Page 117 - 磁共振成像2024年7期电子刊

临床研究｜｜Clinical Articles 磁共振成像 2024年7月第15卷第7期 Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7

[30]
[38]
好的准确性 。ZHAO 等 研究发现 HER-2 表达阳 更高，具有更复杂的图像特征如纹理特征 。有研究
[31]
[28]
*
[39]
性组的 D 和 f 值高于阴性组；王婷等 研究发现对于 认为 LR 分类器能够针对小样本构建稳定的模型 。
*
HER-2 阳性乳腺癌的诊断，D 效能高于f及D值，这可 而本研究正是较小的数据集，采用 LR 作为分类器进
能由于 HER-2 基因可以促进肿瘤内血管内皮生长因 行模型的构建，测试集可以与训练集较好的拟合。
子的产生，从而使肿瘤微灌注增加及毛细血管容积增 5 折交叉验证是将样本数据随机分为 5 组，将其中
大，导致细胞外间隙的扩大，使 D 的诊断效能降低。 1组作为验证集，其余4组作为训练集进行模型构建，
*
本研究结果表明 f、D、D 各参数图模型对于乳腺癌患 循环重复此过程，得到 5个模型及测试结果并取平均
者HER-2的预测有一定临床价值，且预测效能相当。 值，这种方法可以防止模型过拟合并提高模型的稳
3.3 基于DCE-MRI模型预测HER-2表达状态的价值 定性。本研究采用 5 折交叉验证后各模型的训练集
DCE-MRI 不仅可以显示肿瘤内的血供情况，还 和测试集AUC相近，说明模型具有较好的可重复性。
能反映肿瘤形态上的细节，因此许多科研人员认为 3.6 本研究的局限性
DCE-MRI 在 对 乳 腺 癌 进 行 诊 断 时 具 有 较 高 的 价 本研究还存在一些局限性：（1）样本量比较小，且
值 [32-33] 。FANG等 在 235例患者的 DCE-MRI中选出 为单中心研究，数据可能存在一定的偏倚，需要进一步
[34]
21 个 DCE-MRI 影像特征，用来构建预测HER-2状态 获取更多病例以扩大样本量，并进行多中心研究来验
[35]
的 模 型 ，其 AUC 是 0.84。 JIANG 等 研 究 得 到 了 证此类研究的结果；（2）入组病例选用的是肿块型病
279个DCE-MRI图像的纹理特征，用不同分类器构建 变，可能会丢失一部分病例，未来将纳入非肿块型病变
模型，发现其在HER-2（2+）状态鉴别方面具有潜在的 进行研究；（3）本研究仅采用DCE第2期构建联合组学
[36]
实用价值。SONG等 在DCE-MRI图像中得到7个半 模型，其他DCE-MRI期相可能蕴含不同的重要信息，
定量血流动力学参数图，从每个参数图中提取55个纹 未来可以利用其他期相来构建联合模型。
理特征并构建模型，发现基于乳腺DCE-MRI计算的动
力学参数图的纹理特征，有可能成为区分HER-2阳性 4 结论
和 HER-2 阴性乳腺癌的影像学标志物。本研究选择 综上所述，基于IVIM、DKI参数图和DCE-MRI构
建的影像组学模型有助于乳腺癌 HER-2 基因表达状
了DCE-MRI中的第2期进行研究，预测效能较高。选
态的预测，表明了 IVIM、DKI新型成像技术在临床上
择该期的图像是因为肿瘤早期产生新血管的数量增
多，血供丰富，强化率较高，病灶与周围组织对比明显， 应用的可行性，与临床常规使用的 DCE 诊断序列相
利于勾画。另一方面，本期的增强效果可以反映肿瘤 比，使用DKI、IVIM参数图和DCE-MRI联合构建的组
学模型可以显著提高预测的准确性，并为HER-2阳性
内部的早期发展情况与肿瘤的恶性程度。
乳腺癌的诊断和治疗方案的制订提供更多帮助。
3.4 联合模型预测HER-2表达状态的价值 作者利益冲突声明：全体作者均声明无利益冲突。
冯海霞等 通过 DCE-MRI 联合 IVIM 等定量的
[37]
参数预测乳腺癌患者 HER-2 表达状态，其预测模型 作者贡献声明：赵晓萌起草和撰写稿件，获取、分
析并解释本研究的数据；郑宁、邵硕设计本研究的方
的 AUC 值是 0.778，同本研究相比其试验纳入的指标
案，对稿件重要内容进行了修改；崔景景、刘诗晗、吴建
较为单一。有学者比较了 IVIM 及 DKI 序列的参数， 伟获取、分析或解释本研究的数据，对稿件重要内容进
有研究表明 DKI 中 MK 值的诊断效果更好，而 IVIM 行了修改；邵硕获得了济宁市重点研发计划项目资助。
*
中 D 的诊断效能更高，如果把这两序列的参数进行 全体作者都同意发表最后的修改稿，同意对本研究的
[28]
联合，预测的准确性会明显升高 。本研究在训练集
所有方面负责，确保本研究的准确性和诚信。
中 ，DKI 的 参 数 图 以 MK 模 型 产 生 的 AUC 最 大
（0.694），IVIM 参数图中以 f 模型产生的 AUC 最大 参考文献[References]
（0.755），故选择其与第 2 期 DCE-MRI 构建联合组学
[1] Global cancer burden growing, amidst mounting need for services[J].
模型。本研究所构建的联合模型的 AUC在各模型中 Saudi Med J, 2024, 45(3): 326-327.
[2] SIEGEL R, MILLER K, WAGLE N S, et al. Cancer statistics, 2023[J/OL].
最高。结果表明，联合模型具有更高的诊断效能及 CA A Cancer J Clin, 2023, 73: 17-48 [2024-03-18]. https://pubmed.
诊断的准确性，这可能是因为联合模型提取的特征 [3] ncbi.nlm.nih.gov/36633525/. DOI: 10.3322/caac.21763.
SCHLAM I, SWAIN S M. HER2-positive breast cancer and tyrosine
更加全面，能更完整地反映乳腺癌的肿瘤内部信息。 kinase inhibitors: the time is now[J/OL]. NPJ Breast Cancer, 2021,
7(1): 56 [2024-03-18]. https://pubmed.ncbi.nlm.nih.gov/34016991/. DOI:
3.5 影像组学模型的构建 10.1038/s41523-021-00265-1.
[4] 周嘉音, 尤超, 顾雅佳 . 影像组学在乳腺癌的应用研究进展[J]. 国际
影像组学能够无创地提取数字医学图像中肉眼 医 学 放 射 学 杂 志 , 2022, 45(2): 174-179. DOI: 10.19300/j. 2022.
无法观察到的高维数据，发现 ROI 内与肿瘤异质性 Z19428.
ZHOU J Y, YOU C, GU Y J. Progress of radiomics in breast cancer[J].
相关的特征，从而可以对肿瘤相关特点进行客观评 Int J Med Radiol, 2022, 45(2): 174-179. DOI: 10.19300/j.2022.Z19428.
[5] BARZGAR BAROUGH N, SAJJADIAN F, JALILZADEH N, et al.
价。本研究从联合序列中筛选出 10 个影像组学特 Understanding breast cancer heterogeneity through non-genetic
征，其中大多为纹理特征，GLRLM 特征所占比重最 heterogeneity[J]. Breast Cancer, 2021, 28(4): 777-791. DOI: 10.1007/
s12282-021-01237-w.
大，说明该特征在预测模型中具有较高的价值。有 [6] GRANZIER R W Y, VERBAKEL N M H, IBRAHIM A, et al.
MRI-based radiomics in breast cancer: feature robustness with respect
研究发现，通常恶性程度更大的肿瘤，细胞增生程度 to inter-observer segmentation variability[J/OL]. Sci Rep, 2020, 10(1):

·110 · https://www.chinesemri.com