DCE-MRI紋理分析對乳腺癌分子分型的診斷價值

林倩，陳愛華，張婷婷

作者單位：三峽大學人民醫院（宜昌市第一人民醫院）放射科，宜昌 443000

0 前言

乳腺癌是影響全球女性健康的首位高發癌癥，病死率居全球第1 位、中國第4 位[1]。近些年，乳腺癌發病率有上升趨勢，但其病死率卻較1989 年有所降低，這主要得益于乳腺癌的早篩發現和個性化精準治療[2]。第12 屆St.Gallen 會議[3]提出將乳腺癌細分為管腔A 型、管腔B 型、人表皮生長因子受體2（human epidermal growth factor receptor 2,HER-2）陽性型和三陰性乳腺癌（tripel negative breast cancer, TNBC）四個臨床亞型標準。不同亞型患者的臨床特點、治療方案及預后各不相同[4]，這也表明乳腺癌具有較高異質性[5-6]。目前，乳腺癌亞型的確定需對活檢標本行免疫組化檢查，此方法不僅有創，且局部穿刺活檢取材不充分，不能得到腫瘤的全部異質性信息，最終也會影響結果的可靠性，影響臨床治療效果[7]。

因此，尋找一種既能體現病變整體特征又能動態觀察病變變化情況的無創、簡便、經濟的替代方法尤為重要。MRI是常用的乳腺影像學檢查方法，MRI軟組織分辨度高，對乳腺癌的檢出敏感性高，動態對比增強MRI（dynamic contrast-enhanced MRI, DCE-MRI）更是能以高空間分辨率提供腫瘤的形態學以及血流動力學等信息[8]。隨著乳腺專用線圈及快速成像序列的開發，乳腺MRI影像質量及檢測水平也有了很大提升。通過MRI圖像分析術前預測腫瘤分子分型可減輕患者負擔，優化診療流程，達到精準治療的目的。在醫學圖像中，不同紋理特征通常是反映機體的病理異質性。醫學圖像分析方法-紋理分析是通過計算機技術發現病灶內人眼無法辨別的具有潛在異質性的圖像紋理特征，并利用數學算法定量圖像空間、像素及灰階的分布特征[9]。近年來，紋理分析在乳腺疾病中的研究已成為熱點，其可鑒別乳腺疾病的良惡性[10-11]、預測乳腺癌新輔助化療療效[12]、判斷患者預后[13-14]等。既往研究發現[15]，各分子分型乳腺癌在影像學上存在“異病同影”，判讀結果的客觀準確性受報告醫師經驗等主觀因素影響。而紋理分析不僅能消除這一影響，還能提供豐富的高層語義信息，通過定量分析圖像的紋理特征參數輔助診斷疾病，能夠保證診斷效能的穩定并為臨床決策提供支持。

本研究旨在探討DCE-MRI 紋理分析對乳腺癌分子亞型的診斷價值，并探討基于MRI紋理特征結合機器學習算法建立的預測模型的診斷效能，為臨床提供一種無創性的診斷手段。

1 材料與方法

1.1 研究對象

本研究遵守《赫爾辛基宣言》，并經宜昌市第一人民醫院醫學倫理委員會批準，免除受試者知情同意（批件號：PJ-KY2022-44）?；仡櫺苑治?021 年10 月至2022 年10 月在宜昌市第一人民醫院行乳腺MRI 檢查的患者75 例。納入標準：（1）均為腫塊型病灶，經病理證實為乳腺癌，并同時進行免疫組化檢測；（2）有完整的術前乳腺DCE-MRI 檢查資料；（3）進行MRI 檢查前未接受任何乳腺疾病相關的治療，包括穿刺、新輔助化療及其他抗腫瘤治療。排除標準：（1）MRI 圖像質量不佳，不易勾畫ROI 者；（2）患者MRI檢查時間與病理檢查相隔＞1 周。最終共納入患者75例（共75個病灶），皆為女性，年齡32～78（50.32±1.25）歲，其中導管原位癌9 例，非特殊性浸潤性癌62 例，特 殊 性 浸 潤 性 癌4 例；Lumianl A 型11 例，Luminal B 型36 例，HER-2 過 表 達 型14 例，TNBC 14例。

1.2 MRI檢查方法

采用GE Discovery MR 750 3.0 T 掃描儀，使用8 通道相控陣乳腺表面線圈?；颊卟扇「┡P位，兩側乳腺自然懸垂于線圈中央部位，且與線圈呈垂直角度。

平掃序列與掃描參數如下：（1）軸位T2WI，采用快速反轉恢復（T2-weighted short-tau inversion recovery, T2WI STIR）序 列，TR 5341.0 ms，TE 82.5 ms，層 厚5.0 mm，FOV 32 cm×32 cm，矩 陣512×512；（2）軸位T1WI，采用3D 快速小角度激發成像脂肪抑制（three-dimensional fast low angle shot imaging, T1WI 3D FLASH）序列，TR 3.9 ms，TE 1.7 ms，層厚1.4 mm，FOV 36 cm×36 cm，矩陣512×512；（3）彌散加權成像（diffusion weighted imaging, DWI）序列，TR 2769.6 ms，TE 61.7 ms，層厚4.0 mm，FOV 32 cm×32 cm，矩陣256×256，b值為0、800 s/mm2。

增強掃描采用三維快速小角度激發回波序列+橫軸位抑脂掃描，TR 3.0 ms，TE 1.4 ms，層厚1.0 mm，FOV 36 cm×36 cm，矩陣256×256。DCE-MRI 共掃描9 個時相，每個時相掃描時間為60 s，其中前1 個時相為蒙片，在第2個時相使用高壓注射器（MED TRON）經肘靜脈推注順磁性對比劑Gd-DTPA（拜耳公司），劑量為0.1 mmol/kg，注射流率2.0 mL/s，然后注射生理鹽水15.0 mL，流率3.0 mL/s。

1.3 圖像分析方法

從影像歸檔和通信系統（picture archiving and communication systems, PACS）系統將病灶MR增強掃描后的T1WI抑脂橫軸位圖像導入后處理平臺（醫準-達爾文科研平臺，http://premium.darwin.yizhun-ai.com），然后由兩名具有5 年以上乳腺MRI診斷經驗的放射科主治醫師在未知其病理情況下，選擇腫塊最大層面且強化最明顯的區域沿病灶邊緣手動勾ROI，勾畫時盡量避開腫瘤壞死囊變及瘤周水腫區域。如存在意見不同的靶區勾畫部分，將另請一位具有10 年以上乳腺MRI 診斷經驗的高年資放射學專家（主任醫師）進行商討后最終確定。

ROI 勾畫完畢后，以分子分型是與非作為二分類指標進行特征參數提?。↙uminal A型與非Luminal A型；Luminal B 型與非Luminal B 型；HER-2 過表達型與非HER-2 過表達型；TNBC 與非TNBC），共計提取1125個特征。首先對特征進行標準化處理，使算法收斂更快，然后用最優特征篩選器進行特征降維，從原始特征中篩選出每組最相關特征參數，最后基于MRI最優特征結合邏輯回歸分類器建立二分類預測模型。

1.4 免疫組化及分子分型判斷標準

2015年St.Gallen國際乳腺會議[16]4種免疫組化指標雌激素受體（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, HER-2）、Ki-67的表達情況不同，將乳腺癌分為4種不同的分子亞型：Luminal A型、Luminal B型、HER-2過表達型及TNBC。分型標準詳見表1。

表1 乳腺癌分子分型標準Tab.1 Molecular classification criteria for breast cancer

1.5 統計學方法

采用SPSS 26.0 軟件進行統計分析。計數資料采用χ2檢驗及Fisher 確切概率法，計數資料用頻數表示。本研究的計量資料有：年齡、紋理特征，符合正態分布的計量資料以表示，兩組間比較采用獨立樣本t檢驗，多組間比較進行方差分析（單因素ANOVA檢驗），并取其中有意義的計量資料進行事后多重比較；不符合正態分布的計量資料以中位數和四分位數M（P25，P75）表示，兩組間比較采用Mann-WhitneyU檢驗，多組間比較行Kruskal-Wallis 檢驗。對兩組間差異有統計學意義的紋理特征以Medcalc 軟件建立ROC 曲線，計算曲線下面積（area under the curve,AUC），確定截斷值，評價其對不同乳腺癌分子分型的鑒別診斷效能。P＜0.05為差異具有統計學意義。

2 結果

2.1 患者臨床病理資料

四種分子分型乳腺癌患者間年齡、絕經狀態、病理學分型、MRI 強化情況及淋巴結轉移情況的差異均不具有統計學意義（P＞0.05）（表2）。

表2 四種分子分型乳腺癌患者臨床資料Tab.2 Four molecular classification of breast cancer patients with clinical data

2.2 特征提取及模型構建

將四種乳腺癌分子分型以二分類（Luminal A型/非Luminal A 型、Luminal B 型/非Luminal B 型、HER-2 過表達型/非HER-2 過表達型及TNBC/非TNBC）分組，經過特征篩選降維，最終每組各篩選出5 個最優特征（表3），其中包含有一階統計特征、形狀特征及紋理特征，本研究僅對紋理特征進行統計分析。

圖1 乳腺癌動態對比增強MRI ROI示意圖。1A～1D分別為Luminal A型、Luminal B型、HER-2過表達型、三陰性乳腺癌患者術前動態對比增強MRI T1WI壓脂軸位單層靶區勾畫示意，紅線范圍內為病灶ROI。HER-2：人表皮生長因子受體2； ROI：感興趣區。Fig.1 Breast cancer dynamic enhanced MRI ROI diagram.1A-1D are Luminal A type, Luminal B type, HER-2 overexpression type, triple negative breast cancer patients with preoperative MRI dynamic contrast-enhanced T1WI fat suppression axial single-layer target area delineation, the red line range is the ROI of lesion.HER-2: human epidermal growth factor receptor 2; ROI: region of interest.

表3 經篩選降維所得最優特征參數名稱Tab.3 Optimal feature parameter names obtained by dimension reduction through screening

基于MRI圖像特征參數，使用邏輯回歸分類器構建預測模型，各模型的AUC 值、特異度、敏感度、準確率見表4，四種模型中預測Luminal A 型乳腺癌效能最高，AUC為0.92。

表4 基于MRI紋理特征各亞型分類模型的診斷效能Tab.4 Diagnostic efficacy of each subtype classification model based on MRI texture features

2.3 MRI紋理特征診斷Luminal A型乳腺癌的價值

在Luminal A 型組中有4 個紋理特征：灰度共生矩陣-逆差矩歸一化（wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized, w-HL_glcm_Idmn）、相鄰灰度色差矩陣-對比度（wavelet-LL neighboring gray tone difference matrix contrast, w-LL_ngtdm_C）、三維灰度共生矩陣-聚類陰影（3D grey level co-occurrence matrix cluster shadow, 3D_glcm_CS）、三維相鄰灰度色差矩陣-強度（3D neighboring gray tonedifference matrix Strength, 3D ngtdm_S）。使用Mann-WhitneyU檢驗對Luminal A 型與非Luminal A 型組間4 個紋理特征進行統計學分析，發現3D_ngtdm_S 在組間的差異無統計學意義，其他3 個MRI紋理特征的差異均具有統計學意義（P＜0.05）。

w-HL_glcm_Idmn、w-LL_ngtdm_C、3D_glcm_CS 診斷Luminal A 型乳腺癌的AUC 值分別為0.73、0.70 和0.75，其中3D_glcm_CS 的鑒別診斷效能最高，以3D_glcm_CS＞0.439時診斷Luminal A型乳腺癌的敏感度為54.55%，特異度為90.62%，診斷效能的ROC 曲線見圖2A。

圖2 管腔型乳腺癌中差異有統計學意義的紋理特征的ROC曲線。2A為差異有統計學意義的特征參數鑒別Luminal A 型與非Luminal A 型乳腺癌的ROC曲線。2B 為差異有統計學意義的特征參數鑒別Luminal B型與非Luminal B 型乳腺癌的ROC 曲線。ROC：受試者工作特征；AUC：曲線下面積；w-HL_glcm_Idmn：灰度共生矩陣-逆差矩歸一化；w-LL_ngtdm_C：相鄰灰度色差矩陣-對比度；3D_glcm_CS：三維灰度共生矩陣-聚類陰影；o_glcm_CS：原始灰度共生矩陣-聚類陰影；w-LL_glcm_CS：低通濾波器-灰度共生矩陣-聚類陰影。Fig.2 ROC curve of texture features with statistically significant differences in luminal breast cancer.2A is the ROC curve of the characteristic parameters with statistically significant differences in differentiating Luminal A and non-Luminal A breast cancer.2B is the ROC curve of the characteristic parameters with statistically significant differences to identify Luminal B and non-Luminal B breast cancer.ROC:receiver operating characteristic; AUC: area under the curve;w-HL_glcm_Idmn: wavelet-HL grey level co-occurrence matrix_inverse difference moment normalized; w-LL_ngtdm_C: wavelet-LL neighboring gray tone difference matrix contrast; 3D_glcm_CS: 3D grey level co-occurrence matrix cluster shadow; o_glcm_CS: original gray level co-occurrence matrix cluster shadow; w-LL_glcm_CS: wavelet-LL grey level co-occurrence matrix cluster shade.

2.4 MRI紋理特征診斷Luminal B型乳腺癌的價值

在Luminal B型組間選出的5個特征中有3個紋理特征：原始灰度共生矩陣-聚類陰影（original gray level co-occurrence matrix cluster shadow, o_glcm_CS）、高通濾波器-灰度共生矩陣-聚類陰影（wavelet-HH grey level co-occurrence matrix cluster shade, w-HH_glcm_CS）、低通濾波器-灰度共生矩陣-聚類陰影（wavelet-LL grey level co-occurrence matrix cluster shade,w-LL_glcm_CS）。使 用Mann-WhitneyU檢 驗 對Luminal B 型與非Luminal B 型2 組間3 個 紋理特征進行統計學分析，發現w-HH_glcm_CS組間的差異無統計學意義（Z=1.315，P=0.189），o_glcm_CS、w-LL_glcm_CS 兩個紋理特征組間差異均具有統計學意義（P＜0.05），兩者鑒別診斷Luminal B型乳腺癌亞型的AUC分別為0.65和0.65（圖2B），其中o_glcm_CS的鑒別診斷效能最高，以o_glcm_CS＞0.169時診斷Luminal B型乳腺癌的敏感度為72.22%，特異度為64.10%。

2.5 MRI紋理特征診斷HER-2過表達型乳腺癌的價值

對HER-2 過表達型與非HER-2 過表達型2 組間5 個紋理特征進行統計學分析，發現二維-灰度游程長度矩陣-運行熵（local binary pattern 2D gray level run length matrix run entropy,lbp-2D_glrlm_RE）、灰度區域大小矩陣-依存熵（sigma grey level size zone matrix dependent entropy, s_glszm_DE）、灰度依賴矩陣-小依賴低灰度級強調（3D grey level dependence matrix small dependent low gray level emphasis,3D_gldm_SDLGLE）、灰度區域大小矩陣-低灰度級區域強調（3D grey level size zone matrix low gray level zone emphasis, 3D_glszm_LGLZE）、三維灰度區域大小矩陣-小區域低灰度優勢（3D grey level size zone matrix small area low gray level emphasis, 3D_glszm_SALGLE）的組間差異均具有統計學意義（P＜0.05）（表5），各特征鑒別診斷HER-2 過表達型乳腺癌亞型的診斷效能詳見表6，圖3A，其中3D_glszm_SALGLE 的鑒別診斷效能最高，3D_glszm_SALGLE≤-0.460時診斷HER-2過表達型乳腺癌的敏感度為92.86%，特異度為70.49%。

圖3 HER-2過表達型及TNBC中差異有統計學意義的紋理特征的ROC曲線。3A：差異有統計學意義的特征參數鑒別HER-2 過表達型與非HER-2過表達型乳腺癌的ROC曲線。3B：差異有統計學意義的特征參數鑒別TNBC與非TNBC的ROC曲線。AUC：曲線下面積；HER-2：人表皮生長因子受體2；TNBC：三陰性乳腺癌；ROC：受試者工作特征；lbp-2D_glrlm_RE：二維-灰度游程長度矩陣-運行熵；3D_gldm_SDLGLE：灰度依賴矩陣-小依賴低灰度級強調；3D_glszm_LGLZE：灰度區域大小矩陣-低灰度級區域強調；s_glszm_DE：灰度區域大小矩陣-依存熵；3D_glszm_SALGLE：三維灰度區域大小矩陣-小區域低灰度優勢；w-LH_ngtdm_B：高通濾波器-相鄰灰度色差矩陣。Fig.3 ROC curve of texture features with statistically significant differences between HER-2 overexpression and TNBC.3A is the ROC curve of the characteristic parameters with statistically significant differences in identifying HER-2 overexpressing and non- HER-2 overexpressing breast cancer.3B is the ROC curve of the characteristic parameters with statistically significant differences to identify TNBC and non-TNBC.AUC: area under the curve; HER-2: human epidermal growth factor receptor 2; TNBC: triple negative breast cancer; ROC: receiver operating characteristic.lbp-2D_glrlm_RE: local binary pattern 2D gray level run length matrix run entropy; 3D_gldm_SDLGLE: 3D grey level dependence matrix small dependent low gray level emphasis; 3D_glszm_LGLZE: 3D grey level size zone matrix low gray level zone emphasis; s_glszm_DE: sigma grey level size zone matrix dependent entropy; 3D_glszm_SALGLE: 3D grey level size zone matrix small area low gray level emphasis; w-LH_ngtdm_B: wavelet LH neighbouring gray tone difference matrix busyness.

表5 HER-2過表達型與非HER-2過表達型組間紋理特征比較分析Tab.5 Comparative analysis of texture features between HER-2 overexpression and non- HER-2 overexpression groups

表6 紋理特征鑒別HER-2過表達型乳腺癌的診斷效能Tab.6 Diagnostic efficacy of texture features in the identification of HER-2 overexpressing breast cancer

2.6 MRI紋理特征診斷三陰性乳腺癌的價值

在三陰性乳腺癌組中有4個紋理特征：高通濾波器-相鄰灰度色差矩陣（wavelet LH neighbouring gray tone difference matrix busyness, w-LH_ngtdm_B）、灰度游程長度矩陣-長運行強度（wavelet-HH gray level run lngth matrix long run emphasis,w-HH_glrlm_LRE）、灰度游程長度矩陣-運行方差（wavelet-HH gray level run lngth matrix run variance, w-HH_glrlm_RV）、灰度區域大小矩陣-小區域強調（wavelet-HH grey level size zone matrix small area emphasis, w-HH_glszm_SAE）。對TNBC 與非TNBC 組間4 個紋理特征進行統計學分析，發現組間w-LH_ngtdm_B 的差異具有統計學意義（P＜0.05），其鑒別診斷TNBC的診斷效能見圖3B，AUC為0.65，以w-LH_ngtdm_B＞-0.255 時診斷TNBC 的敏感度為92.86%，特異度為39.34%。

3 討論

本研究使用回顧性方法評估了乳腺癌MRI圖像紋理特征在術前鑒別乳腺癌分子分型中的價值。結果發現三個紋理特征在Luminal A型與非Luminal A型組之間的差異有統計學意義，兩個紋理特征在Luminal B型與非Luminal B 型組之間的差異有統計學意義，五個紋理特征在HER-2過表達型與非HER-2過表達型組之間的差異有統計學意義，僅一個紋理特征在TNBC與非TNBC組之間的差異有統計學意義。此外，基于MRI圖像特征參數所建立的Luminal A 型、Luminal B型、HER-2過表達型、TNBC的預測模型AUC值分別為0.92、0.83、0.83、0.72。研究表明，部分紋理特征在鑒別乳腺癌分子分型時具有顯著差異，其中HER-2過表達型的多個MRI紋理特征明顯有別于非HER-2過表達型組，說明MRI紋理分析對HER-2過表達型與非HER-2過表達型的分類具有一定提示意義，這與BRAMAN等[17]的研究結果相似。通過特征篩選降維構建的基于邏輯回歸的二分類模型中，鑒別管腔A型與非管腔A型乳腺癌組診斷效能最高、AUC為0.92，這一結果與SUTTON等[18]的發現一致，筆者今后也將收集更多樣本數據來驗證模型。由于HER-2過表達型乳腺癌治療方案與其他分型截然不同，其預后較管腔型乳腺癌差，通常通過分子靶向聯合化療進行，TNBC 惡性程度最高，需行新輔助化療。因此，這一研究結果可以支持及幫助臨床分型診斷及選擇治療方案，為臨床醫生術前決策提供一定的理論參考依據。

3.1 不同分子分型乳腺癌患者的一般資料

乳腺癌作為一種高度異質性的腫瘤，其分子分型與患者的預后及臨床治療方案密切相關[19-20]。隨著基因組學的發展，以往僅關注形態學的組織病理學診斷越來越無法滿足臨床診療需求，需根據免疫組化結果進行腫瘤的分子分型。PEROU等[21]的研究顯示，管腔A型乳腺癌的發病率在四種分子亞型中最高，與SUN等[22]和TSAI等[23]的研究結果一致。本研究對75例乳腺癌患者的病理資料進行分析，結果顯示Luminal A 型約14.7%、Luminal B 型約48.0%、HER-2 過表達型約18.7%、三陰性乳腺癌約18.7%，其中Luminal B 型占比最高，這與黃峻琳等[24]的研究一致。其原因在于本研究采用的分型標準，將PR高表達（≥20%）作為管腔A型的分型條件，而不滿足上述條件的管腔型乳腺癌均認為是管腔B型。

本研究中，各分子亞型乳腺癌患者間年齡、絕經狀態、淋巴結轉移情況的分布差異不具有統計學意義，與SHENG 等[25]的研究結果一致。郭俊字等[26]、汪玲等[27]研究卻發現不同分子分型在年齡、淋巴結轉移間差異具有統計學意義。這些研究得到的結果不同，可能與研究對象的選擇、樣本量大小及組間數據是否均衡有關。

3.2 特征篩選與模型構建

乳腺MRI 可產生大量的圖像數據，近些年，許多學者利用MRI 圖像勾畫乳腺疾病的ROI 并提取特征，通過研究發現所提取的部分紋理特征在鑒別乳腺病變的良惡性[28-29]、預測腋窩淋巴結狀態[30]等方面具有較高的價值。本研究則是通過MRI 圖像紋理特征來術前預判乳腺癌分子分型，因為乳腺癌的分子亞型及其高異質性是目前研究證明影響治療和預后的重要因素，因而本研究更具有現實的臨床意義。既往國內一些學者[31]利用T2WI 壓脂平掃圖像進行腫瘤分割并提取紋理特征，而DCE-MRI圖像蘊含著更多病灶血流動力學數據信息，本研究較既往一些研究更嚴謹、完善，勾畫了乳腺腫塊強化最明顯的最大層面ROI，更深度挖掘的病灶的內部異質性。

紋理分析利用計算機視覺，盡可能地從原始圖像中提取紋理特征進行量化以供算法和模型使用[32]?，F在各類軟件所提取的特征數量眾多，導致模型過度擬合，所以需要通過降維篩選出最優特征參數，便于解釋與研究。特征選擇主要是為了降維以減少特征數量，加強模型泛化能力，減少過度擬合，同時增加對特征和特征值之間的理解。目前研究中對于特征選擇應用較多的有LASSO 算法、方差閾值篩選器、迭代篩選特征、最小冗余最大相關算法、最優特征篩選等[33-34]。本研究選擇的特征降維手段是用最優特征篩選器進行降維，最優特征篩選器是通過統計方法篩選出對分類重要的特征。其內置的評價準則有χ2檢驗、樣本方差F值及離散類別交互信息，可以配置特征選擇的評價準則，以及需要保留的特征維數。

本研究采用的邏輯回歸是一種分類算法，其功能是提供一個回歸分類預測模型，根據輸入的樣本特征向量預測樣本所屬類別的概率，并估計每個自變量的權重，同時邏輯回歸模型還可以結合特征對應的權值，分析單一因素對某一事件發生的影響因素。具有快速高效、模型可解釋性強及其結果具備概率意義、可擴展性強等優點。

3.3 MRI紋理特征預測乳腺癌分子分型

隨著技術的發展，以紋理分析、放射組學、深度學習為代表的多種計算機輔助診斷方法在醫學研究中發揮著重要作用[35]?，F有紋理分析研究多采用MRI圖像，也有部分學者采用DCE-MRI定量參數圖、DWI、ADC圖等進行分析，不同研究選用的紋理參數不盡相同，各個研究得出的紋理參數與腫瘤分子亞型間的關系也不盡相同?？傮w來說，既往研究已發現了與乳腺癌亞型相關的MRI紋理特征。如薛珂等[36]研究發現基于動態增強MRI紋理分析是潛在評估乳腺癌異質性的一種方法，紋理特征能夠很好地區分HR 陽性與HR 陰性型乳腺癌；HOLLI-HELENIUS 等[37]使用TA 軟件MaZda 從每個腫瘤T1WI抑脂增強前后的MR圖像中提取基于共生矩陣的紋理特征，結果得到了區分Luminal A型和Luminal B型最具鑒別性的2個紋理參數是總熵和總方差。

本研究在對不同分型乳腺癌進行兩組間比較時發現，TNBC與非TNBC組間只有1個MRI紋理特征差異有統計學意義，即紋理分析對鑒別TNBC 可能存在一定局限性。XIE 等[38]基于定量ADC 圖和DCE 半定量圖發現部分紋理參數在不同亞型乳腺癌組間存在統計學差異，在鑒別TNBC 和Luminal A 型、和HER-2 陽性癌、和非TNBC 的AUC 分別為0.71、0.76、0.68，紋理分析在鑒別TNBC 時表現欠佳，這與本研究結果一致。BRAMAN 等[17]、GRIMM 等[39]研 究發現HER-2 過 表達型乳腺癌與常規增強乳腺MRI 半自動提取的特征相關。馬曉雯[40]對乳腺DCE-MRI 圖像進行影像組學特征的提取及分析，結果發現HER-2 過表達與非HER-2 過表達組間最優特征最多，然后基于這些影像參數構建模型得到鑒別HER-2 過表達和非HER-2 過表達的效能最高AUC為0.66，此結果與本研究不盡相同。與之前研究相反，WU等[41]對乳腺癌患者的MRI圖像行紋理分析，發現在Luminal A 型與非Luminal A 型、Luminal B型與非Luminal B型、TNBC與非TNBC組間均存在顯著統計學差異的紋理特征，且三組分子亞型分類診斷模型的AUC分別為0.71、0.67、0.66，此結果與本研究及SUTTON等[18]發現一致。

本文利用邏輯回歸基于MRI 紋理參數建立分類模型，在不同分子分型乳腺癌中達到了較好的鑒別效果，鑒別Luminal A 型和非Luminal A 型時表現最佳（AUC 達0.92），但鑒別TNBC 和非TNBC 效果欠佳（AUC為0.72），本研究與WU等[41]研究一致。本研究與既往相似研究結果不盡相同，筆者認為這可能與患者的納入排除標準、實驗技術設計等有關，需要在相同的條件下使用動態分析進一步驗證。

以上結果均提示，紋理分析已日趨顯示其臨床應用價值，本研究MRI紋理分析在鑒別乳腺癌分子亞型方面具有一定價值，一些紋理特征可能成為潛在影像標志物，為臨床提供相應的參考價值。

3.4 局限性

本研究仍有一些不足之處：（1）由于非腫塊型乳腺癌病灶難以準確勾畫ROI邊界，因此本研究僅納入腫塊型病變，可能存在數據偏倚；（2）本研究為單中心、小樣本回顧性研究，樣本量較小，有些分子亞型乳腺癌的病例數較少，組間數據平衡性欠佳，在今后研究中有待收集更多樣本數據進一步驗證；（3）腫瘤ROI均為放射科醫師手動勾畫，可能存在一定的偏差。

4 結論

綜上所述，基于DCE-MRI紋理分析可實現術前較準確地預測乳腺癌分子分型，基于MRI紋理特征構建的邏輯回歸模型在乳腺癌分子分型中有較好的診斷效能，為臨床醫生術前指導治療及預后評估提供一定的理論參考依據。

作者利益沖突聲明：全部作者均聲明無利益沖突。

作者貢獻聲明：張婷婷設計本研究的方案，對稿件重要的智力內容進行了修改；林倩起草和撰寫稿件，獲取、分析或解釋本研究的數據；陳愛華獲取、分析或解釋本研究的數據，對稿件重要的智力內容進行了修改；張婷婷獲得了北京醫學獎勵基金會睿影基金項目資助；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。