0 引言

       统计显示，2020年全球有923万新发女性癌症患者，其中乳腺癌新发病例226万，占所有新增癌症患者的11.7%，乳腺癌首次成为世界发病率最高的癌症，其癌症死亡率为6.9%，位居第五位^[1]。国家卫生健康委员会官网上发布的《乳腺癌诊疗指南》（2022年版）中指出，无论淋巴结是否发生转移，淋巴血管侵犯（lymphovascular invasion, LVI）都是不良预后的一个独立指标。先前研究表明，LVI的存在是影响患者临床治疗选择及长期预后的重要因素^{[2, 3]}。因此，LVI被认为是肿瘤分期、评估预后和治疗方案选择的主要标准之一。由于穿刺活检取样的局限性，标本无法提供肿瘤周围组织淋巴血管状态的信息，所以，术前通过经皮穿刺活检评估LVI的准确率较低，术后病理是目前唯一可证实LVI的方法，目前仍没有有效的无创方法来术前预测LVI的状态。

       关于LVI与MRI^{[4, 5, 6]}之间的关系已有部分研究，其中少数对MRI影像特征进行研究分析。NI-JIA-TI等^[5]分析了LVI与肿块边缘、扩散加权成像（diffusion-weighted image, DWI）和时间-信号强度曲线（time-intensity curve, TIC）的相关性，CHEON等^[6]还研究了LVI与瘤周水肿和邻近血管征象的关系。然而，有关LVI的MRI影像特征评估存在部分差异，尚未达成共识，仍需要进一步研究乳腺癌LVI与MRI影像特征之间的关系。DWI作为检测活体组织间水分子扩散运动的MRI技术，可以提供细胞密度、膜完整性和肿瘤微结构等信息。表观扩散系数（apparent diffusion coefficient, ADC）是衡量组织内水分子扩散程度的定量指标。DWI和ADC可有效鉴别乳腺良恶性病变，结合动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）对新辅助化疗后的疗效监测有效^[7]，此外ADC与病理因素以及预后相关^{[8, 9, 10]}。在探讨LVI和ADC相关性的研究中，LVI已被证明与恶性肿瘤瘤体平均、最小ADC或瘤周ADC相关^{[11, 12, 13]}。国内外一些研究对肿瘤强化形式及ADC与浸润性乳腺癌LVI进行了相关性分析^{[12, 14, 15]}，但未将定量参数纳入预测模型，目前尚未有基于MRI特征和定量参数的联合模型对乳腺癌LVI预测效能的研究。列线图是一个建立在多因素逻辑回归分析基础上的工具，可用于预测各种疾病及不良预后的发生概率。因此，本研究探索MRI特征和ADC的联合模型对乳腺癌LVI的预测价值，旨在以非侵入性的方式术前预测LVI，为乳腺癌患者的临床个体化治疗和预后提供指导。

1 材料与方法

1.1 临床资料

       本研究遵守《赫尔辛基宣言》，并经新乡医学院第一附属医院伦理委员会批准，免除受试者知情同意，批准文号：2021040。回顾性分析2019年3月至2022年12月期间于新乡医学院第一附属医院接受治疗的浸润性乳腺癌患者的临床、病理及影像数据，其中2019年3月至2021年7月的66例患者作为训练组，2021年7月至2022年12月的75例患者作为验证组。两组纳入标准及排除标准一致。纳入标准：（1）接受了术前MRI检查；（2）进行手术切除病灶；（3）MRI检查与手术相隔小于2周。排除标准：（1）双侧乳腺病变、非肿块样病变、多发性病灶或合并其他恶性肿瘤；（2）影像资料丢失、临床病理学资料不完整（缺少最终大体标本LVI状态）；（3）术前接受过放疗、化疗或其他相关治疗。

       训练组共收集106例乳腺癌患者资料，其中40例被排除，包括：（1）MRI图像质量不佳或病变太小，无法获取瘤周信息（n=9）；（2）缺乏图像或完整的病理结果（n=13）；（3）接受过新辅助化疗（n=11）；（4）双侧乳腺病变或非肿块样病变（n=7）。验证组共收集104例乳腺癌患者资料，其中29例被排除，包括：（1）MRI图像质量不佳或病变太小，无法获取瘤周信息（n=6）；（2）缺乏图像或完整的病理结果（n=4）；（3）接受过新辅助化疗（n=17）；（4）双侧乳腺病变或非肿块样病变（n=2）。

1.2 设备与方法

       训练组使用3.0 T MRI扫描仪（Discovery MR 750, GE Healthcare）及乳腺专用8通道相控阵线圈。患者被置于俯卧位，双侧乳房自然垂落放置在线圈内。MRI扫描序列及参数包括：（1）横轴位T1WI使用快速自旋回波（fast spin echo, FSE）序列，扫描时间2 min 9 s，FOV 32 cm×32 cm，层厚4 mm，层间距1 mm，TR 453.0 ms，TE 5.9 ms，NEX 1；（2）横轴位非对称回波的最小二程估算法迭代水脂分离（iterative decomposition of water and fat with echo asymmetric and leastsquares estimation, IDEAL）T2WI使用FSE序列，扫描时间3 min 12 s，FOV 32×32 cm，层厚4 mm，层间距1 mm，TR 4914 ms，TE 85.0 ms，NEX 1；（3）DWI使用单次激发回波平面成像（single-shot echo-planar imaging, SS-EPI）序列，扫描时间1 min 50 s，b值0、1000 s/mm²，FOV 32 cm×32 cm，层厚4 mm，层间距1 mm，TR 2743 ms，TE 56.6 ms，NEX 2；（4）横轴位3D-Vibrant动态增强扫描，扫描时间7 min 52 s，FOV 32 cm×32 cm，TR 4.2 ms，TE 2.1 ms，NEX 0.7。验证组使用3.0 T MRI扫描仪（Philips Ingenia CX）及乳腺专用8通道相控阵线圈。患者被置于俯卧位，双侧乳房自然垂落放置在线圈内。MRI扫描序列及参数包括：（1）横轴位T1WI-FSE，扫描时间49 s，FOV 24 cm×24 cm，层厚4 mm，层间距1 mm，TR 554 ms，TE 8.0 ms，NSA 1；（2）横轴位T2W_SPAIR_tra，扫描时间1 min 52 s，FOV 24 cm×24 cm，层厚4 mm，层间距1 mm，TR 2743 ms，TE 56.6 ms，NSA 2；（3）DWI使用单次激发回波平面成像（single-shot echo planar imaging, SS-EPI），b值0、1000 s/mm²，扫描时间2 min 12 s，FOV 32 cm×32 cm，层厚4 mm，层间距1 mm，TR 3000 ms，TE 65.0 ms，NSA 2；（4）横轴位mdixon W dyn7动态增强扫描，扫描时间7 min 27 s，FOV 32 cm×32 cm，TR 5.1 ms，TE 2.0 ms，NSA 1。对比剂为Gd-DTPA（马根维显，Bayer Schering Pharma AG，德国），使用的高压注射器（lmjektorAccutron MR，广东元辰，V2.0.1）经肘静脉以2.0 mL/s流速快速团注，剂量为0.1 mmol/kg（盐水∶对比剂=1∶1），注射对比剂前先扫描1组图像作为蒙片，注射对比剂的同时开始连续扫描7期。

1.3 图像处理与分析

       所有术前MRI图像均传输至医学图片存档与通信系统（picture archiving and communication systems, PACS），由2名分别具有5年和15年乳腺MRI影像诊断经验的主治医师及副主任医师通过分析以下特征进行评估：（1）肿瘤形态（圆形/类圆形、不规则）；（2）病灶边缘（光滑、不光滑、毛刺征）；（3）增强早期内部强化形式（观察第2、3期增强图像，评估增强形式：均匀、不均匀、环形）；（4）TIC类型（Ⅰ为流入型，Ⅱ为平台型，Ⅲ为流出型）；（5）瘤周水肿（定义为在 T2WI图像上瘤周区域存在高信号但增强扫描无强化）；（6）DWI边缘征（即DWI序列上病灶周围出现完整或不完整的环形高信号）；（7）T2WI瘤体高信号（定义为在T2WI图像上瘤内存在类液体信号影）。

       将图像传输至GE AW4.6工作站（Advantage Vorkstation 4.6，GE Healthcare，美国），采用Functool工具包中的ADC软件对图像进行后处理。由1名主治医师和1名副主任医师（分别为5年及15年诊断经验）采用盲法测量不同ADC。瘤体感兴趣区（region of interest, ROI）选取：选取肿瘤最大截面，在ADC图像中瘤体内勾画至少三个ROI，选择肿瘤实性成分最多的区域，尽量避开囊变、出血、坏死区域；瘤周ROI选取：沿肿瘤边缘勾画出肿瘤轮廓，在肿瘤边缘5 mm范围内的腺体组织放置三个ROI，每个ROI>20 mm²（图1A~1B）。对侧腺体ROI选取：在病变对侧正常腺体放置三个范围>50 mm²的ROI（图1C~1D），每个ROI尽可能放置在腺体组织较丰富的区域，尽量避免脂肪组织及异常强化区，分别测量记录瘤体及瘤周ADC最大值、最小值、平均值，计算三个ROI各参数平均值，瘤体记为ADCt，并分别记为ADCtmax、ADCtmin和ADCtmean，瘤周记为ADCp，并分别记为ADCpmax、ADCpmin和ADCpmean，对侧腺体ADC值取三次测量的平均值，记为ADCn。为了减少不同个体乳腺实质异质性的影响，参考国外研究^[12]将瘤周ADCmax与瘤体ADCmean比值作为ADCration，即ADCration=ADCpmax/ADCtmean，用来反映瘤周区域的微环境变化同时统计了每个患者瘤内ADC的差值，即ADCtmax-ADCtmin。

点击查看大图

图1  瘤内、瘤周及对侧正常腺体ROI的选取。1A~1B：浸润性乳腺癌瘤内及瘤周ROI的选取；1C~1D：对侧正常腺体ROI的选取。ROI：感兴趣区。
Fig.1  Selection of intratumoural, peritumoural and contralateral normal gland ROIs. 1A-1B: ROI selection for intra- and peritumoral invasive breast cancer; 1C-1D: ROI selection for the contralateral normal gland. ROI: region of interest.

1.4 组织病理学分析

       所有患者都接受乳房切除手术或乳房肿瘤切除手术，对病理标本进行取材，采用石蜡包埋切片，并行苏木精-伊红（hematoxylin-eosin, HE）染色。进行免疫组化染色以确定雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）及Ki-67状态。细胞核ER/PR染色≥1%定义为阳性^[16]；HER-2为“-”或“+”时定义为阴性，“3+”定义为阳性，对于“2+”的病例进一步行原位杂交检测，显示基因扩增的样本被定义为阳性，否则为阴性^[17]。Ki-67表达≥14%定义为高表达，<14%定义为低表达^[18]。LVI在HE染色切片上进行评估，定义为瘤周小淋巴管或小血管内存在癌栓，定义为LVI阳性，否则为阴性^[19]。浸润性乳腺癌进行组织学分级采用诺丁汉联合组织学分级^[20]。淋巴结转移结果由淋巴结标本的病理结果确定。

1.5 统计学分析

       采用SPSS 25.0软件进行统计分析。组内相关系数（inter-class correlation coefficient, ICC）用于评估观察者间的一致性。Shapiro-Wilk检验用于检测定量数据的正态性。当数据符合正态分布时，以均数±标准差表示，否则用中位数（四分位数间距）表示，采用独立样本t检验或Mann-Whitney U检验比较组间定量参数的差异，定性资料的比较运用卡方检验。多因素逻辑回归分析确定LVI的独立危险因素，并采用R软件（R.3.5.2）中rms软件包建立列线图预测模型，以量化LVI发生率的风险，在内部验证组中检验列线图的效能。采用受试者工作特征（receiver operating characteristic, ROC）曲线来验证列线图模型的预测性能。从敏感度、特异度、精确度和曲线下面积（area under the curve, AUC）等方面评价了该模型的性能，绘制了校准曲线评估了列线图模型的一致性。采用临床决策曲线分析（decision curve analysis, DCA）来评估列线图模型的临床效用。P<0.05认为差异有统计学意义。

2 结果

       共纳入141例浸润性乳腺癌患者，其中训练组66例，年龄27~69（49.18±9.13）岁。验证组75例，年龄31~82（50.41±10.62）岁。

2.1 一般临床资料及病理特征资料。

       训练组和验证组年龄、病变大小、组织学分化、分子亚型及绝经状态之间的差异无统计学意义（P>0.05）。根据术后病理证实训练组中有31例（47.0%）存在LVI，验证组中有36例（48.0%）存在LVI，两组间LVI发生率的差异无统计学意义（P>0.05）（表1）。

点击查看表格

表1  患者一般临床资料及病理特征资料
Tab. 1  General clinical data and pathological characteristics of patients

2.2 训练组和验证组不同淋巴血管的侵犯状态患者的术前MRI特征分析

       在训练组中，LVI阳性组和阴性组间肿块的形态、边缘、增强早期肿瘤内部强化形式、瘤内T2高信号、瘤周水肿以及DWI边缘征的差异有统计学意义（P均<0.05），在TIC中的差异无统计学意义（P=0.447）。在验证组中，LVI阳性组和阴性组间肿块的形态、边缘、增强早期肿瘤内部强化形式以及DWI边缘征的差异有统计学意义（P均<0.05），而在瘤内T2高信号、瘤周水肿及TIC中的差异无统计学意义（P均>0.05）（表2）。

点击查看表格

表2  训练组和验证组不同淋巴血管侵犯状态患者影像特征分析
Tab. 2  Imaging feature analysis of different lymphovascular invasion status in training and validation groups

2.3 训练组和验证组不同淋巴血管的侵犯状态患者的病理特征分析

       LVI与临床病理特征分析显示，两组中LVI阳性组及LVI阴性组在组织学等级、ER、PR和HER-2表达间的差异无统计学意义（P均>0.05）。肿瘤的大小（MRI图像测量和/或手术标本测量）、Ki-67表达及淋巴结转移在LVI阳性组及阴性组间的差异有统计学意义（P均<0.05）（表3）。

点击查看表格

表3  训练组和验证组不同淋巴血管侵犯状态患者病理特征分析
Tab. 3  Pathological features analysis of patients with different lymphovascular invasion status in the training group and validation group

2.4 训练组中不同淋巴血管状态患者的各ADC参数的比较

       两名医师所测得的瘤体、瘤周的各ADC一致性较高（ICC>0.75）。对侧正常腺体ADC一致性一般（ICC为0.67）。在训练组中，LVI阳性组与LVI阴性组中ADCtmax、ADCtmean、ADCpmax、ADCpmin、ADCpmean及ADCration、对侧正常腺体ADC的差异具有统计学意义（P均<0.05）。而瘤体ADCtmin及ADC差值在两组间的差异无统计学意义（P均>0.05）（表4）。

点击查看表格

表4  训练组中不同淋巴血管侵犯状态患者的定量参数分析
Tab. 4  Quantitative parameter analysis of the invasion status of different lymphovascular invasion status in the training group patients

2.5 训练组有关淋巴血管侵犯的多因素逻辑回归分析

       ADCration能够更好地反映不同病灶的特征，将单个病灶的瘤周瘤内微环境中ADC值变化进行比值体现，因此将其同MRI特征纳入多因素逻辑回归分析以确定LVI的独立预测因素。结果显示，肿瘤形态不规则、内部不均匀强化、最大径、DWI边缘征及ADCration是预测LVI状态的独立预测因素，OR分别为：0.142、0.157、4.372、0.193、1.056（P均<0.05）（表5）。

点击查看表格

表5  训练组LVI多因素逻辑回归分析
Tab. 5  Multivariable logistic regression analysis of LVI in the training group

2.6 列线图的建立与验证

       利用确定的5个独立危险因素（肿块形态、肿瘤内部增强形式、最大径、DWI边缘征及ADCration），采用R软件（R version 4.3.0）建立了综合模型预测LVI状态的列线图（图2A）。每个患者可根据纳入指标的总得分，得出LVI的预测概率。采用ROC曲线来评估列线图模型的效能（图2B），训练组的AUC为0.867 [95%置信区间（confidence interval, CI）：0.777~0.985]，精确度、敏感度及特异度分别为74.2%、58.1%及88.6%。验证组的AUC为0.872（95% CI：0.791~0.952），精确度、敏感度及特异度分别为69.7%、61.1%及84.6%。训练组与验证组的校准曲线表明列线图预测结果与实际观测结果吻合良好（图3）。DCA表明，当训练组阈值概率超过0.11，验证组阈值概率超过0.16时，列线图有利于预测LVI，具有潜在的临床应用价值，使患者产生临床受益（图4）。

点击查看大图

图2  预测LVI的列线图（2A）及训练组及验证组中的ROC曲线（2B）。LVI：淋巴血管侵犯；ROC：受试者工作特征；DWI：扩散加权成像；ADC：表观扩散系数；AUC：曲线下面积。
Fig. 2  Predictive column chart for LVI (2A) and ROC curves in the training and validation groups (2B). LVI: lymphovascular invasion; ROC: receiver operating characteristic; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient; AUC: area under the curve.

点击查看大图

图3  列线图在训练组及验证组的校准曲线。
图4  列线图在训练组及验证组的决策曲线分析。
Fig. 3  Calibration curves of the training group and validation group.
Fig. 4  Decision curve analysis of the training group and validation group.

3 讨论

       本研究旨在开发及验证基于术前MRI特征及ADC的列线图模型，探究其在预测浸润性乳腺癌LVI的价值。结果显示，肿块形态不规则、内部不均匀强化、最大径、DWI边缘征及ADCration是LVI的独立危险因素。基于MRI特征以及ADC比值的综合预测模型对乳腺癌患者LVI具有较高的预测能力，训练组的AUC为0.867，验证组的AUC为0.872，有利于临床医生对乳腺癌患者制订个体化治疗决策及预后评估。

3.1 LVI阳性组和LVI阴性组病理预后因素的差异分析

       本研究显示在训练组及验证组中，LVI阳性患者较LVI阴性患者肿瘤直径更大，具有更高的Ki-67高表达率及更高淋巴结转移率，这体现了LVI阳性患者肿瘤生长速度较快，侵袭程度较高。先前的研究表明^[21]，Ki-67是肿瘤细胞增殖的标志物，其与肿瘤生长、转移和预后密切相关，LVI与肿瘤细胞高增殖水平或Ki-67高表达相关，这与本研究结果一致。XUE等^[22]证实LVI是腋窝淋巴结转移的重要预测因子，乳腺淋巴管引流和内乳链参与了腋窝淋巴结转移的机制，肿瘤细胞浸润到周围血管和淋巴管中，这是转移扩散的关键步骤之一，LVI的存在提示肿瘤具有更强的侵袭能力及转移倾向。本研究没有发现LVI与组织学分级、激素受体状态相关。这与最近的研究结果一致^{[12, 23, 24]}。

3.2 LVI状态与术前影像特征及不同表观扩散参数分析

       本研究结果显示，LVI阳性患者肿块形态不规则和边缘毛刺的发生率高于LVI阴性患者，这与既往的研究结果一致^{[5, 15]}。当乳腺癌患者存在LVI时，快速增殖的癌细胞可以沿着周围小淋巴管或者小血管扩散到淋巴结和其他组织中。这种生长扩散导致周围的纤维组织增生，周围组织结构破坏和变形^[25]，这种生长模式即在影像学上表现为形态不规则或边缘毛刺。TIC流出型通常被认为提示恶性肿瘤，NI-JIA-TI等^[5]研究发现，TIC流出型曲线在LVI阳性乳腺癌中更常见。在本研究中，TIC在各组的差异无统计学意义，但LVI阳性乳腺癌的增强早期强化模式大多数为不均匀或边缘强化，而LVI阴性组中则以均匀强化模式居多（训练组P=0.033、验证组P=0.039）。LVI阳性乳腺癌的肿瘤细胞活性升高，血管灌注情况及血管通透性也会发生随之变化，同时LVI对周围组织的刺激导致的炎症反应或水肿等因素，可能导致了增强早期强化形式的差异。LVI导致淋巴循环回流受阻，组织液在组织间隙内积聚，从而导致瘤周水肿的形成^[26]，瘤周水肿的征象可初步提供乳腺癌瘤周微环境的相关信息。本研究中，LVI阳性乳腺癌瘤周水肿的发生率显著高于LVI阴性组，这与先前的研究结论一致^[15]。此外，瘤周水肿与浸润性乳腺癌患者新辅助化疗后的预后相关^{[27, 28]}，这也进一步证实了乳腺癌患者瘤周水肿的临床价值。

       DWI可以反映水分子在病变中的扩散程度。在侵袭性肿瘤中，细胞数量的增加减少了细胞外空间限制了水分子的运动，导致了肿瘤的增殖。本研究显示LVI阳性患者DWI边缘征发生率明显高于LVI阴性患者，这与CHOI等^[15]研究结果一致。DURANDO等^[29]的研究表明对于LVI阳性的肿瘤，ADC值明显较低。然而单一区域的ADC值并不能完全反映肿瘤的异质性和微环境的变化，故本研究分析肿瘤瘤内及瘤周组织的不同ADC值。MORI等^[12]发现LVI引起淋巴水肿后，ADCpmax会升高，且具有较低的ADCtmean，因此LVI阳性组的ADCration高于LVI阴性组，他们认为ADCration比ADCtmean或ADCpmax显示出更好识别LVI状态的能力。之后的研究也显示瘤周及瘤内ADC比值能更好地反映肿瘤边缘和内部组织的扩散能力差异^{[24, 30, 31]}。因此本研究为了减少个体乳房异质性的影响，并更准确地反映每个患者的微环境变化，将ADCration作为代表性定性参数纳入多因素逻辑回归分析。

3.3 术前MRI影像特征联合表观扩散参数模型预测LVI的诊断性能

       NI-JIA-TI等^[5]提出了一个预测乳腺癌LVI状态的风险分层评分系统，该系统结合了肿瘤边缘形态、DWI图像、TIC、腋窝淋巴结和HER-2表达状态，该评分系统在预测LVI方面有较好的诊断能力；MORI等^[12]表明鉴别LVI阳性组与LVI阴性组的肿瘤瘤周瘤内ADC比值的ROC曲线显示，绝经前患者的AUC为0.71，而绝经后患者AUC为0.89。本研究在探究LVI与MRI特征及不同ADC值、病理预后因素差异的基础上，首次基于术前MRI特征及ADC建立预测LVI的列线图，并在内部验证组中显示出了较好的预测效能；该模型在训练组AUC为0.867，验证组AUC为0.872，诊断效能优于NI-JIA-TI等^[5]和MORI等^[12]的结果。校准曲线显示该模型预测LVI的发生率与实际观测结果吻合良好。DCA曲线分析显示模型在训练组及验证组中均能展示出良好的临床实用性，这证明了MRI定性和定量参数相结合预测模型的临床可行性。

3.4 本研究的局限性

       本研究存在一些局限性：（1）这是一项样本量较小的单中心研究，且局限于浸润性乳腺癌的患者，需要进一步扩大样本量及更多的病理类型进行验证，未来可以扩展多中心的外部验证队列；（2）影像特征的评估仍可能存在主观因素；（3）为了准确使影像-病理对应，本研究仅纳入了单发的肿块型病变，不可避免地存在选择偏倚；（4）ROI的勾画只选择了肿瘤的最大截面，未能全面体现病变的信息。

4 结论

       基于术前MRI影像特征及表观扩散参数的列线图评估乳腺癌LVI状态具有较高的预测效能，有助于临床在指导手术、制订个性化治疗方案及评估预后等方面的决策。