0 引言

       乳腺炎包括哺乳期乳腺炎和非哺乳期乳腺炎（non-puerperal mastitis, NPM），NPM见于女性非哺乳期，病因机制不明，危险因素可能包括细菌感染，高泌乳素血症等，病理分为肉芽肿性小叶乳腺炎（granulomatous lobular mastitis, GLM）、导管周围乳腺炎（periductal mastitis, PDM）^{[1, 2]}。有学者将伴有浆细胞浸润的乳腺炎性疾病定义为浆细胞性乳腺炎（plasma cell mastitis, PCM），且认为PCM即为PDM^[3]。近年来NPM发病率呈上升趋势，不同类型的NPM在临床及影像学中表现相似，不易鉴别，且部分NPM难以与恶性肿瘤相鉴别^[2]。磁共振成像（magnetic resonance imaging, MRI）对于软组织分辨率高，可进行多模态、多参数成像，在诊断及鉴别NPM方面具有明显优势，应用逐渐增多^[4]。扩散MRI技术不采用对比剂即可从定量角度反映乳腺病灶的细胞弥散及微灌注等微观特征，广泛应用于乳腺疾病的相关诊断中^{[5, 6]}。扩散MRI通常是指扩散加权成像（diffusion weighted imaging, DWI）及其衍生序列体素内不相干运动（intravoxel incoherent motion, IVIM），而目前对于运用常规与扩散MRI鉴别不同类型NPM及NPM与恶性肿瘤之间鉴别的相关综述尚未见报道，故本文主要就常规与扩散MRI在以GLM及PCM为主的NPM中的应用现状及进展进行综述，以期为NPM诊断和临床治疗方案的制订提供借鉴。

1 常规与扩散乳腺MRI技术与观察指标

       目前乳腺MRI检查中，常规MRI主要包括T1WI、T2WI及动态增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）。其中DCE-MRI通过使用对比剂使新生血管可视化，提供乳腺病变的解剖学和血流动力学信息，有助于提高乳腺病变的检出率^[7]，且可以对病灶内微血管结构和功能进行非侵入性的半定量和定量参数分析^[8]。其中，半定量参数中，时间信号强度曲线（time-intensity curves, TIC）应用广泛；而常用定量DCE参数包括容积转移常数（transfer constant, K^trans）、速率常数（rate constant, Kep）和血管细胞外间隙容积（extravascular extracellular volume, Ve），K^trans和Kep分别代表血管内和血管外间隙之间的正向和反向体积转移常数，直接反映肿瘤毛细血管的通透性；Ve反映对比剂的分布体积^{[9, 10]}。

       与DCE-MRI相比，扩散MRI技术无须对比剂，更安全，避免了DCE-MRI使用对比剂可能产生的不良反应及额外费用，广泛应用于区分乳腺良恶性病变、表征恶性乳腺病变、区分分子亚型和病理分级、监测治疗反应、评估腋窝淋巴结和预测肿瘤生物学行为等方面^{[11, 12, 13]}。目前扩散MRI中的DWI及IVIM已被用于NPM诊断中^{[14, 15]}。DWI通过描述组织的水扩散率来反映组织微环境和细胞膜的完整性，组织中水扩散的变化可计算为表观弥散系数（apparent diffusion coefficient, ADC）值^[16]。然而，ADC值受到水分子扩散及微循环（微观血流）的影响，IVIM可以区分受到微灌注或体内水运动引起的分子扩散影响的ADC值，分离出血流灌注引起的“假扩散”，获得真实扩散系数（slow diffusion coefficient, D）、灌注相关扩散系数（fast diffusion coefficient, D^*）和灌注分数（perfusion fraction, f）等定量参数，更准确地反映组织的生理和病理变化^{[11, 17]}。但在乳腺方面，扩散峰度成像（diffusion kurtosis imaging, DKI）及扩散张量成像（diffusion tensor imaging, DTI）等DWI的其他衍生技术仍主要应用在恶性疾病的诊断中，尚未重点关注其对乳腺炎等良性疾病的诊断价值^{[13, 18]}。

2 常规与扩散MRI在诊断NPM及其不同亚型中的应用

2.1 常规与扩散MRI诊断NPM

       NPM在T2WI上通常表现为等或高信号，既往多个研究均印证了这一观点^{[19, 20]}。在DCE-MRI序列中，NPM多表现为不均匀增强或边缘增强的肿块、节段性或区域性非肿块强化^[21]。陶娟等^[22]研究表明NPM可表现为不规则、不均匀或环形肿块强化，环壁一般较薄，内壁较光整；若表现为非肿块强化（non mass enhancement, NME），可呈小叶节段强化，这可能与累及小叶系统有关；而脓肿性NPM病灶脓腔壁呈均匀明显强化，脓腔不强化。MACEDO等^[20]、YANG等^[23]发现NPM主要呈NME，呈区域样或多区域样分布，内部可为大小不一的内壁较光滑的小环形强化；囊变坏死及灶周水肿常伴发，具有一定特征性，郭宁等^[19]的研究也印证了这一结果。NPM出现的不同强化方式可能与不同炎症类型有关，GLM因强化环为脓肿壁呈簇环强化，腔内为脓液故不强化。有研究推测因为GLM炎症易在导管及乳腺小叶内延续，炎症与正常乳腺实质交替存在，从而致病变形态极不规则呈NME^[24]。

       NPM的TIC多表现为上升型、平台型，不同文献展示结果不尽相同。SOYLU等^[25]研究显示GLM的TIC多表现为上升型，而QU等^[26]认为NPM的TIC表现为上升型和平台型。这可能与NPM可通过炎症反应或促进毛细血管生成有关，新生血管增多，病灶间质血容量增大，渗透性增高，则表现为迅速且持续强化的TIC平台型^[27]。DWI可提高MRI对NPM的诊断准确性及临床实用性，NPM在DWI上多表现为弥散受限^[28]。郭宁等^[19]研究发现炎性病变ADC值的范围较大（0.55~2.15）×10^-3 mm²/s，病变内部成分混杂，脓肿内容物成分及炎症不同时期可能致ADC波动较大，故认为炎性病变ADC值可重复性及参考价值有限。KAYADIBI等^[29]研究认为高背景实质强化（background parenchymal enhancement, BPE）和低平均ADC值（平均截断值为1.00×10^-3 mm²/s）可能是GLM的复发标志，敏感度及特异度相对较高，均可达到70%左右，提示炎症细胞浸润、密度增加和微脓肿的形成会致GLM更易复发，但其与最小ADC值没有相关性可能是由于GLM异质性所致。

       目前的研究认为依据DCE-MRI相关的常见TIC类型及强化方式有助于诊断NPM，但在ADC值方面，各文献报道的ADC值大相径庭，由于DWI图像分辨率较低，易失真变形、伪影，定位及ADC值测量区域选取要结合DCE-MRI，故其可比性及应用受到限制，需进一步扩大样本量或采取多中心研究进一步论证ADC值在NPM方面的特征表现。

2.2 常规与扩散MRI鉴别诊断GLM及其他NPM

       JIAO等^[2]发现GLM增强显示椭圆形、分叶状、肿块增强或NME，多呈NME，表现为簇状环形强化、区域性或节段样分布，而导管扩张在PDM中更常见。而GLM肿块强化时强化不均匀，边缘清楚，主要为边缘强化。SOYLU等^[25]研究表明，GLM在TIC中多表现为上升型。ZHANG等^[30]的回顾性研究发现GLM比PCM的ADC更低，差异具有统计学意义（P=0.003），病灶可分布于乳腺任何象限并表现为导管周围炎症和微脓肿，DWI升高，平均ADC值和最小ADC值明显降低，超一半GLM病变出现微脓肿，提示ADC值对鉴别NPM亚型有意义。该研究中大多数GLM病例中存在的轻微管周炎症可能是导致ADC值降低的原因；另外，扩张乳管中存在的血液或其他黏性液体亦可导致GLM病变ADC值降低。PCM常见于乳晕周围区域，淋巴细胞、浆细胞浸润是其病理特征^[30]。JIAO等^[2]假设导管扩张及浆细胞诱导的炎症反应在PDM的病理生理中起重要作用，乳管阻塞可致液体潴留和脂质外溢，促使浆细胞和周围组织的相关炎症，研究显示超过50% PCM出现导管扩张，但PDM比GLM弥散受限明显，ADC值更高。

       综上所述，GLM更多表现为NME，TIC表现为上升型，呈簇状环形强化、区域性或节段样分布，且ADC值更低，这与GLM更容易出现微脓肿的病理特征可能有关，在强化类型及ADC值上与PCM等有所不同，但既往研究均为小样本量且为回顾性研究。其次，联合DCE-MRI与DWI等扩散成像的定量指标能否进一步提高鉴别不同NPM效能的有关研究未见报道，未来可进一步深化研究。另外，针对MRI鉴别NPM不同亚型的相关研究较少，后续需进一步论证结论并找到产生相关影像学表现的病理依据。

3 常规与扩散MRI在NPM与乳腺癌的鉴别价值

3.1 常规与扩散MRI在NPM与导管原位癌的鉴别价值

       NPM与导管原位癌（ductal carcinoma in situ, DCIS）在临床症状、T1WI及T2WI上具有相似的表现，临床上均可为乳头溢液或触及乳腺肿块，缺乏临床特异性；在DCE-MRI中均多表现为NME方式，部分学者认为TIC对二者的鉴别差异无统计学意义，且在TIC表现为平台型时存在一定重叠^{[24, 31]}，而二者临床治疗手段有明显差异，故开展NPM及DCIS的鉴别诊断研究十分必要。

       与PCM相比，DCIS累及的导管周边范围更小，故YANG等^[23]认为，与DCIS相比，PCM更多表现为DWI中心高信号、区域分布、不均匀强化及延迟离心性强化，此外，PCM较DCIS更多表现为区域分布及不均质强化；DCIS在T1WI上有导管状高信号灶，部分延迟期呈向心性强化，可作为二者鉴别诊断依据^[23]。

       有学者认为GLM病变以乳腺小叶为中心，可呈现多灶性微脓肿，T2WI呈网状高信号。DCE-MRI上表现为区域性不均匀强化的NME，延迟呈离心性强化，边缘模糊，而肿块强化时以边缘强化为主，DWI呈多灶性结节高信号，壁光整；与DCIS多表现出的段样分布及成簇环状强化、部分病灶延迟期呈向心性强化及DWI不均匀高信号的特征可进行鉴别^[23]。有学者研究认为DCIS在DWI上多呈环形高信号是周边肿瘤细胞密集、血供较坏死区丰富所致，与GLM在DWI稍高信号伴微脓肿的局灶明显高信号可进行鉴别^[2]。QU等^[26]研究表明，虽然DCIS和GLM在DCE-MRI上都可表现为NME，但GLM较DCIS更易出现NME（P=0.003）和簇环状强化，TIC常表现为上升型和平台型。其内部强化特征大环更能提示GLM，而无环或小环在DCIS中更常见，可作为区分其与DCIS的重要独立预测因子。因此，DCE-MRI是临床鉴别GLM与DCIS的有效且无创的方法之一，有效避免GLM患者不必要的手术切除。

       然而在常规与扩散MRI在NPM与DCIS的鉴别研究中，各研究采用的MRI机型、场强都不尽相同，且受个人操作、测量方法、成像技术等因素的影响，测得的ADC阈值各有不同，未来需要避免因场强、机型不同可能造成的干扰因素，进一步验证GLM与DCIS的ADC阈值，探讨ADC值在临床无创鉴别GLM及DCIS的可行性。

3.2 常规与扩散MRI在NPM与浸润性乳腺癌的鉴别价值

3.2.1 GLM与IBC的鉴别

       SOYLU等^[25]研究表明，虽然大多数GLM在MRI上表现为NME，但因其异质性影像学表现，与部分浸润性乳腺癌（invasive breast carcinoma, IBC）的MRI表现仍有相似。进一步研究认为，与GLM相比，IBC的结构变形更为常见，而GLM常出现局灶性皮肤增厚，弥漫性皮肤增厚则在IBC中更常见。DCE-MRI中，GLM中多区域较弥漫分布更为常见，TIC仅在强化后期有意义，GLM更多表现为上升型曲线^[25]，而IBC在增强早期可出现更早、更快的强化。

       与正常乳腺实质相比，GLM平均ADC值较低，但DWI与ADC值在二者鉴别中差异无统计学意义，这与YILMAZ等^[32]的研究结论一致。但ZHAO等^[33]研究表明，DWI、全病变ADC图有助于GLM与IBC的鉴别，第5百分位、差异熵、系数熵均有显著性差异，GLM组ADC的第5百分位数明显高于IBC组。TANG等^[34]发现与IBC的ADC值相比，NPM最大ADC值显著高于IBC，多种病理类型的乳腺炎和乳腺癌病灶内细胞密度增高，细胞外体积减小，细胞核变大，细胞质减少，细胞内水分子的运动速度减慢可能是二者ADC差异的原因^[35]。既往已有研究表明IVIM的相关参数可以更全面地体现乳腺病变的病理特征，其中D^*值为鉴别乳腺炎及乳腺癌提供帮助。刘德樟等^[15]认为肿块型GLM及IDC在内部有无环形强化、液性区ADC值上差异具有统计学意义（P<0.05），IDC的中间液性区呈DWI高信号，但ADC值较GLM未见明显减低。根据内部有无环形强化、液性区ADC值进行多因素logistic分析，结果显示两因素联合诊断GLM的AUC值最高（AUC=0.913）；而液性区ADC值为1.195×10^-3 mm²/s时，诊断效能较高。

       当然，感兴趣区（region of interest, ROI）不同时，DWI及平均ADC值能否作为鉴别二者的指标之一，需要通过优化ROI勾画方式来进一步验证，以便更好地鉴别IBC和GLM，为诊疗方案的选择提供依据。

3.2.2 PCM与IBC的鉴别

       近年来，MRI特别是定量DCE-MRI、DWI的联合应用在乳腺良恶性病变的鉴别诊断中发挥了关键作用。有研究提出多参数MRI特征有助于鉴别PCM和浸润性导管癌（invasive ductal carcinoma, IDC）病变^[36]。UCAR等^[37]发现T1灌注MRI提供K^trans、Kep、Ve的定量数据有助于诊断及鉴别乳腺炎性病变及乳腺癌，乳腺炎性病变的K^trans和Kep值低于IDC，而Ve值高于IDC。CHEN等^[36]研究结果显示，与IDC相比，PCM病变多发于乳晕下区，T2WI呈高信号，初始信号增强≤90%，TIC呈平台型，多为NME，呈多发边缘强化，DWI呈中心高信号，ADC值较高，相对PCM，IDC多呈现肿块强化、向心性强化，DWI多呈外周性高信号或混杂信号，平均ADC值显著低于PCM病变。

       目前，K^trans、Kep、Ve等定量数据在PCM和IBC鉴别中的应用研究仍然较少，但UCAR等的研究为使用MRI鉴别二者提供了新思路，未来可以联合常规MRI影像学特征及ADC值等更好地对二者做出诊断。

4 人工智能在NPM中的应用

4.1 影像组学在NPM方面的应用

       影像组学可以通过量化医学图像中包含的信息和特征用于辅助诊断与治疗，是一个相对较新的研究领域。影像组学在区分乳腺良恶性病变^[38]、乳腺癌分类、分级^[39]及预测疗效和复发风险^[40]等方面具有很好的应用潜力，其亦可应用于NPM的相关诊断中。影像组学联合超声模型在鉴别GLM及IBC中已有研究。MA等^[41]研究证明，联合模型有效增强了超声医师鉴别GLM和IBC的能力，减少了观察者之间的差异。结合超声特征和影像组学特征的列线图可无创识别GLM和IBC。ZHENG等^[42]研究显示，基于灰度超声（grayscale-ultrasound, GSUS）和造影增强超声（contrast-enhanced ultrasound, CEUS）图像的影像组学模型在炎症性肿块期PDM和IDC鉴别中具有一定的诊断价值。

       戴世鹏等^[43]探讨了DWI及ADC纹理分析对于PCM及DCIS的诊断价值，结果显示纹理分析直方图的平均值、百分位数、方差的数据差异有统计学意义。第1百分位及第10百分位的AUC值分别达到0.83、0.73，诊断效能较好，可用以辅助诊断方法。ZHAO等^[33]研究表明，纹理特征有助于GLM与IBC的鉴别，联合模型AUC值较高，准确度为79.3%，敏感度为87.1%。以上针对NPM及BC的研究证实了一阶、二阶统计量在鉴别二者中具备可行性。

       刘鹏等^[24]进一步研究了基于DCE-MRI的影像组学对GLM和乳腺癌的诊断效能，使用6种分类器建立预测模型，筛选出的2个形态学特征，经多因素逻辑回归分析显示，其OR值最高（分别为7.262、3.357），说明形态学特征对于鉴别二者具有重要价值。其研究表明一阶直方图特征和二阶灰度直方图特征可以通过反映异质性、病变内部细节来鉴别疾病；LR模型的诊断效能最佳（AUC=0.929）。KAYADIBI等^[44]研究了基于T2WI、ADC和T1WI+C的影像组学及临床联合模型对增强NME的GLM与乳腺癌的鉴别诊断效能，结果显示由临床和影像组学特征联合开发的模型实现了最高的AUC（训练集AUC=0.979；测试集AUC=0.942）。LYU等^[14]基于DCE-MRI及DWI的联合序列构建的影像组学模型在鉴别表现为NME的GLM及IBC时具有优异的诊断效能，其在训练集以及测试集中AUC分别为0.947和0.823；进一步联合临床模型后，医生诊断的敏感度得到改善，内部验证队列中从73.2%增至80.5%，外部验证队列中从71.7%增至79.2%。黄竹媛等^[45]基于ADC+DCE-MRI构建的用于鉴别NPM和表现为NME的乳腺癌的影像组学模型，其敏感度（98.5%）和特异度（81.5%）均高于影像诊断医师，AUC值为0.979，该研究表明基于ADC+DCE-MRI构建的联合影像组学模型有望成为鉴别NPM和NME乳腺癌的可靠辅助方法。

       上述研究表明，影像组学在鉴别诊断NPM与乳腺癌等方面有一定的价值，有望成为无创性诊断NPM的有力辅助方法之一，但以上研究大多缺少外部验证，且属于回顾性研究，另外仅少数学者使用多个MRI序列进行测量，有待广大学者后续纳入更多临床病理学特征、多个MRI序列、多模态影像资料等构建更科学的联合模型，并通过外部验证来确定模型的稳定性和临床应用的可行性。

4.2 深度学习在NPM方面的应用

       人工智能为建立在数学、计算机科学等基础上的一门技术，其中深度学习（deep learning, DL）可实现端到端学习，并对海量图像的精细特征进行自主提取，相较于传统的机器学习分类器，卷积神经网络等DL技术在影像特征分析方面更加精准^[46]。已有学者探讨了基于超声的DL对NPM与乳腺癌的鉴别诊断效能，准确率、敏感度、特异度均超过80%，AUC为0.926，与术后病理诊断结果表现出较高的一致性^[47]，表明DL有望成为鉴别乳腺NPM和恶性肿瘤的可靠辅助方法。MRI可通过多个序列全面评估病灶形状，大小及血液灌注，但其对患者选择性强，检查时间长、特异度低、成本高，普及性低于乳腺X线摄影和超声检查^[48]。在乳腺MRI方面，目前DL主要应用于乳腺疾病的良恶性鉴别及乳腺癌的诊断、分类^{[49, 50, 51]}。亦有学者研究DL在乳腺MRI中预测乳腺癌腋窝淋巴结受侵及转移方面的价值^{[52, 53]}。

       总体来说，相对于传统的机器学习，DL具有更好的分析影像特征的能力，目前有关运用DL鉴别NPM的研究还停留在初级阶段，其应用在NPM方面的报道仍非常有限，应用潜力和临床价值还需进一步探索。未来可进一步开发多参数、多模态、多中心联合的模型，提高诊断模型的泛化能力，用于无创诊断NPM，为临床治疗方式的确定提供参考。

5 小结及展望

       综上所述，近年来，MRI尤其是DWI、IVIM在NPM中的临床应用日益广泛，技术日益成熟。常规MRI联合扩散MRI在诊断NPM方面具备一定优势，但针对DKI及DTI等DWI的其他衍生技术在诊断NPM方面的研究仍然较少，还需深入探索。人工智能作为近年来医学领域的新兴技术，联合MRI可提高NPM的诊断效能，为放射科医生诊断及临床医生选择治疗方案提供便利。值得注意的是，虽然影像组学联合MRI模型在诊断NPM方面的研究已逐步开展，但目前在诊断NPM方面，DL联合超声建立的模型研究更广泛，DL联合MRI模型的应用仍处于初级阶段，还有待探索。总之，MRI及人工智能在NPM方面前景广阔，期待更好的诊断和预测模型应用于未来的临床实践中。