文献速递乳腺MR

放射组学与机器学习改善BRCA突变携带者亚厘米强化乳腺肿块MRI特征描述

Improved characterization of sub-centimeter enhancing breast masses on MRI with radiomics and machine learning in BRCA mutation carriers.
PubMed 文献 · Eur Radiol · 2020-06-27

该回顾性研究纳入96例BRCA突变携带者的116个亚厘米强化乳腺肿块,评估放射组学联合机器学习能否区分良恶性。共识BI-RADS分类诊断准确率53.4%,而结合五个参数的机器学习模型准确率达81.5%、特异度91.4%。

要点

  • BRCA突变携带者亚厘米乳腺肿块形态学BI-RADS评估准确率仅53.4%,敏感度75%、特异度42.1%。
  • 放射组学联合机器学习模型(年龄、位置及三个纹理特征)准确率81.5%,特异度91.4%。
  • 延迟期动态增强未增加显著鉴别价值,支持放射组学用于简化筛查协议。

核心结论

  • 放射组学联合机器学习较单独BI-RADS形态学评估提高了BRCA突变携带者亚厘米乳腺肿块良恶性鉴别的诊断准确率。

研究设计与样本

  • 回顾性研究,纳入96例BRCA突变携带者(平均活检年龄45.5±13.5岁)的116个亚厘米乳腺肿块,来自Memorial Sloan Kettering Cancer Center单中心。
  • 乳腺MRI使用1.5T或3T磁体(Sigma;GE)及8通道或16通道专用表面乳腺线圈。
  • 参考标准为组织病理学(图像引导穿刺活检或手术)或随访MRI稳定超过2年视为良性。
  • 两位乳腺影像专科放射科医生独立并按BI-RADS词典评估,分歧病例经共识复核。
  • 放射组学特征使用开源CERR软件计算,数据降至16个灰度级,仅考虑像素间距为1。

关键影像表现/征象

  • 共识BI-RADS分类诊断准确率53.4%,敏感度75%(30/40),特异度42.1%(32/76),PPV 40.5%(30/74),NPV 76.2%(32/42)。
  • 进行性强化在良性病变中占54.2%(38/70),在恶性病变中占23%(9/39),与疾病状态显著相关(p=0.01)。
  • 共识评估中,边缘(p=0.11)、形状(p=0.97)、强化模式(p=0.05)、T2信号强度(p=0.16)、DWI(p=0.54)与疾病状态无显著关联。
  • 病变位置(p=0.03)、绝经状态(p=0.0001)和BI-RADS分类(p<0.001)与疾病状态显著相关。

诊断标准与关键数值

  • 机器学习模型结合五个参数(年龄、病变位置、增强前GLCM相关、第一次增强后一阶变异系数、第一次增强后SZM灰度方差)诊断准确率81.5%,敏感度63.2%(24/38),特异度91.4%(64/70),PPV 80.0%(24/30),NPV 82.1%(64/78)。
  • 仅用第一次增强后相位的三个参数(GLCM相关、SZM灰度非均匀性归一化、SZM区域强调)模型诊断准确率75%,敏感度55.0%(22/40),特异度85.5%(65/76),PPV 66.7%(22/33),NPV 78.3%(65/83)。
  • 结合第一次增强后相位放射组学特征与临床因素的六参数模型诊断准确率79.3%,敏感度52.5%(21/40),特异度93.4%(71/76),PPV 80.8%(21/26),NPV 78.9%(71/90)。
  • 单变量分析中37/102个放射组学特征在良恶性间有显著差异,AUC≥0.65筛选后保留21/102个特征,相关性分析后11个特征进入多变量建模。

临床应用与阅片要点

  • 对BRCA突变携带者的亚厘米强化乳腺肿块,形态学BI-RADS描述词鉴别价值有限,需警惕良性形态的恶性病变。
  • 放射组学联合机器学习模型可提高特异度和PPV,可能减少不必要的活检。
  • 延迟期动态增强未增加显著鉴别价值,提示放射组学分析可能适用于简化筛查协议。

局限性

  • 仅使用单中心数据,难以预测模型在不同成像协议(尤其是空间分辨率和层厚较差时)数据上的表现。
  • 仅纳入亚厘米乳腺肿块,图像像素少、空间分辨率低,部分容积效应可能污染ROI像素。
  • 样本量相对较小(116个乳腺肿块),恶性组仅40例,特征选择在交叉验证折之前进行。
  • 需进一步研究,优先多中心、更大患者队列,以确认这些有希望的结果。
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:Eur Radiol. 2020 Jun 27;30(12):6721–31. doi: 10.1007/s00330-020-06991-7

引言

遗传BRCA1和BRCA2突变的女性缺乏修复受损DNA的肿瘤抑制蛋白[1]。与不具有这些突变的女性相比,这些女性在较年轻时患乳腺癌的风险增加。MRI是检测乳腺癌最敏感的成像方式,因此,美国癌症协会和美国放射学会建议BRCA突变携带者从30岁开始每年进行乳房X线摄影,从25岁开始每年进行MRI检查[2–7]。

相当比例(45%)的BRCA1相关癌症仅在MRI上可见[8],这些肿瘤往往呈细胞丰富且边缘呈圆形推挤状,而非像其他乳腺癌那样呈硬癌伴不规则浸润边缘。因此,早期/小肿瘤可能不表现出典型恶性特征,而可能呈现良性影像学表现[9]。由于这些癌症也更可能是高级别且常为三阴性(激素受体和HER-2阴性),推荐活检的阈值应较低[10, 11]。既往研究[12, 13]显示,无论BRCA突变状态如何,直径小于5 mm的浸润性癌症中良性形态均常见,并建议所有表现为间期变化的肿块以及体积增大的病灶均应进行活检。不幸的是,BRCA携带者也更易发生乳腺良性肿瘤[14, 15],导致其一生中接受大量良性活检,除非进行了预防性乳房切除术。

为避免遗漏重要癌症以及使女性接受不必要的活检,应使用辅助工具帮助区分良恶性病变以预测恶性可能性。影像组学分析涉及对特定感兴趣区(ROIs)内像素强度排列的定量评估,并提取可用于进一步疾病表征的定量特征。在平均乳腺癌风险女性中的初步结果表明,影像组学分析和机器学习(ML)在区分良性和恶性小乳腺肿块方面具有价值[16]。

本研究目的是探讨从BRCA阳性患者亚厘米乳腺肿块MRI中提取的影像组学特征能否与机器学习相结合,使用无模型参数图区分良恶性病变。

材料和方法

研究人群

这是一项在纪念斯隆凯特琳癌症中心进行的回顾性、符合《健康保险携带和责任法案》的研究。该研究经机构审查委员会批准(方案编号19-119),并豁免了书面知情同意的需要。

对放射科数据库进行回顾性审查,以识别连续的患者,这些患者有可获得的基因检测结果,并且在2013年11月至2019年2月期间接受了MRI检查,且该检查导致了活检或短期随访。我们识别出430例患者。我们的纳入标准如下:BRCA 1或BRCA 2阳性患者;最长直径≤ 10 mm的乳腺肿块;以及MRI上BI-RADS 3、4或5类并通过随访或真空辅助乳腺活检(MRI或超声引导下)进一步评估,获得良性或恶性组织学结果。MRI上描述为非肿块强化的表现未被纳入。我们排除了携带BRCA 1和2以外突变的患者,以及未进行活检时随访不足2年的患者(BI-RADS 3类和BI-RADS 4类且活检时未显示目标病灶者)。

乳腺MRI技术

乳腺MRI在1.5-T或3-T磁共振仪(Sigma;GE)上进行,使用8通道或16通道专用表面乳腺线圈。成像序列列于表1中。

表1 本研究所用成像序列和采集参数汇总 查看原表 ↗

放射科医师的影像评估

所有图像由两名受过专科培训的乳腺放射科医师在一次 sessions 中独立评估(R1:R.L.,R2:I.D.,两人均有4年乳腺影像和乳腺MRI判读经验),对最终组织病理学诊断以及既往或后续的常规和MRI影像不知情。对于每个病灶,根据BI-RADS词典在对比增强后T1加权图像上评估以下形态学特征:病灶形状、边缘和内部强化特征。阅片者还指定了BI-RADS分类。病灶大小以单一最大直径测量。在T2加权和DW图像上,还评估了信号强度、形态学、背景实质强化(BPE)以及每侧乳腺的纤维腺体组织(FGT)。时间-强度动力学曲线分析(信号强化相对于注射对比剂后时间的关系)由R1在配备商用计算机辅助诊断系统(OsiriX,OsiriX Foundation)的专用工作站上进行。阅片者根据BI-RADS词典定性测量动力学曲线模式,描述为流出型、平台型或持续型。病灶在乳腺内的位置(前部、中部或后部深度)也由R1评估。

在完成独立审查后,两名阅片者之间存在分歧的病例经共识复阅,以形成总体共识评估。

参考标准

优先采用组织病理学作为参考标准,通过影像引导下针刺活检或手术确立。在两名活检显示良性高危病灶的患者中,记录了手术活检的组织学报告以确认病灶的良性性质。当未进行活检时,随访MRI上稳定超过2年被视为良性。

影像组学分析

来自DCE-MRI和平扫T1加权MRI的医学数字成像和通信(DICOM)图像被加载到开源图像处理工具OsiriX中。两位放射科医师在勾画ROI之前共同审阅了图像,R1手动勾画ROI,描记每个病灶的边界以包括整个强化病灶。

鉴于所取病灶体积小,每层产生的像素数很少,因此使用MATLAB(The MathWorks, Inc.)编写的内部代码将ROI输入开源CERR软件环境(可通过GitHub免费获取),由其计算影像组学特征[17]。数据被缩减至16个灰度级,且仅考虑像素间距为1(对于小病灶,更高的像素间距不适用,且会大幅降低计数统计量)。CERR分析共得到102个影像组学特征,分为六类:22个一阶特征、26个基于灰度共生矩阵(GLCM)的特征、16个基于游程长度矩阵(RLM)的特征、16个基于大小区域矩阵(SZM)的特征、17个基于邻域灰度依赖矩阵的特征,以及5个基于邻域灰度色调差异矩阵的特征。由于患者分别在1.5 T(27例良性病例和17例恶性病例)或3 T(49例良性病例和23例恶性病例)下扫描,因此在统计分析前采用ComBat协调化(补充信息A1)以消除中心效应[18]。

首先进行单变量分析,以筛选能够区分良性和恶性病灶的显著影像组学特征。采用AUC截断值≥ 0.65以减少关注特征的数量。随后采用相关性分析进一步去除冗余特征。对于Spearman秩相关系数> 0.9的任何显著相关性,将AUC最低的特征从考虑中剔除。这使得后续多变量建模的特征数量更为可控。使用精细高斯支持向量机,获得了良性和恶性病例的完美分离。为限制数据过拟合,采用五折交叉验证开发稳健的机器学习模型,该模型应对新数据产生相似的结果。

统计分析

统计分析使用SAS(版本9.4,SAS Institute)进行。连续变量以均值(±标准差)和中位数(范围)汇总;分类变量以比例汇总。使用卡方检验或Fisher精确检验进行单变量分析,以评估影像参数(来自独立评估和共识评估)与疾病状态(恶性 vs. 良性)之间的关联。p值< 0.05被认为具有显著性。为确定观察者间一致性,有序参数使用加权Cohen's κ评估,而名义参数使用简单Cohen's κ评估读者间一致性。

对于影像组学数据,使用SPSS(版本25,IBM Corp.)和MATLAB(R2017b,The MathWorks, Inc.)进行统计分析。进行单变量分析以识别在恶性和良性病灶之间具有显著差异的影像组学特征。由于患者数量不多(尤其是恶性队列),使用Shapiro–Wilk检验和Q-Q图检验恶性和良性队列分布的正态性。对于少数(21/102)呈正态分布的特征,使用双尾独立t检验确定显著特征。对于大多数呈非正态分布的特征(81/102),使用两独立样本的Mann–Whitney U检验确定显著特征。

采用Mann–Whitney U检验(针对年龄)和Pearson卡方检验(针对所有其他临床因素),评估了被视为恶性肿瘤潜在预测因素的临床因素(年龄、BRCA状态、绝经状态和病变位置)与疾病状态之间是否存在统计学显著关联。将显著的临床因素与显著的影像组学特征一起纳入多变量建模,以生成用于区分良性和恶性病变的稳健机器学习(ML)模型。所有ML建模均使用预定义的高斯支持向量机进行。

结果

患者人群和乳腺病变特征

研究人群包括96例患者(图1)。

表2和图2显示了患者和乳腺病变特征。图3和图4是本研究中纳入的良性和恶性乳腺肿块的示例。分割后,良性病变大小的中位数为514.5像素(范围85–2425像素),恶性病变大小的中位数为816像素(范围66–2116像素)。

图1 本研究纳入和排除标准的流程图 查看原图 ↗
表2 76个良性肿块和40个恶性肿块的组织病理学 查看原表 ↗
图2 患者和乳腺病变特征 查看原图 ↗
图3 四例BI-RADS 4类小乳腺肿块患者的横断面首过增强后双侧动态MR图像(TR/TE,4.5/2.1 ms;翻转角,10°),活检结果为纤维腺瘤(白箭头)和假血管瘤样间质增生(白箭头) 查看原图 ↗
图4 四例BI-RADS 4类可疑小乳腺肿块患者的横断面首过增强后双侧动态MR图像(TR/TE,4.5/2.1 ms;翻转角,10°),活检结果为纤维腺瘤(白箭头)和假血管瘤样间质增生(白箭头) 查看原图 ↗

放射科医师的影像学评估

共识BI-RADS分类的敏感性为75%,特异性为42.1%,PPV为40.5%,NPV为76.2%,准确性为53.4%。对109/116个病变进行了时间-强度动力学曲线分析;7个病变因运动相关伪影未进行分析。良性病变患者中54.2%(38/70)存在渐进性对比增强,恶性病变患者中23%(9/39)存在渐进性对比增强;基于动力学分析与疾病状态存在统计学显著关联(p = 0.01)。

表3显示了根据两位放射科医师独立评估的单因素分析结果。

表4显示了根据总体共识评估以及针对动力学和病变位置、BRCA突变状态和绝经状态所进行的单独评估的单因素分析结果。在共识阅片中,基于边缘(p = 0.11)、形状(p = 0.97)、强化模式(p = 0.05)、T2信号强度(p = 0.16)、DWI(p = 0.54)、BPE(p = 0.32)和BRCA突变状态(BRCA1 vs. BRCA2,p = 0.79)与疾病状态无显著关联。基于乳腺内病变位置(p = 0.03)、绝经状态(p = 0.0001)和BI-RADS分类(p < 0.001)与疾病状态存在统计学显著关联。

表3 根据放射科医师独立评估的单因素分析 查看原表 ↗
表4 根据放射科医师独立评估的共识分析 查看原表 ↗

影像组学分析

仅使用首过增强后期的ML模型

在单因素分析中,发现37/102个影像组学特征在良性与恶性病变之间具有显著差异(补充表S1)。AUC截断值≥ 0.65将感兴趣特征的数量减少至21/102。相关性分析得出11个特征(来自5个类别)用于后续多变量建模(补充表S2)。使用包含全部11个参数的精细高斯支持向量机,获得了良性与恶性病例的完美分离,准确率达100%。然而,该机器学习模型无疑对数据过拟合(补充表S3)。

经过五折交叉验证后,使用LASSO(最小绝对收缩和选择算子)进一步减少参数数量。最终机器学习模型使用了三个参数(基于GLCM的相关性、基于SZM的归一化灰度非均匀性、基于SZM的区域强调)。该机器学习模型达到了75%的诊断准确率,但可被视为一个稳健的机器学习模型,对新数据应能产生相似的结果(补充表S4)。该机器学习模型的敏感度为55.0%(22/40),特异度为85.5%(65/76),PPV为66.7%(22/33),NPV为78.3%(65/83)。

结合首期增强后影像组学特征与临床因素的机器学习模型

我们将临床因素纳入多变量建模以进一步改进模型。多变量结果显示,疾病状态与绝经状态相关(χ2 = 11.86,p = 0.001)、与年龄相关(p < 0.0005)、与病变位置相关(χ2 = 6.84,p = 0.03)。与BRCA状态无关联(χ2 = 0.17,p = 0.68)。再次采用五折交叉验证以开发稳健的机器学习模型。最终机器学习模型使用了六个参数(年龄、一阶变异系数、基于GLCM的联合熵、基于GLCM的相关性、基于GLCM的聚类突出度、基于RLM的游程强调)。该稳健机器学习模型的诊断准确率为79.3%(补充表S5)。该机器学习模型的敏感度为52.5%(21/40),特异度为93.4%(71/76),PPV为80.8%(21/26),NPV为78.9%(71/90)。

结合所有动态期影像组学特征与临床因素的机器学习模型

使用所有动态期和临床因素的机器学习模型结果见补充数据(补充信息A2、表S6、表S7、表S8)。该机器学习模型的诊断准确率为81.5%,可被视为稳健模型。所有影像组学模型的结果见表5。

表5 影像组学特征模型结果汇总 查看原表 ↗

讨论

在本研究中,我们探讨了放射组学分析和机器学习结合MRI能否利用无模型参数图准确区分BRCA突变携带者中亚厘米良性病变与恶性病变。我们证明,放射组学分析结合机器学习有助于区分这些患者中良性和恶性的强化亚厘米肿块。T2加权信号强度和弥散加权成像无助于区分良性和恶性病变。虽然较大的癌症已在MRI上得到充分描述和表征,但亚厘米病变,尤其是小于0.5 cm的病变,传统上被认为太小而无法根据形态学描述符进行表征,从而对准确性产生负面影响。随着硬件和软件的进步,MRI的空间分辨率有所提高,不仅能够检测小强化病变,还能对其进行形态学表征[19]。

Meissnitzer等[13]显示,亚厘米浸润性乳腺癌常表现为良性形态学特征,如持续强化(30%)和高T2信号(17%)。Raza等[20]证明,小于5 mm的乳腺癌往往表现为边界清楚(71%)、良性形状(67%)和良性动力学特征(41%)。BRCA突变的存在是一个额外的混杂因素,因为该人群中的乳腺癌在MRI上常表现为良性形态学特征(例如,卵圆形和边界清晰),并且在23–38%的病例中可类似于纤维腺瘤或囊肿[12, 20]。然而,这些癌症更具侵袭性,生长速度快且 lead time 短[20]。

我们的结果证实,对于BRCA突变携带者中的亚厘米肿块,形态学BI-RADS描述符对乳腺癌诊断并非特别有用;形态学的评估者间一致性仅为中等,尽管BI-RADS评估类别的评估者间一致性至少为显著。与Ha等[21]的结论——即任何代表间期变化的T2低信号强化灶应进行活检而非短期随访——相比,我们发现良性和恶性病变之间T2信号强度无显著差异。这与Zhang等一致,他们也显示T2加权成像对区分良性和恶性病变无显著贡献[22]。此外,我们发现DWI信号分析对评估这些病变的准确性无贡献,部分原因可解释为其空间分辨率有限,使得准确评估亚厘米肿块具有挑战性。

多项研究表明,放射组学和机器学习可作为辅助工具,支持放射科医师利用乳腺X线摄影[23]、数字乳腺断层合成[24]和MRI[16, 25]区分良性和恶性病变的图像判读。Truhn等[26]的一项研究证明,放射组学和卷积神经网络(CNN)在区分良性和恶性乳腺肿块方面优于放射组学分析,但两者均劣于放射科医师的评估。然而,在该研究中,作者纳入的病变总体平均直径为22.4 ± 20.3;因此,他们的结果可能是由于当病变尺寸较大时,仅通过分析BI-RADS描述符就更容易将其表征为良性或恶性。

我们的研究显示,在BRCA突变携带者中,有一种更准确的方法可区分良性与恶性病变。Gibbs等人评估了基于动态对比增强(DCE)参数图的放射组学和机器学习(ML)在普通人群中诊断小乳腺病变的效用[16]。最佳AUC为0.78 ± 0.12,其结果表明,与目前单独使用的BI-RADS分类相比,放射组学可潜在改善对小的、良性表现乳腺肿块的评估,提高阳性预测值(PPV)(减少不必要的活检)和阴性预测值(NPV)(诊断更多癌症)。在我们的BRCA突变携带者研究人群中,我们的数据表明,放射组学分析和机器学习实际上可以使女性免于对良性表现的小乳腺结节进行不必要的活检。当仅使用第一个增强后扫描并结合临床数据用于机器学习模型时,三个放射组学特征(变异系数、聚类突出性和Haralick相关性)能够以79.3%的诊断准确率区分良性与恶性肿块。

D'Amico等人的另一项研究[27]检查了45例患者中的12个恶性和33个良性强化病灶。从这些病灶中提取了200多个放射组学特征,并通过k近邻(kNN)评估所选特征的性能。一种快速且稳健的分类算法产生了27/27的敏感性(100%,95% CI 87–100%)、37/41的特异性(90%,95% CI 77–97%)和64/68的准确率(94%,95% CI 86–98%)。与D'Amico等人相比,我们的研究将机器学习与2名不同阅片者根据BI-RADS进行的放射科医生图像判读进行比较,样本量更大,包括116个病变(对比45个),并且纳入了更同质的BRCA突变患者人群。

最近,已提出替代的简化协议用于女性筛查[19, 28],通过仅采集一组平扫和一组早期增强后T1加权图像来缩短扫描时间。与Gibbs等人[16]的结果一致,我们的结果显示,延迟增强后期相并未为分析增加任何显著的判别价值。因此,本研究为放射组学分析在简化协议中的潜在应用提供了间接证据;这些简化协议最近被提出作为致密乳腺组织高危女性筛查的替代方案[19],而无需担心因缺乏延迟期强化动力学信息而导致特异性下降。

本研究存在局限性。由于仅使用单中心数据,难以预测所开发的模型在不同成像协议采集的数据上可能表现如何,尤其是在空间分辨率和层厚较差的情况下。我们仅纳入亚厘米级乳腺肿块,这些肿块在图像中不构成许多像素,导致最终感兴趣区(ROI)中空间分辨率较低、像素较少,并增加了可被视为受部分容积效应潜在污染的像素比例。为确保足够的计数统计,我们将数据降至仅16个灰度级(对比既往乳腺MRI中采用的32或64个灰度级)[29]。另一个局限性是由于严格的纳入标准,116个乳腺肿块的样本量相对较小。恶性组仅40例,特征选择在任何交叉验证折之前进行。

总之,与仅使用BI-RADS分类进行定性形态学评估相比,影像组学分析结合机器学习可提高BRCA突变携带者中小型乳腺肿块的诊断准确性。仍需进一步研究,最好是更大患者队列的多中心研究,以证实这些有前景的结果。

电子补充材料

ESM 1(DOCX 38.7 kb)

引用

  1. Lo Gullo R, Daimiel I, Rossi Saccarelli C, et al. Improved characterization of sub-centimeter enhancing breast masses on MRI with radiomics and machine learning in BRCA mutation carriers. Eur Radiol. 2020. PMID: 32594207. doi:10.1007/s00330-020-06991-7
  2. 全文:PMC7599163(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7599163/

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。