0 引言

       乳腺癌（breast cancer, BC）已成为影响妇女健康的最常见的肿瘤，也是全球女性肿瘤死亡率最高的癌种^{[1, 2]}。治疗前准确区分BC亚型能够为临床医师准确预测预后并为治疗策略的制订提供重要信息。根据四种受体的表达水平，即雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、人类表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）和Ki-67表达的高低，BC亚型分为管腔上皮A型（Luminal A）、管腔上皮B型（Luminal B）、富含HER-2和三阴型^{[3, 4]}。管腔亚型（Luminal）占大多数，约占浸润性BC的70%，它们对激素受体靶向治疗最为敏感^{[5, 6]}，因而预后较好；而非管腔亚型（Non-Luminal）更具侵袭性，与Luminal型相比预后较差，并且有较高的远处转移率、局部复发率和更低的生存率^[7]。目前，对BC分子亚型的评估通常依赖穿刺活检术，但穿刺活检是一种有创性操作，并且可能由于肿瘤组织的采样不足导致穿刺结果不准确。因此，迫切需要在术前确定一种无创、可靠的方法来区分BC患者Luminal型和Non-Luminal型，实现BC的精准治疗。

       血细胞参数可能通过反映机体炎症状态、肿瘤负荷、免疫应答和分子特征等方面，为BC的分子分型提供辅助信息。研究表明，三阴性和HER-2阳性的BC患者常表现出较高的中性粒细胞-淋巴细胞比率（neutrophil lymphocyte ratio, NLR）、血小板-淋巴细胞比率（platelet lymphocyte ratio, PLR），可能与肿瘤的侵袭性和免疫抑制微环境相关^[8]。另一项研究发现HER-2过表达型BC患者的血小板计数和平均血小板体积较高，提示血小板参数可能反映肿瘤生物学特性^[9]。KAYTAZ TEKYOL等^[10]研究比较了Luminal A/B亚型患者的全身炎症标志物（如C反应蛋白、NLR），发现高炎症水平与Luminal B型的不良预后相关。这些研究提示血细胞参数与BC分子分型存在显著关联，可能用于BC患者的辅助诊断、预后评估或治疗策略制订。

       既往研究报道^{[11, 12]}，大量的临床生物标志物与肿瘤微环境和肿瘤免疫逃逸相关。除了这些生物标志物，影像组学采用高通量技术从影像图像中提取丰富的信息，并对这些数据进行深入挖掘、预测和分析，从而反映肿瘤整体的生物学信息，为临床科学决策提供参考。目前影像组学已被用于非侵入性评估肿瘤内在异质性，并广泛应用于疾病诊断、鉴别诊断、预后预测和治疗反应评估^[13]。磁共振成像（magnetic resonance imaging, MRI）具有较高的软组织分辨率，基于MRI的影像组学在BC新辅助化疗疗效预测、分子亚型鉴定、转移性前哨淋巴结预测及乳腺良恶性肿瘤鉴别等方面显示出巨大潜力^{[14, 15, 16]}。动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）具有较高的空间分辨率，在发现乳腺病变尤其是致密性乳腺病变时具有较高的敏感性，此外DCE-MRI可以通过病变血流动力学特征间接反映肿瘤内部血管异常增殖^[17]。LEITHNER等^[18]证明DCE-MRI影像组学可区分Luminal型和三阴型BC，但该研究纳入样本量较少；NIU等^[19]证明，在区分BC管腔亚型时，联合瘤内及瘤周影像组学特征的模型预测效能要优于肿瘤内或肿瘤周围区域的组学模型，但模型在验证集的预测效能欠佳。上述研究已揭示了DCE-MRI预测BC分子亚型的潜在价值。

       因此，本研究首次提出基于DCE-MRI影像组学特征及血细胞参数构建联合模型，并评估模型对Luminal型和Non-Luminal型BC的早期预测价值，以期对BC患者术前分子分型的确定以及针对性治疗提供一定的帮助。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经四川省肿瘤医院科学研究管理委员会的批准，免除受试者知情同意，批准文号：SCCSMC-01-2024-119。回顾性分析2017年9月至2020年12月期间在我院经病理证实的女性BC患者的临床影像资料。纳入标准：（1）术前接受乳腺DCE-MRI检查；（2）未接受过任何抗肿瘤治疗；（3）具有完整的病理结果及免疫组化信息；（4）无其他恶性肿瘤病史。排除标准：（1）因运动伪影导致的图像模糊，病变与周围组织分界不清，难以准确勾画病灶；（2）DCE-MRI图像上显示多发肿块；（3）乳腺病灶太小（<1 cm），无法准确勾画。此外，将入组患者的年龄、月经状态、MRI图像特征、组织学类型及治疗前血细胞参数纳入到临床资料统计分析。最终共纳入227例患者的临床影像资料进行研究。

1.2 BC分子分型及分组

       从手术病理报告中获得组织病理学和免疫组化结果。本研究中Ki-67阳性定义为≥20%染色。ER和PR阳性定义为>1%染色。如果免疫组化染色结果为3+，则认为HER-2表达阳性。若HER-2结果为2+，则需要进一步通过荧光原位杂交进行确认^{[20, 21]}。根据ER、PR、Ki-67和HER-2的状态将所有患者分为两组，即Luminal型和Non-Luminal型。

1.3 治疗前血细胞参数

       从电子病历中提取患者治疗前的血细胞参数，包括白细胞（white blood cell, WBC）、中性粒细胞（granulocyte, GR）、淋巴细胞（lymphocyte, LYMP）、单核细胞（monocyte, MON）、嗜酸性粒细胞（eosinophils, Eo）、嗜碱性粒细胞（basophil granulocyte, Bo）、血红蛋白（hemoglobin, Hb）、血小板（platelet, PCT）、钾（potassium, Po）、钠（sodium, So）、氯（chlorine, CH）、钙（calcium, Ca）、乳酸脱氢酶（lactic dehydrogenase, LDH）。

1.4 图像采集

       所有患者均在3.0 T MRI扫描仪（Skyra，西门子，德国）上使用16通道乳房线圈接受DCE-MRI检查。扫描前通过呼吸训练稳定患者的呼吸，以此提高图像质量。患者俯卧位，双乳自然悬置于线圈内。DCE-MRI扫描采用26期CAIPIRINHA-Dixon-TWIST-VIBE序列（西门子，德国），扫描参数如下：TR 5.64 ms，TE 2.46 ms，回波链长度（echo train length, ETL）32，激励次数（number of excitation, NEX）1，FOV 360 mm×360 mm，层厚2.5 mm；无间隙，矩阵269×384，翻转角10°，采集类型3D，时间分辨率12.0 s/相；扫描时间为5 min 12 s。对比剂使用钆喷酸葡胺（Gd-DTPA，北京北陆药业股份有限公司，中国），剂量为0.2 mmol/kg，经前臂肘静脉注射，流率2.5 mL/s，随后等速注射20 mL生理盐水冲管。

1.5 图像分析

       两名分别有5年和8年乳腺影像诊断经验的住院医师和副主任医师分析所有患者的MRI图像，采用美国放射学会乳腺影像报告和数据系统第五版标准，且他们均不知道患者的病理结果。在DCE-MRI增强后第1期评估了每个病灶的以下MRI形态特征：肿块形态（椭圆形、圆形或不规则）、病灶类型（肿块或非肿块样强化）、肿块边缘（清晰或不规则、毛刺）和病灶强化方式（均匀或不均匀）。若两位医生评价存在差异，则通过咨询第三位在乳腺成像方面有23年经验的主任医师解决。

1.6 病灶分割

       从PACS系统上导出所有入组患者的DCE-MRI DICOM格式图像。使用ITK-SNAP软件（3.8.0版，http://www.itksnap.org）分割图像。由两名具有5年和8年乳腺影像诊断经验的住院医师和副主任医师在DCE-MRI增强后第5期图像上对肿瘤瘤体进行逐层手动勾画，获得感兴趣区（region of interest, ROI）。绘制ROI时避免BC瘤体囊变和坏死的区域。图1显示了DCE-MRI图像及其对应的ROI。

点击查看大图

图1  女，38岁，乳腺癌患者。采用ITK-SNAP软件手动勾画ROI。1A：乳腺DCE-MRI图像；1B：箭头所示为ROI。ROI：感兴趣区；DCE-MRI：动态对比增强磁共振成像。
Fig. 1  A 38-year-old female with breast cancer. Manually delineation of region of interest (ROI) using the ITK-SNAP software. 1A: Breast DCE-MRI image; 1B: Tumor ROI delineation. ROI: region of interest; DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging.

1.7 影像组学特征提取

       本研究使用已经注册、获得批准的由GE公司开发的人工智能工具包（artificial intelligence kit，A. K，3.4.0版，美国）。用A. K软件对所获得的ROI提取特征，包括：（1）形状学特征；（2）一阶特征；（3）灰度共生矩阵（gray level co-occurrence matrix, GLCM）；（4）灰度行程矩阵（gray level run length matrix, GLRLM）；（5）邻域灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）；（6）灰度依赖矩阵（gray level dependence matrix, GLDM）；（7）灰度区域大小矩阵（gray level size zone, GLSZM）。

1.8 特征筛选、模型构建及统计分析

       统计分析使用Medcalc（18. 2. 1版，https://www.medcalc.org）、SPSS（26. 0版，https://www.ibm.com/spss）及R语言（4.0.3版，https://www.r-project.org）。入组患者按7∶3比例随机分为训练集（n=162）和验证集（n=65），组内相关系数（inter- and intra- class correlation coefficient, ICC）用于评价观察者间及观察者内的一致性，ICC大于0.75的影像组学特征被定义为稳定的特征。首先，使用Mann-Whitney U检验选择Luminal和Non-Luminal患者之间差异具有统计学意义的特征，P<0.05的特征被保留为潜在的预测特征；其次，通过Spearman相关系数计算特征之间的相关性，保留相关系数>0.9的特征；最后采用最小绝对收缩和选择算法（least absolute shrinkage and selection operator, LASSO）^[22]，通过调整λ值，并进行10折交叉验证，保留最佳组学特征。根据筛选的特征及相应的系数，计算并得到影像组学标签（radiomic score, Rad_score），每个患者的Rad_score是所选特征按其系数加权的线性组合，并用公式（1）表示。

       Intercept和Feature是LASSO回归产生组学特征对应的截距和特征值，coefficient是特征的回归系数。

       临床参数（临床病理特征、血细胞参数）的最佳截断值由受试者工作特征（receiver operating characteristic, ROC）曲线和最大约登指数决定。分类变量的组间比较采用χ²检验。二元logistic分析分别建立Rad_score模型、临床参数模型、临床参数+Rad_score模型。以P<0.05为差异具有统计学意义。采用Medcalc软件绘制ROC曲线，并计算曲线下面积（area under the curve, AUC）、敏感度、特异度、阳性预测值和阴性预测值。DeLong检验^[23]对各模型的AUC进行比较分析。Hosmer-Lemeshow检验评估模型的校正性能。采用决策曲线来评估模型的临床实用性。本研究分别使用以下R包：irr包用于ICC分析，glmnet用于LASSO特征选择及逻辑回归模型构建，rms包用于列线图及校准曲线绘制，ResourceSelection包用于Hosmer-Lemeshow检验，rmda包用于决策曲线分析。

2 结果

2.1 临床病理信息及影像特征比较

       本研究共纳入227例BC患者，Luminal型组139例，Non-Luminal型组88例。训练集中Luminal型99例，Non-Luminal型63例；验证集中Luminal型40例，Non-Luminal型25例。临床因素组间比较结果见表1。在训练集和验证集中，Rad_score在Luminal型及Non-Luminal型组间的差异均具有统计学意义（P<0.001）。

点击查看表格

表1  训练集和验证集患者的一般情况及临床病理特征
Tab. 1  Clinicopathological characteristics of patients in the training and validation sets

2.2 血细胞参数组间比较

       在训练集中，WBC、GR、MON、Eo、Bo、Hb、PCT、CH、LDH、NLR、PLR在Luminal及Non-Luminal组之间的差异具有统计学意义（P<0.05）（表2）。

点击查看表格

表2  训练集和验证集患者的血细胞参数
Tab. 2  Hematological parameters of patients in the training and validation sets

2.3 模型构建

       使用A. K软件总共提取了104个特征，通过Mann-Whitney U检验、Spearman相关分析及 LASSO特征筛选后，最终保留了2个组学特征。随后我们用二元logistic分析建立了三个模型，分别为模型1（影像组学）、模型2（血细胞参数）、模型3（影像组学+血细胞参数）。计算公式见式（1）~（3）：

       模型1（Rad_score）=6.217-26.222×GLRLM_ShortRunEmphasis-0.018×

       模型3（影像组学+血细胞参数)=0.688+0.866×PCT+0.891×

2.4 各模型的预测性能评价

       三个模型在训练集及验证集中的AUC值、敏感度、特异度、阳性预测值和阴性预测值结果见表3。模型3在训练集中的AUC值、敏感度、特异度、阳性预测值、阴性预测值分别为0.840（0.774~0.893）、87.9%、71.4%、82.9%和78.9%，在验证集对应的值分别为0.818（0.703~0.903）、87.5%、68.0%、81.3%和77.2%。ROC曲线如图2所示。同时，模型3的列线图及校准曲线如图3所示。

       DeLong检验结果显示，在训练集及验证集中，模型1的AUC均高于模型2（0.817 vs. 0.636，0.838 vs. 0.515，P=0.001和P<0.001），同时模型3的AUC均高于模型2（0.840 vs. 0.636，0.818 vs. 0.515，P值均<0.001）（表4）。

       Hosmer-Lemeshow检验示三个模型在训练和验证集中均具有较好的校正性能（P值均>0.05）。决策曲线示三个模型在鉴别Luminal和Non-Luminal均有明确临床获益，并且模型3、模型1优于模型2（图4）。

点击查看大图

图2  训练集及验证集受试者工作特征（ROC）曲线。2A：训练集；2B：验证集。图中数据为曲线下面积（AUC）及其95%置信区间值。模型1：影像组学；模型2：血细胞参数；模型3：影像组学＋血细胞参数。
Fig. 2  Receiver operating characteristic curves (ROC) of three models in the training and validation set. 2A: The training set; 2B: The validation set. The data in the figure represents the area under the curve (AUC) and its 95% confidence interval value. Model 1: radiomics; Model 2: hematological parameters; Model 3: radiomics + hematological parameters.

点击查看大图

图3  模型3的列线图（3A）及校准曲线（3B）。PCT：血小板；LDH：乳酸脱氢酶；Rad_score：影像组学标签。
Fig. 3  Nomogram (3A) and calibration curve (3B) of Model 3. PCT: platelet; LDH: lactic dehydrogenase; Rad_score: radiomic score.

点击查看大图

图4  决策曲线示三个模型在鉴别Luminal和Non-Luminal均有明确临床获益，并且模型3、模型1优于模型2。模型1：影像组学；模型2：血细胞参数；模型3：影像组学＋血细胞参数。
Fig. 4  The decision curve shows that the three models have clear clinical benefits in distinguishing luminal from non-luminal, and the Model 3 and Model 1 are both more beneficial than Model 2 in clinical practice. Model 1: radiomics; Model 2: hematological parameters; Model 3: radiomics + hematological parameters.

点击查看表格

表3  训练集及验证集3个模型区分Luminal型和Non-Luminal型BC的诊断效能结果
Tab. 3  Diagnostic performance of three models for distinguishing luminal from non-luminal breast cancer in the training and validation sets

点击查看表格

表4  训练集及验证集3个模型预测性能比较
Tab. 4  Comparison of prediction performance of three models in training and validation sets

3 讨论

       本研究首次提出基于DCE-MRI影像组学及血细胞参数构建联合模型，评估模型预测Luminal型和Non-Luminal型BC患者的价值。结果显示影像组学、PCT及LDH与BC的分子分型显著相关，并且影像组学及血细胞参数建立的联合模型对早期预测BC的分子亚型有较好的诊断效能，同时基于联合模型构建的列线图对BC分子亚型的鉴别具有良好的区分度和临床实用价值，该模型为临床对BC进行术前分子分型与针对性治疗提供了参考。

3.1 基于影像组学预测BC分子亚型的价值

       Luminal型BC对内分泌治疗反应良好，具有较低的复发风险和较好的预后；相比之下，Non-Luminal型BC对化疗更为敏感，但易发生远处转移，因而复发风险较高，预后相对较差。目前，BC分子亚型的金标准依赖于有创性的病理检查。然而，这种方法存在一定局限性：首先，术前活检只能获取局部病变组织，可能会错误判断BC的分子亚型；其次，即使由经验丰富的乳腺病理专家进行评估，仍可能存在观察者间差异。因此，无创、可靠地鉴别BC患者的分子亚型对制定个体化治疗方案具有重要的临床意义。

       影像组学可以从医学图像中提取高通量特征，反映肿瘤的形态及分子特征^[24]。既往研究基于数字乳腺X线摄影的影像组学进行BC分子亚型的预测，但该方法存在以下不足：（1）二维成像方式易因乳腺组织重叠而掩盖细微病变；（2）无法提供肿瘤血供信息，只能反映病灶形态学特点；（3）检查过程中需要对乳房进行压迫，可能引起患者不适；（4）存在电离辐射。这些局限性促使研究者们寻求更安全、准确的分子分型预测方法。

       MRI影像组学有无创预测BC分子亚型的潜力，且检查过程无电离辐射伤害，对患者临床诊断、个体化治疗方式的选择及预后评估有一定的价值。目前已有研究表明MRI影像组学预测BC分子亚型具有可行性及临床意义。LI等^[25]研究表明，基于MRI影像组学可以区分HER-2阳性和HER-2阴性，三阴性和其他亚型BC，但AUC仅为0.65和0.67。HUANG等^[26]研究表明，MRI影像组学可以区分Luminal型Non-Luminal型BC，验证集中的AUC为0.80，但该研究仅纳入135名患者，因此很难准确评估影像组学的可行性。在另一项研究中，FENG等^[27]证明逻辑回归分类器可以用于区分Luminal型和Non-Luminal型BC，验证集中的AUC范围为0.571~0.718。

       本研究结果表明，基于DCE-MRI影像组学模型在鉴别Luminal和Non-Luminal型BC患者的整体诊断效能较好，训练集及验证集的AUC分别为0.840和0.818，这与HUANG等^[26]、WU等^[28]的研究结果相仿。Luminal和Non-Luminal型BC由于遗传和结构差异，二者间具有较大的肿瘤异质性。在DCE-MRI图像中表现为更大的灰度变化和不同的纹理特性，而这种变化可以通过影像组学来分析。本研究表明，Luminal和Non-Luminal型BC在DCE-MRI图像上表现出不同的组学特征。模型3里面包含的2个纹理特征可用于全面量化不同方向、不同空间尺度上的肿瘤异质性，包括灰度行程矩阵短游程长度GLRLM_ShortRunEmphasis和灰度依赖矩阵高度依赖低灰度强调GLDM_LargeDependenceLowGrayLevelEmphasis。GLRLM_ShortRunEmphasis主要描述像素值的分布情况，是短游程长度分布的度量，该值越大，即像素分布越不均匀，表示行程长度越短，纹理越细，我们研究结果显示Luminal型具有较高的ShortRunEmphasis，表明Luminal型BC在肿瘤内区域具有更精细的纹理和更小的肿瘤异质性。GLDM_LargeDependenceLowGray LevelEmphasis是测量图像中灰度值较低的较大尺寸区域的联合分布比例，描述图像中的灰度相关性，是基于中心像素或体素与其邻近区域之间的灰度关系。我们研究结果显示Non-Luminal型BC具有更高的LargeDependenceLowGrayLevelEmphasis，表明Non-Luminal型BC具有更大的肿瘤异质性。

3.2 ROI绘制对肿瘤组学特征的影响

       本研究中，ROI的绘制避开了肿瘤的囊变和坏死区域。和肿瘤组织相比，囊性变和坏死区域通常代表肿瘤的退化或非活跃部分，可能不反映肿瘤的真实生物学特征。该区域的影像特征可能干扰肿瘤组学特征的提取，导致分析结果不准确。因此，在绘制ROI时若不避开囊性变和坏死区域可能导致提取的组学特征包含非肿瘤活跃区域的信息，降低特征提取的准确性，影响模型的预测性能，导致预测结果不准确。此外，非肿瘤活跃区域的特征可能使生物学解释出现偏差，影响对肿瘤生物学行为的理解。然而，避开非肿瘤活跃区域可能忽略部分肿瘤异质性信息，未来的研究可以结合多模态影像数据或生境分析等技术，在不避开这些区域的情况下，仍能准确提取肿瘤组学特征，以更全面地反映肿瘤的异质性。

3.3 血细胞参数纳入研究的意义

       既往研究报道显示，机体对肿瘤的免疫应答及由此产生的全身炎性反应与BC的发生、发展及转移关系紧密。在临床常规检查项目，PCT检测是最简单快捷及有效反应机体炎症的方法，能够直接提供血小板分布宽度、血小板计数、血小板容积及平均血小板体积。BC患者可能会分泌某种因子^{[29, 30]}，消耗或破坏血液中的PCT，抑制PCT的释放，故而血液中PCT降低，若肿瘤被切除，抑制被解除后PCT释放多，临床表现为PCT上升^[31]。本研究结果表明，与Non-Luminal型BC相比，Luminal型BC具有较高水平的PCT，说明它通过释放生长因子和介导肿瘤细胞与血管内皮的相互作用较弱，因而Luminal型BC生长较缓慢，侵袭性较低，这与其较低的转移倾向和较好的预后一致。作为糖酵解途径中的最终酶，LDH可催化丙酮酸和乳酸的相互转化。相对于邻近的正常细胞，BC细胞中LDH的基因表达和活性更高。研究表明BC患者中LDH的上调通常与疾病进展和不良预后有关^{[32, 33]}，且LDH已作为BC新辅助化疗疗效预测指标^[34]。本研究结果表明，Non-Luminal型BC具有较高水平的LDH，说明它常表现出高度的代谢活性和糖酵解依赖性，导致LDH水平显著升高，而高LDH水平与肿瘤的快速进展、远处转移和不良预后密切相关。Luminal型BC通常依赖雌激素信号通路，代谢活性相对较低，LDH水平可能处于正常或轻度升高的范围。本研究中模型2（PCT+LDH）区分Luminal和Non-Luminal患者的诊断效能欠佳，训练集及验证集的AUC仅为0.636（0.556~0.710）和0.515（0.378~0.640）。虽然血细胞参数已被证实与肿瘤微环境和肿瘤免疫逃逸有关，但仅通过血细胞参数来区分Luminal和Non-Luminal患者的能力尚有待提高^{[35, 36]}，本研究中DeLong检验则证实了联合反应肿瘤异质性的影像组学特征后，模型3的AUC显著提高（0.840 vs. 0.636，0.818 vs. 0.515，P值均<0.001）。虽然模型3的预测性能显著提高，但模型的稳定性及泛化能力需要进一步验证。外部验证数据可以提供对模型性能的更真实估计，可以验证模型的鲁棒性和推广性。因此，将来我们的研究还需多中心、外部数据来验证并提高模型的诊断效能。

3.4 DCE-MRI组学特征联合血细胞参数构建列线图的价值

       本研究在既往研究的基础上，纳入了血细胞参数这一危险因素构建列线图，该预测模型在训练集和验证集均表现出了较佳的预测效能。列线图通过对逻辑回归建模的可视化，直观地展示了不同危险因素所占的权重，具有较好的可解释性和一定的临床应用价值，因此在BC的个体化治疗中为临床医生的决策制订提供了一定的参考依据。

3.5 局限性

       本研究还存在一定的局限性：（1）本研究为单中心的回顾性研究，可能存在选择偏倚，模型的泛化能力和稳定性有待多中心的研究进一步验证；（2）本研究仅采用DCE-MRI构建组学模型，其他更加先进的成像技术，如生镜成像、时间依赖弥散MRI可能蕴含不同的重要信息，未来与其整合构建联合模型仍有待研究。

4 结论

       综上所述，PCT、LDH可准确鉴别Luminal型和Non-Luminal型BC，联合以上因素及DCE-MRI影像组学特征构建的预测BC分子亚型的列线图在训练集和验证集均表现了较好的区分度，可以在术前无创、较好地预测Luminal型和Non-Luminal型BC，为临床医生术前指导治疗及预后评估提供一定的理论参考依据，有助于准确制订BC个体化的治疗方案。