0 引言

       乳腺叶状肿瘤（phyllodes tumor, PT）是一种罕见的纤维上皮性肿瘤，约占所有乳腺纤维上皮性病变的2%~3%^[1]。依据世界卫生组织分类标准，PT可分为良性、交界性和恶性三种病理类型^[2]。值得注意的是，良性PT即具有恶性潜能，其局部复发率可达10%~20%，而交界性和恶性PT的复发及转移风险更高，因此需要广泛手术切除以防止疾病进展，改善患者预后。临床诊疗中，PT与乳腺纤维腺瘤（fibroadenoma, FA）的鉴别诊断面临重大挑战。尽管两者同属于纤维上皮性肿瘤，但其临床处理策略截然不同：PT需行广泛手术切除以降低复发风险^{[3, 4]}，而FA通常仅需保守治疗或随访观察。两者在临床表现与超声、钼靶等常规影像学特征高度重叠^{[5, 6]}，导致误诊率高达30%~40%^[7]，目前，组织病理学检查虽为鉴别诊断的金标准，但空芯针穿刺活检因取样误差可能导致约30%的假阴性率^{[8, 9]}，此种鉴别困难常导致治疗不足或过度，进而严重影响患者临床结局。因此开发无创、精准的影像学鉴别方法至关重要。

       多参数磁共振成像（magnetic resonance imaging, MRI）通过整合形态学、血流动力学及扩散特征，在乳腺肿瘤鉴别诊断中展现出独特优势^[9]。然而，现有研究多聚焦单一参数，缺乏多维度综合分析，且平均表观扩散系数（apparent diffusion coefficient, ADC）值易受个体差异如腺体背景、激素水平的干扰，相对表观扩散系数值（relative apparent diffusion coefficient, rADC）通过计算病灶ADC值与参照组织（如胸大肌或正常腺体）ADC值的比值，减少个体间绝对ADC值的变异（如磁场不均匀性、腺体背景差异），从而提升诊断的稳定性。rADC值在乳腺癌分级的应用中已显优势^{[10, 11]}，但在PT与FA鉴别中的价值尚未系统探索。本研究旨在通过整合MRI多参数特征，包括形态学、血流动力学、平均ADC值及rADC值，构建PT与FA的鉴别诊断模型，重点探讨rADC在减少个体变异、提高诊断稳定性方面的价值，提升乳腺PT与FA的鉴别诊断准确性，为PT的诊断提供新方法，减少不必要的手术或活检，指导临床医生进行个体化治疗。

1 材料与方法

1.1 一般资料

       本研究遵守《赫尔辛基宣言》，经苏州大学附属第一医院伦理委员会批准，免除受试者知情同意，批准文号：（2025）伦审批第318号。回顾性纳入苏州大学附属第一医院2018年6月至2024年12月期间收治的79例女性乳腺叶状肿瘤及纤维腺瘤患者，其中26例PT患者，53例FA患者。纳入标准：（1）术前1周内行乳腺MRI检查，术后经病理证实为PT或FA；（2）首发病灶，既往无穿刺活检及手术史；（3）临床及影像学资料完整；（4）女性。排除标准：（1）存在严重的运动伪影或磁敏感伪影；（2）MRI图像扫描序列不完整；（3）合并其他恶性肿瘤；（4）处于妊娠期或哺乳期。

1.2 仪器与方法

       本研究采用西门子Skyra 3.0 T磁共振成像系统（Skyra 3.0 T，西门子医疗，德国），配备8通道乳腺专用相控阵线圈（B8C，西门子医疗，德国）。受试者取俯卧位，双乳自然垂悬于线圈中。MRI平扫序列包括轴位T1WI、脂肪抑制T2WI，扫描参数如下。（1）三维快速小角度激发成像序列：TR 6 ms，TE 2.5 ms，翻转角10°，层厚1.2 mm，FOV 340 mm×340 mm，矩阵320×320；脂肪抑制T2WI：TR 4490 ms，TE 53 ms，TI 230 ms，层厚4 mm，矩阵320×320；（2）扩散加权成像（diffusion weighted imaging, DWI）序列：单次激发平面回波成像，TR 10 400 ms，TE 53 ms，b=0、800 s/mm²，层厚4 mm，NEX = 4，矩阵128×128；（3）DCE-MRI：三维容积内插屏气扫描：TR 4.5 ms，TE 1.7 ms，层厚1.2 mm，翻转角15°，时间分辨率58 s/期，连续采集5期。动态增强MRI采用钆喷酸葡胺（Gd-DTPA，拜耳公司，德国）作为对比剂，剂量为0.1 mmol/kg，经肘前静脉团注（流速3 mL/s），注射后以20 mL生理盐水冲管。

1.3 图像分析及后处理

       由两名具有10年以上乳腺影像诊断经验的副主任医师采用双盲法独立阅片，具体流程如下：首先采用西门子Syngo.Via后处理工作站（VB40，西门子医疗，德国）及内置的MeanCurve分析模块（v2.5.1）进行影像分析，严格遵循美国放射学会《乳腺影像报告和数据系统（BI-RADS）MRI图谱》的诊断标准，依次评估以下特征。（1）形态学特征：病变形态（圆形/卵圆形、分叶状、不规则）、边缘（光整、不规则、毛刺）、T2WI信号强度（以周围腺体组织为基准：低信号、等信号及高信号），并注意观察病灶内T2WI低信号分隔及囊变坏死区域；（2）动态增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）特征：早期强化速率（early enhancement rate, EER），按强化幅度分为三级（快速：EER>100%；中等：50%~100%；缓慢：<50%）。内部强化特征（均匀强化、不均匀强化、边缘强化及内部暗分隔）、时间-信号强度曲线（time-intensity curve, TIC）分型：Ⅰ型（持续强化型，信号变化率>10%）、Ⅱ型（平台型，变化率±10%）、Ⅲ型（流出型，信号下降>10%）；（3）DWI特征：观察DWI信号特征（以周围腺体组织为基准，分为低信号、等信号、稍高信号及高信号），参考增强第2期图像，在ADC图上选取病灶最大横截面积层面，避开血管、导管及坏死区域，使用4~25 mm²圆形感兴趣区（region of interest, ROI）测量实质区域平均ADC值，单位：×10^-3 mm²/s，每位观察者重复测量3次，取平均值作为最终ADC值，同步测量同侧胸大肌及对侧正常腺体平均ADC值（避开脂肪高信号区及纤维化低信号区，在腺体实质内选择信号相对均质的区域，避开肉眼可见的血管、导管及钙化灶），计算rADC1、rADC2值（rADC1=病灶平均ADC值/同侧胸大肌平均ADC值，无单位；rADC2=病灶平均ADC值/对侧腺体平均ADC值，无单位）。对于定性资料，若两位观察者意见一致，则采用共同结论，若存在分歧，通过协商达成诊断共识；对于定量数据，采用两位观察者测量结果的平均值进行分析，以减少个体测量误差。

1.4 统计学分析

       统计学分析采用IBM SPSS Statistics 24.0（IBM，美国）、MedCalc 18.2（MedCalc Software，比利时）及R（V4.2.0）语言软件（http://www.R-project.org, The R Foundation）。两名观察者的独立评估结果，采用组内相关系数（intra-class correlation coefficient, ICC）进行一致性分析，ICC值<0.4、0.40~0.75和>0.75分别表示一致性较差、一般和良好。计量资料以均值±标准差表示，定性资料通过频数（百分比）表示。定性资料选用χ²检验或Fisher 确切概率法；计量资料采用独立样本t检验。将单因素分析P<0.05的变量进行共线性分析及联合建模，采用方差膨胀因子（variance inflation factor, VIF）评估参数间共线性（VIF>5视为严重共线性），通过逐步逻辑回归筛选独立预测因子，构建联合诊断模型。模型公式见式（1）：

       其中P为乳腺PT的预测概率（无单位）；β0，β1，⋯，βn为各独立预测因子的回归系数；X1，X2，Xn为纳入模型的变量（包括形态学、血流动力学及平均ADC值相关参数）。变量赋值方式需根据最终筛选的独立预测因子确定（如形态学特征、血流动力学特征为分类变量，赋值0，1，2，⋯，无单位；平均ADC值、rADC值为连续变量，无单位）。

       通过非参数法构建受试者工作特征（receiver operating characteristic, ROC）曲线，计算曲线下面积（area under the curve, AUC）及最佳诊断阈值，评估平均ADC值、rADC值及联合模型的鉴别诊断效能，采用DeLong检验比较各参数及联合模型之间AUC的差异。使用Hosmer-Lemeshow检验并绘制校准曲线评估模型的一致性，同时通过决策曲线分析（decision curve analysis, DCA）评估模型的临床应用价值。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料

       PT组纳入26例患者（共26个病灶），年龄18~60（39.92±8.96）岁，其中包括15例良性PT（57.69%），7例交界性PT（26.92%），4例恶性PT（15.38%）；FA组53例患者（共59个病灶），年龄17~65（33.37±10.22）岁，其中包括单乳三发1例、单乳双发3例、双乳单发1例。PT组患者年龄显著大于FA组，差异具有统计学意义（P<0.001）。

2.2 测量结果一致性检验

       在所有参数测量中，各参数测量值的观察者间一致性良好，ICC值均>0.75（表1）。

点击查看表格

表1  两组各参数值观察者一致性比较
Tab. 1  Observer consistency comparison of each parameter between the two groups

2.3 形态学表现

       两组的病灶形状（P=0.002）、病灶边缘（P<0.001）、T2WI低信号分隔（P<0.001）及囊变坏死（P<0.001）差异具有统计学意义，而T2WI信号强度差异无统计学意义（P>0.05）（表2）。PT组病灶主要表现为分叶状，边缘不规则或伴毛刺，T2WI低信号分隔及囊变坏死（图1）。FA组形状以圆形/卵圆形，边缘光整为主，较少出现T2WI低信号分隔及囊变坏死。

点击查看大图

图1  叶状肿瘤患者，女，43岁，左乳肿块。1A：MRI增强扫描图示左乳外上象限分叶状肿块，边缘光滑，呈不均匀强化；1B：DWI图显示肿块呈不均匀高信号；1C：ADC图示病灶侧乳腺，病灶呈不均匀高信号，病灶平均ADC值约1.545×10^-3 mm²/s，病灶同侧胸大肌平均ADC值约1.644×10^-3 mm²/s，rADC1值为0.94；1D：ADC图示病灶对侧乳腺，病灶对侧正常腺体平均ADC值约1.862×10^-3 mm²/s，rADC2值为0.83；1E：TIC图示平台型（II型）。DWI：扩散加权成像；ADC：表观扩散系数；rADC1：病灶平均ADC值/同侧胸大肌平均ADC值；rADC2：病灶平均ADC值/对侧腺体平均ADC值；TIC：时间-信号强度曲线。
Fig. 1  PT, female, 43 years old, left breast mass. 1A: The MRI enhanced scan shows a lobulated mass with smooth margins in the upper outer quadrant of the left breast, exhibiting heterogeneous enhancement. 1B: The tumor shows mixed high signal on DWI; 1C: The ADC map, shows the breast on the side of the lesion was mixed high signal, and the mean ADC value is 1.545×10^-3 mm²/s, and the mean ADC value of the ipsilateral pectoralis major muscle of the mass is 1.644×10^-3 mm²/s, rADC1 value is 0.94; 1D : The mean ADC value of the normal gland on the opposite side of the lesion is 1.862×10^-3 mm²/s, and rADC2 value is 0.83; 1E: The TIC is type II. DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient; rADC1: mean ADC value of lesions/mean ADC value of ipsilateral pectoralis major muscle; rADC2: mean ADC value of lesion/mean ADC value of contralateral gland; TIC: time-intensity curve.

点击查看表格

表2  PT及FA患者的MRI表现比较
Tab. 2  Comparison of MRI findings between patients in the PT group and FA group

2.4 DCE-MRI血流动力学表现

       两组病灶内部强化特征（P=0.008）及TIC类型（P=0.034）方面差异具有统计学意义，早期强化速率差异无统计学意义（P>0.05）（表2）。PT组主要表现为不均匀强化，TIC以Ⅱ型为主；FA组则以均匀强化多见，TIC多呈Ⅰ型（图2）。两组早期强化速率均以快速强化为主。

点击查看大图

图2  纤维腺瘤患者，女，28岁，右乳肿块。2A：MRI增强扫描图示右乳外上象限类圆形肿块，边缘光滑，呈均匀强化；2B：DWI图显示肿块呈均匀高信号；2C：ADC图示病灶侧乳腺，病灶呈均匀稍高信号，病灶平均ADC值约1.681×10^-3 mm²/s，病灶同侧胸大肌平均ADC值约1.773×10^-3 mm²/s，rADC1值为0.95；2D：ADC图示病灶对侧乳腺，病灶对侧正常腺体平均ADC值约1.950×10^-3 mm²/s，rADC2值为0.86；2E：TIC图示渐进型（I型）。DWI：扩散加权成像；ADC：表观扩散系数；rADC1：病灶平均ADC值/同侧胸大肌平均ADC值；rADC2：病灶平均ADC值/对侧腺体平均ADC值；TIC：时间-信号强度曲线。
Fig. 2  FA, female, 28 years old, right breast mass. 2A: The MRI enhanced scan shows a round mass with smooth margins in the upper outer quadrant of the right breast, exhibiting homogeneous enhancement; 2B: The tumor shows high signal on DWI; 2C: The ADC map, shows the breast on the side of the lesion, is low signal, and the mean ADC value is 1.681×10^-3 mm²/s, and the mean ADC value of the ipsilateral pectoralis major muscle of the mass is 1.773×10^-3 mm²/s, rADC1 value is 0.95, 2D: The mean ADC value of the normal gland on the opposite side of the lesion is 1.950×10^-3 mm²/s, rADC2 value is 0.86; 2E: The TIC is type I. DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient; rADC1: mean ADC value of lesions/mean ADC value of ipsilateral pectoralis major muscle; rADC2: mean ADC value of lesion/mean ADC value of contralateral gland; TIC: time-intensity curve.

2.5 DWI信号特征、平均ADC值及rADC值表现

       两组病灶DWI信号强度分布差异无统计学意义（P>0.05），PT组以高信号为主，FA组则多表现为稍高信号及高信号（表2）。

       PT组平均ADC值低于FA组，差异具有统计学意义（P<0.001）；rADC1值（P<0.001）及rADC2值（P<0.043）组间差异均具统计学意义（表3）。

       ROC曲线分析显示（表4，图3），平均ADC值诊断PT的最佳截断值设为1.525×10^-3 mm²/s，AUC为0.730（0.608~0.851），敏感度为65.4%，特异度为83.1%；rADC1值最佳截断值0.923对应AUC为0.791，敏感度76.9%、特异度72.9%；rADC2值最佳截断值0.847时AUC降至0.647，敏感度92.3%、特异度40.7%。DeLong检验结果表明，rADC1值的诊断效能显著优于rADC2值（Z=2.688，P=0.007），rADC1值敏感度高于平均ADC值，但特异度相对较低。

点击查看大图

图3  PT及FA平均ADC值、rADC值及联合模型的ROC曲线。
图4  联合模型的校准曲线。
图5  平均ADC值、rADC值及联合模型的预测PT的DCA曲线。PT：叶状肿瘤；FA：纤维腺瘤；ROC：受试者工作特征；ADC：表观扩散系数；rADC：相对表观扩散系数；DCA：决策曲线分析；rADC1：病灶平均ADC值/同侧胸大肌平均ADC值；rADC2：病灶平均ADC值/对侧腺体平均ADC值。
Fig. 3  The ROC curves of mean ADC, rADC values and the combined model for PT and FA.
Fig. 4  The Calibration curves of the combined model.
Fig. 5  The DCA for predicting PT using mean ADC, rADC values and the combined model. PT: phyllodes tumor of the breast; FA: fibroadenoma; ROC: receiver operating characteristic; ADC: apparent diffusion coefficient; rADC: relative apparent diffusion coefficient; DCA: decision curve analysis; rADC1: mean ADC value of lesions/mean ADC value of ipsilateral pectoralis major muscle; rADC2: mean ADC value of lesion/mean ADC value of contralateral gland.

点击查看表格

表3  PT和FA患者平均ADC值及rADC值
Tab. 3  PT and FA mean ADC value and rADC value

点击查看表格

表4  PT相关因素的逐步逻辑回归分析
Tab. 4  Step logistic regression analysis of factors in PTs

2.6 联合模型的构建与评价

       χ²检验和t检验的单因素分析结果显示（表2、表3），病灶形状、病灶边缘、T2WI低信号分隔、囊变坏死、强化特征、TIC类型、平均ADC值、rADC1值、rADC2值差异具有统计学意义（P<0.05）。VIF结果显示，所有参数的VIF值均<3.0（范围：1.095~2.674），远低于阈值5，表明各变量间不存在显著多重共线性。逐步逻辑回归结果显示（表4），病灶边缘、T2WI低信号分隔、rADC1值是诊断PT的独立预测因子，构建联合诊断模型公式为：Logit（P）=7.443+2.365×（病灶边缘）+2.357×（T2WI低信号分隔）-11.210×（rADC1值）。其中P为PT的预测概率（无单位），变量赋值方式：病灶边缘（光整=0，不规则=1，毛刺=2），T2WI低信号分隔（否=0，是=1），rADC1值为连续变量（无单位）。

       ROC曲线分析显示联合模型最佳截断值0.636时对应AUC为0.904，敏感度91.5%、特异度80.8%。联合模型的诊断效能显著优于平均ADC值（Z=2.598，P=0.009）、rADC1值（Z=2.211，P=0.007）及rADC2值（Z=4.131，P<0.001）（表5，图3）。

       校准曲线结果显示，联合模型的预测曲线与实际情况重合度较好，表明联合模型具有最好的校准性能（图4）。DCA曲线结果显示联合模型在0.2~0.9的阈值范围内临床实用性高于单一模型（平均ADC值、rADC值），且具有较高的净获益值（图5）。

点击查看表格

表5  PT和FA患者的平均ADC值、rADC值诊断效率对比
Tab. 5  Comparison of diagnostic efficiency between mean ADC value and rADC value for PT and FA

3 讨论

       本研究基于MRI形态学、血流动力学及表观扩散系数特征，系统比较了乳腺叶状肿瘤与纤维腺瘤的影像学差异，构建并评估了多参数MRI鉴别诊断模型在预测PT中的应用价值。结果表明，病灶边缘、T2WI低信号分隔及rADC1值构建的影像学联合模型，在预测PT方面显著优于传统单一影像指标。该联合模型在区分度、校准度及临床有效性三个维度均表现满意。本研究首次提出将ADC比值作为PT鉴别诊断的关键定量指标，有效克服了个体ADC值变异，显著提升了诊断的稳定性与可靠性；同时，首次成功将形态学特征与ADC参数构建多模态联合诊断模型，突破了传统依赖单一序列或主观形态评估的局限，为PT的精准无创诊断提供了新策略。该模型的应用有助于避免FA患者不必要的过度手术，指导PT患者早期实施更彻底的广泛切除术以降低复发风险，并为PT的个体化治疗决策提供关键影像学依据。

3.1 PT与FA的MRI形态学特征

       本研究结果显示，PT与FA在形态学特征上差异具有统计学意义。PT多呈分叶状或不规则形，其中2例恶性PT边缘可见毛刺征；而FA形状则以圆形或卵圆形为主，边缘光整。这种形态学差异可能源于两者不同的生长方式：FA通常呈缓慢的“推挤式”生长^[12]，而PT因肿瘤细胞增殖活跃，常表现为快速浸润式生长，导致形态不规则及边缘不光整^[13]。值得注意的是，本研究PT组中毛刺征均见于恶性PT，与既往研究报道的毛刺征与恶性程度正相关的结论一致^[14]。

       在T2WI信号特征方面，PT多表现为高信号，而FA组则可呈低、等或高信号。造成这种信号差异的病理基础是：FA的T2WI信号强度由高到低反映了肿瘤内部间质成分的胶原化程度^[15]；而PT因其间质细胞高度富集且代谢旺盛，易继发缺血性坏死^[16]。本研究中PT组囊变坏死发生率显著高于FA组，既往研究显示^{[9, 17]}囊变坏死不仅是PT的重要鉴别特征，其出现频率还与肿瘤恶性程度呈正相关^[18]。

       T2WI低信号分隔是PT及FA的重要影像学特征^[19]，本研究中，PT组T2WI低信号分隔出现率高于FA组，与既往研究结果一致^{[20, 21]}，但其病理机制存在本质差异，PT的分隔源于肿瘤快速生长形成的叶状结构突入腺管系统，导致上皮腔呈线状或条状不规则的裂隙^{[22, 23]}，而FA的低信号分隔对应胶原纤维带^[24]，胶原纤维因缺乏血供及氢质子而呈低信号表现。

3.2 PT与FA的DCE-MRI血流动力学特征

       DCE-MRI通过评估肿瘤微血管特征，为鉴别PT与FA提供重要依据^[25]。肿瘤强化程度主要取决于微血管密度、血管通透性及细胞外间隙容积分数等参数。本研究发现，PT组病灶以不均匀强化为主，而FA组则以均匀强化多见。PT这种强化异质性可能与PT的病理特征密切相关：间质细胞异常增殖导致腺体-间质比例失衡，同时新生血管分布紊乱形成灌注异质性区域。值得注意的是，PT病灶中可见增强后低信号分隔，当与T2WI低信号分隔联合分析时，可提高PT的诊断特异性。尽管PT组与FA组早期强化速率均以快速强化为主^[26]，但病理基础存在差异，PT的早期快速强化源于血管高通透性及内皮连接松散^[27]，促使对比剂快速外渗至细胞外间隙；FA的早期快速强化则与密集的成熟微血管网相关。

       TIC可反映肿瘤内部动态强化信息，进而分析其新生血管及血流灌注特征^{[28, 29]}。本研究中，PT组以II型曲线为主，而FA组多表现为I型曲线，与既往研究相符^[30]。这一差异与肿瘤血管成熟度密切相关，PT的血管内皮生长因子（vascular endothelial growth factor, VEGF）高表达刺激生成大量迂曲血管，对比剂早期快速灌注后因血管渗漏出现“洗脱-再平衡”效应；而FA 的缓慢持续强化与血管基底膜完整性及低通透性相关，符合良性病变的血流动力学特征。

3.3 PT与FA的平均ADC值与rADC值的诊断效能及决策价值

       DWI通过检测水分子布朗运动受限程度，并提供定量参数ADC值^[31]，为乳腺肿瘤鉴别诊断提供重要依据^{[32, 33]}。本研究结果显示，PT组平均ADC值显著低于FA组[（1.500±0.153）×10^-3 mm²/s vs.（1.631±0.153）×10^-3 mm²/s]，当诊断最佳截断值设为1.525×10^-3 mm²/s时，平均ADC值的AUC为0.730，敏感度为65.4%，特异度为83.1%，与既往研究结果相符^[30]。这种差异的病理基础可能与PT的间质细胞异常增殖相关，高细胞密度导致细胞外间隙容积分数降低，从而加剧水分子扩散受限^[34]。此外，有研究^[35]发现ADC值与PT组织学分级呈负相关，提示ADC值或可作为PT恶性潜能评估的辅助指标。然而，平均ADC值的临床应用易受年龄、激素水平周期性波动等个体生物学因素及ROI勾画主观性的影响，可能降低诊断稳定性^[36]。为减少混杂因素干扰，本研究采用rADC值分析，并构建联合预测模型以提升鉴别诊断效能。结果显示rADC1值在鉴别PT与FA中表现出与平均ADC值不同的诊断特性，其敏感度提高但特异度降低，这种特性使其更适合作为筛查工具，优先识别潜在PT患者以避免延误治疗。而尽管rADC2值敏感度较高，但特异度不足，可能导致较高的假阳性率，需通过特异性更高的检测或临床评估排除误诊。

       rADC2值特异度降低的主要原因在于其以对侧纤维作为参照标准。对侧腺体可能存在亚临床病理改变（如纤维囊性变、隐匿性增生），随月经周期的激素波动而变化，以及解剖异质性（如腺体密度、脂肪含量不对称）等因素，均可能导致其ADC值偏离真实正常水平，使得rADC2无法准确反映病灶的扩散受限特征。这一局限性在以胸大肌为参照的rADC1值分析中得到了显著改善^[11]。本研究证实rADC1值的AUC显著高于rADC2值，这与胸大肌ADC 值受乳腺类型、病理状态及激素水平影响较小的特性相符。既往研究亦证实^{[36, 37]}，胸大肌作为参照基准，能够有效降低腺体异质性的干扰，从而提升诊断可靠性。

3.4 联合模型对PT的诊断效能及预测价值

       本研究采用方差膨胀因子评估参数间共线性，并通过逐步逻辑回归筛选独立预测因子，构建联合诊断模型。结果表明，MRI形态学特征（病灶边缘、T2WI低信号分隔）联合rADC1值的影像学模型，其诊断效能优于单一特征或单序列的模型，该模型展现良好的区分度，具备优异的PT鉴别能力，且其参数（如rADC1值）与PT恶性程度相关^[35]，提示未来可通过扩大样本进一步验证其对恶性风险的预测价值。校准曲线显示预测概率与实际概率高度吻合，紧邻理想对角线，共同提示模型具有较高的校准度和拟合优度，其预测结果与病理结局高度一致。联合模型的诊断效率、敏感度及特异度均高于单独使用rADC1值。DCA曲线显示，在0.2~0.9的阈值概率范围内，联合模型具有较高的净获益，证实其良好的临床实用价值。

       该模型通过整合多参数特征（形态学、rADC1值），显著提高了PT与FA的鉴别准确性，为临床决策提供客观依据，从而优化治疗策略，最终改善患者预后。

3.5 本研究的局限性

       本研究存在一定的局限性：（1）交界性及恶性PT样本量不足，限制了我们对不同组织学分级PT病灶ADC值特征的深入分析；（2）女性胸大肌厚度存在个体差异，可能影响ROI勾画的准确性；（3）回顾性研究可能存在选择偏倚。未来需通过多中心、大样本前瞻性研究，结合人工智能辅助测量技术，进一步验证并优化rADC值的诊断效能及其在临床决策中的应用价值。

4 结论

       综上所述，PT与FA在MRI的形态学、血流动力学及扩散系数方面具有显著差异，通过联合病灶边缘、T2WI低信号分隔、rADC1值构建的预测PT的多参数联合模型，区分度及校准度均较好，具有临床实用性，为临床制订个体化的诊治方案提供重要影像学参考依据。