術前MRI影像組學列線圖對乳腺癌腋窩淋巴結轉移的預測價值

朱永琪，紀華，朱彥芳，呂靜，劉云

乳腺癌居女性惡性腫瘤發病率首位，每年約3%～10%的新發乳腺癌患者確診時即伴發遠處轉移[1-2]，這是導致乳腺癌患者死亡的首要原因，其中腋窩淋巴結(axillary lymph node，ALN)是最常見的轉移途徑[3]。在臨床工作中，常規影像學檢查主要通過形態學來評估ALN是否發生轉移，存在敏感度低等缺點[4]。前哨淋巴結活檢是診斷腋窩淋巴結轉移(axillary lymph node metastasis，ALNM)的金標準，但由于其屬于侵入性檢查，可導致患側上肢水腫、疼痛及感覺障礙等多種相關并發癥的發生[5-6]。因此術前無創并準確地評估ALN的性質對于判斷乳腺癌患者的臨床分期和選擇個體化治療方案至關重要。

影像組學通過從傳統影像圖像中挖掘能夠反映腫瘤潛在病理及生理學信息的高通量特征[7]，同時通過解析影像特征與臨床信息之間的相關性，為臨床提供有價值的診斷及預后信息[8]，從而實現對腫瘤患者的精準診療，使患者最大化受益。近年來，多位學者[9-11]通過乳腺癌ALN 常規影像學表現來評估淋巴結狀態。然而，ALNM 與非ALNM 形態學之間具有一定的重疊，因此單純運用ALN 形態學特征對ALNM 進行評估的效能不佳。本研究通過建立基于乳腺MRI 影像組學標簽，并結合臨床危險因素，構建用于乳腺癌ALNM 的綜合預測模型，運用列線圖直觀可視化綜合預測模型，為乳腺癌ALNM 的術前無創性預測提供新的策略。

1 材料與方法

1.1 研究對象

本研究經寧夏醫科大學總醫院科研倫理委員會批準，免除受試者知情同意(批準文號：KYLL-2022-0001)?；仡櫺苑治鰧幭尼t科大學總醫院2016年8月至2020年12月經病理確診為浸潤性乳腺癌女性患者的影像資料及臨床病理資料。病例納入標準：(1)術前行乳腺動態對比增強(dynamic contrast-enhanced，DCE) MRI檢查且圖像符合放射科質量控制標準；(2)術中進行乳腺淋巴結活檢或清掃術；(3)臨床、影像及病理資料完整。排除標準：(1)乳腺DCE-MRI檢查前行活檢、放療或化療；(2)非腫塊型乳腺癌；(3)同時患有其他惡性腫瘤疾病或血液系統疾病。最終，本研究共納入169例患者，均為女性，年齡30～83 (53.17±10.89)歲。采用Python隨機抽樣方法將納入病例按7∶3比例分為訓練集(n=118)與驗證集(n=51)。

1.2 MRI掃描方法與成像序列

采用美國GE Signa 1.5 T超導型MRI系統進行掃描，配置8通道乳腺專用相控陣表面線圈?；颊吒┡P位，使乳腺自然下垂于線圈內并緊貼線圈，掃描范圍包括雙側乳腺及腋窩區域。平掃序列包括：軸位T1加權成像(T1 weighted imaging，T1WI)、軸位T2快速自旋回波序列(T2 weighted fast spin echo，T2 FSE)、彌散加權成像(diffusion weighted imaging，DWI)、矢狀位T2加權成像。Ax T2 FSE IDEAL：TR/TE=7000 ms/83 ms，層厚=5 mm，矩陣=256×224，FOV=35 cm×35 cm。增強掃描序列：行軸位T1 動態對比增強掃描(dynamic contrast-enhanced T1 weighted imaging，DCE-T1WI)，經前臂靜脈注入對比劑釓雙胺(通用醫療保健，愛爾蘭)，注射流率2.0 mL/s，劑量0.2 mmol/kg，注射前行蒙片掃描，注射后開始連續無間隔掃描7次，每個期相掃描時間54 s，共378 s，TR/TE=4 ms/2 ms，層厚=1 mm，矩陣=320×320，FOV=32 cm×32 cm。

1.3 影像學評估及臨床病理資料

由兩位放射科高年資診斷醫生獨立評估術前乳腺MRI檢查影像資料，分別做出淋巴結是否存在轉移的診斷，當診斷意見不統一時由兩位放射科醫生討論后達成一致。MRI語義特征評估內容包括[4,12]：(1)淋巴門結構消失或異常；(2)淋巴結皮髓質界限不清；(3)淋巴結時間-信號強度曲線(time-signal intensity curve，TIC)呈流出型；(4) DWI 呈高信號；(5)短軸與長軸比＞0.6。當滿足以上其中一項時，即為淋巴結陽性，否則為陰性。在DCE-T1WI 序列測量腫瘤最大層面長徑。

收集納入病例的臨床及病理資料，包括年齡、絕經狀況、中性粒細胞淋巴細胞比值(neutrophil-tolymphocyte ratio，NLR)、血小板淋巴細胞比值(plateletto-lymphocyte ratio，PLR)。根據Gallen 國際專家共識[13]，Ki-67 增殖指數判定標準：Ki-67≥14%為陽性；＜14%為陰性。根據指南[14]，雌激素受體(estrogen receptor，ER)及孕激素受體(progesterone receptor，PR)免疫組織化學檢測的閾值為≥1%，即陽性細胞數≥1%為陽性表達。根據免疫組化切片，人類表皮生長因子受體2 (human epidermal growth factor receptor 2，HER2)表達狀態分為四級：0，1+，2+及3+，0 和1+為HER2 陰性，3+為HER2 陽性，2+者需進一步應用熒光原位雜交法檢測，若HER2 基因擴增則判定為HER2 陽性，反之為HER2 陰性[15]。淋巴結術后病理組織學判定標準：逐層切片病理檢測，可聯合或不聯合免疫組織化學染色，若發現腫瘤病灶或孤立性腫瘤細胞即為淋巴結轉移，轉移灶可以位于淋巴結內、突破被膜或完全淋巴結外侵犯脂肪[16]。

1.4 圖像分割與特征提取

從寧夏醫科大學總醫院圖像存儲和通信系統中檢索并獲取乳腺DCE-MRI 圖像，使用MRIcron 安裝包中“dcm2niigui.exe”將DICOM 格式DCE 圖像轉換為各期掃描圖像，并保存為NIFTI格式。所有圖像在進行感興趣區(volume of interest，VOI)勾畫前均進行偏置場矯正，以消除由于磁場不均勻導致信號強度變化[17]。采用3D-slicer (http:www.slicer.org)開源軟件進行圖像分割及特征提取，由1 名具有5 年工作經驗的放射科主治醫師對VOI進行逐層手動勾畫，勾畫策略采取沿病灶邊緣全部勾畫，避開壞死部分，最后得到整個瘤體VOI (圖1)。再由1名具有10年工作經驗的放射科主任醫師進行重新勾畫，并評估測量者間一致性。

圖1 使用3D-slicer手動逐層勾畫感興趣區。1A為單層感興趣區，1B～1C為獲得的整個瘤體體積。Fig. 1 Using the 3d-slicer to manually delineate the region of interest layer by layer. 1A is the single-layer region of interest,and 1B-1C is the entire tumor volume.

選用3D-slicer軟件中radiomics模塊進行特征提取。共提取200個影像學特征，包括形態學特征、一階統計特征、灰度共生矩陣、灰度游程長度矩陣、灰度尺寸區域矩陣、鄰域灰度差矩陣、灰度相關矩陣。以上特征除形態學特征外，其余特征均進行高斯拉普拉斯濾波變換，重采樣體素大小設置為3 mm×3 mm×3 mm，卷積核大小設置為4 mm、5 mm。具體影像組學特征名稱見補充材料影像組學特征及分類。

1.5 預測模型構建及驗證

采用Python (http:www.python.org)進行特征篩選及模型構建，在訓練集中，首先對特征進行數據標準化處理。使用Mann-WhitneyU檢驗及LASSO 算法進行特征降維，篩選出與ALNM 相關的影像組學特征，結合加權系數構建每位患者的影像組學評分，采用5 折交叉驗證方法驗證算法的穩定性。本研究共建立3 個預測模型，即通過篩選相關特征，使用Logistic 回歸模型構建影像組學標簽(模型一)，采用L2 正則項防止模型過擬合。通過Logistic回歸分析篩選出臨床危險因素并建立臨床模型(模型二)，基于臨床危險因素和影像組學標簽建立聯合模型(模型三)。應用受試者工作特征(receiver operating characteristic，ROC)曲線及校準曲線評估各預測模型的性能，使用Delong 檢驗評價不同預測模型間ROC 曲線下面積(area under the curve，AUC)的差異，使用決策曲線分析(decision curve analysis，DCA)評估預測模型的臨床價值。最后在驗證集中驗證各個模型的效能。使用R 軟件(http://www.r-project.org)中“rms”包構建列線圖將最優模型可視化。校準曲線采用“boot”方法，重抽樣1000 次進行驗證。

1.6 統計學分析

采用R 4.0.5 版本軟件進行統計學分析，比較訓練集與驗證集間各指標的差異，對兩個數據集患者年齡采用獨立樣本t檢驗(符合正態性，方差齊性檢驗)；乳腺癌分子分型、乳腺癌病理分級及是否絕經采用χ2檢驗。將單因素Logistic回歸分析中P＜0.05的指標納入多因素Logistic 回歸分析，當P＜0.05 時認為差異有統計學意義。

2 結果

2.1 患者臨床病理資料比較

對169 名患者訓練集與驗證集的臨床病理資料進行差異性比較，年齡、乳腺癌分子分型、乳腺癌病理分級差異均無統計學意義(P＞0.05)，是否絕經在兩組間差異具有統計學意義(P＜0.05) (表1)。在訓練集中，對ALNM 陽性組及陰性組臨床指標(年齡、腫瘤直徑、NLR、PLR、病理分級、分子分型、Ki-67及MR觀察淋巴結狀態)進行統計分析。根據Youden 指數評價NLR、PLR 最佳診斷臨界值分別為1.59、78.38。單因素Logistic 回歸分析結果顯示PLR、Ki-67、MR 觀察淋巴結狀態與ALNM 差異有統計學意義(P＜0.05)(表2)，進一步納入多因素Logistic 回歸分析PLR、Ki-67、MRI 觀察淋巴結狀態均有統計學意義(P＜0.05) (表3)。

表1 訓練集與驗證集患者臨床病理資料比較Tab.1 Comparison of clinicopathological data of patients in the training set and the test set

表2 訓練集ALNM陽性組與陰性組患者臨床病理資料單因素邏輯回歸比較Tab.2 Univariate logistic regression comparison of clinical and pathological data of patients in ALNM positive group and negative group in the training set

表3 訓練集ALNM陽性組與陰性組患者臨床病理資料多因素邏輯回歸比較Tab.3 Multivariate logistic regression comparison of clinicopathological data of patients in ALNM positive group and negative group in the training set

2.2 特征組內及組間一致性評估

應用組內相關系數(intraclass correlation coefficient，ICC)進行一致性評估，2 名醫師提取的影像組學特征ICC 值范圍0.83～0.98。ICC＞0.75，表明一致性較好，因此選擇第一名醫師提取特征進行分析。

2.3 影像組學特征篩選及標簽建立

提取每位患者DCE-MRI第3期掃描圖像200個特征，采用Mann-WhitneyU檢驗共篩選出63 個特征(P＜0.05)，隨后使用LASSO 算法采用5 折交叉驗證篩選出10個與乳腺癌ALNM相關的影像組學特征(圖2)?；谶@些特征結合加權系數構建每個患者影像組學評分(表4)。

圖2 乳腺癌腋窩淋巴結轉移相關的影像組學特征。2A 表示每個lambda下特征系數的變化，橫坐標log(lambda)，縱坐標特征系數值。2B表示不同lambda 下每一折交叉驗證的均方誤差(MSE)結果。橫坐標為log(lambda)，縱坐標為MSE，藍色所代表的是標準差。Fig.2 Imaging features related to axillary lymph node metastasis in breast cancer. 2A shows the change of the feature coefficient under each lambda,the abscissa log (lambda), and the ordinate feature coefficient value.2B represents the MSE results of each fold cross-validation under different lambdas. The abscissa is log (lambda), the ordinate is mean squared error(MSE),and the blue represents the standard deviation.

表4 篩選的影像組學特征與其對應的特征系數Tab.4 Selected radiomic features and their corresponding coefficients

2.4 預測模型建立與評估

本研究構建3 個模型，模型一：將篩選與乳腺癌ALNM 相關的10 個影像組學特征，采用Logistic 模型構建影像組學標簽，模型在訓練集與驗證集的準確率分別為75.97%、72.59%，AUC 值分別為0.86、0.74(圖3A)。模型二：通過多因素Logistic 回歸模型篩選出3 個臨床危險因素，包括PLR、Ki-67、MR 觀察腋窩淋巴結狀態，建立臨床預測模型，模型在訓練集和驗證集的準確率分別為79.87%、78.43%，AUC 值分別為0.83、0.78 (圖3B)。模型三：基于臨床危險因素與影像組學標簽建立的聯合預測模型，訓練集與驗證集準確率分別為79.46%、80.39%，AUC 值分別為0.86、0.80 (圖3C)。

圖3 影像組學標簽、臨床模型、聯合模型的受試者工作特征曲線及曲線下面積，藍色代表訓練集，黃色代表驗證集。Fig. 3The receiver operating characteristic curve and area under the curve of radiomics signatures, clinical model, and combined model. Blue line represents the training set, and yellow line represents the test set.

Delong 檢驗結果顯示，在訓練集中，聯合模型的AUC 值高于臨床模型的AUC 值(P=0.02)；在驗證集中，聯合模型的AUC 值高于影像組學標簽的AUC 值(P=0.04)，其余模型間AUC值差異均無統計學意義(P均＞0.05)。各預測模型的敏感度、特異度、陽性預測值(positive predictive value, PPV)及陰性預測值(negative predictive value, NPV)見表5、6。DCA顯示當訓練集閾值概率在0.01 到0.92 范圍內，驗證集閾值概率在0.32 到0.76 范圍內，聯合預測模型具有良好的臨床運用價值(圖4)。使用列線圖將聯合預測模型進行可視化(圖5)，根據不同指標對應分數的總和越高，預測乳腺癌腋窩淋巴結轉移的風險越大。列線圖顯示影像組學評分對應線段長度最長，表明其在模型中權重最大。校準曲線顯示模型在訓練集與驗證集預測效能良好(圖6)。

表5 訓練集中不同模型的預測性能Tab.5 Predictive performance of different models in the training set

表6 驗證集中不同模型的預測性能Tab.6 Predictive performance of different models in the test set

圖4 決策曲線。橫坐標表示閾值概率，縱坐標表示凈獲益。Fig. 4 Decision curve. The abscissa represents the threshold probability,and the ordinate represents the net benefit.

圖5 聯合模型列線圖。Fig.5 Nomogram of the combined model.

圖6 聯合模型校準曲線。Fig.6 Calibration curve of the combined model.

3 討論

乳腺癌ALNM 不僅是影響患者預后的重要因素，也是確定患者乳腺癌分期并指導新輔助化療的關鍵性指標[18]。本研究構建了基于腫瘤影像組學特征、MRI 語義特征和臨床病理指標的列線圖，根據不同類型特征共建立3 種模型對乳腺ALN 狀態進行預測，即影像組學標簽、臨床模型和聯合模型。在訓練集中，聯合模型的AUC 值高于臨床模型的AUC 值(P=0.02)，證明基于乳腺MRI 的影像組學標簽能夠有效提升臨床模型的預測效能。在驗證集中，聯合模型的AUC值高于影像組學標簽的AUC 值(P=0.04)，證明聯合模型中Ki-67、PLR 及MR 觀察淋巴結狀態這些臨床危險因素能夠彌補單純影像組學標簽對ALNM 預測效能的不足。

3.1 影像組學預測乳腺癌ALNM的價值

研究表明腫瘤微環境中含有多種免疫細胞、血管和細胞外基質，免疫細胞分布和血管形成的改變可能促進腫瘤的發展和轉移[19]。然而，傳統的影像學檢查對評估腫瘤微環境改變的價值有限，尤其對早期乳腺癌ALN 狀態的預測更缺乏特異性。影像組學作為定量成像的一個新興領域，可通過深入挖掘高通量圖像特征進行腫瘤異質性的解析[20]。有研究表明影像組學特征可以反映腫瘤的分子亞型、基因特征及腫瘤微環境的信息[21]。本研究篩選的影像組學特征鄰域灰度差矩陣(neighbouring gray tone difference matrix，NGTDM)-粗糙度在乳腺癌ALNM陽性組與陰性組差異具有統計學意義，且對于影像組學標簽的貢獻最大(特征系數的絕對值最大)，說明該特征對乳腺癌ALNM 的預測價值。NGTDM 紋理特征值反映了體素與其相鄰體素之間的強度差異，其中粗糙度是中心體素與其鄰域之間平均差異的衡量標準，并表明空間的變化速率，其值越高，提示空間變化率越低，局部的紋理更加均勻。Chen 等[22]的研究表明NGTDM紋理特征，特別是延遲忙碌度及延遲粗糙度有助于區分孤立性肺結節的良惡性，推論其原因可能是由于良性結節的細胞在空間中更易分離，其忙碌度及粗糙度較惡性結節差異有統計學意義。本研究中，粗糙度在乳腺癌ALNM 陽性組與陰性組差異有統計學意義，可能是由于兩組間腫瘤異質性、惡性程度等不同等因素使局部紋理不均勻所致。

近年來，影像組學成為研究乳腺癌良惡性鑒別、分子分型及療效評估等領域的重要方法。本研究結合術前乳腺DCE-MRI 影像組學特征及臨床危險因素構建綜合預測模型并繪制列線圖，有效提升了傳統影像診斷效能。這與Yu 等[23]研究結果相似，也再次說明影像組學模型對于乳腺癌ALNM的預測價值。除MRI 外，乳腺鉬靶的應用范圍較廣，很多學者基于此項檢查進行研究。Tan 等[24]通過乳腺鉬靶頭尾位影像組學特征及臨床危險因素建立乳腺癌ALNM預測模型，結果顯示訓練集及驗證集AUC 分別為0.707、0.657。本研究考慮由于鉬靶存在正常組織和病變之間的重疊，可能干擾紋理信息，且對于致密型腺體或非腫塊型病變的勾畫相對困難，因此選擇在DCE-T1WI 第三期掃描圖像中分割病灶，源于此期強化程度最高，最能反映腫瘤血流灌注情況。通過逐層勾畫，提取腫瘤的整體病變特征，這與Mao 等[25]使用DCE-MRI 峰值時相圖預測乳腺癌腋窩淋巴結轉移的研究方法相似。

3.2 MRI語義特征對ALNM的診斷價值

薛梅等[11]發現淋巴結形態學改變與ALNM 相關，本研究在納入MRI 語義特征(腫瘤直徑、MR 觀察淋巴結狀態)中，只有MR 觀察淋巴結狀態差異有統計學意義(P＜0.01)。研究表明乳腺癌ALNM 轉移機制是腫瘤細胞首先通過包膜下竇中的傳入淋巴沉積物進入淋巴結(區域擴散)，在該位置生長并最終取代局部正常淋巴結結構，然后擴散到遠處區域[26]。根據“種子和土壤”理論，ALNM 的啟動依賴于腫瘤細胞(種子)和ALN 微環境(土壤)的協同作用，有研究發現包含腫瘤原發灶和腋窩淋巴結的MRI 影像組學模型提高了單一區域預測ALNM 的性能[21]。由于多個可疑淋巴結同時存在時無法選擇合適的VOI進行影像組學研究，因此本研究根據MRI 形態學特征及功能學特征(TIC 是否是流出型、DWI 是否高信號)對ALN 狀態做出診斷。Martellato 等[27]研究表明MRI 觀察乳腺癌患者腋窩無脂肪門結構的淋巴結及其數量與病理淋巴轉移顯著相關，這也再次印證MRI 在發現和診斷ALN 狀態有一定的應用價值。

3.3 乳腺癌臨床特征預測ALNM的價值

乳腺癌不同治療策略的選擇、轉移風險及臨床預后與分子分型中的生物標記物高度相關[28-30]，Ki-67作為乳腺癌分型與預后分子指標[31]，能夠反映腫瘤細胞的增殖狀態[32]，研究表明原發腫瘤中Ki-67 的高表達是轉移性乳腺癌不良預后的獨立影響因素[33]。近年來，PLR 被廣泛應用于多種腫瘤，如肺癌及結直腸癌等的預后預測。研究發現炎癥因子促進了腫瘤相關血管生成，加速了腫瘤的生長與遠處轉移[34]。盡管血液中炎癥細胞在腫瘤預后的具體機制尚不明確，但血液細胞參數的改變，反映了免疫系統抗腫瘤和促腫瘤功能之間的動態平衡，可以通過計算白細胞的不同成分(中性粒細胞、淋巴細胞等)來評估[35]。Koh 等[36]發現PLR 與乳腺癌ALNM 的數量顯著相關，對早期乳腺癌前哨淋巴結轉移的診斷準確率較高，說明PLR 可以用于乳腺癌ALNM 的預測。本研究中，Ki-67 與PLR 對聯合預測模型列線圖的貢獻權重較小，但作為乳腺癌ALNM的獨立預測因子，提高了模型的預測效能。

本研究不足之處：(1)本研究為回顧性研究，樣本存在一定的選擇性偏移；(2)本研究為單中心研究且樣本量較小，后續需要通過多中心數據進一步驗證該模型，以提升模型的泛化性能；(3)本研究VOI 采用手動方式進行勾畫，費時費力，今后可采用半自動或基于人工智能的自動勾畫手段提高病灶標記的效率及一致性。

因此，本研究通過基于乳腺MRI影像組學標簽和臨床危險因素所綜合構建的列線圖來術前預測乳腺癌ALNM 的風險，為臨床的精準診療提供新的策略和方法。

作者利益沖突聲明：全體作者均聲明無利益沖突。