0 引言

       乳腺癌是女性常见的恶性肿瘤之一，发病率位于我国女性恶性肿瘤的首位^{[1, 2]}。我国乳腺癌的发病率每年以2%~3%的速度增长^[3]，每年新增约21万乳腺癌患者，且越来越多为年轻女性，严重危害了女性的生命健康^[4]。临床最常用的乳腺癌筛查方式包括超声^[5]、乳腺X线摄影^[6]、磁共振成像（magnetic resonance imaging, MRI）等。由于成像原理的不同，不同乳腺检查方法均有各自的优缺点。超声检查方便快捷，但在识别微小病灶及钙化方面存在局限性，易导致漏诊。此外，超声检出乳腺肿块的准确性依赖于操作者的技术水平及专业水平^[5]。乳腺X线摄影是最常用的乳腺筛查方式，价格低廉，但具有一定的辐射，且对多中心、深部病灶等显示不佳，特别是在致密型乳腺患者中敏感性更低^[6]。与其他影像学检查方法相比，MRI是一种无创、无辐射的检查技术，软组织分辨率高，可对病灶进行多方位、多参数、多序列成像，为病变提供全面的特征描述^{[7, 8]}，常规MRI通常包括T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）和T2脂肪抑制序列（T2-short-tau inversion recovery, T2-STIR）。但当某些病变的信号与乳腺组织信号接近时，病灶的识别难度增加，虽然T2-STIR序列可以通过抑制脂肪组织的信号来突出显示病灶，但同时也抑制了腺体中与脂肪组织相近的组织信号，导致乳腺各组织结构显示欠佳，不利于分析诊断。因此，近年来在常规MRI的基础上发展而来的新技术也逐渐广泛用于乳腺癌检查，乳腺癌的检出率有所提高^[9]。

       影像组学是指从影像图像中提取出人眼无法分辨的、细微的影像特征^[10]，将影像图像中隐含的信息转化为可识别的特征，通过特征筛选及模型建立，获得对疾病诊断有价值的信息，从而辅助临床诊断。自2012年荷兰学者LAMBIN等^[11]首次提出影像组学的概念后，影像组学在乳腺肿瘤方面的研究越来越深入、成熟。目前，基于MRI的影像组学在乳腺病变的应用中表现出了巨大的潜力。然而，在文献回顾时发现，虽然近年来关于乳腺病变与MRI影像组学结合的研究不断增加，但目前仍缺乏系统的归纳和总结。这使得临床医生和科研人员在理解该领域的最新研究动态和进展时面临一定的挑战。因此，本综述主要对基于不同MRI技术的影像组学在乳腺病变的诊断与鉴别等方面的应用进行阐述，主要包括扩散加权成像（diffusion weighted imaging, DWI）、体素内不相干运动成像（intravoxel incoherent motion, IVIM）、扩散峰度成像（diffusion kurtosis imaging, DKI）和动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）等，全面查阅文献并进行归纳总结，以期为患者个性化治疗方案提供参考，为促进实现乳腺癌精准医学提供新思路。

1 DWI与影像组学

1.1 DWI的原理

       DWI是指在常规MRI扫描的基础上，在相互垂直的方向上施加弥散梯度，来测量水分子扩散运动的速度和方向，推测组织内部微观结构状态的细微变化^[12]。DWI成像时间较短，且不需要注射对比剂即可较清晰显示出病灶，对疾病的检出具有较大意义。

       DWI仅有一个扩散参数，即表观扩散系数（apparent diffusion coefficient, ADC），可量化水分子的弥散运动情况^[13]。恶性病变中细胞排列紧密，水分子扩散明显受限，DWI呈高信号，ADC值较低；反之，良性病变DWI呈低信号，ADC值较高。ZHANG等^[14]的研究表明，当ADC小于1.3×10^-3 mm²/s时，ADC值在区分乳腺良性和恶性乳腺病变时具有一定的诊断价值。但其最佳阈值目前尚未确定，需要更多的研究来进一步验证。AMORNSIRIPANITCH等^[15]研究表明，与乳腺X线摄影相比，DWI在鉴别致密型乳腺良恶性病变的敏感性较高，可用于乳腺恶性病变的筛查。ROTILI等^[16]的研究纳入了378名乳腺癌病例，结果表明DWI在诊断乳腺癌时具有93%的敏感度和88%的特异度，对≤10 mm癌症的敏感度为71%，进一步证实DWI具有独立鉴别乳腺良恶性病变的潜能，有可能作为独立的筛查方法。

1.2 基于DWI的影像组学在乳腺病变鉴别中的应用

       基于DWI的影像组学在乳腺病变鉴别中的应用较广。2021年，SUN等^[17]回顾性研究纳入了2018年2月至2018年11月的542个病灶进行多参数DWI研究，建立影像组学模型，最后证实基于多参数DWI的影像组学可用于区分良性和恶性乳腺病变，曲线下面积（area under the curve, AUC）均>0.80。该研究的多扩散敏感系数（b值）序列是通过fxed协议获取的，而在实际工作中最佳b值的选择可能因不同的机构而异，因此需要进行具体分析。2024年，LIU等^[18]共纳入1760名病例进行T2WI和DWI扫描，并同时进行注射钆对比剂的增强扫描，进行对比分析，结果证实基于T2WI和DWI的影像组学在鉴别乳腺良恶性病变方面具有与增强扫描相当的诊断精度。虽然LIU等的研究的模型仅基于影像组学特征进行模型构建，不包括家族史和分子亚型等临床特征，但在乳腺病变良性和恶性之间仍取得了很好的鉴别效能。

       以上的研究均表明，基于DWI的影像组学在乳腺病变良恶性之间显示出明显的鉴别诊断优势，但不同的研究获取b值的协议不同，从而影响结果的同质性，因此未来需进行进一步的研究来证实结论的准确性与可行性。

2 IVIM与影像组学

2.1 IVIM的原理

       IVIM的概念最初是由LE BIHAN等^[19]在1986年提出，IVIM图像通过ADC进行量化，ADC综合了扩散和灌注的影响。IVIM就是指在测量时间内所呈现出的体素在方向和/或振幅上的平移运动。传统的DWI模型的理论基础为水分子扩散运动遵循高斯分布，而在真实情况下，由于受到各种微观环境的影响水分子的扩散运动表现为非高斯分布，IVIM就是基于此非高斯分布的原理形成的。

       与DWI相比，IVIM常用的参数有：扩散系数（diffusion coefficient, D）、伪扩散系数（pseudo-diffusion coefficient, D^*）和灌注分数（perfusion fraction, f），不仅对组织内的分子扩散比较敏感，同时还可以将组织扩散及灌注信息定量分离出来，因此利用IVIM能够有效区分细胞内外的水分子运动和毛细血管中的水分子流动。USLU等^[20]的研究显示，IVIM 测量的D^*和f值有助于评估乳腺癌分子亚型。LIANG等^[21]的研究得出D值在乳腺肿瘤鉴别诊断中表现出最佳的诊断性能，ADC和D值可以进一步区分浸润性导管癌和导管原位癌。

2.2 基于IVIM的影像组学在乳腺病变鉴别中的应用

       基于IVIM的影像组学在乳腺病变鉴别中的应用具有一定的价值。2021年，SUN等^[17]的研究纳入了542个病灶，进行DKI、IVIM等序列扫描，研究证实用随机森林（random forest, RF）构建的基于IVIM的影像组学模型具有最高的敏感度，AUC为0.85，这表明IVIM模型在区分恶性和良性乳腺病变方面表现更好。2022年，XU等^[22]的研究共纳入100例乳腺病变病例，并进行IVIM等序列的扫描，最终证实，使用IVIM定量参数的影像组学模型在乳腺良恶性病变之间具有较好的鉴别效能。但要提出的是在本研究中良性病变的样本量较小，且以纤维腺瘤为主，因此可能存在抽样偏差，未来需要纳入大量病例进一步证实。2023年，CHEN等^[23]对43例病例进行IVIM序列扫描，探讨基于IVIM的影像组学模型对于乳腺病变的鉴别方面的价值，结果表明D^*和f值可用于乳腺病变的诊断。同时作者也提出本研究样本量太少，存在一定的偏差，因此需要进一步扩大样本量，从而进一步确认IVIM的参数与乳腺病变之间的关系。MEHTA等^[24]的研究中纳入了40例病例进行基于IVIM扩散参数的影像组学分析，模型的建立运用SVM、RF、梯度提升（gradient boosted, GB）等多种分类器，结果证实IVIM的参数如D^*、D、f等在乳腺病变良性组和恶性组之间的差异具有统计学意义，且RF和GB分类器在鉴别乳腺病变良恶性方面的性能明显优于其他分类器，证实基于IVIM的影像组学在乳腺良恶性病变鉴别方面有重要价值。

       以上的研究能够在一定程度上证实IVIM在鉴别乳腺良恶性病变方面具有一定的价值，但均存在同一个局限，即样本量太少，可能与临床上进行IVIM检查的病例较少、样本数据不足有关。因此未来需要进一步开展多中心、大样本的研究来证实基于IVIM的影像组学在乳腺病变中的应用价值。

3 DKI与影像组学

3.1 DKI的原理

       DKI也是在DWI技术的基础上发展而来的技术，最早在2005年由纽约大学的JENSEN等^[25]首次提出，后经香港大学吴学奎教授及其团队进行发展和完善^[26]，他们证明，DKI在描述体内复杂的水扩散过程方面提供了比DWI更全面的方法。与DWI技术相比，DKI具有较高的b值，且DKI的b值至少为3个，比DWI更符合人体组织的实际状态^[25]。

       DKI常用的定量参数有：各向异性分数（fractional anisotropy, FA）、平均扩散系数（mean diffusivity, MD）、平均扩散峰度（mean kurtosis, MK）等，既包含扩散参数，又包括峰度参数。PARK等^[27]在术前对45例乳腺病变患者进行DKI扫描，得到DKI及其参数有助于鉴别乳腺良性病变和浸润性乳腺癌，但在鉴别乳腺良性病变和导管原位癌方面的潜能较低。

3.2 基于DKI的影像组学在乳腺病变鉴别中的应用

       基于DKI的影像组学在乳腺病变的鉴别等方面有一定的价值。2020年，ZHANG等^[28]的研究纳入了207例女性进行MRI常规序列、DKI扫描并建立影像组学模型，最后证实基于DKI的影像组学对乳腺良恶性病变具有较高的鉴别能力。此外，作者提出他们的研究仅提取了病灶本身的影像组学特征，但病灶周围的特征在鉴别乳腺良恶性病变方面也起重要作用，因此未来需要进一步增加研究病灶周围影像组学特征在乳腺病变鉴别方面的作用。然而，2022年，WANG等^[29]探讨DKI与DWI相比在乳腺病变诊断中的价值中发现，DKI虽然可用于识别乳腺癌，但MD和MK的诊断性能与ADC值相似，因此，WANG等建议不应将DKI纳入乳腺病变的常规评估中。

       以上研究均可证实，基于DKI的影像组学分析在乳腺良恶性病变中展现了独特的鉴别诊断潜力，但一些研究者认为DKI无须纳入乳腺病变的常规评估。目前，基于DKI的影像组学方面的研究相较于其他MRI技术稍少，因此未来需要进一步进行更大量、更广泛的研究来进一步证实基于DKI的影像组学在乳腺病变鉴别中的作用。

4 DCE-MRI与影像组学

4.1 DCE-MRI的原理

       DCE-MRI是一种快速动态扫描技术，通过肘静脉注入对比剂（目前最常用的是Gd-DTPA），跟踪观察一段时间内对比剂在病灶中的变化及分布情况，这种成像方法相对于常规MRI，能更直观、更明确地显示病灶形态学特征^[30]，显著提高病灶的检出率，敏感度可达90%以上^{[31, 32]}，然而其特异度较低，仅为30%~70%^[33]。

       常用半定量参数包括时间-信号强度曲线（time-intensity curves, TIC）、对比增强比率（contrast enhancement rate, CER）、正向增强积分（positive external integration, PEI）等；定量参数包括容积转移常数（volume transfer constant, K^trans）、反向容积转移常数（rate constant, Kep）和血浆容积分数（extravascular extracellular volume fraction, Ve）。TIC可以直接显示出乳腺病变的强化特点^[34]，分为3种类型：Ⅰ型为流入型，多提示为良性病灶；Ⅱ型为平台型，在良恶性病变中均可见^[35]；Ⅲ型为流出型，多提示恶性病灶。有研究表明^[14]，对于早期乳腺癌的检测，DCE-MRI优于其他影像学方法。AO等^[36]的研究证实了以流出型TIC作为乳腺恶性病变的诊断标准的价值最高，敏感度为 76.9%，特异度为80%，AUC为0.823。MATSUDA等^[37]的研究表明DCE-MRI可为乳腺良恶性肿瘤的鉴别提供更高的准确率，AUC为0.83。XU等^[22]对176例乳腺病变的DCE-MRI进行研究，得到K^trans、Kep在鉴别乳腺良恶性病变时均有显著价值，且Kep和ADC等是乳腺恶性肿瘤的独立预测因子。KANG等^[38]对105例浸润性导管癌患者进行了DCE-MRI定量参数分析，发现三阴性乳腺癌的K^trans和Kep比Luminal型乳腺癌高，ER（-）乳腺癌的K^trans比ER（+）高，PR（-）乳腺癌的Ve比PR（+）高，P53（+）乳腺癌的K^trans和Kep比P53（-）高，且这些参数，尤其是K^trans、Kep可能是评估肿瘤预后和血管生成的影像学生物标志物，还需进一步研究证实。

4.2 基于DCE-MRI的影像组学在乳腺病变鉴别中的应用

       基于DCE-MRI的影像组学研究较为丰富，自最初影像组学提出后，大量研究者即开始了广泛研究。2020年，QIAO等^[39]纳入飞利浦和GE两家MRI制造商的267例病例数据并提取246个影像组学特征，结果表明所提取的影像组学特征可用于区分乳腺良恶性病变。2022年，MILITELLO等^[40]从111例病例中共提取出107个影像组学特征，利用支持向量机（support vector machines, SVM）分类器构建影像组学模型，AUC为0.725，证实基于乳腺DCE-MRI的影像组学预测模型，在区分乳腺病变良恶性的准确性和特异性方面有一定的价值。2023年，DEBBI等^[41]回顾性分析了77例病例并对比乳腺影像报告和数据系统（Breast Imaging Reporting and Data System, BI-RADS）评分，得到基于DCE-MRI的影像组学对乳腺病变良恶性的分类可提供与BI-RADS分级一样好的结果。同年，ZHANG等^[42]的研究共纳入357例病灶，进行模型构建后，证实基于DCE-MRI的影像组学在鉴别乳腺良恶性病变方面具有较高的敏感度。作者还提出目前仍缺乏对乳腺DCE-MRI数据研究最佳的模型，但先前的研究为该研究奠定了基础，避免了许多额外的工作。

       病灶周围组织的影像组学特征也可用于乳腺病变良恶性的鉴别。ZHOU等^[43]在考虑肿瘤周围组织的情况下对133例病例进行DCE-MEI检查，用随机森林构建模型，得出使用最小感兴趣区（region of interest, ROI）和1.2倍ROI可获得更好地鉴别乳腺病变良恶性的准确率。2022年，WANG等^[44]的研究共纳入223例病灶，每个病灶获得7个ROI：病灶ROI、病灶周围ROI（1、3、5 mm）和病灶+病灶周围ROI（1、3、5 mm），分别进行影像组学模型构建，分析得到病灶周围3 mm ROI模型的AUC最高，为0.930，其次是病灶周围1 mm ROI（AUC=0.929），最终得出结论：对乳腺病灶周围的ROI进行影像组学分析有助于鉴别其良恶性。以上研究均证实在基于病灶本身构建的影像组学模型中纳入病灶周围信息可能会提高模型的诊断准确性，这也提示研究者在未来的研究中不要忽略病灶周围组织对乳腺病变的诊断价值。

       此外，大部分研究者发现联合多模态MRI可提高乳腺病变鉴别的敏感度。DAIMIEL等^[45]的多中心回顾性研究对104例病例进行DCE-MRI和DWI扫描，发现联合DCE-MRI和DWI的影像组学模型比单独模型显示出更佳的AUC（0.85），因此联合DCE-MRI和DWI的影像组学可提高乳腺癌诊断的准确率，同时减少不必要的良性乳腺病变活检率。2023年，WANG等^[46]纳入了329例病例并分别扫描了T1WI、T2WI、DWI和DCE-MRI序列，利用不同的扫描序列分别联合构建不同的影像组学模型，最终证实DCE-MRI、DWI与T2WI的联合模型是影像组学中乳腺良恶性病变鉴别的最佳选择（AUC=0.888），可将良性乳腺病灶的活检率从68.4%降低到44.7%，同时保持敏感度>98%。此外，ZHANG等^[47]的研究结论与WANG等相同，联合DCE-MRI、DWI及T2WI构建的影像组学模型在乳腺病变诊断方面具有最大的诊断潜能，尤其是对于BI-RADS 4级乳腺病变的诊断潜力最大。

       以上这些研究均表明基于DCE-MRI的影像组学在乳腺病变的鉴别诊断方面具有巨大的潜能，可以帮助提高诊断的准确率，从而为患者的进一步个性化治疗方案以及预后评估等方面提供基础性参考。然而，目前的研究大多为单中心、小样本的回顾性研究，需要在更大的多中心样本中进行验证。

5 小结

       MRI在乳腺检查中扮演着关键角色，不仅能揭示乳腺病变的形态学和血流动力学特征，而且通过多模态MRI还可获得更多病变内部及周围的特征。本文综述了基于不同MRI技术的影像组学在乳腺良恶性病变鉴别诊断方面的应用，虽然各研究的特征提取方法和分类器的选择不尽相同，但均有重要作用。尽管基于MRI的影像组学在乳腺的鉴别中价值显著，但目前仍处于研究阶段，尚存在一些局限性：（1）大多数研究的样本量较小，且缺乏外部验证，准确度、可行度较低。因此在未来应大量开展大样本、多中心研究来验证这些结论。（2）技术标准化不足。MRI设备和扫描参数的不同可能导致结果的不一致性。因此必须采用标准化的方式进行图像的采集。（3）图像分割的主观差异性。尽管许多研究采用了半自动或自动的图像分割工具，但某些情况下仍需人工干预，可导致主观偏差，影响结论的准确性。（4）特征提取和筛选的复杂性。从MRI图像中提取并筛选影像组学特征是一个复杂的过程，需要大量的时间和资源。因此，未来研究人员应该开发更优化、高效的算法，提供更强大、高效的影像组学新工具，促进影像组学新进步。总之，基于MRI的影像组学有望在未来对乳腺病变的鉴别诊断产生深远影响，推动实现精准医疗的目标。