论文部分内容阅读
第一部分动态增强MRI对肉芽肿性小叶性乳腺炎与导管原位癌的鉴别诊断研究目的:肉芽肿性小叶性乳腺炎（granulomatous lobular mastitis,GLM）是一种罕见的乳腺良性疾病,临床无炎症表现的GLM容易误诊为乳腺癌。乳腺导管原位癌（ductal carcinoma in situ,DCIS）是一种局限于乳腺导管?小叶的恶性肿瘤性病变,根据X线表现是否有钙化存在,被划分为钙化型和非钙化型。X线上,几乎所有的GLM都不伴有钙化,与非钙化型DCIS难以鉴别。此外,超声对二者的鉴别诊断并无帮助。动态增强MRI（dynamic contrast-enhanced MRI,DCE-MRI）对传统影像学诊断不明确的乳腺病变具有明显的诊断价值。因此,本研究探讨DCE-MRI是否能够作为鉴别临床无炎症表现GLM和非钙化型DCIS的有效检查方法并确定对鉴别诊断有价值的DCE-MRI特征。研究方法:回顾性分析33个临床无炎症表现的GLM和36个非钙化型DCIS病变的DCE-MRI特征。非肿块强化（non-mass enhancement,NME）的内部强化形式分为有无成簇环形强化,根据最佳诊断界值将强化环分为大环和小环。内部强化分布分为沿导管走行分布（线状或叶段样分布）和不沿导管走行分布（非线状和非叶段样分布）两类。病变的其它特征评价完全采用第5版BI-RADS MRI手册的术语。单因素分析用于筛选具有统计学差异的变量。多因素分析用于识别对鉴别诊断有意义的独立预测因子。通过受试者操作特征（receiver operating characteristic,ROC）曲线下面积（area under curve,AUC）判断每个独立预测因子及其联合的鉴别诊断能力。结果:尽管两种疾病均以NME为主要表现,但是无炎症表现的GLM的NME表现比非钙化型DCIS更常见（p=0.003）。表现为NME的两种病变的DCE-MRI特征单因素分析结果显示,大小、有无成簇环形强化、环的大小、早期强化程度和晚期强化曲线类型在二者间存在显著差异（p<0.05）。根据约登指数最大值,环的大小最佳界值被确定为7mm,AUC为0.878（95%可信区间,0.734-0.961）。内部强化形式和早期强化程度最终被确认为鉴别诊断的独立预测因子。内部强化形式、早期强化程度和二者联合的AUCs分别为0.825（95%可信区间,0.699-0.914）,0.700（95%可信区间,0.561-0.816）和0.867（95%可信区间,0.748-0.943）。结论:DCE-MRI可以作为临床无炎症表现GLM和非钙化型DCIS有效的无创性鉴别诊断方法。DCE-MRI上伴有大环（>7mm）的非肿块强化病变高度提示临床无炎症表现的GLM,而无成簇环形强化或成簇小环形强化病变则高度提示非钙化型DCIS。第二部分动态增强MRI及影像组学对乳腺单纯型黏液癌与T2明显高信号纤维腺瘤的鉴别诊断研究目的:乳腺单纯型粘液癌（pure mucinous breast carcinoma,PMBC）因富含大量粘液在MRI的T2WI上表现为明显高信号,与T2明显高信号纤维腺瘤的鉴别诊断是影像医生面临的难题。然而,对二者做出正确的诊断对指导临床治疗具有重要的意义。既往研究显示动态增强MRI（dynamic contrast-enhanced MRI,DCE-MRI）有助于黏液癌与纤维腺瘤的鉴别诊断,但是多因素分析结果均采用优势比表示。另外,影像组学在PMBC和T2明显高信号纤维腺瘤鉴别诊断中的价值尚未得到证实。因此,本研究的目的是:1)基于DCE-MRI表现构建PMBC和T2明显高信号纤维腺瘤鉴别诊断的多因素逻辑回归模型列线图;2)确定DCE-MRI影像组学特征在PMBC和T2明显高信号纤维腺瘤鉴别诊断中的应用价值。研究方法:回顾性分析64个PMBC和137个T2明显高信号纤维腺瘤病变的DCE-MRI表现。记录影像医生的原始BI-RADS诊断结果。将单因素分析有统计学差异的DCE-MRI特征纳入多因素Logistic回归分析,建立用于鉴别诊断的影像特征模型,绘制便于临床应用的影像特征模型列线图。使用开源软件ITK-SNAP（3.6.0版本）在增强扫描最后一期（第八期）的图像上分割病灶,应用美国GE Analysis Kit（AK）软件对已分割好的感兴趣区进行影像组学特征提取。按7:3的比例将样本随机分为训练集（n=141个）和验证集（n=60个）。首先对训练集病变的所有影像组学特征进行Mann-Whitney U检验,经单因素分析后剩余116个特征有统计学差异。然后分别采用最小绝对收缩与选择算子算法（least absolute shrinkage and selection operator,LASSO）筛选特征和主成分分析（principal component analysis,PCA）进行降维。基于LASSO筛选出的6个特征采用多因素Logistic回归的方法建立LASSO影像组学标签,基于PCA降维后的9个旋转的主成分采用多因素Logistic回归的方法建立PCA影像组学标签。在验证集中测试训练集建立的影像组学标签性能。绘制ROC曲线,用ROC曲线下面积（area under curve,AUC）、敏感度、特异度、准确度、阳性预测值（positive predictive value,PPV）和阴性预测值（negative predictive value,NPV）来评价影像特征模型和两种影像组学标签的分类性能。使用Delong检验比较影像特征模型和两种影像组学标签的鉴别诊断性能。绘制影像特征模型和两种影像组学标签的校正曲线,评价模型或影像组学标签对病变分类的预测结果与实际结果的一致性。临床决策分析曲线（decision curve analysis,DCA）通过计算不同阈概率下的净效益来评估和对比影像特征模型和影像组学标签的临床应用价值。对于所有分析,P<0.05被认为具有统计学意义,并且所有检验都是双侧的。统计分析全部使用R语言3.6.1版本。结果:影像医生原始诊断的敏感度、特异度、准确度、PPV和NPV分别为76.56%、73.00%、74.13%、56.98%和86.96%。多因素分析显示,患者的年龄、病变的边缘、晚期内部强化特征、内部有无强化分隔和分叶特征是鉴别PMBC和T2明显高信号纤维腺瘤的独立预测因子。影像特征模型的AUC、敏感度、特异度、准确度、PPV和NPV分别为96.24%、87.50%、94.89%、92.54%、88.89%和94.20%。LASSO影像组学标签在训练集和验证集的AUC分别为94.40%和98.63%,PCA影像组学标签在训练集和验证集的AUC分别为94.49%和97.95%。影像特征模型、训练集和验证集的LASSO和PCA影像组学标签鉴别诊断效能的两两对比均没有显著的统计学差异（p>0.05）。与影像组学标签对比,影像特征模型表现出更好的预测值与观测值的一致性和更大的临床净获益。结论:在PMBC和T2明显高信号纤维腺瘤的鉴别诊断中,影像特征模型是优于影像医生原始诊断和影像组学标签的选择。列线图使影像特征模型成为临床上便于使用、易于理解的有效工具,提高了两种病变鉴别诊断的准确度,从而能够在不增加额外的成本投入的前提下为实现个体化临床决策提供可靠的客观依据。第三部分动态增强MRI及影像组学对腋窝淋巴结临床阴性早期乳腺癌腋窝淋巴结状态的预测研究目的:对于腋窝淋巴结临床阴性的早期乳腺癌患者,前哨淋巴结活检（sentinel lymph node biopsy,SLNB）已经成为腋窝淋巴结分期及治疗的标准术式。而这些患者经病理证实实际发生淋巴结转移的比例大约在33.2%-39%之间,这就意味着大约60%-70%的患者从SLNB这个有创性操作中没有任何获益。研究发现,基于乳腺癌原发病灶的MRI影像组学特征对腋窝淋巴结转移（axillary lymph node metastasis,ALNM）的预测能力普遍优于临床病理特征预测模型。但据我们所知,目前尚未见到采用MRI影像组学特征预测腋窝淋巴结临床阴性早期乳腺癌患者淋巴结转移状态的研究报道。因此,本研究的目的是建立和验证基于乳腺癌原发病灶DCE-MRI影像组学特征预测腋窝淋巴结临床阴性早期乳腺癌的腋窝淋巴结转移状态的模型,使腋窝淋巴结转移低风险的患者免于SLNB。研究方法:回顾性分析260个腋窝淋巴结临床阴性的T1-2早期浸润性乳腺癌的临床病理及DCE-MRI资料。其中,71例发生了ALNM,189例未发生ALNM。采用开源软件Py Radiomics分别提取乳腺癌原发肿瘤在T1WI、T2WI和DCE序列第三期（CE3）的影像组学特征,每一序列提取的特征为4类共851个。按7:3的比例将样本随机分为训练集（n=182个）和验证集（n=78个）。使用训练集数据分别对T1WI、T2WI和CE3每个序列进行影像组学特征筛选,之后对三个序列联合后的所有影像组学特征进行特征筛选。采用多因素逻辑回归的方法分别建立T1WI、T2WI、CE3和多参数影像组学标签,在验证集中测试训练集建立的各个影像组学标签的性能。采用受试者操作特征（receiver operating characteristic,ROC）曲线下面积（area under curve,AUC）、校正曲线和临床决策分析曲线评价影像组学标签。对于所有分析,P<0.05被认为具有统计学意义,并且所有检验都是双侧的。统计分析全部使用R语言3.6.1版本。结果:在ALNM阳性与阴性组间,临床病理及DCE-MRI特征无明显统计学差异（p>0.05）。在训练集中,多参数影像组学标签的AUC为0.78,高于T1WI、T2WI和CE3单序列影像组学标签,差异有统计学意义（p<0.05）;在验证集,虽然多参数影像组学标签与T1WI、T2WI和CE3单序列影像组学标签的AUC没有显著的差异（p>0.05）,但是多参数影像组学标签的AUC仍是最高的（0.75）。校正曲线显示,多参数影像组学标签的预测值和观测值一致性较好。临床决策分析曲线显示,当阈概率在0.08-0.92之间时,多参数影像组学标签具有临床净获益。结论:在腋窝淋巴结临床阴性早期乳腺癌患者的ALNM状态预测方面,MRI多参数影像组学标签优于单序列影像组学标签。多参数影像组学标签有望成为预测腋窝淋巴结临床阴性早期乳腺癌患者ALNM状态的有效工具,为临床决策提供帮助,避免对ALNM低风险患者进行过度治疗。