DCE-MRI联合DKI的影像组学在预测三阴性乳腺癌中的应用价值

分享到微信朋友圈

• 临床研究 •

关传国邵硕郑宁陈文静赵晓萌吴建伟

Cite this article as: GUAN C G, SHAO S, ZHENG N, et al. Application value of radiomics based on DCE-MRI combined with DKI in predicting triple-negative breast cancer[J]. Chin J Magn Reson Imaging, 2025, 16(2): 35-43.本文引用格式：关传国, 邵硕, 郑宁, 等. DCE-MRI联合DKI的影像组学在预测三阴性乳腺癌中的应用价值[J]. 磁共振成像, 2025, 16(2): 35-43. DOI:10.12015/issn.1674-8034.2025.02.006.

摘要

[摘要] 目的基于动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）和扩散峰度成像（diffusion kurtosis imaging, DKI）参数图构建影像组学模型，评估其在预测三阴性乳腺癌（triple-negative breast cancer, TNBC）中的应用价值。材料与方法 回顾性分析165例乳腺癌患者病例资料，根据患者的病理结果分为非TNBC组（120例）和TNBC组（45例）。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集（n=132）和测试集（n=33）。在第2期DCE-MRI图像、平均扩散峰度值（mean kurtosis, MK）和平均扩散率（mean diffusivity, MD）参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest, 3D ROI），并提取影像组学特征。使用K最佳、最小冗余最大相关（max-relevance and min-redundancy, mRMR）以及最小绝对收缩和选择算子回归（least absolute shrinkage and selection operator, LASSO）算法依次对特征进行降维和选择，然后，通过逻辑回归（logistic regression, LR）分类器分别建立第2期DCE-MRI模型、DKI参数图模型（MD+MK、MD、MK）及联合模型（DCE-MRI+MD+MK），并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征（receiver operating characteristic, ROC）曲线和曲线下面积（area under the curve, AUC）进行评估，并使用DeLong检验分析模型间的统计学差异。最后，通过决策曲线分析（decision curve analysis, DCA）评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征，从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625；联合模型（DCE-MRI+MD+MK）在测试集中的AUC是0.884，其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后，把临床特征与影像组学特征进行联合建立列线图模型。结果表明，影像组学联合模型（DCE-MRI+MD+MK）优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型，但与列线图模型的AUC和DCA差异无统计学意义（P>0.05），表明影像组学联合模型（DCE-MRI+MD+MK）能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型（DCE-MRI+MD+MK）及列线图模型可以在术前有效地预测TNBC，有助于临床对TNBC的诊断、制订治疗方案及改善预后。

[Abstract] Objective To construct a radiomics model based on dynamic contrast-enhanced MRI (DCE-MRI) and diffusion kurtosis imaging (DKI), and evaluate its diagnostic value for triple-negative breast cancer (TNBC).Materials and Methods A retrospective analysis was performed on the clinical data of 165 breast cancer patients, who were divided into a non-TNBC group (120 cases) and a TNBC group (45 cases) based on pathological results. All patients underwent preoperative DCE-MRI and DKI scans. The patients were randomly split into a training set (n = 132) and a test set (n = 33) at a ratio of 8∶2. A three-dimensional (3D) region of interest (ROI) was delineated in the lesion area from the phase Ⅱ DCE-MRI images, the mean kurtosis (MK) map, and the mean diffusivity (MD) map, and radiomics features were extracted. Feature reduction and selection were performed using K-best, maximum relevance and minimum redundancy (mRMR), and least absolute shrinkage and selection operator (LASSO) algorithms. Logistic regression (LR) classifiers were used to build the phase Ⅱ DCE model, DKI parameter map models (MD, MK, MD+MK), and the combined model (DCE-MRI+MD+MK). The stability of the models was validated using five-fold cross-validation. The models' predictive performance was evaluated by receiver operating characteristic (ROC) curve and area under the curve (AUC), and statistical differences between models were analyzed using the DeLong test. Finally, decision curve analysis (DCA) was performed to assess the clinical utility of the radiomics models.Results A total of 2286 radiomics features were extracted from the 3D ROIs of each sequence. From the Phase Ⅱ DCE-MRI, MD+MK, MD, MK, and DCE-MRI+MD+MK sequences, 8, 9, 12, 7, and 21 features were selected, respectively, that were associated with TNBC. The AUCs of the Phase Ⅱ DCE-MRI model, MD+MK model, MD model, and MK model in the test set were 0.810, 0.769, 0.676, and 0.625, respectively. The combined model (DCE-MRI+MD+MK) achieved an AUC of 0.884 in the test set, with an accuracy, sensitivity, and specificity of 78.8%, 79.2%, and 77.8%, respectively. Finally, a nomogram model was developed by integrating clinical features with radiomics features. The results indicated that the radiomics combined model (DCE-MRI+MD+MK) outperformed the MD+MK model, MD model, MK models, and Phase Ⅱ DCE-MRI model, but there was no statistically significant difference in AUC and DCA between the combined model and the nomogram model (P > 0.05), suggesting that the radiomics combined model (DCE-MRI+MD+MK) can provide diagnostic performance similar to that of the nomogram model in clinical practice.Conclusions The radiomics combined model (DCE-MRI+MD+MK) based on DCE-MRI and DKI parameter maps, as well as the nomogram model, can effectively predict TNBC preoperatively, helping clinicians in diagnosing TNBC, formulating treatment plans, and improving prognosis.

[关键词] 乳腺癌；影像组学；动态对比增强；扩散峰度成像；磁共振成像；诊断价值

[Keywords] breast cancer；radiomics；dynamic contrast-enhanced；diffusion kurtosis imaging；magnetic resonance imaging；diagnostic value

作者信息

关传国 ¹ 邵硕 ² 郑宁 ^2* 陈文静 ³ 赵晓萌 ¹ 吴建伟 ¹

¹ 济宁医学院临床医学院，济宁　272013

² 济宁市第一人民医院磁共振室，济宁　272000

³ 联影智能医疗科技（北京）有限公司，北京　100089

通信作者：郑宁，E-mail: zhengning_369@163.com

作者贡献声明：关传国起草和撰写稿件，获取、分析并解释本研究的数据；郑宁、邵硕设计本研究的方案，对稿件重要内容进行了修改；陈文静、赵晓萌、吴建伟获取、分析或解释本研究的数据，对稿件重要内容进行了修改；邵硕获得了济宁市重点研发计划项目资助。全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。

出版信息

基金项目： 济宁市重点研发计划项目 2023YXNS117

收稿日期：2024-09-23

接受日期：2025-02-10

中图分类号：R445.2 R737.9

文献标识码：A

DOI: 10.12015/issn.1674-8034.2025.02.006

本文引用格式：关传国, 邵硕, 郑宁, 等. DCE-MRI联合DKI的影像组学在预测三阴性乳腺癌中的应用价值[J]. 磁共振成像, 2025, 16(2): 35-43. DOI:10.12015/issn.1674-8034.2025.02.006.

正文

0 引言

乳腺癌目前已经超越肺癌成为全球女性最高发的恶性肿瘤^[¹^]，约占女性癌症的25%，发病率约为11.7%，死亡率约为6.9%，是导致女性死亡的最主要的因素之一^[¹^,²^,³^]。三阴性乳腺癌（triple-negative breast cancer, TNBC）是一种特殊的乳腺癌类型，其组织学特征表现为肿瘤细胞缺乏雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）和人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）^[⁴^]。与其他亚型乳腺癌相比，TNBC的复发率和死亡率都比较高^[⁵^]。目前，乳腺癌的治疗主要以ER、PR和HER-2表达情况为标准：ER+/PR+患者需要使用内分泌治疗；HER-2+患者需要使用抗HER-2靶向治疗；然而，TNBC由于缺乏有效的治疗靶点，目前尚无特异性靶向治疗^[⁶^,⁷^]。因此，TNBC的治疗选择相对有限，通常采用细胞毒性治疗，临床疗效较差。所以，区分TNBC和非TNBC对于临床治疗非常重要。

目前，MRI已成为乳腺癌的重要检查手段^[⁸^]。动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）能以高空间分辨率提供血流动力学及肿瘤形态学等方面的信息。扩散峰度成像（diffusion kurtosis imaging, DKI）能够提供比传统扩散加权成像（diffusion weighted imaging, DWI）更多的信息，它不仅能评估水分子扩散，还能够检测非高斯分布的水分子运动，这有助于更精确地区分肿瘤组织和正常组织，提高肿瘤检出率和诊断准确性^[⁹^,¹⁰^]。MRI影像组学能够提取并筛选肉眼难以识别的图像特征。基于DCE-MRI的影像组学提高了TNBC术前诊断的准确性和预后评估的可靠性^[¹¹^,¹²^,¹³^]。但目前基于DKI对TNBC进行评估的研究多为定量研究，对于一些潜在特征无法深度挖掘^[¹⁴^]。将DCE-MRI与DKI参数图相结合，构建影像组学联合模型（DCE-MRI+MD+MK）进行TNBC预测的研究尚未见文献报道。

本研究旨在探讨DCE-MRI与DKI参数图的影像组学联合模型（DCE-MRI+MD+MK）在预测TNBC中的应用价值，评估其诊断效能，为临床提供一种无创的TNBC诊断方法。

1 材料与方法

1.1 研究对象

本研究遵循《赫尔辛基宣言》原则，已获得济宁市第一人民医院医学伦理委员会的批准，免除受试者知情同意，批准文号：KYLL-202308-136。回顾性分析2019年6月至2024年4月在济宁市第一人民医院接受乳腺MRI检查并通过术后病理确诊为乳腺癌的患者资料。根据患者的病理结果，分为非TNBC组和TNBC组。然后将两组病例，按照8∶2的比例随机分为训练集和测试集。纳入标准：（1）无其他部位的原发肿瘤；（2）进行MRI检查之前没有进行穿刺、活检或者其他治疗；（3）术前进行MRI检查，DCE-MRI和DKI影像资料完整。排除标准：（1）非肿块样病变；（2）肿块直径小于1 cm；（3）因运动伪影导致的图像模糊，病变与周围组织分界不清，勾画ROI难度较大；（4）病理和免疫组化信息不完整。

1.2 检查方法

所有患者均使用相同的MRI设备（荷兰Philips Ingenia 3.0 T全数字MR扫描仪）进行扫描，并配备了16通道乳腺专用线圈。扫描过程中，患者采取俯卧姿势，足部先进入设备，双乳自然垂落至线圈孔中心。

在DCE-MRI扫描过程中，使用高压造影注射器（米特朗股份公司，德国，SN序列号：880016026）将钆喷酸葡胺对比剂（北京北陆药业股份有限公司，中国）通过患者手背静脉注入，注射速率为2.5 mL/s，注射剂量为0.1 mmol/kg。DCE-MRI的扫描参数如下：矩阵大小280×338，FOV 280 mm×339 mm，层厚2.4 mm，NEX 1，TR 3.9 ms，TE 1.97 ms，每期扫描时间57 s，共连续采集8个期相。

DKI序列的扫描参数如下：矩阵大小为100×112，FOV 300 mm×337 mm，层厚5 mm，NEX 1，TR 6223 ms，TE 97 ms，b值为0、500、1000、1500、2000和2500 s/mm²，成像时间540 s。

1.3 常规MRI图像分析

由两名分别有3年和15年乳腺影像诊断经验的住院医师和副主任医师分别进行。在不知晓病理结果的前提下，两位医师在ISP（Philips Intellispace Portal）工作站上分析所有影像学的特征，包括肿瘤边缘、肿瘤体积大小、时间-信号强度曲线（time-signal intensity curve, TIC）的类型以及病灶强化方式等。如果两名医师的意见存在分歧，将通过协商决定最终结果。

1.4 图像分割

从影像归档数据库中将DKI图像以DICOM的格式传至MR_Diffusion分割出平均扩散峰度值（mean kurtosis, MK）和平均扩散率（mean diffusivity, MD）参数图像，随后将提取出来的MK、MD和DCE-MRI通过uAI Upload Helper传至uAI Research Portal（上海联影智能医疗科技有限公司，中国）。由于检查时间较长，患者在检查过程中会发生移动，因此在三维感兴趣区（region of interest, ROI）分割之前，需要对所有序列进行非刚性配准。配准之后由两名分别有3年和15年的住院医师和副主任医师在uAI Research Portal进行三维ROI的勾画，勾画范围应覆盖整个病灶（包括囊变、出血和坏死等），这样可以更全面地评估肿瘤的异质性（图1）。当意见不一致时，将通过协商决定最终结果。

点击查看大图

图1 使用uAI Research Portal半自动逐层勾画感兴趣区（ROI）。1A、1C：患者病灶。1B、1D：勾画出的ROI。
Fig. 1 Semi-automatic layer-by-layer delineation of the region of interest (ROI) using the uAI Research Portal. 1A and 1C: The patient's lesion; 1B and 1D: The delineated ROI.

1.5 特征的提取与选择

在uAI Research Portal平台上，对标记的三维ROI进行影像组学特征的提取和选择。为了减少各参数图像之间的差异，每个MRI序列首先进行Z分数归一化处理。从第2期DCE-MRI、MD和MK每个序列中分别提取影像组学特征2286个（包括一阶特征、纹理特征、形状特征和高阶特征）。通过使用组内和组间相关系数（intra-class correlation coefficient, ICC）来评估提取特征的一致性，并筛选出ICC值>0.75的影像组学特征进行深入分析。为了找到潜在的预测性影像组学特征并避免过拟合，使用卡方检验以选择前k个显著特征。随后，采用最小冗余最大相关（max-relevance and min-redundancy, mRMR）算法，基于最大相关最小冗余原则，进一步优化特征选择。最后，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行最优特征选择，联合模型的Alpha值设置为1.616，以构建影像组学模型。在最终选出的特征中，特征权重越大对预测结果的影响越显著。

首先，采用单因素和多因素逻辑回归对有统计学意义的临床数据及影像学数据进行筛选，构建临床模型。然后，把临床特征与影像组学特征进行联合，构建列线图模型。

1.6 病理结果

通过手术标本进行组织病理学评估^[¹⁵^]。采用免疫组织化学方法（immunohistochemistry, IHC）分析检测ER、PR、HER-2的表达状态：

（1）ER和PR：通过细胞核染色检测，阳性细胞比例超过1%即为阳性。（2）HER-2：先通过IHC分析检测，IHC评分3+为阳性；IHC评分0或1+为阴性；IHC评分2+则需要通过荧光原位杂交（fluorescence in situ hybridization, FISH）检测评估基因扩增，比值≥2.0为阳性。（3）TNBC定义为ER、PR和HER-2均为阴性。

1.7 统计学分析

使用SPSS 29软件进行分析。首先，通过Kolmogorov-Smirnov检验判断定量资料的正态分布情况，若P<0.05，则认为不符合正态分布，若P≥0.05，则认为符合正态分布。对于不符合正态分布的数据，采用中位数（上下四分位数）表示，并使用Mann-Whitney U检验进行组间比较；对于符合正态分布的数据，采用均值±标准差表示，并使用独立样本t检验进行组间比较。分类数据则以频数表示，并通过卡方检验进行比较。然后，通过受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）评估第2期DCE-MRI模型、MD+MK模型、MD模型、MK模型、联合模型（DCE-MRI+MD+MK）及列线图模型对TNBC的诊断效能，同时通过决策曲线分析（decision curve analysis, DCA）评估模型的临床价值。最后，使用DeLong检验比较不同模型间AUC的差异；使用t检验比较不同模型间DCA的差异，P<0.05表示差异具有统计学意义。

1.8 样本量估算方法

研究为探讨联合DCE-MRI和DKI对TNBC的预测价值，根据既往研究预测的灵敏度来估算样本量，样本量估算依据公式（1）：

n为所需总样本数量，Z1-α/2为检验水准α相对应的Z值，Se为灵敏度，δ为灵敏度的容许误差，P为TNBC的比例，本研究的α取0.05，查文献Se的值约为82.8%^[¹⁶^]，容许误差δ取0.13，P取0.20。

2 结果

2.1 研究对象

根据样本量估算公式，计算得出本研究总样本至少需要162例，其中包括至少33例TNBC患者。本研究最终共纳入165例女性患者，病理结果皆为非特殊型浸润性乳腺癌；其中，非TNBC患者为120例，年龄：32~76（49.38±9.43）岁；TNBC的患者为45例，年龄：31~69（49.13±9.74）岁。将TNBC组和非TNBC组的临床资料进行比较，发现两组患者在年龄、绝经状态、TIC类型、肿瘤边界及淋巴结转移状态方面的差异均无统计学意义（P>0.05）；但在肿瘤体积大小、强化特点和病理分级方面，两组间的差异具有统计学意义（P<0.05）（表1）。将训练集（132例）和测试集（33例）的临床资料进行对比，发现两组患者在年龄、绝经状态、TIC类型、肿瘤体积大小、肿瘤边界、强化特点、病理分级及淋巴结转移状态方面的差异均无统计学意义（P>0.05）（表2）。

点击查看表格

表1 非TNBC和TNBC患者的临床资料比较
Tab. 1 Comparison of clinical data between patients in the non-TNBC group and the TNBC group

点击查看表格

表2 训练集和测试集患者的临床资料比较
Tab. 2 Comparison of clinical data between patients in the training group and the testing group

2.2 影像组学特征的提取

从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征构建影像组学模型，其中联合模型（DCE-MRI+MD+MK）筛选出与TNBC相关的21个影像组学特征,包括1个形状特征、1个高阶特征、9个纹理特征和10个一阶统计量特征；在本研究中，影像组学特征“log_firstorder_log-sigma-0.5-mm-3D-Maximum”与TNBC之间的关联性最为显著（图2）。

点击查看大图

图2 联合模型最终选取的影像组学特征及其权重。纵坐标：特征名称；横坐标：权重值。
Fig. 2 The radiomic features selected by the final screening of the combined model and their associated weights. The vertical axis represents the feature names, and the horizontal axis represents the weight values.

2.3 影像组学模型的构建与评价

2.3.1 联合模型（DCE-MRI+MD+MK）的AUC表现

在训练集和测试集中，第2期DCE-MRI模型、MD+MK模型、MD模型、MK模型和联合模型（DCE-MRI+MD+MK）相比，联合模型的AUC均为最高（表3、图3）。通过5折交叉验证的方法表明模型的稳定性较好（表4、图4）。DeLong检验结果表明，在测试集中，联合模型（DCE-MRI+MD+MK）AUC高于MD模型和MK模型，差异具有统计学意义（P<0.05），而与第2期DCE-MRI模型、MD+MK模型的AUC差异不具有统计学意义（P>0.05）；在训练集中，联合模型（DCE-MRI+MD+MK）的AUC值高于第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型的AUC，差异具有统计学意义（P<0.05）（表5）。

点击查看大图

图3 训练集（3A）和测试集（3B）中的联合模型（DCE-MRI+MD+MK）、MD+MK联合模型、第2期DCE-MRI模型、MD模型和MK模型的ROC曲线。Combined：联合模型（DCE-MRI+MD+MK）；DCE：DCE-MRI第2期；MD：平均扩散系数；MK：平均峰度系数；MD+MK：MD和MK联合模型；ROC：受试者工作特征；AUC：曲线下面积。
Fig. 3 The ROC curves for the combined model (DCE-MRI+MD+MK), MD+MK combined model, Phase Ⅱ DCE-MRI model, MD model, and MK model in both the training set (3A) and the test set (3B). Combined: combined model (DCE-MRI+MD+MK); DCE: second phase of DCE-MRI; MD: mean diffusivity; MK: mean kurtosis; ROC: receiver operating characteristic; AUC: area under the curve.

点击查看大图

图4 5折交叉验证训练集（4A）和测试集（4B）中的联合模型（DCE-MRI+MD+MK）、MD+MK联合模型、第2期DCE-MRI模型、MD模型和MK模型ROC曲线。Combined：联合模型（DCE-MRI+MD+MK）；DCE：DCE-MRI第2期；MD：平均扩散系数；MK：平均峰度系数；MD+MK：MD和MK联合模型；ROC：受试者工作特征；AUC：曲线下面积。
Fig. 4 The ROC curves of the combined model（DCE-MRI+MD+MK）, MD+MK combined model, Phase Ⅱ DCE-MRI model, MD model, and MK model in the five-fold cross-validation training set (4A) and test set (4B). Combined: combined model (DCE-MRI+MD+MK); DCE: second phase of DCE-MRI; MD: mean diffusivity; MK: mean kurtosis; ROC: receiver operating characteristic; AUC: area under the curve.

点击查看表格

表3 在训练-测试中逻辑回归模型的诊断效能
Tab. 3 The diagnostic performance of the logistic regression model in training and testing

点击查看表格

表4 5折交叉验证的逻辑回归模型诊断效能
Tab. 4 The diagnostic performance of the logistic regression model in five-fold cross-validation.

点击查看表格

表5 联合模型和参数模型的AUC比较
Tab. 5 Comparison of AUC for joint models and parametric models

2.3.2 Brier系数比较

在训练集和测试集中，联合模型（DCE-MRI+MD+MK）、第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型的Brier系数进行比较，结果显示联合模型（DCE-MRI+MD+MK）在两个数据集上都具有最好的校准性能（图5）。

点击查看大图

图5 训练集（5A）和测试集（5B）中的联合模型（DCE-MRI+MD+MK）、MD+MK联合模型、第2期DCE-MRI模型、MD模型和MK模型的校正曲线。Combined：联合模型（DCE-MRI+MD+MK）；DCE：DCE-MRI第2期；MD：平均扩散系数；MK：平均峰度系数；MD+MK：MD和MK联合模型。
Fig. 5 The calibration curves for the combined model (DCE-MRI+MD+MK), MD+MK combined model, Phase Ⅱ DCE-MRI model, MD model, and MK model in the training set (5A) and test set (5B). Combined: combined model (DCE-MRI+MD+MK); DCE: second phase of DCE-MRI; MD: mean diffusivity; MK: mean kurtosis.

2.3.3 DCA曲线分析

在DCA曲线中，可以观察到在训练集和测试集中，联合模型（DCE-MRI+MD+MK）在0.1~1.0的阈值范围内高于第2期DCE-MRI模型、MD+MK模型、MK模型、MD模型。t检验结果表明，影像组学联合模型（DCE-MRI+MD+MK）的DCA高于单一模型,差异具有统计学意义（P<0.05）（表6、图6）。

点击查看大图

图6 训练集（6A）和测试集（6B）中联合模型（DCE-MRI+MD+MK）、MD+MK联合模型、第2期DCE-MRI模型、MD模型和MK模型预测TNBC的DCA曲线。Combined：联合模型（DCE-MRI+MD+MK）；DCE：DCE-MRI第2期；MD：平均扩散系数；MK：平均峰度系数；MD+MK：MD和MK联合模型；TNBC：三阴性乳腺癌；DCA：决策曲线分析。
Fig. 6 The DCA for predicting TNBC using the combined model (DCE-MRI+MD+MK), MD+MK combined model, Phase Ⅱ DCE-MRI model, MD model, and MK model in both the training set (6A) and the test set (6B). Combined: combined model (DCE-MRI+MD+MK); DCE: second phase of DCE-MRI; MD: mean diffusivity; MK: mean kurtosis; TNBC: triple-negative breast cancer; DCA: decision curve analysis.

点击查看表格

表6 联合模型和参数模型的DCA比较
Tab. 6 Comparison of DCA for joint models and parametric models

2.4 列线图模型的构建与评价

2.4.1 临床特征筛选与模型构建

通过统计分析TNBC组与非TNBC组的临床数据及影像学数据，发现两组肿瘤在强化特点和肿瘤体积大小方面差异具有统计学意义（P<0.05）（表1）。随后，对这些特征进行筛选，最终选取了1个特征（肿瘤体积大小）构建临床模型。最后，把临床特征与影像组学特征进行联合，构建列线图模型。

2.4.2 列线图模型的AUC表现

在训练集和测试集中，列线图模型的AUC与影像组学联合模型（DCE-MRI+MD+MK）的AUC相近，两者均明显高于临床模型的AUC（表3、图8）。结果显示，列线图模型与影像组学联合模型（DCE-MRI+MD+MK）的AUC在训练集和测试集中差异均无统计学意义（P>0.05），列线图模型和影像组学联合模型（DCE-MRI+MD+MK）与临床模型的AUC在训练集中差异有统计学意义（P<0.05），但在测试集中差异无统计学意义（P>0.05）（表5）。

点击查看大图

图7 列线图。
Fig. 7 Nomogram.

点击查看大图

图8 训练集（8A）和测试集（8B）中的列线图模型、影像组学联合模型（DCE-MRI+MD+MK）及临床模型的ROC曲线。ROC：受试者工作特征。
Fig. 8 The ROC curves of the nomogram model, radiomics combined model (DCE-MRI+MD+MK), and clinical model in the training set (8A) and test set (8B). ROC: receiver operating characteristic.

2.4.3 DCA曲线分析

分析DCA曲线发现，列线图模型与影像组学联合模型（DCE-MRI+MD+MK）之间的DCA差异无统计学意义（P>0.05），但两者与临床模型的DCA在训练集和测试集中的差异均有统计学意义（P<0.05）（表6、图9）。

点击查看大图

图9 训练集（9A）和测试集（9B）中列线图模型、影像组学联合模型（DCE-MRI+MD+MK）及临床模型预测TNBC的DCA。TNBC：三阴性乳腺癌；DCA：决策曲线分析。
Fig. 9 The DCA for predicting TNBC using the nomogram model, radiomics combined mode（DCE-MRI+MD+MK）l, and clinical model in the training set (9A) and test set (9B). TNBC: triple-negative breast cancer; DCA: decision curve analysis

3 讨论

本研究基于DCE-MRI和DKI参数图构建影像组学模型，对TNBC和非TNBC进行对比分析，评估该模型在预测TNBC中的应用价值。研究结果表明，TNBC与非TNBC在肿瘤体积大小、强化特点和病理分级上存在显著差异，TNBC通常表现为较大的肿瘤体积、较高的病理分级以及环形和不均匀强化的影像特点。此外，DCE-MRI联合DKI参数图的影像组学模型在TNBC的预测中优于单一影像序列模型。本研究首次提出将DCE-MRI与DKI参数图相结合构建影像组学模型，以提高TNBC的诊断准确性。这一方法具有重要的临床价值，为TNBC的早期诊断和精准治疗提供了新的影像学依据。

3.1 基于DCE-MRI的影像组学模型预测TNBC的价值

DCE-MRI能够提供关于肿瘤血管生成、通透性、形态、大小、位置、微环境等多方面的详细信息，有助于肿瘤的诊断、分型、治疗方案制订及效果评估。因此，许多研究人员认为DCE-MRI在乳腺癌的诊断、分型和治疗中具有重要的应用价值^[¹⁷^,¹⁸^,¹⁹^]。SHENG等^[²⁰^]从190例患者的DCE-MRI图像中提取1134个影像组学特征，通过mRMR、LASSO算法依次对特征进行降维和选择，最终选取了10个影像组学特征，使用逻辑回归（logistic regression, LR）分类器构建的TNBC的预测模型，其训练集AUC是0.777 3，测试集AUC是0.706 9。林倩等^[²¹^]通过对75例患者的研究，从DCE-MRI图像中最终选取5个纹理特征，并用来构建预测TNBC的模型，其AUC是0.72。吴韧等^[²²^]在232例患者的DCE-MRI图像中选取20个影像特征与TNBC相关，用来构建瘤内影像组学模型预测TNBC，其训练集AUC是0.833，测试集AUC是0.768。本研究选择了DCE-MRI中的第2期进行研究，选择第2期是因为第2期肿瘤与正常组织的对比度最佳，信号强度稳定，减少了运动伪影的干扰，并且准确反映了肿瘤的血管生成和通透性。这样可以提高图像分析的准确性和一致性，确保研究结果的可靠性。另一方面，TNBC具有高度侵袭性和快速生长的特点，早期增强通常更为明显，从而有助于清晰地识别肿瘤的边界和特征^[²³^,²⁴^]。最终，选取7个影像组学特征构建第2期DCE-MRI模型，其训练集的AUC为0.823，测试集的AUC为0.810，本研究所构建的第2期DCE-MRI模型，与此前研究结果大致相符，进一步验证了本研究的准确性。

3.2 基于DKI参数图的影像组学模型预测TNBC的价值

DKI是基于组织内水分子非高斯分布的一种成像技术，由于DKI是运用更高阶的四阶三维模式描述水分子的扩散，它对水分子扩散不均一性相当敏感，与传统DWI相比，DKI能更真实地反映肿瘤的微观特性^[²⁵^,²⁶^]。目前，关于DKI在乳腺癌的研究中多为定量研究。研究表明，MD值低表明水分子扩散受限，通常与细胞密度高或组织结构致密相关；而MD值高则意味着水分子在组织中扩散较为自由，通常与细胞密度低或组织破坏相关^[²⁷^]。TNBC通常表现出高度的细胞异质性和较高的细胞增殖，肿瘤内部可能存在坏死区、囊性区等，而且TNBC肿瘤微环境中的血管生成和免疫细胞浸润等因素会提高水分子的扩散能力，因此TNBC通常显示出较高MD值^[¹⁶^]。MK值主要与肿瘤细胞密度、组织复杂性以及细胞外基质的变化等因素有关。TNBC通常表现为肿瘤细胞密度和组织复杂性增加，这些因素都可导致MK值增高^[²⁸^,²⁹^]。但也有研究发现，TNBC的MK值通常较低，这可能是由于其高血管密度克服了与高细胞密度相关的非高斯扩散，从而导致MK值降低^[³⁰^]。这种差异可能是由于不同研究中b值的选择和ROI勾画方式不同。本研究发现MD模型的预测效能与MK模型相当，这可能是因为两者均能够敏感地反映组织微观结构的变化特征，从而在TNBC的诊断中提供相似的价值。

3.3 联合模型（DCE-MRI+MD+MK）预测TNBC的价值

史志涛等^[³¹^]通过对148例患者的研究，利用DKI联合DCE-MRI的定量参数预测TNBC，其AUC达到0.834。WANG等^[¹⁶^]通过对130例患者的研究，利用DCE-MRI联合DKI的定量参数预测TNBC，其AUC是0.805。与此前的研究相比，本研究纳入的试验指标更加全面，不仅结合了多模态影像数据，还采用了先进的影像组学分析方法，从而提供了更丰富的特征信息。本研究基于DCE-MRI和DKI参数图构建了影像组学联合模型（DCE-MRI+MD+MK），其在测试集中的AUC是0.884，其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。结合临床特征构建列线图模型的AUC和DCA与影像组学联合模型（DCE-MRI+MD+MK）大致相仿，且两者优于临床模型。研究结果表明，DCE-MRI联合DKI参数图的影像组学模型诊断效能高于单一序列构建的模型。这可能是因为联合模型（DCE-MRI+MD+MK）能够从不同维度提取和分析丰富的特征信息，这些特征信息相互补充，使得模型能够更全面地捕捉病变组织的差异。此外，DCE-MRI联合DKI参数图的影像组学模型的AUC高于DCE-MRI联合DWI的影像组学模型，显示出更高的诊断效能，对TNBC的诊断更具帮助^[³²^]。

3.4 影像组学模型的构建

影像组学是通过无创的手段从医学影像图像中获取难以用肉眼识别的高维数据，并结合人工智能算法对这些数据进行深入分析，从而揭示疾病的分子特征、病理变化及其潜在的生物标志物^[³³^]。本研究通过DCE-MRI和DKI参数图的联合模型（DCE-MRI+MD+MK）筛选出与TNBC相关的21个影像组学特征，包括1个高阶特征、1个形状特征、9个纹理特征和10个一阶统计量特征，其中以一阶统计量特征和纹理分析特征占据了较大的比例，显示出两者在预测模型中的重要性。本研究采用了LR分类器进行模型构建，结果显示测试集和训练集的拟合度较好。

最后，使用5折交叉验证法进行验证，5折交叉验证是一种常用的模型验证技术，旨在评估模型的泛化能力和稳定性。具体步骤包括：首先将整个数据集随机等分为五组；然后依次选择其中一组数据作为测试集，其余四组数据作为训练集进行模型训练；接着使用训练好的模型对测试集进行预测，并记录性能指标（如AUC）；重复上述过程五次，每次分别选择不同的组别作为测试集，其余4组作为训练集；最后计算五个模型性能指标的平均值，作为模型的最终性能评估结果。这种方法通过多次分割和训练，有效减少了过拟合风险，使模型更具泛化能力。同时，通过使用多个训练集和测试集，减少了单一划分可能带来的偏差，提供了更可靠的模型性能评估。我们使用了5折交叉验证，结果显示各模型在训练集和测试集中的AUC接近，证明了模型的具有良好的重复性。

3.5 局限性

首先，样本量较小，可能限制结果的普遍适用性。其次，影像参数的获取和分析需要高水平的技术支持，可能限制其在实际临床中的广泛应用。此外，研究中未考虑患者的临床背景和其他可能影响结果的因素，如基因突变等。

4 结论

综上所述，DCE-MRI联合DKI参数图的影像组学模型在预测TNBC中具有重要的潜在价值。与传统的DCE诊断序列相比，DCE-MRI联合DKI参数图的影像组学模型可以在术前无创、有效地预测TNBC，有助于临床对TNBC的诊断、早期治疗及改善预后。

参考文献

[1]

SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. DOI: 10.3322/caac.21660.

[2]

Global cancer burden growing, amidst mounting need for services[J]. Saudi Med J, 2024, 45(3): 326-327. DOI: 10.3322/caac.21660.

[3]

SIEGEL R L, MILLER K D, JEMAL A. Cancer statistics, 2020[J]. CA Cancer J Clin, 2020, 70(1): 7-30. DOI: 10.3322/caac.21590.

[4]

CHOI Y, KIM S H, YOUN I K, et al. Rim sign and histogram analysis of apparent diffusion coefficient values on diffusion-weighted MRI in triple-negative breast cancer: Comparison with ER-positive subtype[J/OL]. PLoS One, 2017, 12(5): e0177903 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/28542297/. DOI: 10.1371/journal.pone.0177903.

[5]

DENT R, TRUDEAU M, PRITCHARD K I, et al. Triple-negative breast cancer: clinical features and patterns of recurrence[J]. Clin Cancer Res, 2007, 13(15Pt 1): 4429-4434. DOI: 10.1158/1078-0432.CCR-06-3045.

[6]

YIN L, DUAN J J, BIAN X W, et al. Triple-negative breast cancer molecular subtyping and treatment progress[J/OL]. Breast Cancer Res, 2020, 22(1): 61 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/32517735/. DOI: 10.1186/s13058-020-01296-5.

[7]

TONG L, YU X L, WANG S, et al. Research progress on molecular subtyping and modern treatment of triple-negative breast cancer[J/OL]. Breast Cancer, 2023, 15: 647-658 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/37644916/. DOI: 10.2147/BCTT.S426121.

[8]

JOCHELSON M. Advanced imaging techniques for the detection of breast cancer[J/OL]. Am Soc Clin Oncol Educ Book, 2012: 65-69 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/24451711/. DOI: 10.14694/EdBook_AM.2012.32.223.

[9]

ZHONG Y Z, GUAN J T, MA Y F, et al. Role of imaging modalities and N-acetylcysteine treatment in sepsis-associated encephalopathy[J]. ACS Chem Neurosci, 2023, 14(11): 2172-2182. DOI: 10.1021/acschemneuro.3c00180.

[10]

TEH I, MCCLYMONT D, CARRUTH E, et al. Improved compressed sensing and super-resolution of cardiac diffusion MRI with structure-guided total variation[J]. Magn Reson Med, 2020, 84(4): 1868-1880. DOI: 10.1002/mrm.28245.

[11]

QI X, WANG W L, PAN S Y, et al. Predictive value of triple negative breast cancer based on DCE-MRI multi-phase full-volume ROI clinical radiomics model[J]. Acta Radiol, 2024, 65(2): 173-184. DOI: 10.1177/02841851231215145.

[12]

PANTHI B, MOHAMED R M, ADRADA B E, et al. Longitudinal dynamic contrast-enhanced MRI radiomic models for early prediction of response to neoadjuvant systemic therapy in triple-negative breast cancer[J/OL]. Front Oncol, 2023, 13: 1264259 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/37941561/. DOI: 10.3389/fonc.2023.1264259.

[13]

MA M M, GAN L Y, JIANG Y, et al. Radiomics analysis based on automatic image segmentation of DCE-MRI for predicting triple-negative and nontriple-negative breast cancer[J/OL]. Comput Math Methods Med, 2021, 2021: 2140465 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/34422088/. DOI: 10.1155/2021/2140465.

[14]

KANG H S, KIM J Y, KIM J J, et al. Diffusion kurtosis MR imaging of invasive breast cancer: correlations with prognostic factors and molecular subtypes[J]. J Magn Reson Imaging, 2022, 56(1): 110-120. DOI: 10.1002/jmri.27999.

[15]

GOLDHIRSCH A, WOOD W C, COATES A S, et al. Strategies for subtypes: dealing with the diversity of breast cancer: highlights of the St. Gallen international expert consensus on the primary therapy of early breast cancer 2011[J]. Ann Oncol, 2011, 22(8): 1736-1747. DOI: 10.1093/annonc/mdr304.

[16]

WANG W W, LV S Q, XUN J, et al. Comparison of diffusion kurtosis imaging and dynamic contrast enhanced MRI in prediction of prognostic factors and molecular subtypes in patients with breast cancer[J/OL]. Eur J Radiol, 2022, 154: 110392 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/35679701/. DOI: 10.1016/j.ejrad.2022.110392.

[17]

XU A Q, CHU X F, ZHANG S J, et al. Prediction breast molecular typing of invasive ductal carcinoma based on dynamic contrast enhancement magnetic resonance imaging radiomics characteristics: a feasibility study[J/OL]. Front Oncol, 2022, 12: 799232 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/35664741/. DOI: https://pubmed.ncbi.nlm.nih.gov/35664741/10.3389/fonc.2022.799232.

[18]

HUANG T, FAN B, QIU Y Y, et al. Application of DCE-MRI radiomics signature analysis in differentiating molecular subtypes of luminal and non-luminal breast cancer[J/OL]. Front Med, 2023, 10: 1140514 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/37181350/. DOI: 10.3389/fmed.2023.1140514.

[19]

HUANG G L, DU S Y, GAO S, et al. Molecular subtypes of breast cancer identified by dynamically enhanced MRI radiomics: the delayed phase cannot be ignored[J/OL]. Insights Imaging, 2024, 15(1): 127 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/38816553/. DOI: 10.1186/s13244-024-01713-9.

[20]

SHENG W Y, XIA S L, WANG Y R, et al. Invasive ductal breast cancer molecular subtype prediction by MRI radiomic and clinical features based on machine learning[J/OL]. Front Oncol, 2022, 12: 964605 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/36172153/. DOI: 10.3389/fonc.2022.964605.

[21]

林倩, 陈爱华, 张婷婷. DCE-MRI纹理分析对乳腺癌分子分型的诊断价值[J]. 磁共振成像, 2023, 14(12): 40-48. DOI: 10.12015/issn.1674-8034.2023.12.007.

LIN Q, CHEN A H, ZHANG T T. Diagnostic value of DCE-MRI texture analysis for molecular typing of breast cancer[J]. Chin J Magn Reson Imag, 2023, 14(12): 40-48. DOI: 10.12015/issn.1674-8034.2023.12.007.

[22]

吴韧, 李新宇, 陈随, 等. 基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值[J]. 医学研究与战创伤救治, 2023, 36(4): 375-381. DOI: 10.16571/j.cnki.2097-2768.2023.04.007.

WU R, LI X Y, CHEN S, et al. Diagnostic value of intratumoral and peritumoral radiomics model based on DCE-MRI in predicting the triple-negative breast cancer[J]. J Med Res Combat Trauma Care, 2023, 36(4): 375-381. DOI: 10.16571/j.cnki.2097-2768.2023.04.007.

[23]

LI S P, PADHANI A R, JANE TAYLOR N, et al. Vascular characterisation of triple negative breast carcinomas using dynamic MRI[J]. Eur Radiol, 2011, 21(7): 1364-1373. DOI: 10.1007/s00330-011-2061-2.

[24]

YOUK J H, SON E J, CHUNG J, et al. Triple-negative invasive breast cancer on dynamic contrast-enhanced and diffusion-weighted MR imaging: comparison with other breast cancer subtypes[J]. Eur Radiol, 2012, 22(8): 1724-1734. DOI: 10.1007/s00330-012-2425-2.

[25]

ZHANG D D, GENG X C, SUO S T, et al. The predictive value of DKI in breast cancer: Does tumour subtype affect pathological response evaluations?[J/OL]. Magn Reson Imaging, 2022, 85: 28-34 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/34662700/. DOI: 10.1016/j.mri.2021.10.013.

[26]

JENSEN J H, HELPERN J A, RAMANI A, et al. Diffusional kurtosis imaging: the quantification of non-Gaussian water diffusion by means of magnetic resonance imaging[J]. Magn Reson Med, 2005, 53(6): 1432-1440. DOI: 10.1002/mrm.20508.

[27]

ZHOU W P, ZAN X Y, HU X Y, et al. Characterization of breast lesions using diffusion kurtosis model-based imaging: an initial experience[J]. J Xray Sci Technol, 2020, 28(1): 157-169. DOI: 10.3233/XST-190590.

[28]

WANG W W, ZHANG X D, ZHU L M, et al. Prediction of prognostic factors and genotypes in patients with breast cancer using multiple mathematical models of MR diffusion imaging[J/OL]. Front Oncol, 2022, 12: 825264 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/35174093/. DOI: 10.3389/fonc.2022.825264.

[29]

CHEN K W, YU C X, PAN J L, et al. Prediction of the Nottingham prognostic index and molecular subtypes of breast cancer through multimodal magnetic resonance imaging[J/OL]. Magn Reson Imaging, 2024, 108: 168-175 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/38408689/. DOI: 10.1016/j.mri.2024.02.012.

[30]

刘诗晗, 邵硕, 魏坤杰, 等. 动态对比增强MRI联合扩散峰度成像对预测三阴性乳腺癌的诊断价值[J]. 磁共振成像, 2023, 14(5): 110-115. DOI: 10.12015/issn.1674-8034.2023.05.020.

LIU S H, SHAO S, WEI K J, et al. Diagnostic value of DCE-MRI combined with DKI in predicting the triple negative breast cancer[J]. Chin J Magn Reson Imag, 2023, 14(5): 110-115. DOI: 10.12015/issn.1674-8034.2023.05.020.

[31]

史志涛, 何雪琦, 邵凯, 等. 扩散峰度成像联合动态增强磁共振成像对乳腺癌不同分子分型的诊断价值[J]. 临床放射学杂志, 2023, 42(7): 1087-1092. DOI: 10.13437/j.cnki.jcr.2023.07.031.

SHI Z T, HE X Q, SHAO K, et al. Prediction of the expression of molecular subtypes in breast cancer based on diffusion kurtosis imaging and dynamic contrast enhancement imaging[J]. J Clin Radiol, 2023, 42(7): 1087-1092. DOI: 10.13437/j.cnki.jcr.2023.07.031.

[32]

LEITHNER D, MAYERHOEFER M E, MARTINEZ D F, et al. Non-invasive assessment of breast cancer molecular subtypes with multiparametric magnetic resonance imaging radiomics[J/OL]. J Clin Med, 2020, 9(6): 1853 [2024-09-23]. https://pubmed.ncbi.nlm.nih.gov/32545851/. DOI: 10.3390/jcm9061853.

[33]

赵晓萌, 邵硕, 郑宁, 等. IVIM、DKI联合DCE-MRI的影像组学在预测乳腺癌HER-2表达状态中的应用价值[J]. 磁共振成像, 2024, 15(7): 105-111. DOI: 10.12015/issn.1674-8034.2024.07.018.

ZHAO X M, SHAO S, ZHENG N, et al. Application value of IVIM, DKI and DCE-MRI radiomics predicting HER-2 expression in breast cancer[J]. Chin J Magn Reson Imag, 2024, 15(7): 105-111. DOI: 10.12015/issn.1674-8034.2024.07.018.

上一篇 心脏磁共振特征追踪技术对冠状动脉旁路移植术前后心肌力学功能改变的对比研究

下一篇 Gd-EOB-DTPA增强MRI影像组学预测肝细胞癌Glypican-3阳性表达的价值