超聲定量參數的預測模型在乳腺病變中的應用

　　摘要將241例患者納入研究，每例患者均有1份乳腺影像學報告及數據系統(BI�睷ADS)4級的病變經過常規超聲、彩色多普勒超聲和聲脈沖輻射力成像(ARFI)的檢查，記錄病變的血流阻力指數(RI)、腫塊與腺體的剪切波速度(SWV病變、SWV腺體)及其比值(SWV病變/SWV腺體)，利用ROC曲線評價各參數診斷性能，再使用分類算法進行分類分析，構建預測模型。經病理證實，241例乳腺病變中140例為惡性、101例為良性。分類算法納入了RI及SWV病變，深度包括2個分支(當SWV病變≤3.795m/s，考慮RI≤0.620或0.6200.790;當SWV病變>3.795m/s，考慮RI≤0.710或>0.710)。分類算法的曲線下面積(AUC)為0.938，靈敏度為98.6%，特異度為57.4%。超聲定量參數的預測模型可以明顯提高診斷乳腺BI�睷ADS4級病變良惡性的準確性，能避免24%乳腺病變的穿刺活檢。

　　關鍵詞乳腺癌;彩色多普勒超聲;彈性成像;穿刺活檢;預測模型

　　乳腺癌作為女性最常見的惡性腫瘤之一，已經嚴重威脅女性的健康，早期鑒別診斷尤為重要[1]。超聲技術作為篩查乳腺病變的重要手段，其影像學報告及數據系統(breastimaging�瞨eportinganddatasystem，BI�睷ADS)現已廣泛應用于乳腺超聲檢查中，但對BI�睷ADS4級病變良惡性的鑒別仍然十分困難[2]。

　　醫學方向知識：發表醫學影像論文的sci期刊

　　彈性成像技術中聲脈沖輻射力成像(acousticradiationforceimpulse，ARFI)技術可以通過測量剪切波速度(shearwavevelocity，SWV)來定量反映乳腺組織的硬度[3];彩色多普勒超聲能夠顯示出病變內的血流信號，測量出血流阻力指數(resistentin�瞕ex，RI)，評價病變內的血流情況[4]。2種技術均可提供定量參數，該研究旨在使用這些定量參數(SWV、RI)構建的分類算法模型來更加精準預測乳腺BI�睷ADS4級病變的良惡性，以期降低乳腺穿刺活檢率。1材料與方法

　　1.1病例資料收集2015年1月-2018年12月間安徽醫科大學附屬省立醫院超聲科241例女性患者，年齡13～80(45.0±12.6)歲，每位患者只有最可疑或者最大的病灶被納入研究，共241個乳腺病變。每個乳腺病變均經過常規超聲檢查且BI�睷ADS分級為4級，排除標準為無病理結果、哺乳期及妊娠期。本研究經本院倫理委員會機構批準，并均在患者知情同意下進行。

　　1.2儀器與方法采用SimensAcusonS2000彩色多普勒超聲診斷儀，配有9L��4線陣探頭，頻率為4～9MHz。首先患者取仰臥位，充分暴露其乳房，對乳腺進行常規超聲檢查，探查出病灶后，記錄部位、邊緣、形態、內部及后方回聲、有無鈣化，再行彩色多普勒超聲檢查，多普勒的感興趣區域包括整個病灶和周圍少量組織，將彩色增益降低至背景噪聲剛好消失，保證最大靈敏度，然后測量出RI并記錄，無血流信號時RI記為0。

　　常規超聲檢查完成后由2位超聲診斷經驗超過10年的醫師對超聲圖像進行分析診斷，依據2013版BI�睷ADS分類指南[5]進行分級。之后每一個4級病灶均需繼續進行ARFI，此操作由2位經過ARFI技術培訓的醫師進行操作，每位操作者需開啟聲脈沖輻射力測量界面，取樣框大小固定為6mm×5mm。需對同一病灶及病灶同水平腺體分別進行3次測量，綜合2人測量值中去掉最大值及最小值計算出平均值，記為SWV病變、SWV腺體，并計算出SWV病變/SWV腺體。測量SWV數值顯示為X.XX時以9cm/s計算[6]。

　　1.3統計學處理使用SPSS24軟件進行統計分析。將收集的定量數據RI、SWV病變、SWV病變/SWV腺體用ROC曲線來進行診斷準確性的評價。再利用χ2自動交互檢驗方法(chi�瞫quaredautomaticinteractiondetector，CHAID)對定量數據進行分類分析，最小子節點和父節點分別設置為5和10。由 CHAID自動計算出每個分支的截取值，構建CHAID決策樹，即預測模型。其穩定性通過10倍交叉驗證得到驗證。ROC曲線下面積比較采用Z檢驗，以P<0.05為差異有統計學意義。

　　2結果病理結果顯示241例乳腺病變中惡性140例(58.1%)，良性101例(41.9%)。惡性病灶包括浸潤性導管癌127例、乳腺導管內癌9例、浸潤性小葉癌3例、乳腺黏液癌1例;良性病灶包括纖維腺瘤60例、乳腺腺病7例、乳腺慢性炎癥14例、導管內乳頭狀瘤6例、增生結節10例、其他4例。

　　所有定量資料的診斷性能。聲脈沖輻射力技術中診斷性能表現最佳的為SWV病變，其ROC曲線下面積為0.858(截斷值：3.830m/s，AUC：0.858)，其次為SWV病變/SWV腺體，其曲線下面積為0.856(截斷值：2.815，AUC：0.856);在彩色多普勒超聲條件下，可以觀察出惡性病灶RI明顯高于良性病變RI，其ROC曲線下面積為0.781(截斷值：0.695，AUC：0.781)。將3種均具有一定診斷性能的定量資料使用CHAID算法分析，在SWV病變、SWV病變/SWV腺體及RI3種定量資料中，由于SWV病變/SWV腺體無法使分類樹再產生分歧且提高算法的精度，并沒有納入分類算法中。

　　首先，當SWV病變≤3.958m/s時，得到節點1，此時再繼續考慮RI，當RI≤0.620，得到節點3，惡性概率為3.3%;當RI在0.62～0.79之間，得到節點4，惡性概率33.3%;當RI>0.79，得到節點5，惡性概率為83.3%。當SWV病變>3.795m/s時，得到節點2，此時再考慮RI，當RI≤0.71，得到節點6，惡性概率為83.3%;當RI>0.71，得到節點7，惡性概率為100%。對于此分類樹，ROC曲線下面積為0.938，明顯高于RI、SWV病變及SWV病變/SWV腺體的0.781(Z=4.72，P<0.001)、0.858(Z=2.68，P=0.003)及0.856(Z=2.81，P=0.002)，敏感性為98.6%，特異性為57.4%，該算法使得2例乳腺腫塊誤診為良性，2例均為乳腺浸潤性癌。

　　3討論

　　美國放射學會提出的BI�睷ADS分類法為乳腺病變的超聲診斷提供了規范化的標準，但是當被分到4級時惡性程度為2%～95%，跨度較大，即使再細分為4a、4b、4c3個亞類，也均要求行穿刺活檢[5]。因此如果能對4級病變進一步鑒別診斷，那么既可避免一些不必要的活檢穿刺，又能使惡性可能性較大的病變得到及時的診治。本研究運用彩色多普勒技術及ARFI技術中的定量參數構建乳腺BI�睷ADS4級病變惡性風險的預測模型，幫助快速區分出4級病灶中風險較低的良性病灶進行密切隨訪。ARFI技術使用聲脈沖輻射力使得相應組織產生形變，通過測量形變產生的橫向SWV，定量反應組織的硬度[6]。多項研究[8-9]表明AFRI技術能夠用來輔助鑒別乳腺病變的良惡性;并且李俊來等[10]發現在硬度大小上乳腺浸潤性導管癌>乳腺病>纖維腺瘤>腺體。

　　由于大部分乳腺惡性腫塊生長迅速并且存在豐富的血管生長因子，使得彩色多普勒下乳腺惡性腫塊內部血流信號豐富，RI較高[11]。研究[12]表明乳腺惡性腫塊的RI明顯高于良性腫塊，且多數惡性腫塊RI>0.7。本研究終端節點3中2例誤診為良性的病變最大直徑分別為9mm及8mm，深度分別為16mm及20mm。在肖曉云等[13]研究中表明乳腺病變過小(最大直徑大于1cm)及病變位置較深(距皮膚表面大于10～12mm)時均會使彈性成像的診斷效能降低。

　　綜合分析考慮本研究2例誤診原因可能因為病變太小或位置太深。本次研究采用的3種定量資料的分類算法結果表明，納入SWV病變和RI時的預測模型有較高診斷性能，其ROC曲線下面積(0.938)高于單獨使用彩色多普勒或者聲脈沖輻射力技術，并且較高的敏感性(98.6%)保證了預測模型不易漏診癌癥，這與文獻[14]研究相似。在分類樹的終端節點3中，60個乳腺腫塊中僅有2個是惡性，惡性概率僅為3.3%，因此可以考慮對60個病灶進行短期隨訪。并且此次研究應用的均為定量數據，一定程度的避免了主觀上的偏差。

　　研究局限性：本研究為回顧性研究、樣本量有限，并且僅限于BI�睷ADS4級的病灶，有待于積累更多的病例進行研究，使得算法更具有可靠性及臨床相關性。利用SWV病變及RI2個定量資料的分類算法建立的預測模型有較高的診斷性能，能夠提高BI�睷ADS4級乳腺病灶中良性病灶檢出率，客觀幫助臨床決定是否進行穿刺活檢，減少不必要的有創檢查。

　　參考文獻

　　[1]SiegelRL，MillerKD，JemalA.CancerStatistics，2018[J].CACancerJClin，2018，68(1)：7-30.

　　[2]CarunchoMV，LópezLG，Armas?V.AssessmentofBI�睷ADScategory4lesionsorhowsomeflawsinastudyputintoquestionthecredibilityofthestudyresults[J].Radiology，2015，277(2)：612.

　　[3]張行，隋秀芳.剪切波速度測量技術在乳腺腫塊良惡性鑒別中的應用研究進展[J].安徽醫學，2017，38(7)：948-51.

　　[4]張鵬.乳腺癌篩查中彩色多普勒超聲診斷的應用價值[J].影像研究與醫學應用，2019，3(14)：129-30.

　　[5]詹維偉，周建橋.乳腺超聲影像報告與數據系統解讀[M].北京：人民衛生出版社，2015：139-82.

　　[6]JayaramanJ，IndiranV，KannanK，etal.Acousticradiationfor�瞔eImpulseimaginginbenignandmalignantbreastlesions[J].Cu�瞨eus，2017，9(6)：e1301.

　　作者：許仁豪，隋秀芳，裴蓓，張行，張杰

轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/yxlw/26369.html