2檢驗或Fisher 精確檢驗，對于四格表，當總樣本量n≥40，且頻數T≥5，采用χ2檢驗；n≥40，且至少1 個1≤T＜5，采用校正χ2檢驗；n＜40 或至少1 個T＜1，采用Fisher 精確檢驗。對于多行多列表，不超過20%單元格的T＜5，采用χ2檢驗；如果超過20%單元格的T＜5，或至少1 個T＜1，采用Fisher 精確檢驗。采用多因素Logistic 回歸分析，篩選出獨立預測因子，構建預測SLN 轉移的列線圖模型。通過繪制ROC曲線，利用ROC曲線下面積(area under the curve，AUC)、校準曲線、Hosmer-Lemeshow (H-L)檢驗對模型進行評估。P＜0.05為差異有統計學意義。

2 結果

2.1 訓練組與驗證組比較

312 例患者中，訓練組234 例，驗證組78 例?；颊叩呐R床病理、MRI、MG 特征在兩組間差異無統計學意義(P＞0.05) (表1～3)，可用于模型的構建與驗證。

表1 訓練組與驗證組臨床病理特征的比較Tab.1 Comparison of clinicopathological features between the training and validation groups

表2 訓練組與驗證組MRI特征的比較Tab.2 Comparison of MRI features between the training and validation groups

表3 訓練組與驗證組MG特征的比較Tab.3 Comparison of MG features between the training and validation groups

2.2 列線圖預測模型的建立

使用訓練組數據進行模型的構建，訓練組234例IDC中，SLN陰性組158例，陽性組76例，2組患者的臨床病理、MRI、MG特征比較見表4～6。結果顯示，腫瘤最大徑、臨床T分期、LN觸診、PR、HER2、脈管浸潤、MRI(腫塊形狀、BI-RADS 分類、ALN 狀態)、MG (BI-RADS 分類、ALN 狀態)這11 個變量在2 組間差異均有統計學意義(P＜0.05)。通過多因素Logistic 回歸分析，得到腫瘤最大徑(P=0.037)、LN 觸診(P=0.045)、MRI(ALN 狀態) (P=0.020)、MG (ALN 狀態) (P=0.022)、脈管浸潤(P＜0.001)為預測SLN 轉移的獨立危險因素(表7)。使用R 軟件對這5 個變量繪制列線圖預測模型(圖2)。

表4 訓練組臨床病理特征與SLN轉移的相關性Tab.4 Correlation between clinicopathological features and sentinel lymph node metastasis in the training group

表7 預測SLN轉移的多因素Logistic回歸分析Tab.7 Multi-factor Logistic regression analysis for predicting SLN transfer

圖2 SLN轉移列線圖預測模型。Tumor_size：腫瘤最大徑(0：腫瘤最大徑＜3 cm，1：腫瘤最大徑≥3 cm)；Palpation：淋巴結觸診(0：陰性；1：陽性)；MRI_LN：MRI 上淋巴結轉移(0：陰性；1：陽性)；MG_LN：鉬靶上淋巴結轉移(0：陰性；1：陽性)；LVSI：脈管浸潤(0：否；1：是)。Fig. 2 The nomogram prediction model of SLN metastasis. Tumor_size:maximum diameter of tumor (0: tumor maximum diameter ＜3 cm; 1:tumor maximum diameter ≥3 cm); Palpation: lymph node palpation (0:negative; 1: positive); MRI_LN: LN metastasis on the MRI (0: negative;1: positive); MG_LN: LN metastasis on the MG (0: negative; 1: positive);LVSI:lymphovascular invasion(0:no;1:yes).

2.3 列線圖預測模型的評價

訓練組與驗證組AUC 值分別為0.908 (95%CI：0.863～0.942)和0.897 (95%CI：0.808～0.955)，提示模型的預測能力好(圖3)。同時繪制校準曲線，得到訓練組與驗證組中3條曲線走勢基本一致，提示模型預測值與實際值差異無統計學意義(圖4)。在Hosmer-Lemeshow 檢驗擬合優度中得到，訓練組：χ2=1.746，P=0.883，驗證組：χ2=4.730，P=0.579，P均＞0.05，提示模型的預測能力好。

圖3 訓練組(3A)及驗證組(3B) ROC 曲線，曲線下面積AUC 分別為0.908和0.897。Fig. 3 The ROC curve of the training (3A) and the verification (3B)groups,whose AUC is 0.908 and 0.897.

圖4 訓練組(4A)及驗證組(4B)校準曲線。Fig. 4 The calibration curve of the training (4A) and verification (4B)groups.

表5 訓練組MRI特征與SLN轉移的相關性Tab.5 Correlation between MRI features and sentinel lymph node metastasis in the training group

表6 訓練組MG特征與SLN轉移的相關性Tab.6 Correlation between MG features and sentinel lymph node metastasis in the training group

3 討論

本研究以腫塊型IDC 為研究對象，分析了術前MRI 及MG 影像特征與SLN 轉移的相關性，并聯合臨床病理因素，建立列線圖預測模型，通過內部驗證評估模型的預測效能。研究結果表明，基于術前MRI及MG的影像特征聯合臨床病理因素構建的列線圖模型能較好地預測SLN 轉移情況，直觀地計算出SLN 轉移風險，可以作為SLNB術前與患者，尤其是極低風險患者討論后續治療時更容易接受的臨床工具。

3.1 術前MRI、MG 影像特征及臨床病理因素與SLN 轉移的相關性

近年來，有很多學者研究了乳腺癌LN 轉移與原發病灶的影像特征之間的相關性[12-13]。本研究單因素分析中MRI 上腫塊的形狀、BI-RADS 分類以及MG 上BI-RADS 分類與SLN 轉移有相關性，這可能是由于腫瘤的形狀越不規則，BI-RADS 分類越高提示腫瘤惡性可能性越高，侵襲性越強，當癌細胞過度增殖時，更容易侵犯LN，發生血行轉移。但在多因素分析中差異沒有統計學意義，這可能與本研究樣本量偏少以及與其他特征之間存在共線性產生假關聯。本研究中MRI及MG圖像上評價是否伴有ALN轉移是預測SLN轉移的獨立危險因素，這與馬微妹等[8]研究結果相符，可能是由于癌細胞通過淋巴管引起邊緣竇的異常增生，侵犯皮質、髓質，從而導致LN門形態異常、LN皮質增厚、邊緣不規則等改變[14-15]。

本研究中年齡、腫瘤的位置、數量及臨床T分期與SLN 轉移均無相關性，原發腫瘤的最大徑、LN 觸診與SLN 轉移相關，這與Chen 等[16]研究結果相符。這可能是因為腫瘤越大，生長越活躍，腫瘤細胞過度增殖，越容易發生LN轉移。目前對于生物學預后因子對SLN轉移的預測價值仍存在爭議[17]，本研究顯示在單因素分析中，PR (+)、HER2 (+)與SLN轉移有相關性，在多因素回歸分析中，顯示無相關性，這與Chen 等[18]研究結果一致，而Xie 等[19]研究顯示PR (+)、HER2 (+)更容易發生SLN 轉移。本研究表明脈管浸潤(+)更容易發生SLN 轉移，這與Okuno 等[20]研究結果一致。這可能主要由于癌細胞通過淋巴管或血管轉移至區域LN和遠處臟器,癌細胞淋巴管浸潤和血管浸潤的發生在LN轉移過程中扮演著重要角色。雖然脈管浸潤只能通過腫瘤穿刺活檢或者術后病理獲得，屬有創性參數，但是對比SLNB 及ALND 來說，還是容易獲得，且可以減少不必要的術后并發癥。

3.2 SLN轉移列線圖預測模型的臨床應用價值

目前，關于乳腺癌LN 轉移列線圖預測模型是國內外研究的熱點[21-23]。Liu 等[24]研究了基于臨床、病理及MG 特征的列線圖模型，得到AUC 為0.801，準確率為70.3%。Wang 等[25]構建了基于臨床病理及超聲特征的列線圖，得到AUC分別為0.907。還有學者[26]研究了基于DCE-MRI影像組學和臨床病理特征，建立SLN轉移預測模型，得到AUC為0.869。此外，Yang等[27]建立了預測SLN轉移數目的列線圖模型，得到訓練組和驗證組的AUC 分別為0.845 和0.804。以往這些模型大多是提取單一手段的影像特征或單一組學特征，聯合兩種影像方法的研究比較少見。本研究的創新在于聯合了MRI、MG 這兩種常用的影像檢查方法，分析了原發腫瘤及ALN影像特征，并將臨床病理參數納入模型的構建，提高了預測模型的效能。結果顯示，腫瘤最大徑≥3 cm、LN 觸診(+)、MRI (ALN+)、MG(ALN+)、脈管浸潤(+)在列線圖上的分值分別為54、41、50、46、100，將各預測指標的分值進行總和，對應在總分軸上，得到的概率值就反映了患者發生SLN轉移風險，從而有利于臨床醫生與患者之間進行有效的溝通，制訂個體化治療方案。

3.3 局限性

(1)本研究根據BI-RADS 進行圖像分析，由于腫塊和非腫塊這兩大類病變影像學特征描述的語言及描述角度不同，且腫塊型病灶多見，因此本研究僅針對腫塊型病灶進行研究，可能存在一定的選擇偏倚，后續會擴大樣本量并將非腫塊型病灶進一步納入研究；(2)本研究雖然進行了內部驗證，但在投入臨床使用前仍需通過大樣本、多中心實驗數據來驗證模型的效能；(3)放射科醫師人工閱片獲取影像特征，可能存在一些主觀誤差；(4)本研究籠統地將ALN 的狀態定義為ALN 轉移與否，未將LN 具體影像特征作為一個獨立的預測指標納入分析，在后續研究中將加入影像組學等數據，爭取挖掘出更多有價值的信息。

綜上所述，基于術前影像學特征(MRI上ALN狀態、MG上ALN狀態)及臨床病理因素(腫瘤最大徑、LN觸診、脈管浸潤)構建的列線圖模型是一種預測腫塊型IDC患者SLN轉移狀態的新方法，可以有效地協助臨床醫生預測SLN轉移風險，減少低風險患者不必要的侵入性LN切除和相關并發癥，使SLN轉移陰性患者受益。

作者利益沖突聲明：全體作者均聲明無利益沖突。