0 引言

       近年来，乳腺癌在女性中的发病率位居首位，并且死亡率也排在前列^{[1, 2]}。资料显示，20%~25%的原发性乳腺癌存在人类表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）基因的过度表达^[3]。这会使癌细胞更快地增殖、向周围浸润和转移，并且更容易复发。因此在术前识别分子亚型和受体表达，对于治疗的选择和预后非常重要^{[4, 5, 6]}。目前检测HER-2表达状态的临床常用的方法为病理活检并行免疫组织化学检查（immunohis tochemistry, IHC）或荧光原位杂交（fluorescent in situ hybridization, FLSH）。但是穿刺活检是一种有创检查，并且穿刺的区域相对有限，难以全面反映肿瘤内部的异质性^{[7, 8]}。MRI已成为乳腺癌的重要检查手段。但常规MRI检查对于不同分子亚型的评估作用有限^[8]。扩散峰度成像（diffusion kurtosis imaging, DKI）通过描述水分子的非高斯运动来反映肿瘤微结构的复杂程度；而体素内不相干运动（intravoxel incoherent motion, IVIM）则将微循环灌注与水分子的真实扩散相区分，可以更准确地反映肿瘤的异质性。动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）可通过血流动力学参数反映肿瘤的血流灌注及渗透情况^[9]。既往通过IVIM、DKI对乳腺癌HER-2表达状态进行评估的研究多为常规定量研究^{[10, 11, 12]}，而用来预测乳腺癌HER-2表达状态的影像组学模型多基于DCE-MRI序列，且所构建的预测模型的曲线下面积（area under the curve, AUC）<0.8^{[13, 14]}。基于IVIM、DKI参数图的影像组学能够提取并筛选肉眼难以识别的图像特征，从而更全面反映肿瘤的内部信息^{[15, 16, 17]}。目前将IVIM、DKI参数图联合DCE-MRI构建影像组学模型预测乳腺癌HER-2表达状态的研究尚未见报道。本研究旨在联合IVIM及DKI诸参数图及DCE-MRI图像构建影像组学模型预测乳腺癌HER-2表达状态，并对模型的预测效果展开评价，为临床对乳腺癌进行术前分型及针对性治疗提供帮助。

1 材料与方法

1.1 研究对象

       回顾性分析济宁市第一人民医院2020年12月至2022年12月接受MRI检查的乳腺癌患者的病例资料。纳入标准：（1）术前进行了MRI检查，IVIM、DKI及DCE-MRI资料完整；（2）无其他部位原发肿瘤；（3）检查前未进行穿刺、活检或其他治疗。排除标准：（1）MRI图像质量差，观察受限；（2）肿块过小（直径小于10 mm）；（3）非肿块病变；（4）病理资料缺失。本研究遵守《赫尔辛基宣言》，经济宁市第一人民医院伦理委员会批准，免除受试者知情同意，批准文号：KYLL-202308-136。

1.2 病理分析

       按照美国临床肿瘤学会/美国病理学家学会（American Society of Clinical Oncology/College of American Pathologists, ASCO/CAP）指南，HER-2判定为阴性的标准是：HER-2基因免疫组化的表达结果为“-”或“+”；判定为阳性的标准是：HER-2的表达为“+++”；若HER-2表达为“++”，则再进行FISH实验，若样本的基因扩增，则判定阳性，样本没有扩增的判定阴性^{[18, 19]}。根据《中国抗癌协会乳腺癌诊治指南与规范（2021版）》，以细胞核增殖指数Ki-67表达水平≥20%为高表达；Ki-67表达水平<20%为低表达^[20]。前哨淋巴结转移的判定根据病理组织学判定标准：逐层切片病理检测，可联合或不联合免疫组织化学染色，若发现肿瘤病灶或孤立性肿瘤细胞即为淋巴结转移^[20]。

1.3 扫描设备与方法

       使用3.0 T全数字MR扫描仪（荷兰，Philips Ingenia）、乳腺专用16通道相控阵线圈进行扫描。患者俯卧在检查床上，双乳置于线圈中心自然垂下，足先进。患者均行IVIM、DKI及DCE扫描。参数如下：（1）IVIM，TR 6173 ms，TE 44 ms，矩阵100×113，FOV 300 mm×347 mm。10个b值分别为0、20、40、60、80、100、150、200、500、800 s/mm²，激励次数1，扫描时间4 min 19 s，层厚5 mm，层间距0 mm。（2）DKI，TR 6223 ms，TE 97 ms，矩阵100×112， FOV 300 mm×337 mm，b=0、500、1000、1500、2000、2500 s/mm²，激励次数1，扫描时间9 min 1 s，层厚5 mm，层间距0 mm。（3）T1高分辨各向同性容积激发（enhanced-T1 high resolution isotropic volume examination, e-THRIVE）DCE序列，TR 3.9 ms，TE 1.97 ms，FOV 280 mm×339 mm，层厚2.4 mm，层间距-1.2 mm，激励次数1，扫描时间8 min 30 s。对比剂为钆喷酸葡胺注射液（北京北陆药业股份有限公司，中国），经手背静脉采用高压注射器以2.5 mL/s的流速注入，剂量为0.1 mmol/kg，再以同样的速度注入20 mL生理盐水。连续扫描8期，每期时间为57 s。扫描同时进行数字减影。

1.4 常规MRI图像分析

       获取的MRI图像由两名具有5年及10年以上工作经验且不了解患者信息的放射科主治医师分别在Philips Intellispace Portal（ISP）工作站上进行分析。测量并记录乳腺肿瘤的MRI特征，如肿瘤大小、边缘及时间-信号强度曲线（time-signal intensity curve, TIC）类型等。若两人意见出现分歧，则经协商达成共识。

1.5 图像分割

       将DKI和IVIM图像以DICOM格式导入MR_Diffusion软件，分割出灌注分数（perfusion fraction, f）、灌注相关扩散系数（perfusion related diffusion coefficient, D^*）、真实扩散系数（real diffusion coefficient, D）、平均扩散率（mean diffusivity, MD）和平均扩散峰度值（mean kurtosis, MK）参数图，使用MRIcroGL软件将各序列图像保存为NIFTI格式文件。由于检查时间较长，患者不可避免地会发生移动，因此在三维感兴趣区（region of interest, ROI）分割之前将所有序列均预先进行非刚性配准。配准后使用3D Slicer 5.0.3软件，由两名具有5年及10年以上影像诊断工作经验且不了解患者信息的放射科主治医师逐层选择病灶，3D Slicer软件level tracing功能识别并勾画病灶区域，对于勾画不准确的部分手动调整。为了更好的评估肿瘤的异质性，瘤内区域应包括整个癌灶部分，包括出血、坏死、囊变区域^[21]（图1）。意见不一致时，由另1名具有20年以上乳腺MRI工作经验的主任医师确定。

点击查看大图

图1  使用3D-slicer半自动逐层勾画感兴趣区（ROI）。1A：患者病灶；1B：勾画的ROI；1C：获得的整个瘤体体积。
Fig. 1  Using the 3D-slicer to manually sketch the region of interest (ROI) layer by layer. 1A: The patient's lesion; 1B: The delineated ROI; 1C: The total tumor volume obtained.

1.6 特征的提取和选择

       将所有具有ROI的序列导入u AI Research Portal科研平台（上海联影智能医疗科技有限公司，上海）进行特征的提取和选择。为了减少成像参数引起的图像差异，每个MRI序列先进行Z分数归一化处理。各序列的提取特征类型包括一阶统计量特征、二阶特征、形状特征、高阶特征。采用组内及组间相关系数（intra-class correlation coefficient, ICC）评价提取特征的一致性，ICC>0.75的影像组学特征用于进一步选择。特征选择步骤如下：首先，采用Z分数归一化对特征进行标准化；其次，选择K最佳（Select K Best）、最小冗余最大相关（max-relevance and min-redundancy, mRMR）以及最小绝对收缩与选择算子回归（least absolute shrinkage and selection operator, LASSO）对特征进行降维和筛选。

1.7 影像组学模型的构建

       使用logistic逻辑回归（logistic regression, LR）分类器构建基于第2期DCE-MRI（DCE-2）、IVIM参数图和DKI参数图的单一模型，选用训练集中AUC较高的单一参数图模型参与构建联合模型，并采用5折交叉验证法验证模型的稳定性。

1.8 统计学分析

       采用SPSS 25.0（IBM，美国）软件。首先判断定量资料的正态分布，采用Kolmogorov-Smirnov检验，P<0.05为不符合正态分布；以均数±标准差表示符合正态分布的资料，组间比较用独立样本t检验；用中位数（上、下四分位数）来表示偏态分布的资料，组间比较采用Mann-Whitney U检验。用频数表示分类资料，比较方法采用卡方检验；通过受试者工作特征（receive operating characteristic, ROC）曲线及AUC来分析不同参数图模型以及联合模型预测HER-2表达状态的效能，用决策曲线分析（decision curve analysis, DCA）对模型的临床价值进行评估。DeLong检验用于分析比较不同模型的差异性。P<0.05时认为差异具有统计学意义。

2 结果

2.1 一般资料

       最终纳入192例患者病例资料，年龄28~71（49.38±9.14）岁。其中包括HER-2阳性者48例，阴性者144例。将所有患者按8∶2的比例随机为训练集（154例）和测试集（38例）。将收集到的192例患者的病例资料进行训练集和测试集两组间比较，患者的年龄、绝经状态、肿瘤大小、肿瘤边界、TIC、Ki-67指数、病理分级及腋窝前哨淋巴结转移差异均不具有统计学意义（P均>0.05）（表1）。HER-2阳性与阴性组之间比较，年龄、月经状态、肿瘤的大小、边界、TIC及腋窝前哨淋巴结转移差异均不具有统计学意义（P均>0.05）；HER-2阳性组中Ki-67高表达（Ki-67≥20%）的比例高于阴性组（P<0.05），两组的病理分级也有差异，且差异有统计学意义（P<0.05）（表2）。

点击查看表格

表1  训练集和测试集乳腺癌患者基本情况比较
Tab. 1  Comparison of basic information of breast cancer patients between training group and testing group

点击查看表格

表2  HER-2阳性组与HER-2阴性组的临床资料比较
Tab. 2  Comparison of clinical data between HER-2 positive group and HER-2 negative group

2.2 影像组学特征提取、模型构建与评价

       从IVIM、DKI各参数图和DCE-2中各提取了2286个影像组学特征，经Z分数归一化、mRMR、Select K Best、LASSO回归逐步降维，去除冗余特征，使用LR分别建立单一序列影像组学模型及基于IVIM最优参数图、DKI最优参数图和DCE-2的联合预测模型。在f、D^*、D、MD、MK参数图、DCE-2及联合模型中分别筛选得到7、6、7、6、7、12、10个特征与乳腺癌HER-2状态相关，其中联合模型的10个特征包括1个一阶统计特征、1个灰度游程矩阵（gray-level run-length matrix, GLRLM）特征、4个灰度共生矩阵（gray-level co-occurrence matrix, GLCM）特征、2个灰度大小区域矩阵（gray-level size zone matrix, GLSZM）特征和2个灰度依赖矩阵（gray-level dependence matrix, GLDM）特征（图2）。f、D^*、D、MD、MK参数图模型及DCE-2模型在训练集的AUC分别为0.755、0.753、0.728、0.602、0.694、0.783，在测试集中的AUC分别为0.693、0.679、0.586、0.682、0.661、0.732；DeLong检验表明IVIM及DKI各单一参数图模型之间的AUC差异没有统计学意义，本研究在训练集中，DKI的参数图以MK模型产生的AUC最大（0.694），IVIM参数图中以f模型产生的AUC最大（0.755），故选择其与第2期DCE-MRI构建联合组学模型。DCE-2+f+MK联合模型在训练集中AUC为0.880（95% CI：0.826~0.937），在测试集中的AUC为0.861（95% CI：0.775~0.958）（表3、图3）。5折交叉验证方法显示模型的稳定性较好（表4、图4）。DeLong检验结果显示，在训练集中，联合模型的AUC值均高于单一模型的AUC值（P<0.05）；在测试集中，联合模型的AUC值高于D、MD、MK的AUC值（P<0.05），而与其他模型间AUC值差异无统计学意义（P>0.05）（表5）。DCA表明联合预测模型的临床运用价值最高（图5）。

点击查看大图

图2  联合模型最终筛选出的影像组学特征及权重。横坐标表示权重，纵坐标表示特征。
Fig. 2  Radiomics feature and coefficients of combined sequence. The abscissa represents the coefficients, and the ordinate represents the feature.

点击查看大图

图3  训练集（3A）和测试集（3B）中的各参数图模型及联合模型的受试者工作特征（ROC）曲线。
图4  训练集（4A）及验证集（4B）的5折交叉验证法的logistic逻辑回归模型受试者工作特征（ROC）曲线。
图5  训练集（5A）及测试集（5B）中各参数图模型和联合模型预测人类表皮生长因子受体2（HER-2）表达状态的决策曲线（DCA）。D：真实扩散系数；DCE-2：动态对比增强磁共振第2 期；D^*：灌注相关扩散系数；f：灌注分数；MD：平均扩散率；MK：平均扩散峰度值；联合（Combined）：f+MK+DCE-2 联合模型；AUC：曲线下面积。
Fig. 3  Receiver operating characteristic (ROC) curves of the parametric maps models and combined model in the training group (3A) and test group (3B).
Fig. 4  The receive operating characteristic (ROC) curve of training group (4A) and test group (4B) ofthe logistic regression model is verified by a 5-fold cross-validation method.
Fig. 5  Decision curve analysis (DCA) of the parametric maps models and combined model to predict human epidermal growth factor receptor 2 (HER-2) expression in the training group (5A) and test group (5B). D: real diffusion coefficient; DCE-2: the second phase of dynamic contrast-enhanced MRI; D^*: perfusion related diffusion coefficient; f: perfusion fraction; MD: mean diffusivity; MK: mean kurtosis; Combined: f+MK+DCE-2 model; AUC: area under the curve.

点击查看表格

表3  LR模型在训练集与测试集中的诊断效能
Tab. 3  Diagnostic value of LR model in training group and testing group

点击查看表格

表4  采用5折交叉验证法的LR模型的诊断效能
Tab. 4  Diagnostic value of LR model by 5-fold cross-validation

点击查看表格

表5  参数模型与联合模型的预测性能比较。
Tab. 5  Comparative statistical analysis of predictive performance for parameter models with combined model.

3 讨论

       本研究结果表明Ki-67和肿瘤的病理分级在HER-2阳性和阴性组之间差异具有统计学意义。Ki-67、病理学分级与HER-2基因及蛋白表达相关，进一步证明HER-2基因扩增和蛋白过表达是提示乳腺癌恶性程度高的指标之一，本研究结果显示DKI、IVIM各参数图模型和DCE-2模型均可用于乳腺癌HER-2表达状态的预测，且多参数联合模型的预测效能相对更高，这也说明基于DKI、IVIM参数图和DCE-MRI构建的影像组学联合模型对乳腺癌HER-2基因的过表达具有重要的预测价值。

3.1 基于DKI的参数图模型预测乳腺癌HER-2表达状态的价值

       DKI主要通过MK和MD来评估肿瘤的异质特征，相较于传统扩散加权成像（diffusion weighted imaging, DWI）更能准确地展现组织内的微观信息^{[22, 23, 24]}。MK是DKI临床应用中最常用的指标，可以反映因肿瘤细胞过度增殖和分化而导致的细胞外非结合水的非高斯运动，这在人体内各系统肿瘤中均能得到证实^[25]。HER-2阳性患者肿瘤细胞排列较为紧密，水分子扩散受限越显著，MK值越大。有研究认为MD值与细胞排列的疏密度有关，当细胞排列比较密集，细胞间的空隙就会减小，从而使水分子的扩散受限，MD值就会减小^[26]。目前国内外对DKI的研究多为定量研究，有研究^{[12, 27, 28]}发现HER-2阳性患者的MK值比阴性患者的低，但结果有争议。本研究发现MK模型的预测效能与MD模型相当，这可能与MK不受空间位置影响有关。

3.2 基于IVIM的参数图模型预测乳腺癌HER-2表达状态的价值

       IVIM可以区分微循环血流与真正的水分子扩散，弥补了传统DWI的局限性^{[28, 29]}。有研究表明IVIM参数的特征在预测乳腺良恶性病变方面具有良好的准确性^[30]。ZHAO等^[31]研究发现HER-2表达阳性组的D^*和f值高于阴性组；王婷等^[28]研究发现对于HER-2阳性乳腺癌的诊断，D^*效能高于f及D值，这可能由于HER-2基因可以促进肿瘤内血管内皮生长因子的产生，从而使肿瘤微灌注增加及毛细血管容积增大，导致细胞外间隙的扩大，使D的诊断效能降低。本研究结果表明f、D、D^*各参数图模型对于乳腺癌患者HER-2的预测有一定临床价值，且预测效能相当。

3.3 基于DCE-MRI模型预测HER-2表达状态的价值

       DCE-MRI不仅可以显示肿瘤内的血供情况，还能反映肿瘤形态上的细节，因此许多科研人员认为DCE-MRI在对乳腺癌进行诊断时具有较高的价值^{[32, 33]}。FANG等^[34]在235例患者的DCE-MRI中选出21个DCE-MRI影像特征，用来构建预测HER-2状态的模型，其AUC是0.84。JIANG等^[35]研究得到了279个DCE-MRI图像的纹理特征，用不同分类器构建模型，发现其在HER-2（2+）状态鉴别方面具有潜在的实用价值。SONG等^[36]在DCE-MRI图像中得到7个半定量血流动力学参数图，从每个参数图中提取55个纹理特征并构建模型，发现基于乳腺DCE-MRI计算的动力学参数图的纹理特征，有可能成为区分HER-2阳性和HER-2阴性乳腺癌的影像学标志物。本研究选择了DCE-MRI中的第2期进行研究，预测效能较高。选择该期的图像是因为肿瘤早期产生新血管的数量增多，血供丰富，强化率较高，病灶与周围组织对比明显，利于勾画。另一方面，本期的增强效果可以反映肿瘤内部的早期发展情况与肿瘤的恶性程度。

3.4 联合模型预测HER-2表达状态的价值

       冯海霞等^[37]通过DCE-MRI联合IVIM等定量的参数预测乳腺癌患者HER-2表达状态，其预测模型的AUC值是0.778，同本研究相比其试验纳入的指标较为单一。有学者比较了IVIM及DKI序列的参数，有研究表明DKI中MK值的诊断效果更好，而IVIM中D^*的诊断效能更高，如果把这两序列的参数进行联合，预测的准确性会明显升高^[28]。本研究在训练集中，DKI的参数图以MK模型产生的AUC最大（0.694），IVIM参数图中以f模型产生的AUC最大（0.755），故选择其与第2期DCE-MRI构建联合组学模型。本研究所构建的联合模型的AUC在各模型中最高。结果表明，联合模型具有更高的诊断效能及诊断的准确性，这可能是因为联合模型提取的特征更加全面，能更完整地反映乳腺癌的肿瘤内部信息。

3.5 影像组学模型的构建

       影像组学能够无创地提取数字医学图像中肉眼无法观察到的高维数据，发现ROI内与肿瘤异质性相关的特征，从而可以对肿瘤相关特点进行客观评价。本研究从联合序列中筛选出10个影像组学特征，其中大多为纹理特征，GLRLM特征所占比重最大，说明该特征在预测模型中具有较高的价值。有研究发现，通常恶性程度更大的肿瘤，细胞增生程度更高，具有更复杂的图像特征如纹理特征^[38]。有研究认为LR分类器能够针对小样本构建稳定的模型^[39]。而本研究正是较小的数据集，采用LR作为分类器进行模型的构建，测试集可以与训练集较好的拟合。5折交叉验证是将样本数据随机分为5组，将其中1组作为验证集，其余4组作为训练集进行模型构建，循环重复此过程，得到5个模型及测试结果并取平均值，这种方法可以防止模型过拟合并提高模型的稳定性。本研究采用5折交叉验证后各模型的训练集和测试集AUC相近，说明模型具有较好的可重复性。

3.6 本研究的局限性

       本研究还存在一些局限性：（1）样本量比较小，且为单中心研究，数据可能存在一定的偏倚，需要进一步获取更多病例以扩大样本量，并进行多中心研究来验证此类研究的结果；（2）入组病例选用的是肿块型病变，可能会丢失一部分病例，未来将纳入非肿块型病变进行研究；（3）本研究仅采用DCE第2期构建联合组学模型，其他DCE-MRI期相可能蕴含不同的重要信息，未来可以利用其他期相来构建联合模型。

4 结论

       综上所述，基于IVIM、DKI参数图和DCE-MRI构建的影像组学模型有助于乳腺癌HER-2基因表达状态的预测，表明了IVIM、DKI新型成像技术在临床上应用的可行性，与临床常规使用的DCE诊断序列相比，使用DKI、IVIM参数图和DCE-MRI联合构建的组学模型可以显著提高预测的准确性，并为HER-2阳性乳腺癌的诊断和治疗方案的制订提供更多帮助。