文献速递乳腺MR

基于超快速MRI的影像组学在乳腺癌分子亚型及组织学因素分类中的表现优于标准MRI:一项前瞻性研究

Superior performance in classification of breast cancer molecular subtype and histological factors by radiomics based on ultrafast MRI over standard MRI: evidence from a prospective study.
PubMed 文献 · Radiol Med · 2025-01-25

前瞻性纳入225例参与者共233个浸润性乳腺癌,比较超快速MRI与标准MRI影像组学在分类组织学因素和分子亚型中的表现。超快速MRI预测HER2状态和分子亚型的AUC优于标准MRI,且不受阅片者经验影响。

要点

  • 超快速MRI预测HER2状态AUC高于标准MRI(R1:0.87 vs 0.77;R2:0.88 vs 0.77,均P<0.05)。
  • 超快速MRI分类luminal亚型AUC显著优于标准MRI(R1:0.88 vs 0.83;R2:0.82 vs 0.81,均P=0.04)。
  • 超快速MRI与标准MRI预测激素受体状态的表现无显著差异(R1 P=0.07,R2 P=0.05)。

核心结论

  • 基于超快速MRI的影像组学在分类激素受体、HER2状态和分子亚型方面优于标准MRI,且不受阅片者经验影响。

研究设计与样本

  • 前瞻性研究,纳入225例参与者的233个浸润性乳腺癌,使用3.0 T扫描仪(Ingenia Elition X; Philips Healthcare)及16通道双乳线圈。
  • 参考标准为手术标本(174例参与者)或空心针活检标本(51例参与者)的免疫组化结果。
  • 超快速MRI采用四维时间分辨血管造影with keyhole技术,每幅图像采集时间4.2秒内;标准MRI在注射对比剂后58.8、138.8、218.8和298.8秒采集。
  • 由两名阅片者(R1为乳腺影像专科医师,24年经验;R2为放射科住院医师,2年经验)独立进行肿瘤分割,提取1618个影像组学特征和4个动力学特征。
  • 采用LASSO方法进行特征选择,逻辑回归算法建模,以AUC评估预测性能,DeLong检验比较MRI方法间及阅片者间差异。

关键影像表现/征象

  • 超快速MRI预测HER2状态的AUC(95%CI)为R1 0.87(0.83-0.91)vs 标准MRI 0.77(0.64-0.90),R2 0.88(0.83-0.91)vs 0.77(0.69-0.84)(均P<0.05)。
  • 超快速MRI与标准MRI预测激素受体状态的AUC(95%CI)为R1 0.80(0.74-0.86)vs 0.77(0.70-0.84),R2 0.77(0.70-0.84)vs 0.73(0.65-0.80),差异无统计学显著(R1 P=0.07,R2 P=0.05)。
  • 超快速MRI分类luminal亚型AUC(95%CI)为R1 0.88(0.82-0.94)vs 标准MRI 0.83(0.72-0.88),R2 0.82(0.75-0.88)vs 0.81(0.75-0.87)(均P=0.04)。
  • 超快速MRI分类HER2过表达亚型AUC(95%CI)为R1 0.79(0.74-0.84)vs 0.77(0.67-0.86)(P=0.07),R2 0.81(0.76-0.86)vs 0.76(0.65-0.87)(P=0.04)。
  • 超快速MRI分类三阴性亚型AUC(95%CI)为R1 0.78(0.69-0.84)vs 0.71(0.65-0.77)(P=0.04),R2 0.76(0.69-0.83)vs 0.73(0.67-0.78)(P=0.05)。

诊断标准与关键数值

  • 激素受体状态以Allred评分大于2为阳性。
  • HER2过表达定义为免疫组化染色3+或2+且银染原位杂交检测HER2基因扩增。
  • 分子亚型按St. Gallen分类标准分为luminal、HER2过表达和三阴性三型。
  • 标准MRI动力学参数阈值:初始增强后像素信号强度增加超过50%者显示彩色;廓清型为延迟期较初始期信号强度下降超过10%,持续型为升高超过10%,平台型为变化小于10%。
  • 超快速MRI动力学参数:U1为肿瘤热点ROI信号强度较未增强图像平均信号强度高10%的首个期相,U2为U1后的紧邻期相。

临床应用与阅片要点

  • 超快速MRI影像组学在预测HER2状态和分子亚型方面表现优于标准MRI,可用于无创评估肿瘤生物学特征。
  • 超快速MRI动力学特征中,TTE在分类组织学因素和分子亚型时被选为影像组学特征最频繁。
  • 标准MRI动力学特征未被选为影像组学特征。
  • 肿瘤分割在阅片者间一致性良好:超快速MRI Dice系数0.91±0.06,Jaccard系数0.89±0.04;标准MRI Dice系数0.92±0.06,Jaccard系数0.89±0.05。

局限性

  • 原文未报告局限性。
全文中译10 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:Radiol Med. 2025 Jan 25;130(3):368–80. doi: 10.1007/s11547-025-01956-6

引言

标准动态对比增强磁共振成像(MRI)可能耗时较长,注射对比剂后约需5–7分钟,放射科医师需审阅约2500幅图像[1]。然而,其时间分辨率通常大于60秒,往往掩盖了乳腺肿瘤早期的重要动力学信息[2]。相比之下,超快动态对比增强MRI提供极快的时间分辨率(< 8秒),允许更短的扫描时间并更好地评估肿瘤动力学[3, 4]。超快MRI可通过在背景强化之前捕获癌灶强化来提高病灶显著性,保持与标准MRI相当的诊断性能[5, 6]。它还提供定量动力学参数,如强化时间(TTE)、最大斜率及流入斜率[3, 7, 8]。近期研究已证明其在预测新辅助化疗反应以及乳腺癌组织学因素和亚型方面的有效性。圣加仑国际专家共识小组建议根据激素受体(HR)或人表皮生长因子受体2(HER2)状态对乳腺癌患者进行分层治疗[9]。乳腺癌治疗包括局部治疗(如手术和放疗)和全身治疗。根据该小组的意见,全身治疗由亚型决定:Luminal型(HR )、HER2过表达型(HR ,HER2 )和三阴性型(HR ,HER2 )。全身治疗选择包括HR阳性癌症的内分泌治疗、HER2阳性癌症的抗HER2治疗以及HR阴性和HER2阴性癌症的化疗。新辅助化疗后的病理完全缓解与亚型密切相关,尤其是HER2阳性或三阴性癌症[10, 11]。因此,评估组织学因素,特别是HR和HER2,以及分子亚型,对于治疗规划和预测治疗反应至关重要。

放射组学通过从放射学图像中提取高维数据,为肉眼不可见的肿瘤生物学提供了有价值的见解[12]。可量化特征通过克服主观分析的局限性以及对放射科医师MRI判读经验的依赖,能够对图像进行系统分析[13]。根据放射组学质量评分系统,良好的放射组学研究始于高质量的图像处理、前瞻性设计、生物学相关性以及个体读者评估[14]。放射组学在乳腺癌中的主要临床作用之一是肿瘤分类,标准MRI已在该作用中显示出良好性能[15, 16]。用于组织学特征分类的放射组学方法能够对整个肿瘤进行无创、可重复的评估。这允许在治疗过程中通过重复影像检查进行频繁再评估。因此,放射组学可作为“虚拟活检”[13],这在当前个性化医疗时代具有相关性。

然而,仅有少数研究比较了超快MRI与标准MRI影像组学的表现。Drukker等人[17]的一项初步研究报告,超快MRI影像组学在乳腺癌诊断中的表现与标准MRI相当。我们假设使用超快MRI的影像组学分类性能与使用标准MRI相似。本前瞻性研究旨在展示超快MRI衍生影像组学的预测性能,并比较其与标准MRI衍生影像组学在确定浸润性乳腺癌组织学因素和亚型方面的性能。此外,还阐述了不同资历放射科医师提供的肿瘤掩膜的影响。

材料与方法

研究参与者

本研究经机构审查委员会批准,所有参与者均获得了书面知情同意。本研究在clinicaltrials.gov注册(NCT06104189)。样本量确定见补充信息。从2021年10月至2022年11月,连续纳入264例经病理证实的浸润性乳腺癌并计划进行治疗前乳腺MRI的女性。纳入标准为:(a)参与者经空芯针活检病理诊断为浸润性乳腺癌,而非切除或真空辅助活检;以及(b)参与者在过去5年内没有同侧乳腺手术史。39例女性因以下原因被排除:(a)因浸润性强化或炎性癌导致肿瘤边界不清(n = 20);(b)大小小于6 mm(n = 2);(c)正在妊娠(n = 4);或(d)组织学信息不完整(n = 13)。8例参与者表现为同时性双侧乳腺癌,每个病灶作为独立病灶进行检查。因此,来自225例参与者的233个乳腺癌被纳入分析(图1)。

图1 研究参与者流程图。共纳入225例参与者的233个乳腺癌 查看原图 ↗

MRI方案和特征评估

乳腺MRI使用3.0 T扫描仪(Ingenia Elition X;Philips Healthcare)和专用的16通道双侧乳腺线圈进行。MRI方案见图2。所有图像均采用双侧轴位视图和脂肪饱和获得。方案包括T2加权、扩散加权、增强前T1加权、超快动态对比增强T1加权、标准动态对比增强T1加权和T1加权腋窝图像。首先进行标准和超快MRI的增强前图像,然后注射对比剂钆特酸葡胺(Uniray;Dongkook Pharmaceutical Co., Ltd),并进行14次超快采集和4次标准采集。对比剂以0.1 mmol/kg的剂量、1.5 mL/s的流速给予,随后用30 mL生理盐水冲洗。超快图像使用四维时间分辨血管成像与匙孔技术,每幅图像在4.2 s内采集。随后,在对比剂注射后58.8、138.8、218.8和298.8 s获得标准MRI。我们分别在标准MRI和超快MRI上评估动力学和影像组学特征。超快和标准MRI的详细采集参数总结于表1。

在标准MRI上,使用市售计算机辅助诊断(CAD)系统(CADstream软件版本5,4,0,190,Merge Healthcare)提取四个动力学参数:峰值强化(%)、廓清成分(%)、平台成分(%)和持续成分(%)。在初始对比增强图像中信号强度较平扫图像增加超过50%阈值的像素以彩色显示[18]。颜色根据初始对比增强图像与延迟对比增强图像之间像素值的变化进行编码[19, 20]。廓清型定义为延迟对比增强图像中像素信号强度较初始对比增强图像下降超过10%(编码为红色)。持续型定义为延迟对比增强序列中像素信号强度较初始对比增强序列增加超过10%(编码为蓝色)。平台型定义为延迟对比增强序列中像素信号强度较初始对比增强序列变化小于10%(编码为黄色)。根据肿瘤病灶内每个像素的强化类型,定量计算肿瘤体积内具有廓清、平台和持续模式的像素比例(%)。峰值强化定义为初始对比增强图像中最高像素信号强度较平扫图像增加的百分比。

在超快速MRI上,由一名MRI专科医师(J.T.L.)使用MATLAB(R2023b;MathWorks)获取了四个定量动力学特征:TTE(秒)、最大斜率(相对强化百分比/秒[%/s])、初始强化率(a.u.)和U2时间(秒)[21, 22]。基于最后一张超快速图像生成的热图,在分割肿瘤的最强强化区域(热点)放置一个3×3 mm的圆形感兴趣区(ROI)(ROItumor)。在肺动脉主干水平的降主动脉上也放置相同大小的ROI,以评估主动脉强化开始时间作为参考(ROIaorta)。每个ROI(ROItumor和ROIaorta)均应用于所有其他超快速MRI期相,以生成时间-信号强度曲线。以下动力学参数源自超快速MRI的时间-信号强度曲线。TTE定义为肿瘤开始强化的时间点减去主动脉开始强化的时间点之间的时间间隔。其公式为TTE =(肿瘤强化期相 − 主动脉强化期相)× 重复时间。最大斜率定义为时间-信号强度曲线最陡部分切线斜率。切线通过连接各时间点计算,从时间-信号强度曲线中确定切线最陡的区间作为最大斜率。初始强化率定义为未强化期相与早期期相之间信号强度变化的比值。其公式如下:初始强化率 = 未强化期相信号强度/早期期相信号强度。在14张超快速图像中,U1是肿瘤热点ROI信号强度比未强化图像平均信号强度高10%的第一个期相。U2是U1的紧接下一个期相,也是公认的肿瘤强化时间[6]。据报道,U2期相是测量最大肿瘤大小的最佳时间,受背景强化影响较小[23, 24]。两位读者的放射组学特征均添加了来自标准或超快速MRI的动力学特征。

两名读者(R1 [B.K.S.]:一名专注于乳腺影像的放射科医师,拥有24年乳腺影像经验;R2 [J.J.]:一名放射科住院医师,拥有2年乳腺影像经验)进行了背景实质强化评估和肿瘤分割。背景实质强化分为极轻微、轻度、中度或显著 [25]。读者对病理报告设盲,并在审阅乳腺X线摄影和/或超声图像后独立评估MRI。他们在不同的阅片室独立评估上传至图像归档与通信系统的超快和标准MRI图像。标准和超快图像集分别以一个月的间隔上传和判读。对于肿瘤的三维分割,由两名放射科医师在标准和超快图像的轴位视图上,从每例肿瘤的顶部到底部沿整个强化肿瘤边缘的横截面积绘制感兴趣区。选择标准MRI的初始期对比增强图像和超快MRI的U2期图像用于肿瘤评估(图3)。使用MRIcro软件(版本1.40,https://www.nitrc.org/projects/mricro/)以半自动方法进行肿瘤的三维分割。若两名放射科医师对背景实质强化分类(n = 11)或分割肿瘤位置(n = 2)存在分歧,则由第三名放射科医师(S.E.S.:一名专注于乳腺影像的放射科医师,拥有13年乳腺影像经验)审阅图像并作出最终决定。

在等向性重采样之前,基于均值和标准差进行图像归一化,以确保所有图像之间的一致性。在特征提取之前进行等向性重采样,以增强特征的稳健性。在标准和超快图像上,从每个癌症中提取了四组共1618个影像组学特征:(a) 一阶统计特征(n = 17),(b) 形状和体积特征(n = 7),(c) 使用灰度共生矩阵(GLCM)和灰度游程矩阵的纹理特征(n = 162),以及(d) 小波变换特征(n = 1432)[14, 26]。详细的特征评估见补充信息。我们使用Python 3.8中的Pyradiomics 3.1.0库(https://www.radiomics.io/pyradiomics.html),以默认设置,按照图像生物标志物标准化倡议 [27] 提取影像组学特征。本研究的影像组学质量评分为36分中的25分(69%)[14, 26](补充表1)。

图2 本研究使用的完整MRI方案。T1 T1加权,T2 T2加权,DWI 扩散加权成像 查看原图 ↗
表1 超快和标准MRI的采集参数 查看原表 ↗
图3 一名30岁女性三重阴性浸润性导管癌患者的超快速与标准MRI。A 注射对比剂后16.8 s采集的超快速MRI。B 注射对比剂后58.8 s采集的标准MRI。两幅图像均显示左乳外侧一枚卵圆形、边缘不规则、环形强化的肿块。为进行三维肿瘤分割,在对比剂后超快速MRI U2期和对比剂后标准MRI初始期的轴位图像上,自每枚肿瘤的顶部至底部勾画全部强化肿瘤边缘。在14幅超快速图像中,U1期是肿瘤热点感兴趣区信号强度比未增强图像平均信号强度高10%的第一个期相。U2期是U1期之后的紧接下一期相,也是确立良好的肿瘤强化时间 查看原图 ↗

分类指标与模型构建

查阅病历以收集组织学数据。激素受体(HR),包括雌激素受体和孕激素受体,以及人表皮生长因子受体2(HER2)状态和分子亚型,在174名接受手术的参与者的手术标本和51名接受新辅助化疗或姑息性化疗的参与者的空芯针穿刺活检标本中进行了评估。HR和HER2的免疫组织化学结果被二分为阳性或阴性。对于HR状态,Allred评分系统大于2被视为阳性[28]。HER2过表达判定为免疫组织化学染色3+或免疫组织化学染色2+且银染原位杂交检测到HER2基因扩增。根据圣加仑分类标准,分子亚型分为三型:管腔型、HER2过表达型或三阴性[9]。

提取的影像组学和动力学特征首先进行z-score归一化。使用最小绝对收缩和选择算子(LASSO)方法进行MRI特征选择,随后进行五折交叉验证以确定最佳lambda值为0.05。具体而言,数据集被分为五个大小相等的子集;在交叉验证的每次迭代中,四个子集合并组成训练集,而剩余子集被指定为验证集。该循环重复五次,每个子集仅一次用作验证集,以平均值全面评估模型在整个数据集上的性能。LASSO过程重复25次,在每次迭代中,被选择20次的特征被视为具有统计学意义的影像组学特征。此外,还应用了额外标准,仅保留LASSO系数阈值≥0.6的特征。因此,最终确定了七个顶级特征。这些特征被用作线性回归分析中的预测因子[29, 30]。此外,线性回归模型中的类别权重根据输入数据中的类别频率进行调整。具体而言,每个类别的权重设置为其频率的倒数,确保少数类样本获得的权重高于多数类样本。详细的分类指标和模型构建方法见补充信息。

统计分析

我们在标准MRI和超快速MRI模型中测试了MRI影像组学特征与组织学因素及亚型之间的关联。使用Pearson相关系数生成热图,以可视化变量之间的线性关联。使用Python中的Scikit-learn库,通过受试者工作特征曲线下面积(AUC)、敏感度、特异度和准确度评估每位读者的模型性能[31]。计算AUC以评估模型的判别能力,并计算95%置信区间(CI)以估计AUC估计值的不确定性和精确度。使用DeLong检验确定两种模型之间基于受试者工作特征曲线的任何差异。

我们还使用Dice相似系数和Jaccard相似系数评估了R1和R2分割之间的一致性(MATLAB R2023b)[32–34]。在图像中分割ROI时,鉴于分割可能存在的主观性,评估多位读者之间的一致性至关重要。Dice相似系数量化两个集合之间的重叠程度,值为1表示完全重叠,值为0表示无重叠。同样,Jaccard相似系数衡量两个集合交集与并集的比值,得分为1表示完全一致,为0表示无重叠。采用P值小于0.05的阈值确定统计学显著性。本研究的整体研究流程见图4。

图4 影像组学工作流程示意图。由两位读者(读者1:专职乳腺放射科医师,读者2:放射科住院医师)独立地在超快速MRI和标准MRI上进行三维肿瘤分割。使用Dice和Jaccard相似系数评估两位读者之间的肿瘤分割一致性。分割后,提取了1618个影像组学特征(一阶统计特征、形状和体积特征、纹理特征及小波变换特征)。将从超快速MRI和标准MRI获得的动力学特征添加到影像组学特征中。使用LASSO方法进行MRI特征选择。我们在超快速MRI和标准MRI两种模型中测试了MRI影像组学特征与组织学因素及亚型之间的关联。使用AUC分析评估每位读者的模型性能。LASSO 最小绝对收缩和选择算子,AUC 受试者工作特征曲线下面积 查看原图 ↗

结果

研究参与者

表2展示了225名参与者(共233例浸润性乳腺癌)的特征。她们均为女性(平均年龄54岁±12[标准差])。MRI上平均肿瘤大小为25±16 mm。经证实的癌症组织学类型为浸润性导管癌(n=207)、浸润性小叶癌(n=12)、黏液癌(n=4)及其他(n)。

表2 研究参与者特征 查看原表 ↗

两位读者之间的肿瘤分割一致性

两位读者之间的肿瘤分割一致性见图5。在超快速MRI上,Dice相似系数为0.91±0.06,Jaccard相似系数为0.89±0.04。在标准MRI上,Dice相似系数为0.92±0.06,Jaccard相似系数为0.89±0.05。

图5 两位读者之间的肿瘤分割一致性 查看原图 ↗

根据组织学因素和亚型的肿瘤分类性能

表3显示了使用影像组学特征根据组织学因素进行分类的性能。在分类HER2状态时,超快MRI在两位读者中均优于标准MRI(超快MRI与标准MRI的AUCs [95% CI];R1为0.87 [0.83–0.91] vs 0.77 [0.64–0.90],R2为0.88 [0.83–0.91] vs 0.77 [0.69–0.84])(所有P < 0.05)。在分类HR状态时,超快MRI的性能高于标准MRI(超快MRI与标准MRI的AUCs [95% CI];R1为0.80 [0.74–0.86] vs 0.77 [0.70–0.84],R2为0.77 [0.70–0.84] vs 0.73 [0.65–0.80]);然而,这无统计学显著性(R1的P = 0.07,R2的P = 0.05)。补充表2展示了用于分类各组织学因素的影像组学特征。在超快MRI上分类HR或HER2状态的14个影像组学特征中,两位读者均有十个一阶特征、三个超快动力学特征和一个形状与体积特征。在标准MRI上,R1的影像组学特征为七个GLCM和七个一阶特征,R2为八个GLCM和六个一阶特征。

表4显示了使用影像组学特征对分子亚型进行分类的性能。超快MRI在分类所有亚型(管腔型、HER2过表达型和三阴性)方面的性能在两位读者中均超过标准MRI。具体而言,在分类管腔型亚型时,这一差异具有统计学显著性(超快MRI与标准MRI的AUCs [95% CI];R1为0.88 [0.82–0.94] vs 0.83 [0.72–0.88],R2为0.82 [0.75–0.88] vs 0.81 [0.75–0.87])(所有P = 0.04)。在分类HER2过表达型亚型时,R2的性能差异具有统计学显著性(超快MRI与标准MRI的AUCs [95% CI];R1为0.79 [0.74–0.84] vs 0.77 [0.67–0.86],R2为0.81 [0.76–0.86] vs 0.76 [0.65–0.87])(R1的P = 0.07,R2的P = 0.04)。此外,在分类三阴性亚型时,超快MRI优于标准MRI(超快MRI与标准MRI的AUCs [95% CI];R1为0.78 [0.69–0.84] vs 0.71 [0.65–0.77],R2为0.76 [0.69–0.83] vs 0.73 [0.67–0.78])(R1的P = 0.04,R2的P = 0.05)。补充表3显示了用于分类亚型的影像组学特征。在超快MRI上的21个影像组学特征中,R1有九个一阶特征、六个GLCM、三个形状与体积特征、两个超快动力学特征和一个灰度游程矩阵特征,R2有九个GLCM、七个一阶特征、四个形状与体积特征和一个超快动力学特征。在标准MRI上,R1的影像组学特征为14个GLCM、六个一阶特征、一个形状与体积特征,R2为16个纹理特征和五个一阶特征。在超快MRI动力学特征中,TTE是两位读者在分类组织学因素和分子亚型时最常被选择的影像组学特征。未选择任何标准MRI动力学特征作为影像组学特征。

图6中的热图显示,对应于一阶和纹理特征的区域主要显示高强度,而与 wavelet 特征相关的区域显示强度稍低。此外,超快MRI显示的强度比标准MRI更明显,允许更清晰的区分。

表3 组织学因素的分类性能 查看原表 ↗
表4 分子亚型的分类性能 查看原表 ↗
图6 影像组学热图。热图分别显示了读者1和读者2中,超快速MRI(A)和标准MRI(B)的影像组学特征与组织学因素及分子亚型之间的关联。图中展示了多个特征间信号强度的变化,每一行代表一个特定特征。提供了从低(蓝色)到高(黄色)的颜色强度标尺。每个热图下方的直方图详细展示了特定组织学标记物的分布,包括HR和HER2状态,以及Luminal型、HER2过表达型和三阴性亚型。这些标记物被二分为二元类别,记为0或1。 查看原图 ↗

讨论

我们的前瞻性影像组学研究证明,对于不同经验水平的放射科医生(一位乳腺专科放射科医生和一位放射科住院医师),超快速MRI在乳腺癌HER2状态和分子亚型分类方面表现出优于标准MRI的分类性能。值得注意的是,超快速MRI在预测所有亚型(包括Luminal型、HER2过表达型和三阴性)方面均优于标准MRI。此外,两位读者在两种MRI模态的肿瘤分割中均显示出高度一致性,如Dice和Jaccard相似系数所示。因此,我们的研究强调了超快速MRI影像组学在乳腺癌分类中的潜在临床实用性,且不受读者经验水平的影响。

超快速MRI以高时间分辨率采集,并在标准动态MRI的初始增强后图像开始之前完成。既往研究已验证其可用于准确评估肿瘤大小,且病灶显示清晰[5, 6]。此外,超快速MRI可产生可重复的定量动力学特征[21, 35]。在本研究中,TTE是四个动力学特征中最常被选为影像组学标签的特征,用于分类HR和HER2状态以及Luminal型和三阴性亚型。TTE表示肿瘤开始强化与主动脉开始强化之间的时间间隔。既往研究表明,较短的TTE有助于鉴别乳腺恶性与良性病变,并与肿瘤侵袭性、高分级、HR阴性、HER2阳性和三阴性亚型相关[21, 36–38]。因此,我们的结果与既往研究一致。

关于标准MRI,已有报道HER2状态与影像组学之间的关联,以及分子亚型与影像组学之间的关系[39–42]。今年,Ramtohul等人[39]展示了在区分HER2零表达癌症与HER2低表达和阳性癌症方面的高性能(AUC [95% CI] = 0.80 [0.71–0.89])。在近期关于三阴性癌症预测的研究中,使用标准MRI的影像组学模型报告的AUC值范围为0.73至0.88 [41, 42]。除通常对内分泌治疗反应良好的Luminal亚型外,HER2过表达导致细胞生长失控,并在缺乏靶向治疗时与更高的复发率和死亡率相关[43],而三阴性乳腺癌因仅能接受化疗和放疗,预后最差。因此,我们发现超快速MRI在分类HER2状态和所有分子亚型方面优于标准MRI,这提高了对超快速MRI影像组学在乳腺癌中临床适用性的期望。

在影像组学中,不同阅片者之间对肿瘤分割的一致性对于提高可重复性和泛化性至关重要。Granzier等[44]评估了四位具有不同乳腺影像经验的阅片者(一位乳腺专科放射科医师、一位放射科住院医师、一位医学生和一位博士研究生)之间的分割变异性,观察到Dice相似系数为0.81,表明无论专业背景不同,空间重叠均良好。在本研究中,超快速MRI(0.91)和标准MRI(0.92)的Dice相似系数均高于既往研究[44]。由于本研究中两位阅片者之间肿瘤分割的一致性较高,两位阅片者所选出的影像组学特征相似。例如,在进行组织学因素分类时,两位阅片者的大多数影像组学特征均由超快速MRI上的一阶特征和标准MRI上的GLCM特征组成。不同MRI阅片者之间高分割一致性提高了影像组学的稳健性,并改善了人工智能辅助判读的可重复性和泛化性。

我们的前瞻性研究对乳腺癌影像组学和超快速MRI研究领域有所贡献。第一,目前将影像组学应用于超快速MRI的报道较少,我们的影像组学结果表明超快速MRI可以成为乳腺肿瘤成像中标准MRI的替代方案。第二,我们评估了所有分子亚型的乳腺癌分类性能,并证明其优于标准MRI。第三,我们设计了一项高质量影像组学研究以获得稳健的影像组学结果。由于采用前瞻性研究设计、由不同阅片者进行分割以及使用开源分析软件[14, 26],我们的影像组学质量评分为高分,即69%(25/36)。既往一项研究报告肿瘤学成像的平均影像组学质量评分为26%(9/36)[14]。

我们的研究存在一些局限性。第一,我们未评估个体MRI特征(如肿瘤大小或形态学特征)对分类性能的影响。例如,本研究中肿瘤大小范围为6至115 mm,显示出相当大的变异性。根据大小亚类进行预测性能评估对于临床实施将是必要的。第二,我们未纳入小于6 mm的癌症或炎性癌症。炎性乳腺癌累及皮肤和真皮淋巴管,使得勾画肿瘤边界具有挑战性。既往一项研究表明,被定义为均匀、圆形且边缘相对清晰的“容易肿瘤”的一致性优于不符合这些标准的“困难肿瘤”[44]。为提高超快速MRI影像组学在乳腺癌分类中的临床实用性,应使用更大的群体(包括各种形态和大小的肿瘤)进一步研究各种病变特征的影响。

总之,基于超快速MRI的影像组学可作为无创工具,与标准MRI相比,根据组织学因素和亚型对乳腺癌进行分类。超快速MRI在分类HER2状态以及管腔型、HER2过表达型和三阴性分子亚型方面表现出优于标准MRI的性能。无论放射科医师的经验如何,这些结果均一致。我们的研究证明了影像组学方法结合超快速MRI的前景,其在扫描时间和病灶显著性方面具有优势,而这些都是标准MRI存在的问题。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 52 kb)

引用

  1. Jeong J, Ham S, Seo BK, et al. Superior performance in classification of breast cancer molecular subtype and histological factors by radiomics based on ultrafast MRI over standard MRI: evidence from a prospective study. Radiol Med. 2025. PMID: 39862364. doi:10.1007/s11547-025-01956-6
  2. 全文:PMC11903601(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11903601/

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。