0 引言

       乳腺非肿块强化（non-mass enhancement, NME）病变为不具有三维占位效应的病灶^[1]。根据2013版乳腺成像报告和数据系统（breast imaging reporting and data system, BI-RADS），NME是指在动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）上表现为与周围实质强化程度不同的区域，既非点灶状强化，也非肿块样强化，通常无显著占位效应，内部常夹杂脂肪或正常纤维腺体^[2]。其病理类型多样，涵盖了导管原位癌、浸润性癌等恶性病变，腺病、炎症等良性病变以及不典型增生等高危病变^{[3, 4, 5]}。相较于肿块样强化，NME被诊断为BI-RADS 4类的可能性更高^[6]。且相关报道称，NME的恶性病变频率为25.0%~83.6% ^[7]。近年来，随着MRI技术的发展，尤以功能成像、多模态融合技术以及AI算法的引入，为NME病变的诊断提供了全新的视角和方法。功能成像从代谢、血流等方面反映病变特征辅助医师初步判定病变性质；多模态融合技术则整合不同成像优势，弥补单一成像缺陷，显著提高了病变的诊断准确性；同时AI算法凭借强大数据处理和分析能力精准识别病变，大幅提升了诊断的精准度与可靠性。然而，该领域仍面临诸多挑战，例如技术标准化程度不足、样本选择存在偏倚、多模态数据整合存在瓶颈，以及AI模型的泛化能力有待提高等。目前尚缺乏系统性的综述探讨MRI技术在NME病变诊断中的应用价值。本文旨在通过整合MRI功能成像技术、多参数及多模态成像以及AI算法在NME病变诊断中的最新成果，剖析当前短板并探讨其未来研究方向，以期为后续研究提供参考。

1 MRI功能成像技术在NME病变中的应用

1.1 DCE-MRI

       DCE-MRI通过捕获病变组织与正常组织在对比剂注入后的信号强度差异，解析病灶的形态学与血流动力学特征。

       形态学方面，BI-RADS MRI依据NME病变的分布模式和强化特点对其进行描述，分布模式包括局灶、线样、段样、区域、多区域及弥漫分布6类；强化特点包括均匀、不均匀、集簇状、簇环状4类。多项研究表明，段样分布、簇环状强化多见于恶性病变，而线性、局灶样分布及均匀强化多见于良性病变。例如，LIU等^[8]在118例病变中发现线样、段样分布及簇环状强化在良恶性病变中分别占比1.8% vs. 19.4%、21% vs. 42.9%、4.8% vs. 33.9%（P<0.05）。AHMADINEJAD等^[9]研究了63例病变，其中所有簇环状强化的病变均为恶性、所有线性分布的病变均为良性，且段样、局灶样分布及均匀强化在良恶性病变中分别占比17.7% vs. 66.7%、53.3% vs. 22.2%、40% vs. 5.5%（P<0.05）。GARGIULO等^[10]在128例病变指出段样分布多见于恶性病变（P<0.001）；局灶样分布及均匀强化多见于良性病变（P=0.005，P<0.001）。同时，ZHOU等^[11]也在53个NME乳头状肿瘤中发现，乳头状瘤多呈线样分布（54.55%，18/33），乳头状癌多呈段样分布（50%，10/20）、簇环状强化（75%，15/20）。此外，王兵等^[12]通过107例NME病变证实，局灶样、段样分布及均匀、簇环状强化在良恶性病变中差异具有统计学意义（P<0.05），且段样分布、簇环状强化均是独立恶性预测因子（OR=3.889、15.367）。贺春燕等^[13]也在117例NME病变中发现段样分布及簇环状强化在恶性病变中最常见（P<0.05），并提出段样分布联合簇环状强化时，病灶的恶性概率明显升高（P=0.001），其阳性预测值（positive predictive value, PPV）达69.2%。同样的，LUNKIEWICZ等^[14]发现与其他分布方式相比，段样分布的PPV（62.5%）最高，且与簇环状强化联合后PPV进一步升至66.67%。上述研究不仅展示了形态学特征在NME病变诊断中的重要提示价值，亦展现了形态学特征的协同增效机制。

       血流动力学方面，BI-RADS MRI主要通过时间-信号强度曲线（time-signal intensity curve, TIC）对其进行描述，TIC主要分为：Ⅰ型（流入型）、Ⅱ型（平台型）、Ⅲ型（流出型）。研究发现，Ⅰ型多提示良性病变，Ⅲ型多提示恶性（P<0.05）^[8]。但也有研究者认为Ⅱ型更能提示恶性。例如，AYDIN等^[15]发现Ⅱ型在恶性病变中更多见（P=0.006），其PPV为34.1%。这表明TIC曲线类型在判别病变性质方面存在一定的价值，但不同类型曲线对于提示恶性病变的结论尚存在差异。此外，MARINO等^[16]探究了初始期和延迟期的TIC强化模式，发现大多良性病变在初始期表现出为缓慢或中等增强，大多恶性病变在延迟期表现为快速及平台增强。表明TIC曲线的早期强化模式可能有助于鉴别病变的良恶性。

       综上，DCE-MRI诊断NME病变时，依靠形态学分析提供关键线索，同时借助TIC辅助诊断，二者共同为NME病变的诊断提供依据。但目前在形态学方面，研究受限于样本量不足及病理类型构成存在差异；血流动力学方面，Ⅱ、Ⅲ型曲线对于恶性病变的指示作用尚未达成明确且统一的结论。尽管有研究证实TIC的早期强化模式可能更有助于鉴别病变的良恶性，但因扫描设备及参数的不同都可影响研究结果。故未来需开展多中心、大样本的标准化研究，统一扫描设备及参数，以充分挖掘DCE-MRI在NME病变诊断中的潜力，提高诊断的准确性和可靠性。

1.2 MRI灌注定量分析

       MRI灌注定量分析是一种借助DCE-MRI，通过测量血流量、血容量、平均通过时间及对比剂相关动力学参数，如容积转运常数（volume transfer constant, K^trans）、速率常数（rate constant, Kep）、血管间隙容积分数（vascular space volume fraction, Vp）、最大增强斜率（maximum slope of increase, MSI）等，对组织器官血流灌注状态进行量化评估的技术。宋超等^[17]发现K^trans、Kep、Vp在鉴别病变良恶性方面均有价值，其中以K^trans的曲线下面积（area under the curve, AUC）最高（AUC为0.79），但其样本量不足（83例），可能影响结果的代表性及参数评估的稳定性。李会芳等^[18]在90例病变中发现在良性病变中乳腺炎的K^trans更低（P=0.001），在恶性病变中导管原位癌的K^trans、Kep更低（P=0.001），并由此提出MRI灌注定量参数有助于诊断良恶性病变的具体病理类型。此外，赵霞等^[19]也在56例病变中发现Kep、K^trans、MSI诊断效能优异（准确度分别为90.3%、84.7%、86.1%），且发现Kep、K^trans等在恶性病变中显著高于良性病变（P<0.001），并对此解释可能与肿瘤细胞刺激了新血管生成，血管内皮细胞增多、血流阻力降低形成的高灌注的病理生理基础密切相关。

       尽管MRI灌注定量分析在NME病变中的相关报道不多，但以K^trans、Kep为代表的定量参数已初步展现出在鉴别病变良恶性方面的应用潜力。然而，现有研究大多面临样本量较小及参数异质性等问题，故未来可增加样本含量、结合AI算法探索其在鉴别NME病变方面的准确性、稳定性以及不同参数组合的诊断效能，但可能面临测量准确性受多种因素干扰、缺乏统一测量标准等困难。

1.3 弥散加权成像

       弥散加权成像（diffusion weighted imaging, DWI）通过量化表观弥散系数（apparent diffusion coefficient, ADC）来反映组织内部水分子的弥散程度。研究者采用了三种感兴趣区（region of interest, ROI）测量方法，即点状（3 mm）、肿瘤最暗部分（10 mm）和全肿瘤，来测量NME病变的ADC值。其中，AVENDANO等^[20]指出以肿瘤最暗部分的ROI诊断准确性最高（AUC为0.71）；但PERIĆ等^[21]报道，全肿瘤ROI的诊断准确性最高（AUC为0.775），且该方法测量的ADC值在检测病变良、恶性时敏感度均超90%，展现出良好的诊断效能。出现这一差异，可能是两项研究在样本含量和场强方面存在差异，并且病灶的勾画与测量存在一定的主观性。此外，LI等^[22]在45例NME病变中探究ADC参数（ADCmin、ADCmax、ADCmean、ADC异质性）的诊断效能，发现ADCmean诊断效能最高（AUC、敏感度、特异度分别为0.812、70.37%、83.33%）。LV等^[23]也分析了40例NME的乳头状病变，证实ADCmean在区分其良恶性方面有统计学意义（阈值为1.14×10⁻³ mm²/s，AUC为0.842）^[23]。另有KUNIMATSU等^[24]在51例NME病变中采用ADC全病灶直方图分析，发现恶性组具有较低的第10百分位数（P=0.035）、更大的熵和更低的均匀性（P<0.001)。

       综上，尽管DWI的诊断准确性存在波动（AUC：0.71~0.842），但却能从微观层面提供关键信息，在鉴别NME病变的良恶性方面意义重大。然而，该技术也面临不少亟待解决的难题，如最佳ROI测量方法尚未明确，ADC参数缺乏统一标准等，且有报道称31%的NME病灶在DWI图像上难以识别^[20]。尽管有研究表明提高b值可更好地显示病灶^{[25, 26, 27]}，但尚缺乏专门针对NME病变的报道，且提高b值面临信噪比降低、扫描时间延长等问题。因此，未来需开展更多高质量研究，优化测量方法，制订统一标准，探究高b值对NME病变诊断的影响，在病变显示与图像质量间寻求平衡，以提升DWI对NME病变诊断的准确性与可靠性。

1.4 体素内不相干运动及扩散峰度成像

       体素内不相干运动（intravoxel incoherent motion, IVIM）通过多b值扫描和双指数模型分析，将组织内水分子的扩散运动与微循环灌注区分开来，以获取真扩散系数（true diffusion coefficient, D）、伪扩散系数（pseudo diffusion coefficient, D^*）和灌注分数（perfusion fraction, f）等参数，从而反映组织的微观结构和功能状态。扩散峰度成像（diffusion kurtosis imaging, DKI）是一种基于MRI的高级扩散成像技术，它借助平均峰度（mean kurtosis, MK）和平均扩散率（mean diffusivity, MD）等参数来描述水分子扩散的非高斯特性。例如，CHAN等^[28]利用高光谱技术处理IVIM图像，发现其在诊断NME病变时展现出极高的准确率（97.57%~98.41%）。吴晓燕等^[29]分析了NME的27例特发性肉芽肿性乳腺炎和15例浸润性导管癌，发现f值、D值在鉴别两者方面有价值（P=0.003、0.032）。吴祺等^[30]分析了NME的55例腺病及51例乳腺癌，也发现f、D^*在鉴别两者方面有统计学意义（P=0.028、<0.001），且两者用于鉴别诊断的AUC、阈值分别为0.608、0.730和0.73、4.10×10^-3 mm²/s。此外，SI等^[31]研究发现IVIM、DKI在NME病变诊断中优于DCE（AUC分别为0.887、0.897、0.885），且三者联合时AUC高达0.968。

       以上研究表明，IVIM及DKI的相关参数在鉴别NME病变方面有价值，尤以联合成像技术极大地提升了诊断效能，为后续研究及临床应用指明了方向。然而，目前像磁共振血氧水平依赖成像、扩散张量成像等MRI功能成像技术在针对NME病变的诊断及鉴别方面的研究报道极少。因此，未来需加大这些技术在NME病变中的研究，系统分析成像参数与NME病变特征的关联，明确其应用价值。

2 多参数及多模态成像在NME病变中的应用

       多参数MRI（multi-parameter MRI, mpMRI）核心在于整合不同成像序列（如T2WI、DWI、DCE等）的数据，提供多维度的诊断信息，以全面评估病变。ZHANG等^[32]对18篇文章进行的荟萃分析表明，mpMRI（DCE+DWI）在鉴别方面优于单独的DCE或DWI（AUC分别为0.90、0.70、0.84）。ZANG等^[33]分析了199个NME病灶，发现联合DCE、DWI、TIRM的mpMRI诊断模型可将诊断准确性提升至85.4%。臧慧等^[34]构建的mpMRI（DCE+DWI）模型更实现了84%的敏感度和90.4%特异度（AUC为0.906）。此外，AN等^[35]研究了mpMRI决策规则对乳腺病变诊断效能的影响，发现在61例NME病变中三种mpMRI（KIM、ISTOMIN、ZHONG）决策规则的AUC为0.80~0.84，且其敏感度均为100%，但特异度（2.9%~38.2%）却较低。针对这一结果，他们解释的原因包括mpMRI决策规则中对可疑特征的风险权重设定存在不合理之处；KIM决策规则中DWI-T2WI评分存在局限性，受T2WI信号强度影响无法精准反映病变扩散水平，且部分良性病变无法用于该评分；ZHONG决策规则中ADC值截断点设置欠妥以及BI-RADS类别评估复杂，在NME病变诊断中假阳性率较高。

       多模态成像综合运用X线、超声、MRI等多种成像技术，从多维度获取并融合信息。NIU等^[36]发现MRI联合超声的诊断效能（AUC：0.901）优于单独的MRI或US（AUC：0.849、0.730）。GOTO等^[37]也发现MRI-超声融合技术对隐匿性NME病变的检出率高达86%（18/21）。这得益于MRI良好的软组织分辨力与超声实时成像的互补效应。此外，XIE等^[38]整合350例NME病变的临床特征（年龄、触诊硬度）与多种影像特征（X线、超声、MRI）构建的预测模型，显著提升了BI-RADS分类的准确性（AUC：训练集0.873、验证集0.877）。同时，姚远等^[39]发现基于MRI联合X线特征构建的模型性能优于仅基于MRI特征构建的模型（敏感度：91.5% vs. 88.7%；特异度：91.4% vs. 86.6%）。吴林桦等^[40]对NME型乳腺癌与乳腺炎进行了鉴别研究，发现在390例开发组中临床-X线-MRI模型的AUC(0.91)高于临床-X线(0.79)及临床-MRI模型（0.87）；随后该模型在159例验证组中同样展现出了优异的诊断效能，其AUC达到了0.90。

       综上，mpMRI凭借多序列融合的优势，充当一个“综合情报站”，有望成为提高NME病变诊断准确性的重要手段；多模态技术则通过整合不同检查的优势，打破单一模态局限，在NME病变诊断中展现出显著价值。然而，多模态图像存在配准误差且缺乏统一标准；设备成本高、操作复杂制约基层推广；数据海量复杂，医生解读难度大等挑战。未来需通过深度学习算法优化、设备一体化小型化、智能辅助系统开发以及多中心协作制定标准等策略，推动技术的规范化应用及普及。

3 基于AI的MRI在NME病变中的应用

       AI利用机器学习和深度学习算法对医学影像数据进行智能化处理和分析，在医学影像学方面的应用主要涵盖影像组学和深度学习两大方向。影像组学通过高通量提取图像中的定量特征（包括形态学、纹理等）结合机器学习算法构建预测模型；深度学习则借助基于人工神经网络的强大算法，自动地从海量数据中学习并提取特征。影像组学方面，LI等^[41]通过多维度信息融合构建了敏感度与特异度均超80%的影像组学联合模型（DCE-MRI影像组学特征+TIC分型+ADCmin+腋窝淋巴结状态）。其后续研究进一步证实，TIC-影像组学联合模型在364例BI-RADS 4类NME病变中诊断性能显著优于单独的DWI模型（AUC：0.843 vs. 0.662；准确度：80.1% vs. 65.5%）^[42]。此外，吕顺一等^[43]基于支持向量机的机器学习影像组学联合模型（DCE-MRI+DWI），在鉴别NME肉芽肿性乳腺炎与浸润性乳腺癌时表现良好（测试集AUC：0.823）。杨文等^[44]构建了基于临床和影像学特征的极端梯度提升（extreme gradient boosting, XGBoost）模型来鉴别480例NME病变，展现出优异的诊断效能（训练集、测试集及内、外部验证组的AUC分别为0.913、0.891、0.901、0.884）。深度学习方面，ResNet50模型表现出巨大潜力：GOTO等^[45]通过精确/粗略分割策略对86例NME病变分析，其AUC（0.80~0.91）媲美资深医师且优于低年资医师（AUC=0.64）。WANG等^[46]基于965例构建的最大强度投影ResNet50模型诊断性能超越放射科医师（AUC：0.859 vs. 0.816）。ZHOU等^[47]开发的ResNet50模型在150例病变中的准确度显著优于传统影像组学方法。

       综上，影像组学整合多源信息构建综合诊断模型，显著提升诊断敏感度与特异度，应用前景广阔。以ResNet50模型为代表的深度学习算法突破了传统神经网络训练难题，构建的模型在诊断准确性上超越传统人工诊断，甚至优于影像组学模型。未来二者的结合，可进一步发挥多源数据挖掘优势，或将为NME病变的精准诊断带来新的突破。

4 MRI在NME病变预后生物标志物中的应用

       MACHIDA等^[48]让三名放射科医师独立分析了129例NME病变，发现簇环状强化与病变的侵袭性相关（P<0.05，PPV：50.0%~54.5%）。同时，研究发现簇环状强化不仅与病变的侵袭性相关，还与高Ki-67表达显著相关。例如，LEE等^[49]发现簇环状强化与浸润性癌关联显著（医师1：P=0.001；医师2：P<0.001），且与高Ki-67表达密切相关（医师1：P=0.048；医师2：P=0.003）。WANG等^[50]对58例NME病变的研究也证实31例存在簇环状强化，且其Ki-67（≥25%）表达显著高于无簇环状强化的病变（P=0.046）。YOON等^[51]也指出集簇或簇环状强化和较高的Ki-67水平（≥20%）是导管原位癌组织学升级的独立预测因子（P=0.001、0.005）。此外，NGUYEN等^[52]发现，NME在HER-2富集型乳腺癌中呈现显著相关性，且其发生率约为其他亚型的20倍。NIE等^[53]报道病灶大小和ADC值与Ki-67阳性表达相关（P=0.001、0.019），且二者评估Ki-67表达的最佳阈值分别为5.05 cm和0.403×10^-3 mm²/s。

       尽管上述研究表明NME病变的MRI特征与其预后标志物密切相关，但目前相关研究鲜少，无法全面涵盖NME病变的各类情况，导致结果的代表性和普适性欠佳。故未来需进一步扩充样本规模并丰富样本类型，结合AI技术深入研究影像-病理的相互关联，增强结果的代表性、普适性，为精准诊疗提供有力支撑。

5 小结及展望

       尽管MRI在乳腺NME病变中发挥关键作用，但仍存在以下挑战：（1）MRI技术中，NME病变影像表现不典型，诊断受乳腺组织密度、背景实质强化影响，很大程度上依赖于医师经验，具有一定的主观性和不稳定性；（2）AI应用中，面临影像复杂、诊断主观、数据匮乏致模型训练不充分、深度学习模型机制难解释、研究单一缺乏通用性等挑战。未来，应持续研发新型成像序列与优化扫描参数，降低乳腺组织密度及背景实质强化的干扰，提高影像的清晰度与特异性；同时建立多中心跨地域影像数据库丰富数据多样性以提升模型训练充分性，加强可解释性AI模型研究、剖析深度学习模型机制，并开展多维度综合研究来增强模型通用性，促进MRI技术与AI更紧密且有效地融合。

       总之，功能成像革新与智能技术融合正推动NME病变诊断向精准化发展，但仍存在MRI技术、AI应用等方面的技术瓶颈，需在未来研究和临床实践中攻克。借助跨学科协作优化技术标准，探索病理、影像等相互联系，有望实现NME病变的个体化诊疗突破。