文献速递乳腺MR

一种简单的分类系统(树形流程图)用于乳腺MRI可减少仅MRI可见病灶的不必要活检

A simple classification system (the Tree flowchart) for breast MRI can reduce the number of unnecessary biopsies in MRI-only lesions.
PubMed 文献 · Eur Radiol · 2017-03-08

该回顾性单中心研究纳入454例仅MRI可见的BI-RADS 4乳腺病灶,评估树形流程图对MRI引导下活检的优化价值。树形流程图AUC为0.873,读者间一致性几乎完美(kappa=0.944),以≤2为阈值可排除27.8%的良性病灶且无假阴性。

要点

  • 树形流程图≤2分可排除27.8%的仅MRI可见良性病灶,无假阴性(NPV=100%)。
  • 树形流程图>8分预测30.6%的恶性病灶,特异度98.9%,阳性似然比28.4。
  • 两位读者间一致性几乎完美(kappa=0.944,95%CI 0.889-0.998)。

核心结论

  • 使用树形流程图对仅MRI可见的乳腺病灶进行评估,以≤2为阈值可避免27.8%的不必要活检,且未遗漏任何乳腺癌。

研究设计与样本

  • 回顾性、横断面、单中心研究,经IRB批准,纳入2006年1月至2013年12月共454例连续患者(平均年龄52±13岁)的469个仅MRI可见且经MRI引导下VABB和/或手术活检病理证实的乳腺病灶。
  • MRI扫描遵循EUSOMA推荐,使用不同厂商的1.5T和3.0T设备(7例0.2%在1.0T,422例93%在1.5T,25例5.5%在3.0T),采用专用乳腺线圈,对比剂剂量为0.1 mmol钆/kg体重。
  • 参考标准为组织病理学结果,由经验丰富的乳腺病理学家进行B分类诊断;良性病灶随访至少12个月乳腺MRI。
  • 由一名>10年乳腺MRI经验的放射科医生分析所有检查,另一名放射科住院医师独立阅读82例连续病例以评估读者间一致性,两名读者均对最终病理诊断和既往阅读结果设盲。

关键影像表现/征象

  • 树形流程图基于五个形态学和动力学标准:根征、对比增强动力学、病灶边缘、内部强化模式和同侧水肿,评估于T2加权序列和动态对比增强T1加权序列。
  • 树形流程图包含11个分配类别,对应恶性概率递增(1=最低,癌症极不可能,至11=最高,癌症极可能)。

诊断标准与关键数值

  • 树形流程图在所有病灶中的AUC为0.873(95%CI 0.839-0.901,P<0.0001);肿块病灶AUC为0.902(95%CI 0.860-0.935,P<0.0001),非肿块病灶AUC为0.786(95%CI 0.722-0.841,P<0.0001)。
  • 以≤2为阈值排除恶性,在371个良性病灶中可预测103个(27.8%)(99个肿块和4个非肿块病灶),无假阴性结果(NPV=100%)。
  • 以>8为阈值纳入恶性,可预测98个真阳性中的30个(30.6%),特异度98.9%,阳性似然比28.4。
  • Siemens扫描仪AUC=0.880(标准误=0.019),Philips扫描仪AUC=0.859(标准误=0.056),两者诊断性能无差异(P=0.724)。
  • 读者间一致性kappa=0.944(95%CI 0.889-0.998)。

临床应用与阅片要点

  • 树形流程图仅需标准乳腺MRI序列(T2加权和动态对比增强T1加权序列),无需额外采集或计算时间,可直观应用于日常临床工作。
  • 在仅MRI可见的BI-RADS 4病灶中,树形流程图≤2分可考虑避免MRI引导下活检;>8分提示恶性可能高,若活检病理阴性应转诊重复活检或开放手术。
  • 树形流程图在肿块病灶中的诊断准确性高于非肿块病灶,在非肿块病灶中排除良性的比例较低(2.0%)。

局限性

  • 本研究分析的标准MRI扫描来自不同扫描仪类型、不同场强和不同序列参数,图像质量和成像方案的差异可能限制了基于树形流程图的图像解读,也可能是本研究中流程图节点3和4的恶性率略高于既往报道的原因之一。
  • 本研究仅纳入经组织病理学证实的仅MRI可见病灶,结果可能不适用于一般人群或所有MRI可见病灶。
  • 需要进一步研究评估树形流程图在不同亚人群中的适用性。
  • 评分4的亚组中仅发现一个恶性病灶,该亚组值得进一步研究。
  • 本研究数据与两项既往发表有部分重叠。
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:Eur Radiol. 2017 Mar 8;27(9):3799–809. doi: 10.1007/s00330-017-4755-6

引言

根据美国放射学会乳腺影像报告和数据系统(ACR BI-RADS)被评定为可疑癌症的乳腺病变(例如被赋予ACR BI-RADS ≥ 4类别),在乳腺磁共振成像(MRI)上检出后需要进行组织取样和病理组织学检查[1–3]。除非这些病变在其他影像学模态上可见,否则它们需要专门的MRI引导下真空辅助乳腺活检(VABB)以提供有代表性的组织取样[1, 2, 4]。正如文献中MRI引导下活检的阳性预测值低于50%所反映的[5–8],相当数量的MRI上可见的良性病变接受了不必要的VABB,而这些是可以潜在避免的。MR引导下VABB在诊断检查中是一种安全且准确的操作,但其应用受到可获得性、相对于其他活检技术较高的成本以及需要静脉注射含钆对比剂的限制[9]。尽管是微创的,MR引导下活检仍存在较低的并发症风险,如感染或出血[9]。普遍共识是应通过基于影像特征排除恶性来避免不必要的活检[10]。已做出大量努力来减少标准乳腺MRI中的假阳性结果数量,方法包括使用额外影像技术,如弥散加权成像(DWI)、MR波谱(MRS)和正电子发射断层扫描(PET),或对动态对比增强MRI进行精细评估[11–17]。尽管这些方法可能提高特异性,但在标准化以及时间和成本效益方面存在若干问题。因此,如果仅使用标准乳腺MRI序列即可实现这种特异性的提高,那将是理想的。

为报告影像特征并提示恶性可疑性,ACR BI-RADS是最广泛使用的标准。它通过其结构化的共同语言和用于图像解读与报告的标准化术语促进了医生之间的沟通。然而,它缺乏将影像特征(即病变形态学和功能性对比增强动力学)归入诊断类别的精确规则。因此,使用ACR BI-RADS时,读者间一致性仍为中等,诊断准确性参差不齐,相当数量的不必要活检在良性病变中进行,读者间一致性仍为中等,诊断准确性参差不齐[18–22]。

为补充ACR BI-RADS词典并提高特异性,Baltzer等人提出了一种简单的乳腺MRI分类系统(Tree流程图),用于在乳腺MRI上区分良性和恶性病变[23]。Tree流程图结合了五项诊断标准(根征、增强动力学、病变边缘、内部强化模式及同侧水肿;图1,表1)为每个病变赋予诊断评分,提示恶性可能性。这五项标准是从17项标准的较大集合中选出的,选择依据是它们对可能恶性病变特征的代表性[25–28]及其非冗余性[23]。无论是Tree流程图的初步探索性评估[23]还是随后的独立验证研究[24],均未专门针对Tree可改善临床管理的特定临床情境进行研究。

因此,本研究的目的是评估使用Tree流程图是否能避免对仅MRI可见的乳腺病变进行不必要的MRI引导下活检。

图1 按照Marino等人[24]的描述绘制的Tree流程图。终端节点按层级排序(1-11),代表恶性肿瘤概率递增 查看原图 ↗
表1 Tree流程图中纳入的形态学和动力学标准 查看原表 ↗

材料与方法

研究设计

本横断面、回顾性、单中心研究经我院机构审查委员会(IRB)批准。免除知情同意的要求。2006年1月至2013年12月期间,在我院接受MRI引导下真空辅助乳腺活检(VABB)和/或手术活检的454例连续患者(平均年龄52±13岁)共469个仅MRI可见的乳腺病变被纳入研究。本研究分析的数据与既往两篇发表文献[11, 22]存在部分重叠。然而,研究原理和结果在各研究之间有所不同。

成像与MRI引导下活检

根据经我们伦理审查委员会批准的研究方案,将回顾性阅读诊断性乳腺MRI扫描所得结果录入数据库。MRI扫描按照EUSOMA(欧洲乳腺癌专家学会)推荐[2]在不同转诊机构进行,使用不同厂商的1.5特斯拉(T)和3特斯拉(T)设备,采用专用乳腺线圈:7例患者(0.2%)在1.0-T设备上扫描,422例患者(93%)在1.5-T设备上扫描,25例患者(5.5%)在3.0-T设备上扫描。383次检查(84.4%)使用Siemens MAGNETOM扫描仪(德国埃尔朗根)采集:Avanto(261例患者,57.5%)、Symphony(50例患者,11%)、Essenza(21例患者,4.6%)、Espree(18例患者,4%)、Trio(17例患者,37.4%)、Harmony(7例患者,1.5%)、Verio(3例患者,0.7%)、Aera(3例患者,0.7%)、Skyra(1例患者,0.2%)和Vision(1例患者,0.2%)。71次检查(15.6%)使用Philips扫描仪(Philips Medical Systems,荷兰贝斯特)采集:Intera(61例患者,13.4%)、Achieva(7例患者,1.5%)和Ingenia(4例患者,0.9%)。以下对比剂以0.1 mmol钆/kg体重的剂量经静脉注射:Dotarem(钆特酸葡甲胺/Guerbet,法国维勒班特)、Multihance(钆贝酸二葡甲胺/Bracco Diagnostics,美国新泽西州普林斯顿)、Gadovist(钆布醇/Bayer Pharmaceuticals,德国柏林)、Prohance(钆特醇/Bracco Diagnostics,美国新泽西州普林斯顿)和Omniscan(钆双胺/GE Healthcare,美国新泽西州普林斯顿)。T2加权序列和动态T1加权序列的详细序列参数见电子补充材料1。

所有分类为BI-RADS 4(可疑)的病变均在我院使用1.5-T系统(Avanto,Siemens)配合专用双乳腺成像与介入线圈(InVivo,Philips)在MRI引导下进行活检。

所有患者在术前均签署了MRI引导下VABB的书面知情同意书。

MRI引导的VABB按先前所述方法进行[22]。为定位病灶,采用了简化的成像方案:在静脉(IV)注射对比剂前后,采集动态对比增强T1加权梯度回波序列并获得减影图像。在活检过程中重复T1加权序列以验证针的位置。VABB后,用MRI兼容的不透射线夹标记活检部位。一位经验丰富的委员会认证乳腺病理学家(M.R.)进行了组织病理学组织分析并应用B分类进行诊断[29]。组织病理学结果与MRI在多学科共识中进行比较。在影像结果与组织病理学不一致的病例中,以及在具有不确定恶性潜能的病变(B3)中,由委员会认证的经验丰富的乳腺外科医生在导丝定位后进行手术活检。在组织病理学为良性发现的情况下,患者接受乳腺MRI随访至少12个月。

数据分析

所有检查均由一位经验丰富的乳腺影像放射科医生(P.A.B,>10年乳腺MRI经验)分析,并由第二位读者独立阅片82例连续病例(C.S.,放射科住院医师)以评估读者间一致性。两位读者均对最终组织病理学诊断和既往阅片结果(如有)设盲。

要求读者按照Tree流程图对所有识别的病变进行分类。该简单分类系统基于在T2加权序列和动态对比增强T1加权序列上评估的五项形态学和动力学标准(根征、对比增强动力学、病变边缘、内部强化模式和水肿;表1和图1)。Tree流程图包含11个赋值类别,对应于递增的恶性概率(1=最低,癌症极不可能,至11=最高,癌症极可能;图1)[23, 24]。病变示例见图2、3、4和5。通过遵循Tree流程图并为每个病变选择诊断类别,并记录在电子表格中(图1)。

图2 非肿块病变示例:导管原位癌(DCIS)3级,表现为无根征的非肿块病变,延迟期平台型强化,边缘不规则。根据Tree流程图(图1),所述特征导致节点5评级,即不能排除恶性 查看原图 ↗
图3 大汗腺导管原位癌(DCIS)2级,表现为具有根征的肿块病变,延迟平台型强化和病灶周围水肿,分类为Tree节点10。展示了T1加权非增强序列(a)、T2 TIRM序列(b)、增强后早期(c)和延迟(d)T1加权序列的代表性轴位层面 查看原图 ↗
图4 该肿块病变诊断为良性柱状细胞改变和平坦上皮增生,表现为平台型强化和光滑边缘,无根征,因此归类为Tree节点2。在该病变中,使用Tree分类本可避免活检。展示了T2加权(a)和非增强T1加权序列(b)的代表性层面,以及对比增强T1加权序列的早期(c)和延迟(d)减影图像 查看原图 ↗
图5 纤维腺瘤样增生表现为肿块性病变,呈持续强化、边界光滑,无根征(注意分叶状边缘的凸起尖端不符合根征标准)。因此该病变被归类为节点1,使用Tree流程图可将其判定为良性。图示为非增强T1加权序列的代表性层面(a)以及增强后早期(b)和延迟期(c)T1加权序列的减影图像。 查看原图 ↗

统计分析

使用SPSS 23.0(SPSS,IBM,芝加哥,伊利诺伊州,美国)和MedCalc 15(MedCalc software bvba,奥斯坦德,比利时)进行统计分析。采用kappa统计量评估读者间对所分配Tree分类的一致性。进行受试者工作特征(ROC)分析并测量ROC曲线下面积以确定总体诊断性能。在不同截断值下计算灵敏度、特异度和似然比。P值≤0.05被认为具有统计学意义。根据计算所得的灵敏度、特异度以及假阳性和假阴性结果数量,选择两个截断值(一个用于排除恶性,一个用于确认恶性)(低截断值具有最高灵敏度和最低假阳性结果;高截断值具有高特异度和低假阴性结果)。

结果

患者与病变

纳入的469个乳腺病变中,98个(20.9%)经组织病理学诊断为恶性,371个(79.1%)为良性。

270个病变(57.6%)表现为肿块,而199个(42.4%)为非肿块病变。在所有270个肿块病变中,68个(25.2%)为恶性,202个(74.8%)为良性。在199个非肿块病变中,30个(15.1%)为恶性,169个(84.9%)为良性。详细的大小描述和组织病理学诊断的描述性统计见表2和表3。

表2 按组织病理学结果分层的肿块和非肿块病变的大小分布 查看原表 ↗
表3 按Tree节点分层的所有病变组织病理学诊断的描述性统计 查看原表 ↗

ROC曲线分析

对所有病变使用Tree流程图,以ROC曲线下面积(AUC)表示的总体准确率为0.873(95% CI:0.839–0.901;P<0.0001)(图6)。对所有病变、肿块或非肿块病变使用Tree流程图的详细结果,以及不同截断水平的详细信息及其诊断参数,见表4、表5和表6。对于肿块病变,病变诊断的AUC为0.902(95% CI:0.860–0.935;P<0.0001),而在非肿块病变中AUC为0.786(95% CI:0.722–0.841;P<0.0001)(图6)。本研究使用了两个厂商的MRI设备:Siemens(n = 383)和Philips(n = 71)(ESM 1)。使用Tree算法的诊断性能在两种厂商扫描仪检查的病例之间无差异(Siemens的AUC = 0.880,标准误 = 0.019;Philips的AUC = 0.859,标准误 = 0.056;P=0.724)。

在371个良性病变中,103个(27.8%)(99个肿块病变和4个非肿块病变)可通过Tree流程图预测,以肿块和非肿块病变中≤2为截断值排除恶性,未获得任何假阴性结果(NPV = 100%)。截断值≤2意味着所有无根征且呈持续或平台型强化(无论病变边缘光滑或不规则)的病变均被视为良性。

在Tree流程图中,以>8作为判断恶性的截断值,可预测98个真阳性发现中的30个(30.6%),特异度为98.9%,阳性似然比为28.4(表4)。>8的截断值包括所有表现为廓清伴或不伴根征的病灶,以及表现为平台型强化伴根征的病灶。

图6 研究中纳入的所有病灶、肿块型病灶和非肿块型病灶的受试者工作特征(ROC)曲线。曲线下面积(AUC)的详细信息见正文,诊断截断值见表4、表5和表6 查看原图 ↗
表4 研究中纳入的所有病灶的Tree流程图诊断参数和截断值 查看原表 ↗
表5 肿块型病灶的Tree流程图诊断参数和截断值 查看原表 ↗
表6 非肿块型病灶的Tree流程图诊断参数和截断值。 查看原表 ↗

阅片者间一致性

两名阅片者独立阅读了82例连续病例。两名阅片者根据Tree流程图对乳腺病灶进行特征描述的一致性几乎完美(k=0.944 [95% CI:0.889–0.998])。

讨论

我们的研究表明,使用简单的分类系统(Tree流程图),可以在先前分类为BI-RADS 4的MRI-only病灶中排除27.8%的恶性,且未导致任何假阴性结果,从而大幅减少不必要的活检。因此,Tree流程图有潜力减少昂贵且耗时的MRI引导下活检的数量,进而降低医疗成本、减轻患者不适,并降低因侵入性操作可能产生的不良反应风险。Tree流程图直观易懂,适合不同经验水平的阅片者,且仅需标准的乳腺MRI序列即可在常规临床环境中轻松应用。

由于Tree流程图基于T2加权序列以及通常推荐用于每次乳腺MRI的动态对比增强T1加权序列,因此不需要任何额外的成像检查[2]。值得注意的是,短tau反转恢复(STIR)序列与T2加权TSE序列一样适用于评估水肿[28]。此外,Tree流程图基于简单的动态和形态学特征。因此,其应用不需要任何额外的阅片或计算时间,而例如额外采集DWI则需要[30, 31]。

迄今为止,基于Tree流程图的病灶分析不包括额外的功能成像,如DWI或MR波谱。多项研究表明,DWI作为传统乳腺MRI的辅助手段,有潜力减少假阳性结果并提高特异度,恶性病灶相较于良性病灶表现出更低的ADC值[32–35]。类似地,DWI可与Tree流程图相结合。考虑到当前结合多源信息的趋势(称为大数据),可以设想将开发更复杂的计算机辅助算法,这些算法不仅依赖于语义学和不可知论成像特征,还依赖于临床背景信息以及随访检查。然而,在伪影和空间失真方面存在局限性,且不同的DWI方法阻碍了确定一个可推广的ADC阈值来区分恶性和良性病灶[34, 36–38]。

Tree流程图(根征、强化动力学、病灶边缘、内部强化模式及同侧水肿)中所包含的征象,最初是基于其非冗余性及与乳腺恶性病变的相关性而选择的[23, 25–27]。较新的研究已证实这些征象的可靠性和重要意义[17, 24, 39–41]。Tree流程图最初在一项探索性研究中得到评估[23],此后在一个单一临床中心得到验证[24]。在本研究中,Tree流程图应用于在一家大型三级乳腺护理中心接受MRI引导下VABB的所有患者,该中心患者的影像学检查或在本中心获取,或在其他机构获取后用于其MRI的二次判读。这一设置使得Tree流程图能够应用于来自不同临床中心的图像。在最初两项针对同质患者队列的研究之后,本研究旨在检验该决策算法的实际应用。在评估中心的日常实践中,乳腺放射科医师需要处理质量参差不齐的影像。正是在这种设置下,Tree流程图才能展现其减少不必要乳腺活检的真正潜力。

本研究旨在确立Tree流程图对仅MRI可见的可疑病变的诊断价值,以便为此类情况提供临床指导。不同于仅在ROC曲线左上部分应用单一截断值(该处敏感度与特异性之和最大),可根据所针对的人群应用不同的截断值以排除或确认恶性[42]。Marino等人在其队列中推荐以≤4作为排除恶性的截断值[24]。在我们仅MRI可见病变的队列中,我们在Tree评分3和4中发现了不可忽视数量的恶性病变(假阴性评分3病变包括9例DCIS、8例IDC和1例ILC,而唯一一例假阴性评分4病变在MRI图像上测量为4 mm,组织病理学显示为1.5 mm的浸润性黏液癌)。尽管该组中浸润性癌的数量非常少,仅为4.5%(222例中10例),但在所研究的设置中,≤2的截断值可能更为可取,以实现尽可能高的敏感度。就此而言,评分4值得进一步研究,因为我们在这一小亚组中仅发现了一例恶性病变。

MRI BI-RADS术语和Tree流程图在肿块性病变中的诊断准确性均高于非肿块性病变[43–46]。在仅MRI可见的肿块性病变中,Tree流程图提高了诊断准确性,在先前分类为BI-RADS 4的270个病变中正确识别出99个良性病变(33.3%),在199个非肿块性病变中正确识别出4个良性病变(2.0%)。

本研究表明,Tree流程图可指导MRI引导下活检与影像学结果不一致后的决策。对MRI上可见的可疑乳腺病灶行MRI引导下活检,最初获得的假阴性组织病理学结果占相当比例(0–17%)[6, 22, 47–49]。在这些病例中,需要评估潜在的影像-病理不一致。通过一种能提供高特异度的检查(如Tree流程图),放射科医师可在组织病理学结果为阴性后自信地要求行手术活检[9, 22]。对于Tree结果>8的病灶尤其如此,其阳性似然比>28,从而实际上可确定恶性。此类病例中若活检结果为阴性,应立即转诊行重复活检或开放手术。

两位在乳腺MRI方面经验不同的放射科医师根据Tree流程图评估病灶,读者间一致性几乎完美,表明Tree流程图易于应用。

本研究的主要局限性在于,本研究中分析的标准MRI扫描是在不同扫描仪类型、不同场强和不同序列参数下采集的。一方面,不同的图像质量和成像方案可能限制了基于Tree流程图的影像判读,并可能是 flowchart 节点3和4中恶性率略高于既往报道[24]的原因之一。另一方面,纳入不同图像质量的MRI扫描显示了Tree流程图在真实且异质的MR图像环境中的可靠性,这在任何为其他机构转诊患者提供MRI引导下真空辅助乳腺活检(VABB)的参考中心都可能见到。在该环境中报告的肿块和非肿块病变的高读者间一致性和诊断准确性证明了Tree流程图在这一异质队列中的适用性。此外,亚组分析未显示MRI供应商对Tree流程图准确性有显著影响,从而证实了其关于成像方案变化的稳健性。此外,本研究仅纳入了经组织病理学证实的仅MRI可见病灶。因此,结果可能不适用于一般人群或所有MRI可见病灶。需要进一步研究评估Tree流程图在不同亚人群中的适用性。

总之,本研究表明,以≤2为截断值的Tree流程图可将仅MRI可见病灶的活检数量减少多达27.8%,且无假阴性病例,从而可能降低医疗成本和患者不适。

电子补充材料

以下是电子补充材料的链接。ESM 1(DOCX 20 kb)

引用

  1. Woitek R, Spick C, Schernthaner M, et al. A simple classification system (the Tree flowchart) for breast MRI can reduce the number of unnecessary biopsies in MRI-only lesions. Eur Radiol. 2017. PMID: 28275900. doi:10.1007/s00330-017-4755-6
  2. 全文:PMC5544808(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5544808/

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。