超快速乳腺MRI动力学参数鉴别良恶性乳腺病变的诊断效能:半自动生成参数的附加价值
前瞻性单中心研究纳入264例女性273个乳腺病变,评估超快速TWIST序列手动与半自动动力学参数组合鉴别良恶性病变的效能。组合1(TTE、MS、IE phase)AUC 0.910,组合2(RE、ME、MRE、TTP、wash-in rate)AUC 0.869,全部参数联合AUC升至0.944;超快速MRI与常规DCE-MRI的AUC分别为0.921与0.940。
要点
- 超快速MRI扫描仅77秒,半自动参数解读时间1±0.5分钟,手动参数为5±2.7分钟。
- 手动参数组合1鉴别良恶性AUC 0.910,半自动组合2 AUC 0.869,全部联合AUC 0.944。
- 超快速MRI与常规DCE-MRI鉴别良恶性AUC分别为0.921与0.940,两者特异度均为90%。
核心结论
- 在TTE和MS基础上加入超快速MRI半自动生成参数可提高鉴别乳腺良恶性病变的整体效能。
- 超快速MRI与常规动态增强MRI在鉴别良恶性乳腺病变方面表现出可比效能(AUC 0.921 vs 0.940)。
研究设计与样本
- 前瞻性单中心研究,经机构审查委员会批准(伦理委员会参考号R.23.05.2174),于2022年8月至2023年9月纳入264例女性患者共273个乳腺病变。
- 采用1.5-T磁共振系统(Siemens Magnetom Aera)16通道乳腺线圈,超快速序列为TWIST序列,注射0.1 mmol/kg钆对比剂后采集14个TWIST序列,时间分辨率4.32秒。
- 以组织病理学(超声引导下粗针活检)为参考标准,所有病变均经病理检查。
- 样本量计算基于既往研究中良恶性病变的平均MS值,使用G Power 3.1.9.7、效应量0.50、双侧检验、α误差0.05、把握度98%,计算总样本量为260例患者。
关键影像表现/征象
- 273个病变中186个为肿块,87个为非肿块强化(NME)。
- 恶性病变TTE和IE phase低于良性病变(p<0.001),MS高于良性病变(p<0.001)。
- 恶性病变RE、ME、MRE和wash-in rate显著高于良性病变(p均<0.001),TTP低于良性病变(p=0.002)。
- 肿块的非circumscribed边缘(包括不规则和毛刺状边缘)及segmental clumped NME是本研究恶性病变中最显著的形态学标准。
诊断标准与关键数值
- 手动参数:TTE≤15.5秒、IE phase≤4、MS>7.25%/s的AUC分别为0.876、0.858、0.858;MS敏感度最高(82.4%),TTE和IE phase特异度最高(80%)。
- 半自动参数:ME敏感度最高(88.2%),TTP特异度最高(70%);RE>51.4、MRE>83.6%、wash-in rate>6.9/s的敏感度分别为82.4%、84.3%、80.4%,特异度分别为60%、67.5%、52.5%。
- 组合1鉴别良恶性AUC 0.910、敏感度76.5%、特异度90%,组合2 AUC 0.869、敏感度76.5%、特异度85%,全部参数联合AUC 0.944、敏感度80.4%、特异度85%。
- 多因素分析中,IE phase>5的恶性比值比为0.538(降低),MS>7.25%/s、ME>71.5、MRE>83.5%、wash-in rate>6.9/s的恶性比值比分别为1.258、1.048、1.040、1.687。
临床应用与阅片要点
- 若病变形态学不确定,可使用预先确定的超快速参数截断值将病变归类为良性或恶性。
- 当一个或多个参数不符合截断标准时,读者仅依赖MS和wash-in rate进行判断。
- 超快速MRI扫描时间77秒,半自动参数解读时间1±0.5分钟,手动参数解读时间5±2.7分钟。
局限性
- AUC差异仅为描述性,未进行统计学检验。
- 需要进一步研究以更好地理解使用超快速MRI的临床和经济学意义。
全文中译16 节 · 点击展开
引言
乳腺MRI以其高敏感性和阴性预测值(NPV)而著称[1]。在有限的情况下,当其他影像学方法无法表征乳腺病变时,MRI可作为问题解决工具使用[2]。尽管乳腺MRI具有诸多优势,但也存在许多局限性,包括检查时间长、患者不适以及费用高昂[3–5]。为克服这些障碍,近年来已有多种简化方案引入临床实践。其中之一是超快速方案,由Hermann等首次提出。他们研究了一种称为随机轨迹时间分辨血管成像(TWIST)的序列,能够以高时间分辨率构建图像[6, 7]。此后,其他研究者报道使用其他技术也可获得类似结果。然而,他们发现这些复杂序列需要更长的重建时间[8]。不同的超快速技术具有相同的理念,即早期增强后图像可记录病变内对比剂的早期流入,而不增加采集时间[6]。
Mann等动态使用超快速序列,能够生成早期流入曲线,并由此首次引入了一个称为最大斜率(MS)的参数作为表征乳腺病变的工具[8]。此后,许多研究利用了其他参数,如达峰时间(TTE),并报道了在预测恶性方面的高特异性[5]。
据报道,添加超快速方案提供的早期强化动力学参数的效能至少等于添加传统动态曲线衍生的廓清参数的效能[9, 10]。因此,评估早期强化动力学可能有助于在不增加采集时间的情况下更好地表征乳腺病变[11]。
本研究旨在评估添加超快速半自动生成参数(相对强化(RE)、最大强化(ME)、最大相对强化(MRE)、达峰时间(TTP)和流入速率)以及其他常用参数(TTE、MS和初始强化(IE)期)在鉴别良恶性乳腺病变中的作用。我们还旨在评估超快速乳腺MRI与传统动态对比增强MRI(DCE-MRI)在表征乳腺病变方面的总体诊断效能。
材料与方法
研究人群
这项前瞻性、单中心、经机构审查委员会批准的研究(伦理委员会参考编号:R.23.05.2174)于2022年8月至2023年9月期间在女性患者中开展。纳入标准包括临床、超声或钼靶检查发现的乳腺病变患者。在获得所有患者的书面知情同意后,对其放射学、临床和病理学资料进行了回顾。排除标准包括年龄小于18岁的儿科患者、有乳腺癌既往史的患者以及对MRI或钆基对比剂有禁忌证的患者。本研究纳入的所有乳腺病变均接受了组织病理学检查,标本通过超声引导下空心针穿刺活检获得。放射学结果与组织病理学结果进行了相关性分析。
样本量计算
样本量计算基于既往研究中良性和恶性病变的平均MS值[12]。使用G Power程序3.1.9.7版计算样本量,基于效应量0.50,采用双侧检验,α误差=0.05,把握度=98%,计算得出的总样本量为260例患者。
MR方案
使用1.5特斯拉MR系统(Siemens Magnetom Aera)配合16通道乳腺线圈进行MRI检查。首先获取非增强容积内插屏气检查(VIBE)序列,以生成源自常规DCE-MRI的减影序列。然后,在DCE-MRI方案中,于增强前检查与第一个增强后序列之间,使用TWIST序列在轴位平面上进行无脂肪抑制的超快速扫描。
初始TWIST序列由增强前初始期相及注射0.1 mmol/kg钆对比剂后的14个增强后TWIST序列组成,每个序列的时间分辨率为4.32秒。超快速扫描的减影序列通过从每个增强后TWIST帧中减去第1帧非增强TWIST帧获得。从这些减影图像中重建了15幅最大强度投影(MIP)图像。
超快速扫描之后进行DCE-MRI,包括五个连续增强后序列,在轴位平面上使用VIBE序列完成。
超快速TWIST序列和DCE-MRI VIBE序列所用的采集参数汇总于表1。
超快速MRI判读
在第一次判读 session 中,两位分别具有10年和14年乳腺影像经验的放射科医师在不知最终病理结果的情况下独立判读超快速图像。采用病变在减影和MIP图像上显示最大视觉强化的期相来评估病变的形态学数据。同时,采用MIP图像的最后一个期相来评估背景实质强化(BPE),因为该期相为实质强化最大的期相。在病变视觉上显示最大强化(ME)的期相的减影图像上,沿整个病变轮廓手动放置自由手感兴趣区(ROI),如图1所示;排除非强化区域(囊性变、坏死和出血区域),然后由工作站(Extended MR 130 Workspace 2.6.3.5,Philips Medical Systems)自动生成流入型超快速曲线。
从超快速曲线中手动计算三个参数:TTE、MS和IE期相。TTE通过视觉确定减影MIP图像上胸降主动脉开始强化与乳腺病变开始强化之间的时间间隔来计算[4]。MS仅从曲线计算,通过确定曲线最陡部分,然后将最陡部分两点之间的RE百分比差值除以时间间隔[8](图2)。关于IE期相,我们将减影MIP图像上降主动脉开始强化的时间点视为零期相,随后为连续期相。病变视觉上开始强化的期相被视为IE期相[11](图3)。
手动绘制感兴趣区(ROI)后,其他参数及其伪彩图(图4)由我们的工作站半自动生成,包括RE、ME、MRE、TTP和流入率。
RE表示与平扫相比的强化百分比。在本研究中,我们评估了第12期的RE。ME表示超快序列中病灶的峰值强化[11]。MRE使用公式[13]自动分析。TTP表示第一个超快序列与病灶ME之间的时间间隔。流入率计算为信号强度(SI)从“到达时间”到“达峰时间”变化的最大梯度[14]。
将手动生成的参数进行组合(组合1),将半自动生成的参数进行组合(组合2)。两位放射科医师将超快参数结果与病理结果进行相关性分析,并通过ROC曲线分析确定每个参数的截断值。
在第二次判读 session 中,一位具有13年乳腺影像学经验且对组织病理学数据设盲的第三位放射科医师对超快序列进行了判读。要求该放射科医师根据形态学标准将病灶定性为良性或恶性。如果病灶形态学不确定,则要求其使用手动和半自动生成参数的预定截断值将病灶归类为良性或恶性。如果病灶的MS、RE、ME、MRE和流入率值高于其截断值(分别为7.25%/s、51.4%、71.5、83.6%和6.9/s),且TTE、IE期和TTP值等于或低于其截断值(分别为15.5 s、4 s和61 s),则将病灶归类为恶性。当一个或多个参数不符合这些标准时,判读者仅依据MS和流入率。
在第三次判读 session 中,并在研究病例登记随机化之后,一位具有15年乳腺影像学经验的不同第四位放射科医师对动态对比增强(DCE)MRI(不含超快序列)进行了判读,同时仍对组织病理学结果设盲,并要求根据形态学标准和动态曲线按照最新ACR-BIRADS词典[15]将乳腺病灶定性为良性或恶性。
统计分析
数据分析使用SPSS软件25版(SPSS Inc.,PASW Statistics for Windows version 25)进行。定量数据中,正态分布数据以均值±标准差描述,非正态分布数据以中位数(含最小值和最大值)描述。所得结果的显著性以(≤ 0.05)水平判断。定性数据比较采用卡方检验或Fisher精确检验。非正态分布数据的两组比较采用Mann–Whitney U检验。正态分布数据的两个独立组比较采用Student t检验。采用受试者工作特征曲线(ROC曲线)通过确定最佳截断点来确定连续变量的有效性(敏感度和特异度)。预测值和准确率通过交叉表评估。采用单因素和多因素回归分析评估恶性肿瘤依赖性和独立性风险预测因素的存在。观察者间一致性采用组内相关系数(ICC)评估,置信区间(CI)为95%。
结果
参与者特征
本研究纳入264例患者;189例(71.5%)为绝经前,75例(28.4%)为绝经后。良性病变患者的平均年龄为42.8 ± 11.9岁,恶性病变患者为45.9 ± 11.4岁(p值 = 0.051)。患者的人口学数据见表2。本研究纳入273个乳腺病变,因为7例患者有多个乳腺病变(N = 16),而其余257例患者为单发病变。乳腺病变根据其组织病理学结果分为两组:良性(120/273(44%))和恶性(153/273(56%))病变。详细病理结果见表2。
病变的形态学MRI标准
273个乳腺病变中,186个根据其在减影超快和MIP图像上的形态描述为肿块,87个描述为非肿块强化(NME)。264例患者的MRI标准,以及良恶性病变之间MRI形态学标准的差异,见补充表S1和S2。
超快动力学参数
组合1(手动生成)
手动生成参数(包括ROI放置和参数计算)的平均判读时间为5 ± 2.7分钟。
恶性病变的TTE和IE期低于良性病变(p值 < 0.001)。然而,恶性病变的MS高于良性病变(p值 < 0.001(表3)。
在分析的手动超快参数中,MS显示最高灵敏度(82.4%);然而,TTE和IE期显示相同的最高特异度(80%)。在ROC曲线分析中,TTE、IE期和MS的截断值(≤ 15.5 s、≤ 第4期和> 7.25%/s)分别显示曲线下面积(AUC)为(0.876、0.858和0.858)(表4和图5)。
浸润性癌与导管原位癌(DCIS)之间在TTE、MS或IE期方面无显著差异(p值分别为0.109、0.504、0.202)。
组合2(半自动生成)
半自动生成参数(包括ROI放置和参数生成)的平均判读时间为1 ± 0.5分钟。
恶性病变的RE、ME、MRE和流入率显著高于良性病变(所有p值 < 0.001)。然而,恶性病变的TTP低于良性病变(p值 0.002)(表3)。
在半自动衍生的超快参数中,ME显示最高灵敏度(88.2%),而TTP显示最高特异度(70%)。RE、MRE和流入率的截断值>(51.4、83.6%和6.9 s)在鉴别良恶性病变中分别显示灵敏度为(82.4%、84.3%和80.4%),特异度为(60%、67.5%和52.5%)(表4和图5)。
在比较浸润性癌与导管原位癌(DCIS)半自动生成参数时,我们发现RE、ME、MRE和流入率方面无显著差异(p值分别为0.395、0.362、0.798和0.256)。
联合超快参数(手动和半自动生成)的性能
在ROC曲线分析中,手动与半自动生成参数的组合(组合1与组合2)在区分良恶性病变方面分别显示(AUC = 0.910 vs 0.869,敏感度 = 76.5% vs 76.5%,特异度 = 90% vs 85%)。将所有参数合并在一起(组合1 + 组合2)时,区分两组的AUC升至0.944,敏感度升至80.4%,特异度升至85%(表4和图5C)。两组之间的AUC差异仅为描述性,未进行统计学检验。
回归分析
运行逻辑回归分析模型以确定超快参数对恶性可能性的影响。在表5中,所有八个预测变量(MS、TTE、IE期、RE、ME、MRE、TTP和流入率)在单变量分析中均具有统计学意义。因此,它们全部进入多变量逻辑回归。
在八个预测变量中,仅MS、IE期、ME、MRE和流入率在多变量分析中保持作为恶性预测因子的显著性。IE期高于5的乳腺病变为恶性的比值比低0.538倍。然而,MS超过7.25%/s、ME超过71.5、MRE超过83.5%和流入率超过6.9/s的乳腺病变为恶性的比值分别高1.258倍、1.048倍、1.040倍和1.687倍。MS和流入率显示出最高的显著性和最高的预测恶性概率(p值 < 0.001)。
超快乳腺MRI与传统DCE-MRI性能的比较
使用联合超快参数(手动和半自动生成),读者正确诊断了94.1%(144/153)的恶性病变和90%(108/120)的良性病变,同时漏诊了5.9%(9/153)的恶性病变(5例低级别DCIS、1例1级IDC和2例浸润性小叶癌(ILC)病变),并将10%(12/120)的良性病变误诊为恶性(6例乳头状瘤、4例肉芽肿性乳腺炎和2例硬化性腺病)。通过解读DCE-MRI,读者正确诊断了98%(150/153)的恶性病变和90%(108/120)的良性病变,漏诊了2%(3/153)的恶性病变,并将10%(12/120)的良性病变误诊为恶性。超快MRI和DCE-MRI显示相同的特异度(90%);然而,DCE-MRI显示的敏感度(98%)高于超快MRI(94.1%)。两种技术均有效检测恶性病变,超快MRI和DCE-MRI的AUC分别为0.921和0.940(图5和补充表S3)。图6展示了BPE如何遮蔽病变以及超快MRI如何提高病变可见性。
超快速动力学参数的观察者间信度
执行第一次阅读会话的两位放射科医师之间超快速动力学参数的观察者间一致性总结于补充表(S4)。我们发现两位读者在所有超快速参数方面均具有强一致性,但MS参数除外,该参数在两位读者之间显示中等一致性(ICC = 0.758,95% CI = 0.484–0.897)。
讨论
本研究的主要发现是,在较常用的参数TTE和MS之外加入半自动生成的参数,可提高超快速MRI在乳腺病灶表征方面的总体鉴别能力。据我们所知,这是第一项评估源自超快速MRI的半自动生成参数在鉴别良恶性病灶方面疗效的研究,也是评估将这些参数加入常用TTE和MS参数后对超快速方案总体疗效影响的研究。这些参数易于导出、生成快速且复杂度较低。它们还可以由工作站常规生成,无需可能仅在少数MRI中心才有的特殊软件。
多项研究评估了各种简化MRI方案,包括超快速序列,旨在在不影响敏感度和特异度的情况下减少扫描和判读时间[16–19]。在本研究中,超快速TWIST序列扫描时间仅为77 s,为我们提供了来自减影和MIP图像的形态学和动力学数据。半自动生成参数的判读时间显著短于手动生成参数(分别为1 ± 0.5 vs 5 ± 2.7 min)。尽管手动与半自动参数之间的AUC差异非常小(AUC = 0.910 vs 0.869),但这种节省时间的措施可以提高患者获得乳腺MRI的可及性,尤其是在资源限制常见的高通量临床环境中。此外,采集和判读时间的减少可通过优化资源利用和提高吞吐量来改善成本效益。需要进一步研究以更好地理解使用超快速MRI的临床和经济意义。半自动生成参数的另一个优点是其操作者独立性,这有助于降低人为错误的可能性,增强一致性和可重复性,而手动生成的参数则因操作者的专业水平而容易出现个体误差,使其更具偏倚且可靠性较低。
与既往研究[17, 20]一致,肿块边缘非局限(包括不规则边缘和毛刺状边缘)以及节段性簇状非肿块强化(NME)是本研究中恶性病变最具意义的形态学标准。在本研究中,如果病变形态学表现不确定,我们使用手动和半自动生成的超快速参数截断值将病变归类为良性或恶性。然而,当一个或多个参数不符合截断值时,我们仅依赖最大斜率(MS)和流入率。我们将这一“经验法则”作为辅助临床决策的实用方法,用于模糊和不确定的病变。进一步扩展而言,“经验法则”可以在疑难病例中减少假阴性或阳性结果,从而提高整体诊断性能,并可能改善临床信心和患者管理。
经胸超声心动图(TTE)的结果在文献中存在争议,因为一些研究报告TTE可以准确区分良性和恶性病变[3, 4, 21]。然而,其他人发现两组之间没有统计学显著差异[22]。这种争议可归因于时间分辨率和连续超快速序列之间时间间隔的差异。此外,TTE计算方法不同,可以是视觉、手动或半自动的。在本研究中,≤ 15.5 s的TTE截断值在手动生成参数中区分良性和恶性病变表现出最佳性能(AUC = 0.876)。另一方面,> 7.25%的MS截断值在区分良性和恶性病变方面表现出优异性能(AUC = 0.86)。该截断值与Goto等人报告的数值(7.3%/s)非常接近,略高于Mann等人报告的数值(6.4%/s),尽管这两项研究使用了3 T MRI机器[20, 23]。与良性病变相比,恶性病变因恶性病变中发生的血管生成而表现出明显强化[16, 24]。Milon等人报告恶性病变的ME显著高于良性病变[4]。与这些研究一致,我们发现恶性病变的RE、ME、流入率和MRE显著高于良性病变,其中MRE截断值> 83.6%在它们之中表现最佳(AUC = 0.855)。在多变量回归分析中,MS和流入率在所有参数中显示出最高显著性(p值< 0.001)。然而,与MS相比,流入率显示出更宽的95% CI(分别为1.687–1.123 vs 1.258–1.108)。这可以用研究人群和病变性质的可变性来解释,因为我们的研究纳入了各种良性和恶性病变,其早期血液摄取程度可能不同。这一有趣发现值得在未来研究中进一步探索不同分级和分子亚型乳腺癌的流入率值。
既往研究评估了超快速参数在导管原位癌(DCIS)升级中的作用,他们报告TTE、MS和ME可以区分浸润性癌和原位癌[25, 26]。与上述研究不同,我们发现超快速参数在浸润性癌和DCIS之间未显示出统计学显著差异。这可归因于本研究中纳入的DCIS病变比例较小(占所有病变的5.5%)。
在我们的研究中,加入半自动参数(组合2)较单独使用组合1提高了超快速MRI的鉴别能力,其敏感性、特异性和AUC分别为80.4%对76.5%、95%对90%和0.994对0.91。据我们所知,我们的结果中联合参数的鉴别能力是新颖的,此前文献中尚未报道。与我们的结果一致,最近一项荟萃分析分析了16项研究,旨在评估超快速MRI在鉴别乳腺良恶性病变方面的效能。那16项研究主要使用了两个常用的超快速动力学参数,即MS和TTE。此前的荟萃分析得出结论,超快速乳腺MRI在区分两组时的汇总敏感性为83%,汇总特异性为77%,汇总AUC为0.876 [27]。
尽管不同简化MRI方案的总体敏感性非常接近传统全方案MRI,但在多项研究中观察到敏感性有小幅但可测量的损失。这被解释为少数假阴性结果的存在,由低级别DCIS或某些类型的小叶癌所致,这些病变往往在延迟图像上较晚强化 [24]。与进一步的研究 [8, 24] 一致,本研究中使用的超快速MRI和传统DCE-MRI在表征乳腺病变方面均表现出色。然而,超快速方案显示出较低的敏感性,因为在153个恶性病变中漏诊了9个乳腺癌病变,这些病变为原位癌或较低级别的恶性肿瘤(1级IDC或ILC)。在这9个病变中,DCE-MRI仅漏诊了3个恶性病变并将其误诊为良性。
本研究存在若干局限性,因为它是单中心研究且患者群体相对较小。本研究中纳入的DCIS病例数量相对较少,使得评估超快速参数在将DCIS升级为浸润性癌方面的效能不准确。由于本研究侧重于乳腺良恶性病变的鉴别,我们未比较超快速参数在肿块与非肿块强化(NME)病变之间的效能。我们也未评估超快速参数在区分乳腺癌几种分子亚型方面的效能。
总之,超快速MRI似乎是乳腺MRI的未来,因为它可以提供准确的形态学和动力学数据,类似于传统DCE-MRI方案所获得的数据。根据我们的结果,我们建议在超快速乳腺MRI衍生的常用MS和TTE基础上加入半自动动力学参数,以实现良恶性病变之间的最高鉴别能力。
补充信息
电子补充材料
引用
- Karam R, Shokeir FA, Elmokadem AH, et al. Diagnostic performance of kinetic parameters derived from ultrafast breast MRI in characterizing benign and malignant breast lesions: the added value of the semiautomatically based parameters. Insights Imaging. 2025. PMID: 41428016. doi:10.1186/s13244-025-02162-8
- 全文:PMC12722194(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12722194/
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。