乳腺DCE-MRI影像组学模型分类乳腺肿块并与BI-RADS分类性能比较
该单中心回顾性研究纳入76例患者94个乳腺肿块,基于DCE-MRI提取1246个影像组学特征,用Boruta算法和随机森林建模,在测试集上AUC为0.94,BI-RADS分类AUC为0.84,两者无显著差异(p=0.19)。模型敏感度100%、特异度33.3%,BI-RADS敏感度100%、特异度16.7%。
要点
- 影像组学模型在测试集上AUC达0.94,与BI-RADS分类性能相当(p=0.19)。
- 模型仅保留17个特征,主要来自早期减影动态图(DCEs 1、2)和动力学图。
- 模型特异度33.3%高于BI-RADS的16.7%,但置信区间重叠,需外部验证。
核心结论
- 基于乳腺DCE-MRI的影像组学特征模型在测试集上AUC达0.94,分类乳腺肿块良恶性的性能与BI-RADS分类相当,但特异度仍有限。
研究设计与样本
- 单中心回顾性研究,纳入2017年9月至2019年12月连续患者79例97个乳腺肿块,排除3个B3交界性病变,最终分析76例94个肿块(71恶性,23良性)。
- 使用同一台1.5T MR设备(Ingenia, Philips),DCE序列在注射钆对比剂前及后1-5分钟采集,基于减影图和8个动力学图提取89个特征/图,共1246个特征/肿瘤。
- 数据集按70%/30%分层拆分为训练集和测试集,采用Boruta算法选择特征,随机森林建模,以组织病理学为参考标准,BI-RADS分类由两位乳腺影像专科放射科医生(10年和5年经验)记录。
关键影像表现/征象
- 最终模型保留17个特征:4个形状特征(如最大3D直径、长轴)、2个一阶特征、11个二阶纹理特征。
- IDN和IDMN等纹理特征在早期减影动态图(DCEs 1和DCEs 2)中具有最高重要性系数。
- 仅减影动态图DCEs 1、2、4、5及动力学图AUC、峰值增强、信号增强比、washout中包含至少一个对模型有用的特征。
诊断标准与关键数值
- 影像组学模型在测试集上敏感度100%(95% CI [84.5‒100.0]),特异度33.3%(95% CI [9.7‒70.0]),准确率85%(95% CI [66.3‒95.8]),AUC=0.94(95% CI [0.85‒1.00])。
- BI-RADS分类(BI-RADS 2/3视为良性,4/5视为恶性)敏感度100%(95% CI [84.5, 100]),特异度16.7%(95% CI [3.0, 56.4]),准确率81.5%(95% CI [63.3, 91.8]),AUC=0.84(95% CI [0.73, 0.95])。
- 模型与BI-RADS的ROC曲线无显著差异(p=0.19)。
临床应用与阅片要点
- 该模型基于常规DCE-MRI序列(减影动态图和动力学图)提取特征,无需额外扩散或高分辨序列,便于临床集成。
- 模型主要针对BI-RADS 4c和5类肿块(占48.9%和23.4%),对训练有素的乳腺放射科医生临床影响有限;BI-RADS 4a和4b类病变样本量过小未能分析,而这正是临床最需鉴别的亚组。
- 模型对小于10mm的小肿块未评估,使用时需注意此局限。
局限性
- 单中心回顾性研究,缺乏外部独立队列验证。
- 未评估BI-RADS IVa和IVb亚组,这些是临床实践中的主要问题类别。
- 未评估小于10mm的小肿块。
- 仅纳入肿块型病变,未考虑非肿块强化病变。
全文中译14 节 · 点击展开
背景
乳腺癌是全球女性中最常见的癌症,每年约有200万例确诊病例[1]。乳腺磁共振成像(MRI)被列为二线影像学检查,因为其在检测恶性病变方面具有较高的阴性预测值[2]。对于癌症高风险患者、携带高风险基因突变(BRCA-1、BRCA-2和TP53)的患者,以及乳腺组织极为致密或临床与影像学征象不一致的患者,推荐进行乳腺MRI检查[3]。MRI的主要局限性在于其鉴别良恶性病变的特异性较低,根据文献报道在47%至97%之间[4]。这导致了补充检查(二次超声和补充乳腺X线摄影)以及大量良性病变的活检。然而,乳腺MRI目前是基于BI-RADS标准对良恶性病变进行特征描述时提供最佳决策性能的影像学技术[3, 5],但这些标准存在显著的观察者间变异性[6]。
应用于MRI的影像组学可定义为对从放射学图像中提取的纹理参数进行定量测量。这些参数对应于表征肿瘤形状和异质性的数学描述符,其水平超出肉眼可见范围[7]。影像组学似乎正在成为组织学或分子异质性的新型肿瘤生物标志物。它可用于预测组织的生物学性质、治疗反应或肿瘤病变的预后[8, 9]。
既往研究已显示影像组学在乳腺MRI中评估新辅助化疗下肿瘤反应、预测癌症组织学亚型[10, 11]或分子亚型[12]方面具有令人鼓舞的结果。其他研究探讨了雌激素受体过表达的风险因素[13],最后还有一些研究进行了将基因组学与影像组学联系的预后分析[14]。更近期,有研究利用影像组学通过包含弥散和灌注序列的多参数MRI对良恶性病变进行特征描述[15],也有使用高分辨率序列的研究[16]。这些研究中很少有涉及常用于诊断乳腺肿块的标准MRI方案(T1加权、T2加权和动态对比增强)。
本研究的目标是:(1)开发一种适用于乳腺MRI的新型影像组学模型以表征乳腺肿块,(2)以组织学为金标准,将该模型的性能与BI-RADS分类进行比较。
方法
人群
本研究是一项在拉蒂蒙大学医院(法国马赛)放射科开展的單中心回顾性研究。纳入2017年9月至2019年12月期间接受乳腺MRI检查、表现为乳腺肿块且具备可用组织学资料的所有连续患者。根据BI-RADS分类,肿块定义为在三个解剖平面上均呈圆形、卵圆形或不规则形状(边缘凸起)且占据一定体积、在T1加权和T2加权解剖序列上可见的病灶。共纳入79例患者,计97个肿块。其中3个乳腺肿块组织学分类为B3,即恶性不确定性交界性病变,被排除。最终分析76例患者共94个肿块(图1)。本研究经机构审查委员会批准(医学影像研究伦理委员会编号CRM-2106-171)。
MRI采集参数
所有患者均在同一台MR设备(Ingenia 1.5 T,Philips medical imaging,荷兰贝斯特)上接受乳腺MRI检查。原理详见附加文件1:附录1。动态对比增强(DCE)序列在静脉注射钆剂(DOTAREM:0.2 cc/kg,Guerbet,法国奥奈苏布瓦)前及注射后1、2、3、4、5分钟进行。每个采集时间点均进行原始重建(DCEn 0、DCEn 1、DCEn 2、DCEn 3、DCEn 4和DCEn 5)。此外,在增强后与增强前采集之间进行减影,增强前采集作为每个时间点的掩模(DCEs 1、DCEs 2、DCEs 3、DCEs 4和DCEs 5)。放射科医师使用原始T1加权、T2加权、DCEn和DCEs序列进行病灶分割和分析。
数据处理(图像处理)
图像使用breastscape®软件包(Olea Medical,法国拉西奥塔)进行后处理。在分析T1加权、T2加权和DCEn方案的全套序列后,在DCEs上对肿块进行半自动分割。以对应峰值信号的DCEs序列作为分割的参考序列。breastscape®中提供的病灶分割使我们能够定义对应于乳腺内肿块的感兴趣区(ROI)(图2、3和4)。未使用任何图像预处理技术,如在计算影像组学参数之前对图像进行离散化。必要时,对动态序列进行运动校正[17]。
参数提取
纹理参数从不同序列中提取:动态对比增强序列(DCEs 1、DCEs 2、DCEs 3、DCEs 4和DCEs 5),以及基于信号增强值计算的8个图,这些图由breastscape®软件包计算,软件中称为动力学(图5)。关于动力学图计算的详细信息见附加文件1:附录2。纹理参数使用pyradiomics库(https://pyradiomics.readthedocs.io/en/latest/)提取。基于该库,开发了一个名为breast features的可执行并行代码,以半自动分割作为掩膜,提取Pyradiomics可用的纹理参数。
纹理描述符分为三组:形状、一阶和纹理描述符。形状描述符涉及病变的轮廓、形态及其大小。一阶描述符基于显示信号不同参数分布的直方图,描述像素或体素中强度和灰度级的分布。二阶纹理参数描述图像中像素分布不同参数的矩阵。所提取的不同参数列表见附加文件1:附录3。
BI-RADS分析
两位专攻乳腺影像的资深放射科医师(P.S.,10年经验;A.G.,5年经验)根据BI-RADS分类对乳腺MRI上的乳腺肿块进行分类;分类为BI-RADS 2或3的肿块被视为良性或极可能良性,分类为BI-RADS 4或5的肿块被视为高度怀疑恶性[18, 19](附加文件1:附录4)。
组织学分析
组织学分析用作诊断参考。解剖病理学分析通过超声引导下14 Gauge针芯微活检或通过分析肿瘤切除后获得的组织碎片来建立。为评估病理-影像一致性,如果病变大小<1.5 cm或活检后病变立即变得不可见,则放置标记夹。在新辅助化疗、多发病变或极端纤维腺体组织的情况下,放置标记夹后行乳腺MRI。组织学结果根据欧洲分类进行分类:B2为良性病变,B5为恶性病变。所有良性病变在活检后3个月使用超声进行随访,以确保非恶性。
统计分析
正态分布的连续数据以均值 ± 标准差表示。分类数据以频数或百分比表示。Pyradiomics从14个动力学图中为每个肿瘤提取了89个特征,每个肿瘤共提取1246个特征。包含94个肿块的全数据集按组织学分层分为训练集(70%)和测试集(30%)。在训练集上,使用Boruta算法从提取的1246个特征中选择最相关的描述符[20, 21]。每个描述符的重要性通过99次迭代计算,生成平均重要性值;评分越高,描述符越重要。该算法将描述符分为三种类型:(1)确认的、不确定的或未确认的判别性描述符。使用随机森林算法作为模型,在训练集上训练,然后应用于测试集。模型的性能包括ROC参数:曲线下面积(AUC)、准确率、灵敏度、特异度,按每个数据集95%置信区间(CI)计算。Bootstrap检验比较了AUC和ROC曲线。所有统计分析均使用R软件包(版本4.1.0)进行。p值 < 0.05被认为具有显著性差异。
结果
组织学数据
共纳入76例患者,计94个肿块。71个(75.5%)肿块为恶性,23个(24.5%)为良性。在恶性病变中,浸润性小叶癌3/71(4.2%),非特异性浸润性癌68/71(95.8%)。在良性病变中,纤维腺瘤7/23(30.4%);导管扩张5/23(21.7%);腺病或纤维化病变5/23(21.7%);导管囊肿3/23(13.0%);细胞脂肪坏死性病变2/23(8.7%);脓肿1/23(4.4%)(表1)。病变中位大小为24 mm(IQR = 47 mm)。23个良性病变在活检后3个月均未见增大。
所选特征
在1246个描述符中,1228个为未确认,6个为确认,12个被认为是不确定的。我们决定保留6个确认的和12个不确定的,共18个特征,以建立预测模型。影像组学签名包含:“归一化逆差矩”(IDMN)、“归一化逆差”(IDN)、“低灰度游程 emphasis”(LGRE)、“长游程低灰度 emphasis”(LRLGLE)、“短游程低灰度 emphasis”(SRLGLE)、“非正式相关性度量”(IMC)、“大面积低灰度 emphasis”(LALGLE)、“长游程高灰度 emphasis”(LRHGLE)、“最大3D直径”、“总能量、长轴”和“能量”。仅减影动态图DCE 1 s、DCEs 2、DCEs 4和DCEs 5以及动力学图AUC、峰值强化、信号强化率和廓清率含有至少一个对模型创建有用的描述符。在Boruta方法保留的18个描述符中,一个描述符因重要性系数等于零而被排除。模型最终整合了17个判别性描述符:4个为形状变量,2个为一阶变量,11个为二阶变量。
在不同的图或序列中,某些描述符被多次发现,例如形状描述符“最大三维直径”或二阶描述符之一,如IDN和IDNM。IDNM对DCE 1和DCE 2序列具有区分性。使我们能够创建预测模型的描述符见表2。
影像组学预测模型和BI-RADS分类的诊断性能
该模型在恶性病变表征中的灵敏度为100%(95% CI [84.5‒100.0]),特异度为33.3%(95% CI [9.7‒70.0])。诊断准确率为85%(95% CI [66.3‒95.8])。基于测试样本的曲线下面积(AUC)为0.94(95% CI [0.85‒1.00])(表3)。
近一半的乳腺肿块46/94(48.9%)被分类为BI-RADS 5,通常为恶性。仅有五个肿块被分类为典型良性或可能良性。BI-RADS 4c包括22/94(23.4%)的肿瘤和9/94(9.6%)的BI-RADS 4b病变(表4)。根据放射科医师使用的BI-RADS标准,灵敏度为100%(95% CI [84.5, 100]),特异度为16.7%(95% CI [3.0, 56.4])。诊断准确率为81.5%(95% CI [63.3, 91.8])。AUC为0.84(95% CI [0.73, 0.95])。模型的AUC倾向于比BI-RADS相对更高的评分,0.94对0.84(p = 0.19),无显著差异(图6)。
讨论
该研究使我们能够创建一个预测模型,在测试集上以高AUC = 0.94将乳腺肿块表征为良性或恶性。该AUC水平与两位经验丰富的放射科医师基于BI-RADS标准的水平无差异。与BI-RADS相比,特异度似乎有所改善(33.0%(95% CI [9.7–70])对16.7%(95% CI [3.0–56.4]),尽管置信区间重叠。
恶性病变的数量多于良性病变,因为后者较少被活检。良性病变出现在组织学结果中这一事实相当清楚地表明,由于当前实践中所用方法的低特异度,进行了过多的组织学取样。已有研究证明,基于BI-RADS标准,形状和轮廓等形态学参数在MRI上对于乳腺癌的准确诊断至关重要[22]。但存在高度的观察者间变异性[6]。BI-RADS词典中存在的这些形状和轮廓参数也在影像组学的形状描述符中建模,例如伸长率和球度。然而,在本例中,这些并非选择算法保留的最显著变量。保留的唯一具有区分性的形态学变量是最大三维直径和长轴。
最终的统计模型主要保留了二阶描述符(11/17)。一些纹理描述符出现在多个信号增强图或动态图像序列中,例如IDN和DMN,它们具有最高的重要性系数。此外,它们的鉴别特性存在于早期DCE(DCE 1和DCE 2)中。Fusco等人已经证明了病灶的动力学图与其组织学预后之间的关系[23]。许多近期研究主要集中于早期采集时间在恶性病灶表征中的作用,如Vande Perre等人关于注射早期阶段恶性和良性病灶表征的研究所示[16]。恶性和良性肿瘤的强化方式不同。即使强化曲线重叠,良性病灶也会逐渐强化(III型曲线)[24]。这可以用恶性肿瘤的新血管生成和毛细血管通畅性增加来解释。这些细节主要适用于无特异性的浸润性癌,这是本研究中主要的恶性组织学类型。与浸润性癌相比,小叶癌和导管癌表现出较晚的强化[25]。这突出了纹理参数动态分析的相关性[26]。近期研究探讨了灌注MRI的描述符,这些描述符可能更能代表肿瘤毛细血管的通畅性[15]。
影像组学的另一个应用可能是利用乳腺MRI预测分子亚型和雄激素受体表达。一项近期对162例患者的研究显示,多参数乳腺MRI能够利用多层感知器算法区分雄激素受体表达和分子亚型(AUC分别为0.907和0.965),该算法在其人群中表现略优于随机森林算法(AUC分别为0.905和0.897)[27]。
肉眼不可见的参数可能成为放射科医生的重大资产。在乳腺MRI中,机器学习试图将基于BI-RADS标准的人工判读和放射科医生的知识与多参数成像数据相结合。尽管该主题的研究数量众多,但数据提取和纹理分析缺乏同质性是将这些算法应用于实践的重大限制。本研究使用的方法已在文献中描述[28]。
采集按照标准化流程进行,包括形态学和动态序列,均来自同一中心。我们使用了半自动分割软件包(breastscape®,Olea Medical,La Ciotat,法国)。该技术在纹理参数分割方面比手动分割具有更好的可重复性[29]。
在文献中存在的所有纹理参数中,没有任何单一参数能够鉴别病灶。最终的统计模型与最初测试的所有变量相比仅包含少量描述符(1246个特征中的17个),这得益于排除了冗余和不可重复的参数。我们根据分析的病灶数量调整了参数数量,以减少机器学习的过拟合[30]。
既往研究已经证明,机器学习算法可以成功应用于乳腺MRI [31],并有可能产生有意义的结果,但很少有研究达到0.94的AUC [32]。Nie等人的研究基于相同类型的研究,AUC为0.82,但分析的描述符数量要少得多。
该MRI原理包括形态学T2序列,以确认肿块的性质并帮助确定ROI的轮廓。但数据分析仅基于增强序列。这一点值得关注,因为快速序列的不断发展旨在缩短乳腺MRI方案,在某些情况下仅使用注射后序列 [33, 34]。相反,一些研究表明,添加额外的联合序列可提高区分良恶性肿瘤的整体准确性,特别是在扩散序列和ADC计算的情况下,这提高了区分恶性和良性肿瘤的特异性 [35]。在Zhang等人的研究中,多参数模型的诊断性能AUC为0.92,而仅使用注射后序列时为0.84 [15]。
本研究存在一些局限性;主要局限性在于缺乏对问题亚组的评估:BI-RADS IVa和IVb类肿块。这些亚组太小,无法用影像组学进行分析。在临床实践中,这应是该模型的主要目标。使用该影像组学模型表征BI-RADS IVc和BI-RADS V类肿块对经验丰富的乳腺放射科医生的临床影响较低。同样,该影像组学模型缺乏对小肿块(< 10 mm)的评估是临床实践的另一个主要局限性。第三个局限性是缺乏对其他中心收集的独立队列的外部验证 [36]。这种临床应用的局限性与在每个中心获得大型患者队列的困难有关。乳腺MRI通常是在患者经过乳腺X线筛查后作为二线检查进行,并非所有乳腺肿块都进行了取样。此外,本研究未考虑非肿块强化,仅基于肿块性病变,同时应记住许多癌性病变表现为非肿块强化 [37]。
结论
这项单中心研究使我们能够创建一种基于影像组学的预测算法,以良好的性能预测乳腺肿块的良恶性。该预测模型在测试集上的性能与使用BI-RADS标准分析的性能相当,AUC为0.94(95% CI [0.85–1.00])。为提高BI-RADS标准的特异性,该模型可能成为临床实践的重要资产,但该模型未来需要在BI-RADS IVa和IVb类病变上进行评估,因为这些是临床实践中的问题类别。具有外部数据集的多中心研究可以让我们评估这类方法是否会减少不必要的活检数量。
补充信息
附加文件1。关于MRI序列、MAPS、影像组学特征和BI-RADS MRI词典的补充细节。
引用
- Debbi, Habert, Grob, et al. Radiomics model to classify mammary masses using breast DCE-MRI compared to the BI-RADS classification performance. Insights Imaging. 2023. PMID: 37052738. doi:10.1186/s13244-023-01404-x
- 全文:PMC10102264(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10102264/
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。