文献速递乳腺MR

基于大型多中心MRI数据库的乳腺表观扩散系数分类系统(ADC-B)的引入

Introduction of a breast apparent diffusion coefficient category system (ADC-B) derived from a large multicenter MRI database.
PubMed 文献 · Eur Radiol · 2023-05-11

该多中心回顾性研究基于7家机构11项研究、1625例患者1736个病理验证乳腺病灶,提出ADC-B分类系统:ADC-B0无法评估、ADC-B1无强化病灶、ADC-B2至B5按ADC阈值对应累积恶性率分层,ADC-B4与B5间阈值1.0×10⁻³ mm²/s对浸润性癌的PPV为95.8%。该系统旨在补充BI-RADS用于MRI强化病灶的ADC评估、记录和报告。

要点

  • ADC-B5(ADC<1.0×10⁻³ mm²/s)累积恶性率>24.5%,B4(1.0至<1.5)为1.7–24.5%,B3(1.5至<1.9)为0.1–1.7%,B2(≥1.9)<0.1%。
  • ADC-B4与B5间阈值1.0×10⁻³ mm²/s区分浸润性癌与非浸润性DCIS的PPV为95.8%(95%CI 0.94–0.97)。
  • 测量ROI应覆盖ADC图上病灶最暗区域,并结合高b值DWI和增强T1避免坏死区或脂肪抑制T2黑边效应所致低信号区。

核心结论

  • ADC-B系统为MRI强化乳腺病灶的ADC评估、记录和报告提供简单且广泛适用的分类方案。
  • 该系统基于多中心MRI检查,可通过ADC测量对乳腺癌风险分层,并补充BI-RADS以改善临床决策和患者结局。

研究设计与样本

  • 多中心回顾性分析,纳入7家机构11项独立IRB批准的单中心研究,数据收集于2007年至2019年。
  • 共纳入1625例女性患者(平均年龄55.9岁,SD 13.8)的1736个病理验证乳腺病灶。
  • 所有扫描使用1.5T或3T MRI扫描仪、专用乳腺线圈、俯卧位,DWI采用回波平面成像序列并符合EUSOBI建议。
  • ADC图由各扫描仪集成软件以单指数拟合计算,测量由对组织学结果设盲的放射科医生独立完成。

关键影像表现/征象

  • 良性病灶平均ADC为1.45×10⁻³ mm²/s(SD 0.40),恶性病灶为0.95×10⁻³ mm²/s(SD 0.25),差异显著(p<0.001)。
  • 浸润性癌平均ADC为0.92×10⁻³ mm²/s(SD 0.22),DCIS为1.18×10⁻³ mm²/s(SD 0.30),两者差异显著(p<0.001)。
  • 浸润性黏液癌平均ADC为1.36×10⁻³ mm²/s(SD 0.30),显著高于其他浸润性癌(p<0.001),但与DCIS和良性病灶无显著差异(p=0.08–1.00)。
  • 高危病灶与良性病灶平均ADC无显著差异(p=0.28)。
  • 按病灶大小分层,良性病灶≤10 mm组平均ADC为1.42×10⁻³ mm²/s,>10 mm组为1.45×10⁻³ mm²/s(p=0.007);癌灶两组分别为0.98和0.95×10⁻³ mm²/s(p=0.28)。

诊断标准与关键数值

  • ADC-B0:ADC无法评估(如伪影);ADC-B1:增强T1上无强化病灶(类比BI-RADS 1)。
  • ADC-B2:ADC≥1.9×10⁻³ mm²/s,累积恶性率<0.1%;ADC-B3:ADC 1.5至<1.9×10⁻³ mm²/s,恶性率0.1–1.7%。
  • ADC-B4:ADC 1.0至<1.5×10⁻³ mm²/s,恶性率1.7–24.5%;ADC-B5:ADC<1.0×10⁻³ mm²/s,恶性率>24.5%。
  • 区分浸润性与非浸润性癌的ROC曲线AUC为0.76(标准误0.027,95%CI 0.73–0.78),阈值1.0×10⁻³ mm²/s处PPV为95.8%(95%CI 0.94–0.97)。

临床应用与阅片要点

  • ADC-B2类比BI-RADS 2,可视为良性且诊断信心很高,无需进一步检查。
  • ADC-B3类比BI-RADS 3,可视为可能良性,建议短期影像随访。
  • ADC-B4类比BI-RADS 4/5,恶性概率高至足以 warrant 影像引导活检和组织病理分析。
  • ADC-B5病灶恶性率为91.6%,ADC-B4上限累积恶性率24.5%仍落在BI-RADS 4的2–95%范围内。
  • ADC-B0和ADC-B1可能对审计目的特别有帮助。

局限性

  • 研究存在基础数据的异质性,多变量分析虽显示仅最终诊断影响ADC值,但未深入分析ADC混杂因素。
  • 作者认为对标准化扩散时间等相关性进行专门分析是有必要的(warranted)。
  • 所检查的研究样本仅纳入具有b值数据的病灶(原文此处未完整表述)。
  • 作者指出ADC阈值并非一成不变,随着更多ADC数据加入未来可能调整。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 May 11;33(8):5400–10. doi: 10.1007/s00330-023-09675-0

引言

扩散加权成像(DWI)是乳腺对比增强磁共振(CE-MRI)成像的有力补充工具。它可作为乳腺肿瘤恶性程度的影像生物标志物[1–3],也可用于某些肿瘤特征如肿瘤侵袭性[4],或用于新辅助治疗下的治疗监测[5]。

DWI通过施加扩散梯度来测量水分子的随机运动。这种运动可通过计算表观扩散系数(ADC)来量化。尽管许多研究已显示DWI的潜力,但其在乳腺临床常规中的应用仍在推进中:虽然乳腺影像报告和数据系统(BI-RADS)已建立作为乳腺MRI简单且可比报告的工具[6],但DWI尚无分类标准。此外,缺乏技术标准化导致了对DWI测量可重复性和可比性的讨论,阻碍了该技术在临床实践中的广泛应用。为克服这些问题,一个国际工作组提供了技术标准化建议,并建议将ADC分为不同类别[7]以使报告更加实用。然而,所建议的ADC分类仅基于某些病变亚型的ADC范围,这些范围来自对既往发表文献的荟萃分析汇总。

因此,本回顾性研究的目的是基于大型多中心乳腺MRI数据库的累积恶性率和ADC测量值,开发一个简单且临床适用的乳腺ADC(ADC-B)分类系统,以补充MRI BI-RADS在对比增强乳腺病变中ADC值评估、记录和报告方面的不足。

材料与方法

研究样本

来自四个国家七家机构的个体匿名患者和病变数据被收集、汇总并转移至一个多中心数据库。该数据库包括来自十一项单中心研究的独立患者样本,这些研究于2007年至2019年间进行。纳入本分析的患者数据部分已被分析和发表(1625例患者中的1215例;见表1),但研究问题不同。与这些既往发表不同,本研究将不同研究的原始数据合并以开发ADC分类系统。

表1 各中心纳入患者数量及患者数据的既往发表情况。所有患者均为女性[23–31] 查看原表 ↗

患者

MRI适应证、纳入标准和排除标准见图1。各中心纳入病例数见表1。每项单中心研究均获当地机构审查委员会批准。由于数据分析的回顾性性质,IRB豁免了签署知情同意的要求。数据收集和汇总以完全匿名的方式进行,并符合国际法规。

不同组织学亚型被归纳为以下类别以供进一步分析:良性病变(含高危病变亚类)

浸润性乳腺癌

浸润性黏液性乳腺癌

导管原位癌(DCIS)

其他恶性肿瘤(包括不属于上述类别的恶性肿瘤,如乳腺外肿瘤的转移)

“高风险”类别归因于恶性潜能不确定的病变,这些病变在手术或真空活检后的最终组织学检查中并非恶性。纳入的高风险病变包括导管不典型增生、小叶原位癌/小叶肿瘤、柱状细胞不典型增生、放射状瘢痕/复杂性硬化性腺病、扁平上皮不典型增生、乳头状瘤/乳头状瘤病以及叶状肿瘤[8]。

图1 流程图,展示纳入和排除的病变。缩写:MRI—磁共振成像;DWI—弥散加权成像 查看原图 ↗

MRI和ADC测量技术

所有扫描均在1.5或3-T MRI扫描仪上进行,使用专用乳腺线圈,患者取俯卧位。所有扫描均按照国际指南在各研究样本内标准化的方案进行,包括T2加权序列以及平扫和增强T1加权序列[6, 9]。所有DWI扫描均使用回波平面成像序列进行,并符合欧洲乳腺影像学会(EUSOBI)的建议[7]。ADC图由各扫描仪内置软件使用单指数拟合计算。不同患者群体所使用的硬件、DWI扫描参数和图像后处理详情见表2。

所有ADC测量均使用二维感兴趣区(ROI)进行,ROI覆盖ADC图上视觉识别的病变最暗部分,同时根据EUSOBI的建议和近期一项荟萃分析[7, 10, 11],使用高b值DWI和增强T1加权图像以避免坏死区域或脂肪抑制T2黑化效应引起的低信号区域。所有测量均由一名或多名对组织学结果不知情的放射科医师在临床工作站上独立完成。放射科医师在乳腺MRI判读方面具有不同水平的经验,范围在3至25年之间(补充表1)。

表2 本回顾性分析中纳入的不同研究所使用的硬件和序列参数 查看原表 ↗

乳腺ADC分类(ADC-B)

第一步,将每个病变的ADC值与累积恶性率绘制成简单曲线(图2)。第二步,基于这些累积恶性率并类比BI-RADS,预先定义了六个基本ADC-B类别。因此,强化病变根据类比BI-RADS建立的累积恶性率阈值进行分层:极高ADC(ADC-B2类,恶性率< 0.1%):与BI-RADS 2一样,这些病变可视为良性,诊断置信度极高,无需进一步检查。

高ADC(ADC-B3,0.1–2%):与BI-RADS 3相当,这些病变可视为可能良性。应建议短期影像学随访。

中等/低ADC(ADC-B4,2–50%):与BI-RADS 4/5一样,该类别中恶性概率足够高,需要进行影像引导活检和组织病理学分析的检查。

极低ADC(ADC-B5,> 50%)。

第三步,从绘制的曲线中获取既定累积恶性阈值处的ADC值(图2)。第四步,根据ROC曲线调整类别4与5之间的截断值。在此,我们旨在区分浸润性与非浸润性乳腺癌。选择浸润性癌的阳性预测值(PPV)> 95%作为拟合阈值。由于这两个类别中的病变无论如何都将接受活检,我们认为区分浸润性与非浸润性癌的可能性是一种有趣且可能有用的工具。最后,第五步,为便于ADC阈值的临床应用,将截断值设定为一位小数,从而导致恶性率与第二步中先前定义的略有不同。

类别ADC-B0适用于无法测量ADC的病例(例如,由于伪影),而类别ADC-B1适用于CE T1加权上无强化病变的病例(类似于BI-RADS 1)。所检查的数据库中未纳入此类病例,且由于无可检测病变或可测量ADC,这些类别未应用ADC阈值。

图2 A、B 累积恶性率(y轴)与ADC值(x轴)的关系图。曲线上的点代表每个单个病例。图B显示恶性率低于0.025部分的放大图。参考线描绘了ADC类别的ADC阈值:虚线—1.9;点线—1.5;实线—1.0;ADC值以10−3 mm2/s表示。缩写:ADC—表观扩散系数 查看原图 ↗

统计分析

统计分析使用SPSS 26.0(IBM Corp.)进行。除患者年龄外,所有计算均基于每个病变进行。

不同病变类型的均值使用单因素方差分析和Games-Howell事后检验进行比较。创建箱线图以可视化结果。良性和恶性病变还按大小分层(病变≤ 10 mm和> 10 mm),并使用独立样本t检验比较大小组间的均值。为检验ADC结果在异质性数据库中的稳健性,进行了多变量线性回归分析,除最终诊断(良性 vs 恶性)外,还将ADC数据来源中心、MRI设备场强、制造商和病变大小作为协变量纳入分析。

使用Microsoft Excel(Microsoft Corp.)绘制ADC值降序与相应累积恶性率升序的关系图,以确定ADC-B类别的阈值。在进一步步骤中,使用ROC调整ADC-B类别4与5之间的ADC截断值。

显著性水平定义为5%;因此,p值≤ 0.05被视为显著。未应用正式的Bonferroni校正,因为统计检验数量有限且病例数较多。解释检验结果时考虑了组间差异的临床相关性,以避免过度强调虚假关联。

结果

患者和病变特征

在因数据不完整排除122例患者后(图1),共纳入1625例女性患者、1736个病灶,平均年龄55.9岁(标准差13.8)(表1)。1736个病灶中1155个为恶性(66.5%),581/1736个为良性(33.5%),其中115/581个为高危病灶(19.8%)。恶性病灶中,1020/1155(88.3%)为浸润性乳腺癌,98/1155(8.5%)为导管原位癌(DCIS),26/1155(2.3%)为浸润性黏液癌,11/1154(0.9%)为其他恶性肿瘤。病灶平均大小为20.7 mm(标准差16,范围3–130 mm)。恶性病灶(平均23.1 mm,标准差13 mm)显著大于良性病灶(平均15.9 mm,标准差17 mm,p < 0.001)。肿块型病灶1333个(78.6%),非肿块型病灶362个(21.4%)。41个病灶无强化类型信息。组织病理学详情见表3。

表3 纳入乳腺病灶的组织病理学详情 查看原表 ↗

ADC测量

良性病灶的平均ADC值为1.45 × 10−3 mm2/s(标准差0.40,范围0.40–2.69),高危病灶为1.37 × 10−3 mm2/s(标准差0.34,0.60–2.43),恶性乳腺病灶为0.95 × 10−3 mm2/s(标准差0.25,0.27–2.10)。按恶性亚型分类,浸润性乳腺癌(除浸润性黏液癌外所有类型合并)的平均ADC值为0.92 × 10−3 mm2/s(标准差0.22,0.27–1.90),DCIS为1.18 × 10−3 mm2/s(标准差0.30,0.46–2.10),浸润性黏液性乳腺癌为1.36 × 10−3 mm2/s(标准差0.30,0.70–1.79),其他癌为0.91 × 10−3 mm2/s(标准差0.40,0.39–1.85)。

良性与恶性病灶之间的平均ADC差异显著(p < 0.001),浸润性乳腺癌、DCIS与良性病灶之间的平均ADC差异亦显著(p < 0.001)。黏液性乳腺癌的ADC水平显著高于其他浸润性癌(p < 0.001),但与DCIS和良性病灶无显著差异(p = 0.08–1.00)。高危病灶与良性病灶之间未发现显著差异(p = 0.28)。

按大小分层后,良性病灶的平均ADC值在≤ 10 mm亚组(1.42 × 10−3 mm2/s)与> 10 mm亚组(1.45,p = 0.007)之间呈轻微但具有统计学意义的差异,而癌灶则未发现显著差异(0.98与0.95,p = 0.28)。在各大小组内,良性与恶性病灶之间的平均ADC值差异均显著(p < 0.001)。

多变量线性回归显示,仅最终诊断(良性 vs 恶性)对ADC变异有显著贡献。将最终诊断作为协变量纳入模型,调整R平方为0.408(解释40.8%的ADC变异);而从多变量模型中剔除最终诊断后,R平方为0.030(仅解释3%的ADC变异),病灶大小成为唯一显著的协变量。

ADC分类

浸润性与非浸润性癌的ROC曲线下面积为0.76(标准误0.027,95% CI 0.73–0.78)(图3)。ADC-B4与ADC-B5之间的阈值设定为1.0 × 10−3 mm2/s。在此阈值下,浸润性乳腺癌相对于非浸润性DCIS的阳性预测值(PPV)为95.8%(95% CI 0.94–0.97)。

最后,ADC分类的ADC阈值分别为:ADC-B2:ADC ≥ 1.9 × 10−3 mm2/s,对应累积恶性率 < 0.1%;ADC-B3:1.5 至 < 1.9 × 10−3 mm2/s,恶性率 0.1–1.7%;ADC-B4:1.0 至 < 1.5 × 10−3 mm2/s,恶性率 1.7–24.5%;ADC-B5:< 1.0 × 10−3 mm2/s,恶性率 > 24.5%。(表4,图4)。不同ADC-B分类的图像示例见图5和图6。

图3 比较浸润性和非浸润性乳腺癌ADC值的ROC曲线。该曲线用于确定ADC-B4与5分类之间的阈值。该曲线的AUC为.757(标准误.027,95% CI .705–.809)。阈值设定为ADC 1.0 × 10−3 mm2/s,此时浸润性乳腺癌的PPV为95.8%;缩写:ROC——受试者工作特征曲线;ADC——表观扩散系数;AUC——曲线下面积 查看原图 ↗
表4 根据本分析结果建议的ADC-B分类,及各分类对应的累积恶性率、ADC范围和良恶性病例数。ADC值以10 − 3 mm2/s表示 查看原表 ↗
图4 箱线图显示相应ADC-B分类中不同病变亚型的ADC值。箱内水平线代表中位ADC,箱代表IQR,须代表1.5倍IQR。ADC值以10−3 mm2/s表示。缩写:ADC——表观扩散系数;IQR——四分位距;DCIS——导管原位癌 查看原图 ↗
图5 一名59岁女性患者右乳中三个不同ADC-B分类的三种不同病变类型,该患者因筛查乳腺X线摄影结果为BI-RADS III而就诊。A 轴位ADC图(b = 0和800 s/mm2);B 轴位T2 STIR;C 增强后2分钟轴位减影T1 VIBE;D 增强后7分钟轴位减影T1 VIBE。组织病理学显示以下病变亚型:腺病(13 mm;虚线箭头;ADC-B3);纤维腺瘤(10 mm;箭头;ADC-B4);囊肿(11 mm;箭头头;ADC-B2)。缩写:ADC——表观扩散系数,STIR——短tau反转恢复;VIBE——容积内插屏气检查 查看原图 ↗
图6 一名68岁女性患者右乳中两个不同ADC-B分类的两种不同病变类型,该患者因体格检查发现可疑肿块且乳腺X线摄影结果为BI-RADS 4而就诊。A 轴位ADC图(b = 0和800 s/mm2);B 计算b = 1400 s/mm2的轴位扩散加权图像(由b = 0和800 s/mm2计算;此仅用于演示目的,计算b值图像未用于原始研究判读);C 增强后2分钟轴位减影T1 VIBE;D 增强后7分钟轴位减影T1 VIBE。组织病理学显示以下病变亚型:DCIS(35 mm;虚线箭头;ADC-B4)和浸润性小叶癌(23 mm;箭头;ADC-B5)。缩写:ADC——表观扩散系数;VIBE——容积内插屏气检查;DCIS——导管原位癌 查看原图 ↗

讨论

表观扩散系数是诊断乳腺病变的重要标志物。利用一个包含个体患者和病变数据的大型多中心数据库(这些数据采用不同硬件和扫描参数获得),我们开发了一种易于使用的乳腺表观扩散系数(ADC-B)分类系统,以补充美国放射学会乳腺影像报告和数据系统(BI-RADS),用于评估、记录和报告MRI上强化乳腺病变的ADC值,该系统可无缝整合到MRI BI-RADS报告中。ADC-B分类包括ADC-B2类别中99.9%的排除恶性类别,并以95.8%的阳性预测值在ADC-B4和5类别之间区分浸润性与非浸润性乳腺癌。

尽管ADC在乳腺成像中的能力已得到充分研究[1–5],但其在临床常规中的应用仍在推进中:缺乏标准化以及已报道的乳腺病变亚型ADC值和阈值范围广泛,阻碍了临床实践中ADC值的标准化和可比报告。同时考虑到阅片者间差异,单一ADC阈值用于临床实践可能过于简单化。与所有生物标志物一样,随着ADC值升高,恶性概率逐渐增加。因此,一个国际工作组最近建议将ADC分为多个类别[7],以使报告更具可操作性。虽然该工作组基于荟萃分析结果提出了ADC类别,但我们从不同中心、不同硬件、DWI采集参数和患者群体的多个研究样本中收集了原始患者和病变数据,以创建可应用于所有研究人群的ADC-B分类系统。

如前所述[2],没有可行的ADC阈值能以100%的确定性排除恶性,因为特定癌亚型,如浸润性黏液癌[12]或导管原位癌(DCIS)[13],其ADC值可能与良性病变重叠。因此,我们认为< 0.1%的恶性率对于排除类别ADC-B2是合理的。

ADC-B3类别的病变累积恶性率< 1.7%。该阈值是通过找到累积恶性率为2%的ADC阈值并将该阈值四舍五入到一位小数来确定的,因为超过一位小数的阈值在临床实践中不可行:虽然乳腺ADC测量的阅片者间变异性通常较低,但达到第二位小数的一致性水平可能无法实现[14]。

ADC-B4与5类之间的阈值通过计算ROC曲线确定,以95%的阳性预测值(PPV)区分浸润性乳腺癌与非浸润性导管原位癌(DCIS)。DCIS是一种常见的[15]非浸润性乳腺癌类型,发展为临床显著病变的机会较小,且通常表现为比浸润性癌更高的ADC值[4]。由于目前有正在进行的临床试验探讨DCIS是否应与浸润性乳腺癌区别对待[16–19],因此区分这两类病变的可能性具有临床意义。虽然ADC-B4类的累积恶性率相对较高,为24.5%,可能导致不必要的活检,但该比率处于BI-RADS 4类(介于2%至95%之间)的范围之内,而该类无论如何都建议进行活检。尽管其上阈值处的累积恶性率看似较低,但ADC-B5类内病变的恶性患病率为91.6%。

此外,我们提出了涵盖无强化病变病例(ADC-B1)以及ADC无法评估的病例(例如因伪影所致,ADC-B0)的分类。这些分类可能对审计目的特别有帮助。

虽然ADC-B分类来源于多中心个体病变和患者数据,因此作为最低共同标准适用于所有纳入的亚人群,但必须指出这些阈值并非一成不变:随着来自其他来源的更多ADC数据的加入,它们在未来很可能会被调整。如果DWI的进一步标准化(例如EUSOBI DWI工作组[7]所建议的)得以推广,情况尤其可能如此。然而,我们对异质性数据库的多变量分析未发现技术采集差异对ADC变异性的显著影响,因此支持了本文所呈现结果的稳健性。此外,可针对特殊适应症(如乳腺癌筛查)开发更精细的分类。

本研究中发现的ADC值与既往报道相当。良性病变的ADC值显著高于恶性病变[2, 4],但浸润性黏液癌除外。这可归因于该病变类型的低细胞密度和黏液含量[12, 20, 21]。尽管如此,黏液癌主要见于ADC-B4类(图4),因此需要进行活检。

伴有和不伴有高风险标准(恶性潜能不确定)的良性病变之间未发现显著的ADC差异。良性高风险病变的微观结构变化似乎对观察到的ADC无客观影响。相反,Parsian等报道了高风险病变与其他良性亚型之间的显著差异[22]。然而,在Parsian的研究中,>80%的高风险病变为非典型导管增生,而本研究中最多见的亚型为乳头状瘤/乳头状瘤病(占高风险病变的43.5%)。因此可以得出结论:虽然某些高风险亚型可能表现为比良性乳腺病变更低的ADC值,但这不能一概而论。

此外,虽然ADC是DWI最常用的定量方法,但它是对组织中水扩散特性的非常简单且相当粗略的近似。有一些更新的技术,如体素内不相干运动或非高斯扩散模型,应该能更好地反映这种扩散,并显示出相当的诊断性能[1]。虽然这些方法有朝一日可能优于ADC,但它们尚未进入常规临床实践。未来也可以为这些先进扩散模型衍生的参数开发类似的分分类系统。

本研究存在一些局限性:首先,基础数据的异质性。虽然我们的多变量分析显示只有诊断(良性 vs 恶性)是影响ADC值的相关因素,因此在本研究采用的设备和方法下ADC值是稳健的,但我们未对ADC混杂因素进行深入分析。虽然这超出了本研究的范围,但专门的析因分析,例如标准化扩散时间的相关性,是必要的。从临床实践的角度来看,我们将纳入患者样本和采集技术的不均匀性视为一项优势,因为这种不均匀性代表了临床现实,因此所建立的ADC阈值可用于不同的临床环境。这并不意味着不需要标准化,而是表明所提出的ADC-B分类已经可以应用。其次,所检查的研究样本仅包括已进行活检以获得明确诊断的病灶。由于归类为BI-RADS 2或3的病灶通常不做活检,这可能因假阳性低ADC而导致高ADC类别中恶性率偏低的潜在偏倚。然而,由于无论如何都没有恶性病变的纳入标准,这不应降低我们结果的适用性。另一个值得关注的点可能是按病灶表现(肿块型与非肿块型)对ADC-B进行分层。本研究的目的是提供一个简单的ADC分类系统,包括一个适用于肿块型和非肿块型病灶的排除类别。进一步的独立验证研究可能会显示,更精细的方法是否能提供额外价值,尽管这会使临床应用更加复杂。第三,我们未测试所提出的ADC分类与常规(增强或非增强)乳腺MRI联合使用的情况,因为我们认为这超出了本研究的范围。

总之,乳腺表观扩散系数(ADC-B)分类系统提供了一种简单且广泛适用的分类方案,可作为MRI BI-RADS标准的补充,用于MR成像上对比增强乳腺病灶ADC值的评估、记录和报告。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 84 KB)

引用

  1. Bickel H, Clauser P, Pinker K, et al. Introduction of a breast apparent diffusion coefficient category system (ADC-B) derived from a large multicenter MRI database. Eur Radiol. 2023. PMID: 37166495. doi:10.1007/s00330-023-09675-0
  2. 全文:PMC10326122(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10326122/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。