基于MRI的放射组学及DTI参数模型对BI-RADS 4类乳腺肿块的诊断价值

作     者：陈爱娣 

作者单位：广州医科大学 

学位级别：硕士

导师姓名：曹满瑞

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 10[医学] 

主      题：扩散张量成像(DTI) 动态对比增强(DCE-MRI) 乳腺MRI 表观扩散系数(ADC) 各向异性分数(FA) 

摘      要：背景目前乳腺癌在女性恶性肿瘤中的发病率最高,在乳腺癌临床诊疗过程中,良恶性病变的准确诊断是乳腺疾病治疗最重要的一步,对患者预后和降低死亡率至关重要。根据美国放射学会（American College of Radiology,ACR）对乳腺病变MRI报告的BI-RADS分级描述,将不典型恶性体征但有足够理由怀疑存在恶性可能的病变归类为BI-RADS 4类（2%但95%的恶性可能性）,由于存在恶性病变的可能性范围大,所有BI-RADS 4类乳腺疾病建议对可疑区域进行活检以明确其病理特性。目的由于BI-RADS 4类乳腺疾病存在恶性病变范围的可能性大,我们可以看到许多BI-RADS4类患者病例被过度诊断和穿刺治疗,这对身体造成了一定程度的创伤。而且临床诊断不可避免地存在一定的假阳性率。因此,我们提出基于患者术前影像学信息建立预测性影像组学模型的假设,用于术前预测BI-RADS 4类乳腺肿块的恶性风险概率。于是,一种基于从医学图像中提取病灶丰富、深层次的图像特征而建立图像特征与临床信息之间的相关性的放射组学（Radiomics）技术应运而生,它可以提高肿瘤诊断、预后和预测的准确性。此外,放射组学也是精准医学和个体化治疗重要组成部分,尤其是在肿瘤学方面。目前动态对比增强MRI（DCE-MRI）、DWI、ADC序列已被应用于区分乳腺良性和恶性肿瘤、确定肿瘤大小和检测隐匿性病变。但DWI和ADC是消除方向权重后的图像,代表了不同方向尤其是三维正交方向的平均值。由于人体乳腺内腺泡、腺腔、导管以及纤维呈放射状向乳头方向聚集,乳腺内病变也容易沿着这些生理通道扩展、蔓延,因此乳腺病变弥散状态的改变在三维方向上是非均等性的,而是呈现各向异性的特点,但DWI却不能反应这种情况。为了区别三维方向上弥散的差异,DTI被引入到乳腺病变的研究之中,并显示了非常高的稳定性和可重复性。DTI不仅可以提供反应平均弥散程度的平均ADC值（meandiffusion,MD）、同时还可以提供反应各方向弥散差异的各向异性分数（FA）、最大本征量（λ1）、中间本征量（λ2）、最小本征量（λ3）和最大各向异性指数（λ1-λ3）。因此本研究旨在通过基于DCE-MRI序列的放射组学特征联合DTI参数建立列线图,用于术前预测BI-RADS 4类乳腺肿块的恶性概率。资料和方法经医院伦理委员会批准,回顾性搜集并分析216例于2017年12月至2021年12月因乳腺疾病就诊,且诊断为BI-RADS 4类肿块的女性患者的影像资料及临床资料。所有患者均在1.5T MRI接受了常规（DCE-MRI）序列并加做了DTI序列。所有MRI图像分别均由两位高年资放射科医生审查。临床资料包括年龄、绝经状态、乳腺背景实质强化（BPE）类别、肿瘤大小、生育情况。DTI参数包括ADC值、各向异性分数（FA）、最大本征量（λ1）、中间本征量（λ2）、最小本征量（λ3）和最大各向异性指数（λ1-λ3）。从动态对比增强（DCE-MRI）图像中提取了107个放射组学特征,使用最小绝对收缩和选择算子（LASSO）和逻辑回归来选择特征。以术后病理学为金标准将所有病变按（7:3）比例随机分为训练组及验证组,通过Logistic回归分析以病理结果良恶性为因变量,以记录的所有风险因素为自变量在训练组先进行单因素分析,后进行多因素分析,然后将有统计学意义的风险因素建立Logistic回归预测模型,最终分别建立临床模型、DTI参数模型、Radscore模型,Radscore模型+DTI参数模型、Radscore模型+临床模型、DTI参数模型+临床模型、Radscore模型+DTI参数模型+临床模型,构建7个预测模型,最后建立预测BI-RADS 4类乳腺肿块良恶性的列线图。绘制受试者工作曲线（receiver operating characteristic curve,ROC）并求曲线下面积AUC;通过Hosmer-Lemeshow拟合优度检验绘制校正曲线（Calibration curve）来检验模型预测准确性;绘制决策曲线（Decision Curve Analysis,DCA）来评价模型临床适应度。结果使用ICC一致性分析和Pearson相关性剔除52个不相关的特征,然后使用LASSO和逻辑回归筛选我们构建的每个模型的剩余特征系数。最后在模型中获得表现最好的9个相关特征。然后基于这9个特征构建了放射组学模型。患者临床资料和DTI参数单变量分析结果显示患者年龄、绝经情况、乳腺背景实质强化（BPE）类别、肿瘤大小、乳腺癌组织DTI参数中的ADC、FA、λ1、λ2、λ3是诊断乳腺肿块良恶性的风险因素（P0.05）。基于Radscore模型+DTI参数模型+临床模型的组合模型取得了较仅Radscore模型、DTI参数模型、临床