文献速递乳腺MR

早期半定量分析与全程定量建模在超快动态增强MRI诊断乳腺癌、分子分型及治疗反应预测中的比较

Early-phase semi-quantitative analysis versus full time-course quantitative modeling of ultrafast dynamic contrast-enhanced MRI for breast cancer diagnosis, molecular subtyping, and treatment response prediction.
PubMed 文献 · Insights Imaging · 2025-12-17

前瞻性非劣效研究纳入339例疑似乳腺病变参与者,比较超快动态增强MRI早期30期半定量参数与全程100期定量药代动力学参数。半定量WIS鉴别良恶性非劣于定量kep(AUC 0.93 vs 0.92,∆AUC 0.02,p=0.35),但两种方法均未能有效区分分子亚型或预测pCR。

要点

  • 早期半定量WIS鉴别乳腺良恶性非劣于全程定量kep(AUC 0.93 vs 0.92,∆AUC 0.02,p=0.35)。
  • 半定量与定量参数均未能区分分子亚型或预测pCR(p>0.05)。
  • PEI与Ktrans呈强相关(r=0.75,p<0.001),iAUC与Ktrans强相关(r=0.79,p<0.001)。

核心结论

  • 早期半定量分析鉴别乳腺良恶性非劣于全程定量分析,两种方法在分子分型和pCR预测方面效用均有限。

研究设计与样本

  • 前瞻性非劣效研究,2022年9月至2024年2月连续纳入339例参与者共359个病灶(良性69个、恶性290个)。
  • 采用3-Tesla MRI(MAGNETOM Prisma,Siemens Healthineers)及16通道双侧乳腺线圈,DCE时间分辨率4.5秒、共100期(总450秒)。
  • 早期半定量分析取前30期(增强后135秒),全程定量分析取全部100期数据拟合Tofts模型。
  • 以病理为参考标准,由两名分别有7年和5年乳腺MRI经验的放射科医师独立分析。

关键影像表现/征象

  • 良性病变WIS均值0.5±0.2%/s低于恶性1.1±0.4%/s,PEI 0.4±0.2低于0.7±0.3,iAUC 0.2±0.1低于0.4±0.1(均p<0.001)。
  • 良性病变TTP 48.0±17.1秒高于恶性39.8±11.3秒,BAT 20.2±11.2秒高于恶性13.6±7.4秒(均p<0.001)。
  • 良性病变Ktrans 0.3±0.1 min⁻¹低于恶性0.5±0.3 min⁻¹,kep 0.4±0.2 min⁻¹低于恶性1.0±0.5 min⁻¹,ve 0.7±0.5高于恶性0.6±0.3(均p<0.001)。

诊断标准与关键数值

  • WIS鉴别良恶性AUC 0.93(95%CI 0.90, 0.96),iAUC 0.91(95%CI 0.87, 0.94),PEI 0.79(95%CI 0.73, 0.85),BAT 0.66(95%CI 0.58, 0.74),TTP 0.64(95%CI 0.57, 0.72)。
  • 定量参数kep鉴别良恶性AUC 0.92(95%CI 0.87, 0.95),Ktrans 0.84(95%CI 0.79, 0.89),ve 0.61(95%CI 0.53, 0.69)。
  • WIS与kep的∆AUC为0.02(95%CI −0.02, 0.07;p=0.35),非劣效界值为∆AUC 95%CI下限大于−0.05。
  • WIS的AUC高于Ktrans(∆AUC 0.10,95%CI 0.06, 0.14;p<0.001)和ve(∆AUC 0.32,95%CI 0.23, 0.41;p<0.001)。

临床应用与阅片要点

  • 早期半定量分析可缩短扫描时间且无需药代动力学建模,可作为全程定量分析的替代方法用于鉴别乳腺良恶性。
  • WIS是半定量参数中鉴别良恶性效能最高者,阅片时可优先关注。
  • 半定量与定量参数均不适用于分子分型或pCR预测。

局限性

  • 原文未报告局限性。
全文中译14 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. 2025 Dec 17;16:279. doi: 10.1186/s13244-025-02166-4

引言

乳腺癌是全球女性中最常见的恶性肿瘤,需要精确的病灶评估以实现最佳临床管理[1]。初始诊断步骤包括区分乳腺良性与恶性病变,因为两者的管理策略存在显著差异。良性病变可能仅需观察或最小干预,而恶性肿瘤通常需要积极治疗,包括手术、化疗或放疗。乳腺癌的分子分型进一步优化了治疗策略,为个体化治疗提供依据并预测化疗反应,从而优化治疗选择[2]。此外,新辅助化疗(NAC)因其在肿瘤降期和提高保乳手术率方面的优势而被越来越多地采用。NAC后达到病理完全缓解(pCR)是长期生存的公认预测指标,因此准确预测pCR对于有效制定治疗方案至关重要[3]。

动态对比增强(DCE)MRI因其高敏感性和量化对比剂动力学的能力,已成为乳腺癌评估的关键工具。DCE MRI使用药代动力学模型(如Tofts模型)量化血管通透性和细胞外容积,从而得出定量参数(如Ktrans、kep、ve),这些参数需要较长的数据采集时间(≥ 5分钟)以确保准确的曲线拟合[4, 5]。虽然这些定量参数在区分乳腺良恶性病变、乳腺癌分子分型及预测NAC后pCR方面已显示出潜力[6–8],但其广泛临床应用受到高时间分辨率(< 15秒/期)和长扫描时间要求的限制。

MRI技术的最新进展推动了超快DCE MRI(UF-DCE MRI)的发展,其扫描时间短(通常≤ 2分钟),时间分辨率极高(3–7秒),可捕获注射后前2分钟内的早期对比增强动力学[9]。该技术可得出多种反映早期对比剂摄取模式的半定量参数,无需药代动力学建模。这些早期半定量参数可能对评估瘤内灌注异质性更为敏感,新兴研究报告了其在乳腺癌鉴别诊断、分子分型及pCR预测中的潜力[10, 11]。尽管有这些进展,基于早期增强期的半定量分析与使用单次DCE MRI采集的全时间过程定量建模的性能尚未得到全面比较。

我们假设早期半定量分析在乳腺病变表征方面不劣于UF-DCE MRI的全时间过程定量分析,同时具有缩短扫描时间和无需药代动力学建模的优势。因此,本研究旨在同一队列中,基于单次UF-DCE采集,全面比较半定量参数与定量参数在三个关键任务中的性能:(1)区分乳腺良恶性病变(任务1),(2)分类乳腺癌分子亚型(任务2),以及(3)预测NAC后pCR(任务3)。

材料与方法

研究参与者

本前瞻性研究经我院机构审查委员会批准(重庆大学附属肿瘤医院(伦理编号:CZLS20200215-A)),所有参与者均提供了书面知情同意。2022年9月至2024年2月期间,连续纳入符合乳腺MRI临床指征[12, 13]的参与者。这些指征包括:(1)高危人群筛查:有乳腺癌家族史、乳腺X线摄影致密型腺体、既往乳腺异常或需活检的症状者;(2)对乳腺X线摄影和/或超声发现可疑病灶(乳腺影像报告和数据系统(BI-RADS)分类≥4)、可触及肿块或多灶性评估的参与者进行诊断和术前评估。纳入标准为:(1)无既往乳腺手术史;(2)无既往乳腺活检或乳腺癌治疗史;(3)组织学确诊为良性病变或恶性诊断。排除标准包括:(1)病理/病历资料不完整(n = 21);(2)图像质量不合格(n = 5);(3)在外院接受手术(n = 16);(4)未评估pCR状态(n = 2)。详细的参与者筛选流程图见图1。

图1 参与者筛选流程图。n表示参与者数量,n*表示病灶数量 查看原图 ↗

MRI方案

MRI扫描在3-Tesla MRI系统(MAGNETOM Prisma,Siemens Healthineers)上进行,配备专用16通道双侧乳腺线圈。参与者取俯卧位,头先进。MRI方案包括增强前T1加权成像、脂肪抑制T2加权成像、扩散加权成像和高时间分辨率DCE序列。详细参数见补充表S1。

我们采用压缩感知加速的T1加权梯度回波采集联合Dixon水脂分离技术实施DCE MRI采集。这一单一连续方案在100个动态期相中保持高时间分辨率(4.5秒/期相)(总计450秒)。从同一采集数据集中,提取初始30个期相(代表增强后前135秒)作为“早期UF-DCE”数据集用于半定量分析。全部100个期相数据集(增强后450秒)用于定量药代动力学分析,在本文中称为“全时程UF-DCE”。详细方案见图2a。

钆布醇葡甲胺(佳迪显®,恒瑞)以0.2 mL/kg(0.1 mmol/kg)的剂量、2.0 mL/s的速率静脉给药,随后以相同速率推注20 mL生理盐水冲管。

图2 动态对比增强MRI处理流程和参数估计概述。a 超快DCE(UF-DCE)MRI采集方案示意图。b 早期UF-DCE MRI的典型时间-信号强度曲线及半定量参数。c 全时程超快动态对比增强MRI定量分析中应用的药代动力学建模框架。CS-VIBE,T1加权压缩感知容积插值屏气检查;UF-DCE,超快动态对比增强 查看原图 ↗

图像判读

两位经验丰富的放射科医师(H.F.C.和X.Q.G.,分别具有7年和5年乳腺MRI经验)在专用工作站(Syngovia VB20A,Siemens Healthcare)上独立分析两个数据集(早期相位UF-DCE和全时程UF-DCE)。两位放射科医师对病理结果以及自己或另一位放射科医师对替代序列的分析结果均设盲。放射科医师之间的任何勾画差异均通过共识解决。

对于早期相位UF-DCE分析,导入初始30期序列,并应用自动运动校正以对齐各期之间的体素。放射科医师在肿瘤最大横截面的中心层面上手动定义感兴趣区(ROI),排除坏死、囊性变或液化区域。对于单侧多灶性或多中心性病变的病例,选择直径最大的病变;对于双侧病变的参与者,纳入每侧乳腺的最大病变进行分析。然后将定义的ROI自动传播至相邻层面,形成球形感兴趣体积(VOI)。从分割的VOI中导出五个半定量参数:流入斜率(WIS)、达峰时间(TTP)、团注到达时间(BAT)、峰值强化强度(PEI)和60秒内初始曲线下面积(iAUC)(图2b,附录S1)[10]。在早期相位UF-DCE分析之后,同一放射科医师连续进行全时程UF-DCE的分析。方法学与早期相位UF-DCE分析相同,但纳入全部100期数据集。应用相同的VOI勾画标准。定量参数包括Ktrans、kep和ve,通过使用群体平均动脉输入函数(AIF)拟合Tofts模型[14]计算(图2c,附录S1)[6]。资深放射科医师在2个月后重新评估50名随机选取的参与者,以评估观察者内重复性。

此外,根据BI-RADS词典[4],将含病变乳腺的背景实质强化(BPE)水平分为轻微、轻度、中度或显著。

临床病理数据收集

我们收集了临床病理数据,包括年龄、绝经状态、组织病理学类型、雌激素/孕激素受体(ER/PR)状态、人表皮生长因子受体2(HER2)状态、Ki-67状态、分子亚型、pCR状态(具体标准详见附录S1)以及淋巴结转移。

统计分析

本研究旨在评估半定量参数相较于定量参数的非劣效性。受试者工作特征(ROC)曲线下面积(AUC)的差值(∆AUC)作为该比较的主要指标,统计学显著性采用DeLong检验评估。若半定量与定量参数之间∆AUC的95%置信区间(CI)下限超过−0.05,则判定为非劣效。若非劣效性得到证实,进一步检验半定量参数的优效性,若∆AUC的95%CI下限超过0,则判定为优效。在功效分析中,假设目标AUC为0.85、功效80%、I类错误5%、II类错误20%、非劣效界值0.05、阴性与阳性病例比例为1:4,估计样本量约为110。

在统计分析方面,BPE水平被二分为低BPE(轻微/轻度)和高BPE(中度/显著)亚组[15, 16]。连续变量采用Kolmogorov-Smirnov检验评估正态性。正态分布数据采用Student t检验比较,非正态分布数据采用Wilcoxon-Mann-Whitney检验分析。Pearson相关系数(r)用于评估连续变量之间的相关性。这些参数的观察者间和观察者内可靠性采用组内相关系数(ICC)检验。统计分析由一位共同作者(Y.H.)使用R(版本4.3.1)和MedCalc(版本23.0.6)完成。统计学显著性定义为p < 0.05,所有检验均为双侧。

结果

参与者特征

在339名参与者中共识别出359个病灶(69个良性病灶和290个恶性病灶),其中20名参与者表现为双侧病灶。基线特征总结于表1。与良性病灶相比,恶性病灶与较大年龄、绝经后状态及较大肿瘤直径相关(均p < 0.001)。恶性病灶包括71个(24%)Luminal A型、121个(42%)Luminal B型、48个(17%)三阴性乳腺癌(TNBC)型和50个(17%)HER2富集型亚型。在恶性肿瘤中,144名参与者接受了完整的新辅助化疗(NAC),术后评估pCR。总体pCR率为24%(34/144),该变量与ER阴性、PR阴性、HER2阳性、分子亚型及淋巴结阴性相关(均p < 0.05)。

表1 乳腺病灶参与者的临床病理特征 查看原表 ↗

良性与恶性病灶之间半定量和定量参数的差异

如表2所示,所有五个半定量参数在良性与恶性乳腺病灶之间均表现出显著差异。具体而言,良性病灶中WIS(0.5 ± 0.2 vs 1.1 ± 0.4%/s,p < 0.001)、PEI(0.4 ± 0.2 vs 0.7 ± 0.3,p < 0.001)和iAUC(0.2 ± 0.1 vs 0.4 ± 0.1,p < 0.001)的平均值低于恶性病灶。相反,良性病灶中TTP(48.0 ± 17.1 vs 39.8 ± 11.3 s,p < 0.001)和BAT(20.2 ± 11.2 vs 13.6 ± 7.4 s,p < 0.001)高于恶性病灶。

此外,定量参数在乳腺良恶性病变之间也显示出显著差异(补充图S1)。良性病变的平均Ktrans(0.3 ± 0.1 vs 0.5 ± 0.3 min−1,p < 0.001)和kep(0.4 ± 0.2 vs 1.0 ± 0.5 min−1,p < 0.001)低于恶性病变,而ve在良性病变中高于恶性病变(0.7 ± 0.5 vs 0.6 ± 0.3,p < 0.001)。图3a、b展示了恶性和良性表现的示例,以及其半定量和定量参数的伪彩图。按BPE水平进行的亚组分析证实,在低BPE和高BPE亚组中,大多数参数在良恶性病变之间均存在显著差异(均p < 0.05;补充表S3),但低BPE亚组中的ve以及高BPE亚组中的TTP和BAT例外(均p > 0.05)。

表2 不同病理类型、分子亚型及新辅助化疗病理完全缓解的半定量和定量参数比较 查看原表 ↗
图3 半定量和定量参数的伪彩图。a 一名35岁女性受试者,病理证实左乳良性纤维腺瘤。b 一名40岁女性,病理证实左乳浸润性导管癌。WIS,流入斜率;TTP,达峰时间;BAT,团注到达时间;PEI,峰值强化强度;iAUC,60秒内初始曲线下面积;Ktrans,容积转移常数;kep,速率常数;ve,血管外细胞外间隙容积 查看原图 ↗

分子亚型间及pCR与非pCR组间的半定量和定量参数差异,以及病理预后因素

半定量和定量参数均未显示四种分子亚型(Luminal A型、Luminal B型、TNBC和三阴性乳腺癌及HER2富集型)之间(补充图S2A)或pCR与非pCR组之间(补充图S2B)存在差异(均p > 0.05)。按BPE水平分层后,这些参数在四种分子亚型之间或pCR与非pCR组之间缺乏显著差异的结果总体一致(均p > 0.05;补充表S3),但在高BPE亚组中,pCR与非pCR组之间iAUC和ve出现显著差异(分别为p = 0.03和0.04)。同样,在任何半定量和定量参数中,未观察到按病理预后因素(ER、PR、HR和HER2状态、Ki-67指数、核分级、肿瘤大小和淋巴结状态)或临床因素(绝经状态)分组的显著差异(均p > 0.05),但ER阳性与ER阴性之间(p = 0.04)以及HR阳性与HR阴性组之间(p = 0.05)的TTP存在显著差异。此外,PR阳性与PR阴性组之间kep(p = 0.03)和ve(p = 0.045)存在显著差异(补充表S4)。

半定量和定量参数之间的相关性

图4展示了半定量参数与定量参数之间的相关性热图。对于半定量参数,WIS与PEI和iAUC呈正相关,而TTP和BAT与其他参数呈负相关(均p < 0.05)。在定量参数中,Ktrans与kep呈正相关(r = 0.62,p < 0.001)。值得注意的是,WIS与Ktrans和kep均呈正相关(两者r = 0.33,p < 0.001),但与ve无相关性(r = −0.04,p = 0.49)。TTP与kep呈负相关(r = −0.17,p < 0.001),而与ve呈正相关(r = 0.26,p < 0.001)。BAT与Ktrans和kep均呈负相关(r = −0.13和−0.17;均p < 0.001)。PEI与Ktrans之间观察到强正相关(r = 0.75,p < 0.001),iAUC与Ktrans之间亦呈强正相关(r = 0.79,p < 0.001)。PEI与ve也表现出中度相关性(r = 0.57,p < 0.001),iAUC与kep同样如此(r = 0.50,p < 0.001)(补充表S5)。

图4 半定量参数与定量参数的相关性热图。a 总队列中所有DCE MRI参数的相关性矩阵。b 良性乳腺病变的相关性矩阵。c 恶性乳腺病变的相关性矩阵。WIS,流入斜率;TTP,达峰时间;BAT,团注到达时间;PEI,峰值强化强度;iAUC,60秒内初始曲线下面积;Ktrans,容积转移常数;kep,速率常数;ve,血管外细胞外间隙容积 查看原图 ↗

半定量参数与定量参数在鉴别良恶性乳腺病变中诊断性能的比较

五个半定量参数和三个定量参数的诊断性能指标汇总于表3,相应的ROC曲线见图5。关于半定量参数,WIS的AUC为0.93(95% CI:0.90,0.96),而TTP、BAT、PEI和iAUC的AUC分别为0.64(95% CI:0.57,0.72)、0.66(95% CI:0.58,0.74)、0.79(95% CI:0.73,0.85)和0.91(95% CI:0.87,0.94),表明WIS的AUC高于TTP、BAT、PEI和iAUC的AUC(∆AUC:0.27、0.28、0.15和0.03;均p < 0.001)。此外,iAUC的AUC大于TTP、BAT和PEI(∆AUC:0.27、0.25和0.12;均p < 0.001)。TTP与BAT的AUC之间未观察到显著差异(∆AUC:0.02,p = 0.73)(表4)。

对于定量参数,kep、Ktrans和ve的AUC分别为0.92(95% CI:0.87,0.95)、0.84(95% CI:0.79,0.89)和0.61(95% CI:0.53,0.69)。kep和Ktrans的AUC均高于ve的AUC(∆AUC:0.30和0.23;均p < 0.001)。此外,kep的AUC大于Ktrans的AUC(∆AUC:0.08;p < 0.05)(表4)。

在所有参数中,WIS 的 AUC 最高,高于 Ktrans 和 ve 的 AUC(∆AUC:0.10 [95% CI:0.06,0.14] 和 0.32 [95% CI:0.23,0.41];均 p < 0.001)。然而,未发现 WIS 与 kep 之间(∆AUC:0.02 [95% CI:−0.02,0.07];p = 0.35)或 iAUC 与 kep 之间(∆AUC:0.01 [95% CI:−0.045,0.06];p = 0.83)的 AUC 存在差异的证据(表4)。半定量参数与定量参数之间的比较符合预设的非劣效性标准。按 BPE 水平分层的亚组分析显示各参数的诊断性能总体一致(补充表 S8–S10),其中 WIS 和 kep 在低 BPE 和高 BPE 亚组中均保持其优越的诊断性能。

表3 半定量和定量参数在鉴别良恶性病变中的性能指标 查看原表 ↗
图5 (a)半定量参数和(b)定量参数的受试者工作特征(ROC)曲线。WIS,流入斜率;TTP,达峰时间;BAT,团注到达时间;PEI,峰值强化强度;iAUC,60 s 内初始曲线下面积;Ktrans,容积转移常数;kep,速率常数;ve,血管外细胞外间隙容积 查看原图 ↗
表4 半定量与定量参数在鉴别良恶性乳腺病变中受试者工作特征曲线下面积的差异 查看原表 ↗

半定量和定量参数的可重复性和再现性

评估的可重复性对 WIS、TTP、PEI、iAUC、Ktrans 和 kep 为优(ICC 分别为 0.92、0.94、0.92、0.93、0.92 和 0.96),对 BAT 和 ve 为良(ICC 均为 0.89)。两名读者间的再现性对半定量和定量参数均为良,ICC 分别为 0.87(WIS)、0.78(TTP)、0.77(BAT)、0.81(PEI)、0.84(iAUC)、0.86(Ktrans)、0.87(kep)和 0.79(ve)(图6和补充表 S11)。

图6 森林图展示半定量参数与定量参数的(a)观察者内可重复性和(b)观察者间再现性。WIS,流入斜率;TTP,达峰时间;BAT,团注到达时间;PEI,峰值强化强度;iAUC,60 s 内初始曲线下面积;Ktrans,容积转移常数;kep,速率常数;ve,血管外细胞外间隙容积 查看原图 ↗

讨论

UF-DCE MRI以扫描时间短(≤ 2分钟)和无模型分析为特征,在乳腺癌筛查和诊断中的潜力日益受到认可[15, 17]。本研究采用高时间分辨率DCE MRI采集,直接比较早期UF-DCE数据集的半定量参数与完整时间过程UF-DCE数据集的定量参数在同一队列中对乳腺癌鉴别诊断、分子分型和治疗预测的性能。我们的研究结果表明,在区分乳腺良恶性病变方面,半定量参数的诊断性能不劣于定量参数。两个半定量参数WIS和iAUC的AUC与定量参数kep无差异(WIS:AUC = 0.93 vs 0.92,∆AUC:0.02 [95% CI:−0.02, 0.07],p = 0.35;iAUC:AUC = 0.91 vs 0.92,∆AUC:0.01 [95% CI:−0.045, 0.05];p = 0.83)。然而,半定量参数和定量参数均未能有效预测分子亚型或pCR。

我们观察到,WIS、PEI和iAUC值在恶性肿瘤中显著高于良性病变,而TTP和BAT值较低(均p < 0.001)。这些结果与既往研究一致,反映了恶性肿瘤的关键血流动力学特征,包括血管生成增加、血管通透性增高和灌注增加[18–21]。这些半定量参数源自时间-信号强度曲线,具有高度可重复性,并能有效捕捉与早期快速对比剂摄取相关的这些病理生理特征,使其在区分良恶性病变方面可靠。

同样,定量参数包括Ktrans、kep和ve在良恶性病变之间也表现出显著差异,这与它们在表征血管通透性和细胞外间隙中的作用一致[22]。良性病变往往新生血管较少且内皮衬里完整,导致对比剂外渗较慢和廓清延长,从而Ktrans和kep值较低[23]。我们的发现与既往研究一致,这些研究报道恶性肿瘤的Ktrans和kep值均显著高于良性病变[5, 24]。有趣的是,我们注意到恶性病变中ve值显著较低,可能是由于细胞和微血管密度较高,减少了间质间隙[25]。然而,文献中关于ve值存在差异,一些研究报道恶性肿瘤中ve值较高,而另一些研究观察到相反结果[5, 26]。需要通过大规模研究进一步验证以确认这些发现。

我们进一步探讨了半定量参数与定量参数之间的相关性,发现PEI与Ktrans(r = 0.75,p < 0.001)以及iAUC与Ktrans(r = 0.79,p < 0.001)之间存在强正相关,PEI与ve(r = 0.57,p < 0.001)以及iAUC与kep(r = 0.50,p < 0.001)之间存在中度相关。这些发现表明,半定量参数反映了与定量参数相似的生理过程,尤其是在肿瘤血管性和通透性方面。PEI和iAUC与Ktrans的强相关性反映了在高灌注和血管通透性升高的肿瘤中对比剂扩散效率增强,这与恶性肿瘤中的病理性血管生成模式一致[27]。PEI-ve和iAUC-kep的中度相关性提示,恶性病变中的高血流量和通透性可能与较小的间质间隙共存,此时对比剂快速聚集后因渗漏的新生血管而加速廓清[11, 28]。

尽管UF-DCE MRI在乳腺癌鉴别诊断中具有优势,但我们的研究显示,无论是早期相还是全时程UF-DCE MRI均未能有效区分分子亚型或预测pCR。UF-DCE参数在分子亚型之间以及pCR组与非pCR组之间缺乏差异,可能源于血管特征的重叠,尤其是在HER2富集型和TNBC等侵袭性亚型中。这些亚型表现出不同的受体表达和增殖活性,但由于显著的血管生成,可能具有相似的灌注模式[29]。此外,治疗前DCE MRI可能不足以解析时空异质性和治疗反应模式,而在NAC期间对早期灌注变化进行纵向监测可能具有更大的预测价值[30]。然而,Ramtohul等人在一个非常有限的队列中提出,基于治疗前UF-DCE MRI的WIS可作为局部晚期乳腺癌NAC后pCR的预测标志物[31]。与既往研究之间的差异可能归因于患者队列、成像方案或分析方法的不同[31, 32]。未来研究应侧重于探索多模态成像整合、纵向治疗监测和AI驱动的影像组学方法,以提高分子分型和治疗反应预测的准确性。

我们的研究结果证实,WIS在区分恶性和良性病变方面的诊断性能不劣于kep,支持早期相UF-DCE作为全时程UF-DCE建模的时间高效替代方案用于乳腺病变分类的潜力。鉴于其更短的扫描时间以及相较于全时程UF-DCE建模,其无模型分析的简便性和客观性,早期相UF-DCE MRI可能具有更好的临床可及性和更广泛的适用性。我们的BPE亚组分析进一步强化了早期相UF-DCE MRI的临床适用性。

本研究存在若干局限性。第一,这是一项单中心、小样本研究,研究结果需要在更大规模的多中心队列中验证。第二,任务3的分析仅基于单一时间点获得的治疗前DCE MRI数据,这可能导致了阴性结果。未来研究应纳入多个时间点的纵向DCE MRI数据,以探索DCE MRI预测pCR的可行性。第三,样本分布不均衡,以恶性病变为主,原因是研究人群仅限于具有乳腺MRI临床指征的病例。未来需要开展病变分布更均衡的大规模研究来证实这些发现。

总之,早期期相UF-DCE MRI在区分乳腺良恶性病变方面不劣于全时间过程UF-DCE MRI,提示其有潜力在进一步临床应用中作为乳腺病变分类的可行替代方案。然而,其在乳腺癌分子亚型分型和治疗反应预测方面的潜力尚需进一步的大规模多中心验证。

补充信息

电子补充材料

引用

  1. Cao Y, Gong X, Huang Y, et al. Early-phase semi-quantitative analysis versus full time-course quantitative modeling of ultrafast dynamic contrast-enhanced MRI for breast cancer diagnosis, molecular subtyping, and treatment response prediction. Insights Imaging. 2025. PMID: 41405789. doi:10.1186/s13244-025-02166-4
  2. 全文:PMC12712255(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12712255/

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。