文献速递乳腺MR

动态增强MRI影像组学识别乳腺癌分子亚型:延迟期不可忽视

Molecular subtypes of breast cancer identified by dynamically enhanced MRI radiomics: the delayed phase cannot be ignored.
PubMed 文献 · Insights Imaging · 2024-05-31

这项回顾性研究纳入377例病理确诊乳腺癌患者,从DCE-MRI早期、峰值和延迟期的瘤内及瘤周区域提取影像组学特征并建立逻辑回归模型,用于区分Luminal A、Luminal B、HER2富集型和三阴性亚型。延迟期模型在测试集中对HER2富集型区分性能最高(AUC=0.735,95%CI 0.606–0.864),但各期模型ROC曲线比较经DeLong检验无统计学差异;全融合模型中筛选出的最重要特征多来自延迟期。

要点

  • 延迟期瘤内模型区分HER2富集型在测试集AUC=0.735(95%CI 0.606–0.864),敏感度0.654、特异度0.845、准确度0.796。
  • 延迟期联合瘤内+瘤周模型在测试集区分HER2富集型AUC=0.779(95%CI 0.669–0.888),高于早期和峰值期模型。
  • 全融合模型中最重要特征来自延迟期,延迟期DCE-MRI在术前分子分型中不可忽视。

核心结论

  • DCE-MRI延迟期的瘤内和瘤周影像组学特征可为术前分子分型提供额外信息,延迟期不可忽视。
  • 延迟期影像组学模型性能优于早期和峰值期模型,但差异无统计学意义;与全融合模型相比在验证集中也无显著统计学差异(DeLong检验均P>0.05)。

研究设计与样本

  • 回顾性研究,纳入2018年10月至2022年9月在本院术前行乳腺DCE-MRI且病理确诊乳腺癌的377例患者。
  • 按时间分为训练集202例、验证集87例和测试集88例;采用分层随机抽样以7:3比例划分开发集为训练集和验证集。
  • 使用3-T MR扫描仪(SIGNATM Pioneer,GE Healthcare)和8通道乳腺线圈,DCE-MRI采用DISCO技术,共采集18期,时间分辨率19.4秒/期。
  • 选取早期(增强后第5期)、峰值(第9期)和延迟期(第18期)图像,分别勾画瘤内和瘤周(5 mm环形)容积感兴趣区并提取影像组学特征。
  • 以病理免疫组化分子分型为参考标准,建立逻辑回归模型区分各亚型,并用ROC曲线和DeLong检验比较模型。

诊断标准与关键数值

  • 分子分型定义:Luminal A为ER+和/或PR+、HER2−且Ki-67低表达(≤20%);Luminal B为ER+和/或PR+且HER2+或Ki-67高表达(>20%);HER2富集型为ER−、PR−、HER2+;三阴性为ER−、PR−、HER2−。
  • 延迟期瘤内模型(D_Intra)区分HER2富集型测试集AUC=0.735(95%CI 0.606–0.864),敏感度0.654、特异度0.845、准确度0.796。
  • 延迟期瘤内模型区分Luminal型测试集AUC=0.712(95%CI 0.603–0.821),区分三阴性AUC=0.668(95%CI 0.536–0.800),区分Luminal A与Luminal B AUC=0.682(95%CI 0.458–0.863)。
  • 延迟期瘤内+瘤周联合模型(D_Intra+Peri)测试集AUC:HER2富集型0.779(95%CI 0.669–0.888)、Luminal型0.703(95%CI 0.593–0.813)、三阴性0.718(95%CI 0.570–0.866)、Luminal A与B区分0.691(95%CI 0.512–0.870)。
  • 全融合模型(Full_Intra+Peri)测试集AUC分别为0.786、0.721、0.741和0.718。

临床应用与阅片要点

  • 延迟期影像组学特征在区分HER2富集型、三阴性、Luminal型及Luminal A与B时均表现出最优性能,阅片和建模时可优先关注延迟期。
  • 全融合模型中HER2富集型区分共筛选17个特征,其中9个来自延迟期;SHAP值前五特征中3个来自延迟期,最重要特征为D_Intra_glcm_MCC。
  • 三阴性模型延迟期特征占7/20,Luminal模型占6/13,Luminal A与B区分模型占5/10,延迟期特征在这些模型中均占主导。
  • 瘤周单独模型性能与瘤内单独模型相当,尤其对HER2富集型;瘤内+瘤周联合模型表现更优。

局限性

  • 本研究为回顾性研究,因回顾性性质免除患者知情同意。
  • 影像组学对分子分型的诊断效能仍不乐观,模型性能与多数已有研究相似,无显著突破。
  • 延迟期DCE-MRI未显示显著提高性能,但仍有助放大不同分子亚型间的区分。
  • 确切机制需进一步阐明。
  • 需针对不同DCE-MRI技术制定具体标准(如期相选择标准、时间和空间分辨率可用标准)以促进临床应用。
全文中译16 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:Insights Imaging. 2024 May 31;15:127. doi: 10.1186/s13244-024-01713-9

背景

乳腺癌是女性中最常见的恶性肿瘤[1],具有复杂的生物学行为和不同的分子亚型。分子亚型的分类为制定乳腺癌患者的治疗策略和预后提供了依据。目前,术前确定分子亚型依赖于对活检样本的免疫组化分析,但小标本可能无法完全代表整个肿瘤。因此,需要一种无创且可靠的诊断方法,能够全面评估肿瘤的病理状态,以辅助治疗决策。

动态对比增强磁共振成像(DCE-MRI)可用于定量评估细微微血管环境的通透性和灌注。放射组学通过高通量计算从医学影像中提取大量定量特征,从而能够利用所选放射组学特征建立的数学模型预测肿瘤表型[2]。既往研究报道,基于DCE-MRI的纹理分析可用于检测Ki-67[3, 4]和人表皮生长因子受体2(HER2)状态[3]、确定分子亚型[5, 6]、识别前哨淋巴结转移[7, 8]以及评估新辅助化疗的疗效[9, 10]。然而,这些研究仅从增强后的第一期[4, 5, 7, 11]或峰值期[3, 12]提取瘤内特征。由于不同扫描机器和技术的差异,关于哪个期能提供最佳性能用于分子亚型确定尚未达成共识。

肿瘤细胞诱导的瘤周微环境参与肿瘤的播散和发展[13, 14],瘤周细胞在乳腺癌临床结局中表现出比瘤内细胞更关键的作用[15]。既往研究发现,通过放射组学分析提取瘤周特征所区分的癌症分子亚型与瘤内特征相比具有可比性和互补性[3]。然而,这些瘤周特征的提取总是伴随瘤内特征的提取,且基于早期[16]或峰值期[3]。基于DCE-MRI不同期相全面评估瘤周特征的价值也至关重要。

本研究提取了不同DCE-MRI期相下的全面瘤内和瘤周特征。使用两个区域(瘤内和瘤周)和三个期相(早期、峰值期和延迟期)建立并比较了多种放射组学模型。本研究旨在揭示最有利于分子亚型区分的期相和放射组学特征。

材料和方法

研究人群

医院伦理委员会批准了本研究的设计。由于研究的回顾性性质,免除了患者批准或书面知情同意的要求。从2018年10月至2022年9月,395例经粗针穿刺活检证实为乳腺癌的连续患者在本院接受了术前乳腺动态对比增强磁共振成像(DCE-MRI)检查,检查时间在乳房切除术或肿块切除术前三周内。排除标准包括:(1)隐匿性癌或直径小于1.0 cm的小病灶(n = 7);(2)直径大于10.0 cm的大病灶(n = 5);(3)DCE-MRI上存在体动伪影的患者(n = 6)。对于单侧乳腺多发病灶的患者,仅选择最大病灶进行分析。2018年10月至2021年3月的患者被纳入训练集(n = 202)和验证集(n = 87)。从2021年4月至2022年9月,符合条件的患者被纳入测试集(n = 88)。患者选择流程图和数据集构建过程见图1。该数据集未在我们之前的论文中研究过,本研究未使用公共数据集。使用CLEAR清单指导报告(见补充表S1中的清单)。

图1 患者选择流程图 查看原图 ↗

临床病理特征的获取

每位患者的临床信息包括年龄、病灶大小、月经状态、组织学类型、淋巴结转移和组织学分级。雌激素受体(ER)、孕激素受体(PR)和HER2根据ASCO/USCAP指南[17, 18]采用亲和素-生物素免疫组化技术对活检标本进行评估。此外,Ki-67表达分类为:染色阳性率大于20%为高表达,等于或小于20%为低表达[19]。乳腺癌分子亚型分为:(1)Luminal型:ER+和/或PR+,包括Luminal A型(ER+和/或PR+,HER2−且Ki-67低表达)和Luminal B型(ER+和/或PR+且HER2+或Ki-67高表达);(2)HER2富集型:ER−和PR−,HER2+;(3)三阴性乳腺癌(TNBC):ER−、PR−、HER2−。

MRI采集

乳腺MRI检查使用3-T MR扫描仪(SIGNATM Pioneer,GE Healthcare,Milwaukee,WI,USA),患者俯卧位,使用8通道乳腺线圈。在常规序列(包括T1WI、T2WI和弥散加权成像(DWI))之后,使用带有脂肪抑制的笛卡尔排序差分亚采样(DISCO)技术获取T1加权DCE-MRI序列。在第一次增强前扫描后暂停20 s,然后静脉团注对比剂(钆双胺,GE Healthcare)(0.1 mmol/kg),随后用20 mL生理盐水冲洗,两者速率均为2 mL/s。随后连续采集共18个期相(时间分辨率 = 19.4 s/期)。扫描参数见补充表S2。

本研究中的所有图像均从本机构图像存档与通信系统下载。收集三个期相的图像进行分析,包括早期相(第5期增强后相)、峰值相(第9期增强后相)和延迟相(第18期增强后相),如图2所示。

图2 本研究使用的DCE-MRI流程。图2A 本研究共扫描18期DCE-MRI,但选取其中3期图像进行特征提取:早期(增强后第5期)、峰值期(增强后第9期)和延迟期(增强后第18期)。图2B 一名22岁女性,经病理免疫组织化学证实为Luminal B型乳腺癌。图中显示该患者的时间-信号强度曲线 查看原图 ↗

肿瘤分割与特征提取

将所有患者的DCE-MRI数据从DICOM格式转换为NIFTI格式,使用ITK-SNAP软件(http://www.itksnap.org/)进行肿瘤分割,并使用人工智能工具包(A.K.)软件(GE Healthcare,上海,版本3.0.1)进行特征提取。处理流程包括三个连续步骤(图3)。

步骤1. 瘤内感兴趣体积(VOI)勾画。采用ITK-SNAP基于阈值、种子点驱动的半自动分割方法,在DCE-MRI峰值期创建每个肿瘤VOI [20]。具有5年乳腺影像经验的放射科医师A在DCE-MRI峰值期进行VOI勾画,然后复制到早期和延迟期图像并进行手动调整。具有10年乳腺影像经验的放射科医师B使用相同方法对40个随机选择的样本独立分割肿瘤掩膜。采用组内相关系数(ICC)评估基于VOI的放射组学特征提取的观察者间一致性。ICC值≥0.75被认为具有极好的观察者间可重复性并予以保留。为充分覆盖肿瘤异质性,肿瘤的囊性和坏死区域均被纳入。

步骤2. 瘤周VOI勾画。使用A.K.软件对勾画的病灶轮廓进行膨胀,自动获得5 mm的环形瘤内区域(不含病灶区域)。还进行形态学膨胀操作以捕获病灶周围区域 [21]。如果膨胀后瘤内区域的轮廓超出乳腺实质,则手动去除超出实质的部分。还评估了各期瘤周特征的观察者间一致性。

步骤3. 特征提取。从每个DCE-MRI期相提取106个瘤内和106个瘤周放射组学特征。这些特征由PyRadiomics(http://pyradiomics.readthedocs.io/en/latest/index.html)定义,包括14个形状特征、17个一阶(FO)特征、24个灰度共生矩阵(GLCM)特征、14个灰度依赖矩阵(GLDM)特征、16个灰度游程长度矩阵(GLRLM)特征、16个灰度大小区域矩阵灰度大小区域矩阵(GLSZM)特征、5个邻域灰度差矩阵(NGTDM)特征。

图3 放射组学分析的工作流程 查看原图 ↗

特征选择

我们采用分层随机抽样方法将开发集按7:3比例分为训练集和验证集。在训练集中使用合成少数类过采样技术(SMOTE)以克服训练集中的数据不平衡,并将HER2富集型和TNBC患者数量过采样至其自身数量的两倍。对每个模型在训练集中采用相同的逐步流程进行特征标准化、特征选择和模型构建。

特征选择按以下步骤进行:(1)使用以下公式进行Z-Score特征标准化:标准化值 =(原始值 − 平均值)/ 标准差;(2)方差分析以剔除方差小于1的特征;(3)相关性分析,当多个特征之间的相关系数大于0.7时保留一个特征;(4)使用5折交叉验证的最小绝对收缩和选择算子(LASSO)方法选择可区分特征的最优子集。

模型建立与比较

建立逻辑回归模型以区分一种亚型与其他亚型(Luminal型 vs. 其他型、HER2富集型 vs. 其他型、三阴性乳腺癌(TNBC) vs. 其他型)。Luminal亚型进一步区分为Luminal A型和Luminal B型。对于每一种区分,我们建立了六个放射组学模型用于期相和区域的单因素分析、三个使用瘤内加瘤周特征的联合模型以及一个全融合模型。单期相分析模型包括:早期相瘤内区域(E_Intra)、峰值相瘤内区域(P_Intra)、延迟相瘤内区域(D_Intra);早期相瘤周区域(E_Peri)、峰值相瘤周区域(P_Peri)、延迟相瘤周区域(D_Peri)。联合分析模型包括:早期相瘤内和瘤周区域(E_Intra+Peri)、峰值相瘤内和瘤周区域(P_Intra+Peri)、延迟相瘤内和瘤周区域(D_Intra+Peri)。全融合模型为全期相瘤内和瘤周区域(Full_Intra+Peri)。测试数据仅使用一次用于最终模型的评估,以防止乐观偏倚。

训练集和验证集的诊断能力通过受试者工作特征(ROC)曲线进行评估。使用Shapley加法解释(SHAP)方法通过评估每个特征对区分的贡献来解释模型。

统计分析

本研究中所有统计分析、特征选择和模型建立均使用R 3.5.1和Python 3.5.6完成。连续变量以中位数(四分位距)描述,分类变量以频数描述。连续变量采用Mann–Whitney U检验或Kruskal–Wallis检验进行比较。对于分类变量,适当进行卡方检验和Fisher精确检验。不同模型的AUC值采用Delong检验进行比较。p值 < 0.05被认为具有统计学意义。SHAP值使用Python包SHAP(https://github.com/slundberg/shap)计算。

结果

患者特征

纳入研究的377例患者的分子亚型如下:Luminal型(n = 224,Luminal A型 n = 73,Luminal B型 n = 151)、HER2富集型(n = 78)和TNBC(n = 75)。患者的详细特征总结于表1。肿瘤大小(p < 0.001)、淋巴结转移(p < 0.001)、组织学类型(p = 0.012)和分级(p < 0.001)在Luminal型、HER2富集型和TNBC亚型之间差异显著。在年龄(p = 0.487)和绝经状态(p = 0.381)方面未观察到显著差异。

表1 临床和病理特征 查看原表 ↗

重复性分析

在肿瘤掩膜和影像组学特征提取方面获得了极好的观察者间一致性,两位放射科医生生成的掩膜之间,DCE-MRI不同期相上瘤内和瘤周特征的ICC值均超过0.90。

期相与区域一对一模型的分析

各模型所选特征见补充表S3–S6。在测试集中,D_Intra模型在区分HER2富集亚型方面表现最佳(AUC = 0.735,95% CI:0.606–0.864),灵敏度为0.654,特异度为0.845,准确度为0.796。D_Intra模型在区分Luminal亚型(AUC = 0.712,95% CI:0.603–0.821)、TNBC(AUC = 0.668,95% CI:0.536–0.800)与其他类型方面,以及在Luminal亚型内区分Luminal A与Luminal B方面(AUC = 0.682,95% CI:0.458–0.863)也表现最佳。然而,经DeLong检验验证的ROC曲线比较未显示统计学差异。各模型在训练集、验证集和测试集中的AUC见表2–4。

表2 使用期相与区域一对一模型区分HER2富集型的性能 查看原表 ↗
表3 使用期相与区域一对一模型区分TNBC的性能 查看原表 ↗
表4 使用期相与区域一对一模型区分Luminal与其他类型及在Luminal内区分Luminal A与Luminal B的性能 查看原表 ↗

瘤内加瘤周联合模型的分析

表S7–S10展示了各瘤内加瘤周联合模型所选特征。延迟期模型(D_Intra+Peri)联合瘤内和瘤周特征的AUC在训练集、验证集和测试集中均高于早期和峰值期模型。在测试集中,使用D_Intra+Peri模型区分HER2富集型的AUC为0.779(95% CI:0.669–0.888),区分Luminal亚型为0.703(95% CI:0.593–0.813),区分TNBC与其他类型为0.718(95% CI:0.570–0.866),区分Luminal A与Luminal B为0.691(95% CI 0.512–0.870)。D_Intra+Peri模型与Full_Intra+Peri模型具有相似的诊断性能(AUC分别为0.786、0.721、0.741和0.718),在验证集中未观察到显著的统计学差异(所有DeLong p > 0.05,表5)。图4显示了训练集、验证集和测试集中的ROC曲线。

表5 联合图像特征模型在验证集上预测性能的比较 查看原表 ↗
图4 联合模型与全融合模型的受试者工作特征(ROC)曲线。E_Intra + Peri,早期相瘤内和瘤周区域;P_Intra + Peri,峰值期瘤内和瘤周区域;D_Intra + Peri,延迟期瘤内和瘤周区域;Full_Intra + Peri,全期相瘤内和瘤周区域 查看原图 ↗

全融合模型的分析

全融合模型(Full_Intra+Peri模型)所选特征见表S11。Full_Intra+Peri模型的AUC值在所有模型中最高,用于区分HER2富集型、TNBC和Luminal亚型与其他类型,以及在Luminal亚型内区分Luminal A与Luminal B(表5)。

在Full_Intra+Peri模型中共选择了17个特征用于区分HER2富集型亚型,其中大多数特征来自延迟期(9/17)。在SHAP值最高的前五个特征中,有三个特征来自延迟期,最重要的特征是D_Intra_glcm_MCC(图5)。同样,在TNBC(7/20)、Luminal型(6/13)与其他型的区分以及Luminal亚型内Luminal A与Luminal B(5/10)区分的模型中,延迟期特征也占主导地位。在这些模型中,最重要的特征均从延迟期中识别,且前五个重要特征中的大多数来自延迟期。

图5 通过沙普利加性解释(SHAP)对Full_Intra + Peri模型所选特征集进行评估。特征按照其对乳腺癌分子亚型预测的贡献度降序排列。 查看原图 ↗

讨论

在本研究中,我们通过从DCE-MRI多个期相提取瘤内和瘤周特征,构建并比较了多种用于区分分子亚型的模型。延迟期的影像组学特征在HER2富集型、TNBC和Luminal型与其他型的区分以及Luminal亚型内Luminal A与Luminal B的区分中均表现出更优的性能。延迟对比期的优势同样适用于瘤内联合瘤周组合模型。多期相、多区域DCE-MRI影像组学模型的综合整合在区分分子亚型方面表现出更优的性能,与延迟期影像组学模型相比未观察到统计学显著差异。使用SHAP方法,Full_Intra+Peri模型中前五个特征大多数来源于延迟期,而最关键的特征也来自延迟期。因此,该结果表明DCE-MRI的延迟对比期在术前分子分型中发挥了不可忽视的作用。

本研究首次尝试使用多期动态对比增强磁共振成像(DCE-MRI)区分乳腺癌的分子分型,并探讨不同对比增强期相的影响。优化的DCE-MRI序列具有高时间分辨率和空间分辨率,能够准确捕捉对比剂的滞留状态和空间分布。由于技术因素,既往研究[4, 5, 12]中的DCE-MRI时间分辨率较差(约60–100秒),空间分辨率相当。因此,这些研究中的影像组学特征通常提取自原发肿瘤的第一个增强期[4, 5]以及用于恶性特征描述对比增强最强烈的期相[12]。DCE-MRI早期相可可靠评估新辅助化疗后浸润性癌的存在。相比之下,延迟期通常能更好地评估额外原位癌的范围[22]。延迟期对于浸润性小叶癌、MRI上非肿块强化以及激素受体阳性/HER2阴性肿瘤的残余肿瘤范围勾画尤为重要[22]。DCE-MRI上的早期强化体现肿瘤血管化和恶性程度增高,被认为侧重于肿瘤细胞本身的性质。在延迟期,对比剂缓慢浸润并分布于肿瘤间质组织,倾向于显示肿瘤基质的性质[23]。癌细胞周围的肿瘤间质为肿瘤发生[14]、肿瘤刺激性炎症[24]、代谢[25]、转移[26]、化疗耐药[27]和免疫逃逸机制[28]提供了微环境。肿瘤间质表型在不同分子亚型之间存在差异:三阴性乳腺癌(TNBC)更常见于炎症型和正常样型肿瘤,而Luminal A型则突出表现为促纤维增生型和硬化型[29]。结合反映肿瘤间质的延迟期DCE-MRI高通量影像特征,可能量化不同分子亚型之间的差异。肿瘤浸润淋巴细胞(TILs)的含量差异可能是另一种生物学解释。TNBC和HER2富集亚型通常募集更多的TILs,而Luminal亚型中仅检测到6%[30]。既往一项研究[31]比较了多期DCE-MRI影像组学模型评估乳腺癌中TILs水平的作用。其结果表明,从延迟期DCE-MRI提取的影像组学特征有助于最佳地评估TIL水平。从延迟期提取特征在免疫微环境分析中获得了更好的预测能力。鉴于本研究结果,延迟期在分子分型中的价值可能来源于肿瘤微环境的差异。然而,确切机制仍需进一步阐明。

除了量化瘤内异质性外,瘤周区域在肿瘤成像中受到越来越多关注。值得注意的是,扩大的环状瘤周区域被视为肿瘤微环境的替代物。同样,增加的瘤周特征为良恶性病变的鉴别[32]、乳腺癌分子分型[6]和治疗反应预测[33]提供了额外价值。基于DCE-MRI药代动力学参数,Li等[3]发现瘤内和瘤周影像组学模型在区分HER2和Ki67状态方面具有相似的诊断性能。或者,结合瘤内和瘤周特征显著提高了模型性能[3, 6]。在本研究中,基于每个对比期的单独瘤周模型与单一瘤内模型相比表现出等效的性能,尤其是对HER2富集亚型。我们还观察到瘤内和瘤周联合模型的优越性。使用两区域加三期的全融合模型获得了更好的性能,但在验证集中无统计学显著性。延迟期模型在识别每个分子亚型方面的准确率最接近全融合模型。尽管延迟期具有额外价值,影像组学用于分子分型的诊断效率仍不乐观。我们模型的性能与大多数研究中已建立的模型相似,没有显著突破[3, 6, 34]。这可能归因于定义分子亚型的各种指标之间的重叠以及隐藏在图像背后的受体之间的复杂关系。尽管DCE-MRI延迟期未显示出显著改善的性能,但它们仍有助于放大不同分子亚型之间的区分度。

DCE-MRI的高时空分辨率使其成为在常规成像序列中准确捕获肿瘤间质信息的首要技术。Tang等[31]和我们的研究分别强调了延迟期DCE-MRI在区分乳腺癌TILs水平和分子分型中的重要性。同样,我们的发表文章[9]表明早期DCE-MRI在预测新辅助治疗反应方面更有用。因此,在影像组学分析中应根据不同的研究目的选择DCE-MRI期相。制定针对不同DCE-MRI技术的特定标准也将促进其临床应用,如期相选择标准、时间和空间分辨率的可用标准、延迟扫描时间长度等。

我们的研究存在若干值得注意的局限性。第一,本研究的影像组学模型基于单中心、回顾性数据建立,样本量不平衡,需要前瞻性多中心研究进一步验证我们的结果。第二,本研究仅采用DISCO DCE-MRI技术探究三个不同对比增强期相用于影像组学分析,从而限制了研究结果的可重复性和泛化性。我们的结果应在欧洲乳腺影像学会(EUSOBI)指南[35]推荐的标准诊疗MRI方案中或其他厂商的时间分辨MRI技术[36]中进一步验证。最后,从DCE-MRI延迟强化期提取的特征提供了有价值的信息,但尚无明确的生物学解释。深化瘤内及瘤周影像组学特征的生物学可解释性至关重要。

结论

使用DCE-MRI延迟期的影像组学特征和模型表现更优,提示其对术前分子分型的附加价值,因此在乳腺癌分子亚型鉴别中DCE-MRI延迟期不可忽视。

补充信息

电子补充材料

引用

  1. Huang G, Du S, Gao S, et al. Molecular subtypes of breast cancer identified by dynamically enhanced MRI radiomics: the delayed phase cannot be ignored. Insights Imaging. 2024. PMID: 38816553. doi:10.1186/s13244-024-01713-9
  2. 全文:PMC11139827(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11139827/

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。