合成MRI弛豫定量直方图分析在乳腺BI-RADS 4类非肿块样强化病变良恶性鉴别中的价值

《BMC Medical Imaging》：Histogram analysis of relaxometry from synthetic MRI for differentiation of breast BI-RADS 4 non-mass enhancement lesions

本研究针对常规MRI对BI-RADS 4类非肿块样强化（NME）病变诊断效能有限的问题，探讨了合成MRI（SyMRI）弛豫定量参数直方图特征的诊断价值。通过提取T1、T2和质子密度（PD）的直方图特征，并结合DCE-MRI特征和ADC值构建诊断模型。结果显示，SyMRI模型（AUC=0.821）及联合模型（AUC=0.851）显著优于常规模型，尤其联合模型的特异性（74.3%）和阳性预测值（87.8%）提升明显，有助于减少不必要的活检。

　　

在乳腺磁共振成像（MRI）的临床诊断中，非肿块样强化（Non-Mass Enhancement, NME）病变一直是个令人头疼的难题。与边界清晰的肿块不同，NME病变如同渗透在正常腺体中的“幽灵”，没有明显的占位效应，其增强模式分散且不规则，这使得影像科医生在判断其良恶性时常常面临巨大挑战。根据美国放射学会乳腺影像报告和数据系统（ACR BI-RADS）的分类，被判定为BI-RADS 4类的病变恶性可能性在2%至95%之间，这意味着大量患者不得不接受穿刺活检，但其中相当一部分最终病理结果却是良性的。这种“宁可错杀一千，不放过一个”的策略虽然保证了安全性，却导致了不必要的医疗创伤和心理负担。

更令人担忧的是，常规MRI检查方法在鉴别NME病变良恶性方面表现并不理想。动态对比增强MRI（DCE-MRI）的形态学特征评估存在主观性，不同医生之间判断差异较大。表观扩散系数（ADC）值在这一领域的应用价值存在争议，而时间-信号强度曲线（TIC）在NME病变中多为平台型，良恶性病变间重叠度很高。正是这些临床诊断中的痛点和局限，促使Li等研究人员将目光投向了一种新兴的定量MRI技术——合成MRI（Synthetic MRI, SyMRI），并探索其弛豫定量参数直方图分析在BI-RADS 4类NME病变鉴别诊断中的价值。

合成MRI是一种革命性的磁共振技术，它通过一次扫描就能同时获取T1、T2和质子密度（PD）定量参数图，并能重建出多种对比度的图像。这种技术已成功应用于脑部、乳腺和前列腺等多个部位，显示出良好的诊断性能。特别值得一提的是，直方图分析能够揭示肉眼难以观察到的像素强度和分布模式，间接反映组织异质性和血管生成情况，有潜力成为乳腺癌的影像学生物标志物。

本研究采用单中心回顾性设计，纳入了2019年10月至2023年5月期间连续接受DCE-MRI、扩散加权成像（DWI）和SyMRI检查的108例女性患者。所有入组患者均无术前手术或新辅助治疗史，MRI图像无伪影或对量化影响小，且MRI最终评估为BI-RADS 4类。排除标准包括不完整的临床病理数据、哺乳期或妊娠期女性以及DCE-MRI图像上表现为肿块的病变。

研究人员使用3.0T磁共振扫描仪进行图像采集，SyMRI通过二维快速自旋回波磁共振图像编译（MAGiC）序列获取。两位经验丰富的放射科医生独立评估常规MRI特征，包括NME的分布、内部增强模式、纤维腺体组织和淋巴结增大情况，同时测量ADC值和SyMRI直方图特征。通过手动勾画病灶感兴趣区（ROI），排除了坏死或囊性区域，并使用Pyradiomics软件从T1、T2和PD定量参数图中提取了包括第10百分位数、第90百分位数、最小值、最大值、均值、偏度、峰度、均匀性、方差、能量和熵在内的直方图特征。

统计分析方法包括使用Student t检验、Mann-Whitney检验以及卡方检验或Fisher精确检验比较组间差异。将单变量分析中P<0.05的变量纳入多变量逻辑回归分析，分别构建了基于DCE-MRI特征和ADC值的常规模型、基于SyMRI直方图特征的SyMRI模型以及整合两者的联合模型。通过受试者工作特征（ROC）曲线分析评估各模型的诊断性能，并使用DeLong检验比较曲线下面积（AUC）的差异。

患者特征

研究最终纳入108例女性患者（平均年龄48岁±11），包括73例恶性和35例良性病变。恶性病变中包含27例（36.99%）导管原位癌、20例（27.40%）浸润性导管癌、21例（28.77%）浸润性导管癌伴导管原位癌等；良性病变中包含14例（40.00%）腺病、13例（37.14%）肉芽肿性乳腺炎等。两位放射科医生对所有参数测量的组内相关系数（ICC）介于0.613至0.931之间，平均值为0.776，表明直方图特征提取具有良好的重复性。

单变量和多变量分析

常规MRI特征的单变量分析显示，良恶性组在分布、内部增强模式、TIC、ADC均值和ADC最小值方面存在显著差异。多变量逻辑回归分析确定多区域分布、异质性和簇状增强、III型曲线以及ADC均值为NME病变恶性的独立预测因素。

SyMRI直方图特征的单变量分析显示，良恶性组在T1最小值、T1能量、T2最小值、T2能量、PD第90百分位数、PD峰度、PD均匀性、PD方差和PD熵方面存在显著差异。通过LASSO回归和多元逻辑回归分析，最终确定PD第90百分位数、PD均匀性和PD熵为BI-RADS 4 NME病变恶性的显著预测因子。

图2展示了一例57岁女性左乳腺浸润性导管癌的影像学表现。对比增强乳腺MRI显示节段性分布和簇环状强化（图2a-b）；病变在DWI上呈高信号，在ADC图上呈低信号，平均ADC值为1.19×10^-3mm²/s（图2c-d）；病变呈现III型曲线（图2e）；T1 mapping、T2 mapping和PD mapping图像（图2f-h）。白色箭头标记NME病变位置，红色轮廓指示DCE-MRI上的NME范围。

图3展示了一例38岁女性左乳腺肉芽肿性乳腺炎的影像学表现。对比增强乳腺MRI显示节段性分布和簇环状强化（图3a-b）；病变在DWI上呈高信号，在ADC图上呈低信号，平均ADC值为1.25×10^-3mm²/s（图3c-d）；病变呈现III型曲线（图3e）；T1 mapping、T2 mapping和PD mapping图像（图3f-h）。白色箭头标记NME病变位置，红色轮廓指示DCE-MRI上的NME范围。

模型效能评估

多变量逻辑回归分析得出三种诊断模型，其判别效能通过AUC进行评估。常规模型的敏感度为73.9%，特异度为62.8%，AUC为0.739（95% CI：0.636-0.842）。SyMRI模型表现出显著更高的敏感度（98.6%）、阴性预测值（NPV）（95.4%）、阳性预测值（PPV）（83.7%）和AUC（0.821，95% CI：0.728-0.915）。联合模型在鉴别BI-RADS 4 NME病变方面实现了最佳性能，AUC为0.851（95% CI：0.764-0.937）。

图4展示了三种模型的ROC曲线及DeLong检验结果。联合模型的AUC显著高于常规模型（0.851 vs. 0.739；p=0.041），而SyMRI模型与联合模型之间无显著差异（0.821 vs. 0.851；p=0.128）。将SyMRI特征纳入常规模型后，诊断性能得到显著提升。

研究结论与讨论部分强调，联合模型整合常规MRI和SyMRI直方图特征，为鉴别BI-RADS 4 NME病变的良恶性提供了优越的判别性能。尤其值得注意的是，联合模型具有高NPV（95.4%），显示出在减少良性乳腺病变患者不必要活检方面的巨大潜力。

对于常规MRI特征在BI-RADS 4 NME病变鉴别中的应用，本研究发现局灶性分布（54.3%）和异质性增强（28.6%）在良性病变中更为常见，而区域性分布（28.8%）和异质性增强（50.7%）在恶性病变中显著更常见，这可能是BI-RADS 4 NME病变中恶性病变漏诊的原因之一。虽然III型TIC曲线在良恶性病变间存在显著差异，但II型曲线（52/108）在NME病变中更为常见，限制了其单独应用价值。ADC均值被确认为恶性BI-RADS 4 NME病变的独立危险因素，尽管其诊断准确性有限，仍有助于可疑乳腺病变的特征化。

SyMRI直方图特征的分析揭示了有趣的生物学内涵。恶性NME病变的T1最小值和T2最小值较低，可能归因于恶性成分具有更高的细胞密度和更小的细胞外间隙。T1能量在恶性病变中显著较高，可能与肿瘤的恶性程度和侵袭性相关。PD第90百分位数在恶性病变中较低，反映了恶性病变中脂质分子含量较少。熵、方差、峰度较高和均匀性较低表明恶性病变的图像纹理分布不均匀，纹理信息更复杂，符合恶性病变生物学特性。

与既往研究相比，本研究的SyMRI模型（AUC=0.821）诊断性能优于常规模型（AUC=0.739）。联合模型在敏感度、特异度、PPV和NPV方面均有改善，AUC从0.739提升至0.851。特别值得注意的是，联合模型特异度和PPV的提高对于BI-RADS 4 NME病变的检测特别有益，可以更好地避免不必要的活检。

本研究也存在一些局限性。回顾性设计可能引入选择偏倚；单中心小样本研究缺乏外部验证；部分缺乏病理结果的良性病变被排除，导致良性病变数量相对较少；NME病变ROI勾画即使排除坏死或囊性区域，仍可能存在一定误差。

综上所述，乳腺BI-RADS 4类NME病变与正常腺体和脂肪组织混合，给影像诊断和穿刺活检带来了巨大困难。基于合成MRI定量参数的直方图特征在BI-RADS 4类NME病变良恶性鉴别诊断中具有重要价值，特别是与常规MRI特征结合时，可显著提高诊断性能，有望在临床实践中减少不必要的有创检查，优化患者管理策略。该研究成果发表于《BMC Medical Imaging》杂志，为乳腺NME病变的精准诊断提供了新的思路和方法。