基于双能CT模型区分乳腺良恶性病变:开发与验证
本研究前瞻性纳入200例疑似乳腺癌患者共222个乳腺病灶,行双期增强双能CT检查,随机按7:3分为训练集和测试集。多因素回归确定年龄、病灶形状和静脉期有效原子序数为独立预测因子并构建模型,训练集和测试集AUC分别为0.844和0.791,模型诊断性能良好。
要点
- 年龄、病灶形状、静脉期有效原子序数是乳腺良恶性病变的独立预测因子。
- 基于上述三因素构建的DECT模型训练集AUC为0.844,测试集AUC为0.791。
- 模型在训练集和测试集的最佳阈值0.705下敏感度分别为89.7%和86.8%。
核心结论
- 基于双能CT的模型对DECT检出的乳腺良恶性病变表现出良好的无创鉴别诊断性能。
研究设计与样本
- 前瞻性单中心研究,纳入200例疑似乳腺癌患者共222个乳腺病灶,均经手术病理诊断。
- 采用128排双层探测器光谱CT行胸部双期增强扫描,患者俯卧位。
- 病灶按7:3随机分为训练集和测试集。
关键影像表现/征象
- 训练集中恶性病灶较良性病灶更常见不规则形状(76.2% vs 37.9%,p<0.001)和非光整边缘(96% vs 79.3%,p=0.006)。
- 训练集中恶性病灶较良性病灶年龄更大(52.0±9.9 vs 41.9±14.6岁,p=0.001),绝经后比例更高(50.8% vs 20.7%,p=0.006)。
- 训练集中恶性病灶静脉期碘浓度(1.58±0.66 vs 1.20±0.84 mg/mL,p=0.03)、有效原子序数(8.14±0.32 vs 7.92±0.45,p=0.02)、λHU(3.1±1.31 vs 2.31±1.7,p=0.03)均高于良性病灶。
- 训练集中恶性病灶静脉期nIC病灶/正常腺体组织(12.37[6.48–23.01] vs 5.39[3.29–14.37],p=0.006)和nZeff病灶/正常腺体组织(1.13±0.05 vs 1.09±0.06,p=0.01)均高于良性病灶。
诊断标准与关键数值
- 模型纳入年龄、病灶形状(0=规则,1=不规则)和静脉期有效原子序数三个独立预测因子。
- 训练集AUC为0.844(95%CI 0.764–0.925),测试集AUC为0.791(95%CI 0.647–0.935),DeLong检验两组AUC无显著差异(p=0.53)。
- 最佳阈值0.705下,训练集敏感度89.7%、特异度65.5%、准确率85.2%、假阴性率10.3%。
- 最佳阈值0.705下,测试集敏感度86.8%、特异度64.3%、准确率82.1%、假阴性率13.2%。
- Hosmer-Lemeshow检验训练集p=0.85、测试集p=0.33;决策曲线分析显示训练集阈值25–98%、测试集45–90%范围内模型净获益优于默认策略。
临床应用与阅片要点
- 本研究中心按局部方案对疑似乳腺癌患者术前行长胸部双期增强DECT扫描以评估纵隔和腋窝淋巴结或潜在肺部肿瘤。
- DECT形态学特征评估参照MRI-BI-RADS词典;BI-RADS A或B归为非致密型FGT,C或D归为致密型FGT。
- 作者认为联合临床、形态学特征和DECT定量参数有潜力识别乳腺良恶性病变,可能有助于对DECT上偶然发现的乳腺病灶决定是否需要进一步检查。
- 作者指出未来针对乳腺病灶的研究可考虑仅行静脉期扫描以减少辐射暴露。
局限性
- 单中心研究,且良恶性乳腺病灶数量不平衡,可能引入偏倚。
- 部分DECT图像上不可见的乳腺病灶被排除,其中大多数后续证实为良性,可能掩盖良恶性在DECT图像上显示程度的差异。
- 形态学特征分析中达成的共识可能不能代表不同经验水平的个体放射科医生。
- 未探讨模型在不同类型乳腺癌中的性能,因某些类型乳腺癌数量有限。
- 可能存在其他新的DECT参数能进一步提高鉴别诊断性能。
全文中译13 节 · 点击展开
引言
乳腺癌现已成为女性中最常见的癌症,也是癌症相关死亡的主要原因[1]。尽管计算机断层扫描并非评估乳腺病变的常规方法,但随着其日益普及和应用增多,已发现偶然发现的乳腺病变检出率为0.3%至7.63%[2–4]。此外,这些偶然发现的乳腺病变中有31.0%至70.0%经病理检查证实为恶性[5, 6]。因此,CT上偶然发现的乳腺病变给普通放射科医生带来了临床困境,即是否需要进一步检查。
双能CT是一种采集高能量和低能量两套原始数据的技术[7]。可获得并重建多种虚拟单能图像(VMI)和物质分解图像,以增加软组织之间的对比增强并实现物质分离。DECT在肿瘤成像中已展现出潜在的临床应用价值[8–12]。多项研究使用DECT确定VMI显示乳腺病变的最佳能量[13–15]、良恶性乳腺病变的鉴别诊断[16–18]、淋巴结转移的评估[19–21]、乳腺癌远处转移的检测[22, 23]以及乳腺癌免疫组化生物标志物状态的预测[24–26]。考虑到DECT现已常规用于临床检查并提供相对较高的组织分辨率,它可能有助于在乳腺癌全身分期过程中表征多灶性或多中心性乳腺病变,从而可能减少对MRI的需求。此外,它可能有助于在DECT上鉴别偶然发现的乳腺病变,以减少不必要的乳腺专科转诊。既往报道[16–18, 27]表明,DECT定量参数,包括碘浓度(IC)、有效原子序数(Zeff)和曲线斜率(λHU),在区分良恶性乳腺病变方面具有良好的诊断价值。然而,尚无研究将临床和影像学特征纳入鉴别诊断的考量。众所周知,良性和恶性乳腺病变患者在临床特征[28]和影像学表现[5, 6, 29–31]方面存在差异,考虑这些信息可能有助于鉴别诊断,并更符合临床实践。
我们假设DECT定量参数结合临床和形态学特征可用于良恶性乳腺病变的表征。本研究旨在开发并验证一个基于DECT的模型,用于鉴别DECT上检测到的良性和恶性乳腺病变,以辅助进一步检查。
材料与方法
这项前瞻性、单中心研究经本院伦理委员会批准,所有受试者均提供了签署的知情同意书。
患者队列
我们的研究连续纳入2022年7月至2023年7月期间,根据本地方案在手术前接受胸部双期增强双能CT(DECT)扫描以评估纵隔和腋窝淋巴结状态或潜在肺部肿瘤的疑似乳腺癌患者。纳入标准为:(1)超声或钼靶检查发现的BI-RADS 4A/4B/4C或5类乳腺病变;(2)既往未接受过乳腺化疗或放疗;(3)无碘过敏史或肾功能不全(估算肾小球滤过率≤30 mL/min)。排除标准为:(1)病理信息不完整;(2)DECT图像上目标病灶不可见;(3)严重金属伪影导致图像质量差。符合条件的乳腺病变被纳入并以7:3的比例随机分为训练队列和测试队列。研究流程图见图1。
临床和形态学特征
根据既往研究[32, 33],乳腺癌的比值比(OR)随着纤维腺体组织(FGT)和背景实质强化(BPE)的增加而升高。收集DECT图像的临床特征和形态学特征,包括年龄、家族史、绝经状态、症状、病变位置、纤维腺体组织(FGT)、背景实质强化(BPE)、病变形状、边缘、病变强化、病变内部强化及病变最大径。两名具有两年乳腺影像经验的放射科医师在对病理结果不知情的情况下,通过共识评估基于DECT的形态学特征,任何分歧通过与一名具有20年乳腺影像经验的资深放射科医师协商解决。影像形态学特征的评估基于MRI-BI-RADS词典[34]和既往研究[30]。在DECT图像上,乳腺几乎完全为脂肪或散在纤维腺体组织(BI-RADS A或B)被归类为非致密型FGT,而乳腺为不均匀或极度致密纤维腺体组织(BI-RADS C或D)被归类为致密型FGT。轻微和轻度BPE归类为轻度,中度和显著BPE归类为中/显著。卵圆形和圆形肿块被视为规则形状,否则在病变形状上被视为不规则。不规则或毛刺状边缘为非光整边缘。非肿块强化(NME)包括局灶性、线样、段样、区域性和多区域及弥漫性强化。肿块强化中的边缘强化和NME中的簇状或簇环状强化归类为内部不均匀强化。所有病变的组织病理学数据从电子病历系统中的病理报告提取。
DECT图像采集
所有参与者均采用128排能谱双层探测器CT扫描仪(IQon Spectral CT,Philips Health Systems)以俯卧位行胸部对比增强CT检查,以使乳腺组织充分展开,便于显示任何异常。详细的DECT方案见附录表E1(电子补充材料)。每位入组受试者经肘前静脉以2–3 mL/s注射碘对比剂(Ultravist 370,Bayer Schering Pharma)1.5 mL/kg,随后以相同速率给予30 mL生理盐水。采用团注跟踪法,以降主动脉100 Hounsfield单位(HU)阈值为触发点并额外延迟10 s开始动脉期扫描。静脉期扫描于动脉期扫描结束后25 s开始。
我们记录每位患者的CT剂量指数体积(CTDIvol)和剂量长度乘积(DLP),并将DLP乘以转换因子(k = 0.014 mSv/mGy · cm)确定有效辐射剂量[35]。
DECT定量参数
DECT图像在专用工作站(IntelliSpace Portal 10.0,Philips Healthcare)上自动重建。DECT定量参数由两名具有2年乳腺影像经验的放射科医师在共识下测量,他们对病理结果不知情,任何分歧均通过咨询一位具有20年乳腺影像经验的资深放射科医师解决。在显示每个乳腺病灶最大径的轴位层面上放置圆形感兴趣区(ROI)。ROI在病灶上尽可能调大,同时排除明显坏死、钙化和主要血管。在相邻的上、下层面以及正常乳腺实质和主动脉上也放置相似大小的ROI用于背景比较。ROI放置示例见附录图E1。对于每个病灶,利用工作站的复制粘贴功能,使动脉期和静脉期DECT图像上的ROI保持一致。所有测量均在三个层面上进行,然后取平均值。
测量常规图像和40-keV虚拟单能图像(VMI)上的衰减(HU)、碘浓度(IC,mg/mL)、有效原子序数(Zeff,绝对值)以及动脉期和静脉期的λHU等DECT定量参数。乳腺病灶的IC和Zeff分别通过除以主动脉或正常乳腺实质的相应值进行归一化(nIC和nZeff)。乳腺病灶的nIC、nZeff和λHU确定如下:
基于DECT的模型构建与评价
在训练队列中,基于病理结果通过单因素分析比较乳腺病灶的临床特征、DECT形态学指标和DECT定量参数。仅选择单因素分析中p < 0.05的参数作为后续多因素logistic回归的候选变量,以确定独立预测因素。根据相关独立预测因素及各自的回归系数,开发了基于DECT的模型,用于鉴别DECT检出的乳腺良恶性病灶。
列线图将模型可视化,使其具有可读性和可操作性。通过确定ROC曲线下面积(AUC)及其相应的95%置信区间(CI)来评估模型的诊断性能,并进行DeLong检验以比较训练队列和测试队列中的AUC,以评估模型的拟合度和稳健性。还确定了模型在两个队列中的敏感性、特异性和准确性。利用Hosmer-Lemeshow检验和校准曲线评估模型的拟合优度。此外,进行决策曲线分析以确定模型在两个队列中的临床实用性。
统计分析
由一名对参数不知情的数据分析师进行统计分析。使用Kolmogorov-Smirnov检验评估数据正态性。正态分布的连续变量以均值±标准差表示,非正态分布变量以中位数和四分位数表示。分类变量以频数和频率分布表示。在单因素分析中,连续变量采用独立t检验或Mann-Whitney U检验比较两组,分类变量采用卡方检验或Fisher精确检验。进行多因素logistic回归分析以确定区分良性和恶性乳腺病变的独立因素。为获得最优模型,使用R包函数‘glm()’选择赤池信息准则最小的模型,并移除任何不显著的变量。使用R软件(版本4.2.1;R Foundation for Statistical Computing)进行数据分析,p < 0.05表示差异有统计学意义。
结果
临床和形态学特征
本研究纳入了227例疑似乳腺癌患者。因病理信息不完整(n = 8)、DECT图像上目标病灶不可见(n = 14)以及严重金属伪影导致的图像质量差(n = 5)而排除患者。最终,本研究纳入200例患者的222个乳腺病灶(平均年龄49.9 ± 11.9岁;年龄范围22–83岁)。所有乳腺病灶(100%)均经手术标本诊断,病理结果显示43个病灶为良性,179个为恶性。训练队列和测试队列患者的临床特征及DECT衍生的形态学特征总结于表1,病理结果见附录表E2。两个队列之间在年龄(50.1 ± 11.6 vs 49.3 ± 12.7,p = 0.63)、家族史(14.8% vs. 16.4%,p = 0.92)、位置(49% vs. 46.3%,p = 0.82)、FGT(74.8% vs. 82.1%,p = 0.31)、BPE(65.1% vs. 56.7%,p = 0.30)、绝经状态(54.8% vs. 44.8%,p = 0.22)、症状(60.6% vs 62.7%,p = 0.89)、形状(31.0% vs. 35.8%,p = 0.58)、边缘(7.1% vs. 6.0%,p > 0.99)、强化(74.8% vs. 79.1%,p = 0.61)、内部强化(43.9% vs 50.7%,p = 0.43)和最大直径(2.52 ± 1.50 vs. 2.38 ± 1.17,p = 0.44)方面均未发现显著差异。
在训练队列中,单因素分析显示,与良性病变患者相比,恶性乳腺病变患者年龄更大(52.0 ± 9.9 vs. 41.9 ± 14.6,p = 0.001)、绝经后比例更高(50.8% vs. 20.7%,p = 0.006),并表现出更多不规则形状(76.2% vs. 37.9%,p < 0.001)和非局限性边缘(96% vs. 79.3%,p = 0.006)。
本研究中各期的平均CTDIvol为6.40 ± 0.85 mGy。DLP为233.0 ± 11.31 mGy · cm,平均有效辐射剂量为3.26 ± 0.16 mSv。
DECT定量参数
表2总结了训练队列和测试队列中良恶性乳腺病变的DECT定量参数。在动脉期和静脉期,恶性病变在常规图像上的衰减(分别为50.2 ± 14.4 vs. 43.6 ± 12.7,p = 0.02和85.9 ± 19.8 vs. 70.9 ± 26.3,p = 0.007)和40-keV虚拟单能图像(VMI)上的衰减(71.0 [52.9–95.4] vs. 52.7 [37.8–84.5],p = 0.04和177.8 ± 56.2 vs. 140.5 ± 74.1,p = 0.02),以及在静脉期的碘浓度(IC)(1.58 ± 0.66 vs. 1.20 ± 0.84,p = 0.03)、有效原子序数(Zeff)(8.14 ± 0.32 vs 7.92 ± 0.45,p = 0.02)、病变/正常腺体组织nIC比值(12.37[6.48–23.01] vs. 5.39 [3.29–14.37],p = 0.006)、病变/正常腺体组织nZeff比值(1.13 ± 0.05 vs. 1.09 ± 0.06,p = 0.01)和λHU(3.1 ± 1.31 vs. 2.31 ± 1.7,p = 0.03)均高于训练队列中的良性病变。这些定量参数在训练队列中的诊断性能见表3。ROC曲线分析显示这些参数具有相当的诊断能力,最大AUC可达0.68。
基于DECT的模型构建与评估
将临床特征、基于DECT的形态学特征以及单因素分析中具有统计学意义的DECT定量参数进一步纳入多因素logistic回归分析,结果显示年龄、病变形状和静脉期Zeff为独立预测因子(表4)。为实现对乳腺病变的个体化预测,通过纳入这些预测因子及相应的回归系数构建了基于DECT的模型,并通过列线图进行可视化(图2)。
该模型在区分乳腺良性与恶性病变方面显示出良好的诊断性能,训练队列和测试队列的AUC分别为0.844(95%CI,0.764–0.925)和0.791(95%CI,0.647–0.935)(图3)。DeLong检验发现两个队列之间的AUC无显著差异(p = 0.53)。该模型在训练队列和测试队列中的诊断性能见表5。使用最佳阈值0.705时,模型在训练队列中的敏感性、特异性和准确性分别为89.7%、65.5%和85.2%,而在测试队列中分别为86.8%、64.3%和82.1%。训练队列和测试队列相应的假阴性率分别为10.3%和13.2%。此外,图4显示了校准分析,提示两个队列中模型预测概率与实际频率之间具有良好的一致性。Hosmer-Lemeshow检验在训练队列和测试队列中分别得出p值为0.85和0.33。决策曲线分析表明,在两个队列中的一定阈值范围内(训练队列,25–98%;测试队列,45–90%),该新型模型较默认的简单策略提供了更高的净获益(图5)。此外,图6展示了两个应用该模型预测DECT检出乳腺恶性病变概率的示例。
讨论
在本研究中,乳腺恶性病变的双能CT(DECT)定量参数高于良性病变。多因素回归分析显示,年龄、病变形状和静脉期Zeff是鉴别DECT检出的乳腺良恶性病变的独立因素。此外,通过整合这些预测因素构建了基于DECT的模型。在训练队列中,AUC、灵敏度、特异度、准确率和假阴性率分别为0.844、89.7%、65.5%、85.2%和10.3%;在测试队列中分别为0.791、86.8%、64.3%、82.1%和13.2%。
本研究表明,与良性病变相比,乳腺恶性病变在常规图像和40-keV VMI上的衰减、IC、Zeff和λHU均较高,这与既往研究[17, 18]一致。这可能提示乳腺恶性病变具有更多潜在的微血管和血管生成,因为这些DECT定量参数与病变内对比剂的分布和含量相关。多项研究[36–38]显示,静脉期的DECT定量参数较动脉期具有更好的诊断能力。本研究还发现,与动脉期相比,静脉期有更多DECT定量参数表现出统计学显著差异。未来针对乳腺病变的研究可能仅采用静脉期扫描以减少辐射暴露。一种可能的解释是,本研究采用的DECT方案基于胸部增强CT方案,可能无法使对比剂在动脉期充分渗透乳腺病变,使得静脉期扫描对评估病变内潜在微血管更具信息价值。
在先前的一项研究[28]中,恶性乳腺病变患者的年龄为50至54岁,这与本研究一致,并且年龄被进一步证实为独立因素。对于CT上偶然发现的乳腺病变,边缘不规则、形状不规则和边缘强化对恶性乳腺病变具有高度预测价值[30, 39]。本研究结果也证实,边缘非光整和形状不规则的乳腺病变在恶性病变中更为常见,但本研究中病变的内部强化未见显著差异。这可能是因为不均匀强化未被细分为团块状或簇状环形强化与边缘强化,从而掩盖了潜在差异。为尽量减少循环中的个体差异,病变的IC和Zeff分别除以主动脉或正常乳腺实质的相应值,如先前所建议[16, 17]。然而,值得注意的是,静脉期Zeff是一个独立预测因子,而非标准化参数。Zeff是反映材料组成的指标,反映具有相同X射线衰减系数的元素的原子序数。恶性乳腺病变通常表现为血管生成增加[40]。随着乳腺病变中血管生成增多,碘的呈现量越多,有效原子序数就越高。然而,当主动脉中碘对比剂过量时,可能难以区分良性和恶性乳腺病变之间nIC病变/主动脉和nZeff病变/主动脉的微小差异。因此,需要进一步研究以确定将病变IC或Zeff除以主动脉相应值的标准化方法的实用价值。
与先前的工作[18]相比,所构建的模型由临床和形态学特征以及一个定量参数组成。该模型在两个队列中均表现出良好的判别能力,证实了其稳健性。校准曲线和决策曲线分析还显示,与默认的简单策略相比,该模型在训练队列和测试队列中在一定阈值范围内均提供了良好的拟合和更大的净获益。据我们所知,本研究首次将临床和形态学特征与DECT定量参数相结合,用于识别DECT上检测到的乳腺病变。虽然本研究中纳入的病变并非CT上偶然发现的乳腺病变,但这些发现可能有助于鉴别DECT上偶然发现的良性和恶性乳腺病变。
本研究存在若干局限性。首先,这是一项单中心研究,良性和恶性乳腺病变的数量不平衡,可能引入偏倚。其次,DECT图像上一些不可见的乳腺病变被排除,其中大多数随后被确定为良性病变。因此,DECT图像上良性与恶性病变在显著程度上的差异可能被忽视。第三,形态学特征分析中达成的共识可能不能代表不同经验水平的个体放射科医师。第四,考虑到某些类型乳腺癌的数量有限,未探讨模型在不同类型乳腺癌中的性能。此外,其他新的DECT参数有可能进一步提高对乳腺病变的鉴别诊断性能。未来需要开展纳入更均衡数据集和更多DECT定量参数(如电子密度)的多中心研究。此外,有必要进行验证程序以评估模型的性能,尤其是在偶然发现的乳腺病变背景下。
总之,基于DECT的模型整合了年龄、病变形状和静脉期Zeff,具有良好的诊断性能,可有助于识别DECT上检测到的良性和恶性乳腺病变,以协助普通放射科医师决定进一步的检查。
补充信息
电子补充材料
引用
- Xia H, Chen Y, Cao A, et al. Differentiating between benign and malignant breast lesions using dual-energy CT-based model: development and validation. Insights Imaging. 2024. PMID: 38981953. doi:10.1186/s13244-024-01752-2
- 全文:PMC11233492(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11233492/
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。