本文旨在向中国读者介绍一篇由Kathrin Barbara Krug, Darius G. Schafigh, Andra-Iza Iuga, Mathilda Weisthoff, Jean-Philip Weber, Wolfram Malter, David Maintz, Pascal A.T. Baltzer, Mathew G. Wallis, Martin Hellmich和Konstantin Klein等研究人员共同完成，发表于《Investigative Radiology》期刊2026年2月第61卷第2期的原创性研究论文。该研究探讨了在临床常规胸部对比增强光谱计算机断层扫描（Contrast-Enhanced Spectral Computed Tomography，或称双能CT，Dual-Energy CT, DECT）检查中，如何对检出的乳腺肿块进行生物学身份（良恶性）判定的问题。
一、 研究团队与发表信息
本研究由德国科隆大学医院诊断与介入放射科（Department of Diagnostic and Interventional Radiology, University of Cologne）的Kathrin Barbara Krug医生领衔，联合了来自同一机构的其他放射科医生、妇科肿瘤科医生，以及奥地利维也纳医科大学、英国剑桥大学医院NHS信托基金和德国哥廷根大学医学中心医学统计系的研究人员共同完成。该研究于2025年5月12日修订后接受，并计划发表于2026年2月的《Investigative Radiology》杂志上。这是一项聚焦于放射学，特别是乳腺影像学和先进CT技术临床应用的前沿研究。
二、 研究背景与目的
学术背景： 随着CT检查在临床的广泛应用，在为各种非乳腺相关适应症进行胸部CT检查的女性患者中，高达5.8%的病例会偶然发现乳腺局灶性病变。这些“偶发”的乳腺发现带来了临床困境：如何高效、标准化地处理这些CT上发现的乳腺肿块，以避免漏诊乳腺癌，同时又不至于因过度诊断而给大量患者带来不必要的焦虑和侵入性检查负担。目前，基于美国放射学会（ACR）乳腺影像报告和数据系统（BI-RADS）图谱的定性形态学评估是主要方法，但存在一定的主观性和不确定性。
研究动机： 双能CT（DECT）技术的发展，使得在常规对比增强扫描中，不仅能获得形态学信息，还能通过物质分离技术定量测量病灶内的碘含量，这为评估组织的血供和血管生成提供了新的功能学参数。先前的研究（包括本研究团队的工作）已提示，乳腺良恶性病变的碘含量可能存在差异（例如，阈值约在0.9 mg/ml）。同时，在乳腺磁共振成像（MRI）领域，基于决策树的Kaiser评分系统已成功用于结合多个定性特征来标准化诊断流程。本研究旨在将这两大优势结合。
研究目的： 本研究有两个明确目标：1）评估在定性影像特征评估的基础上，增加对DECT检出的乳腺肿块内碘含量的定量测量，能否带来诊断效能的提升；2）基于这些数据，开发一个类似于MRI Kaiser评分的、交互式分层决策树，用于评估单个乳腺肿块为良性或恶性的个体化概率。
三、 详细研究流程与方法
本研究是一项经机构审查委员会（IRB）批准的回顾性横断面研究。
1. 研究对象纳入与筛选： * 数据源： 回顾性筛查了2018年1月至2020年12月期间，在一台双层探测器DECT系统（IQon Spectral CT）上对18岁及以上女性患者进行的所有对比增强胸部DECT检查，共5591例。 * 病灶识别： 由两位在乳腺影像和CT方面经验丰富的认证放射科医生，在图像后处理工作站上审阅所有符合纳入标准的CT图像，寻找是否存在乳腺肿块。若单次检查中发现多个肿块，则选取最大的一个进行后续评估，以确保分析的无偏性。 * 最终研究队列： 在687例（12.3%）发现乳腺肿块的检查中，最终有415例（涉及415名患者，平均年龄59.7岁）被纳入研究组。纳入标准是这些肿块的生物学性质（良性或恶性）得到了确认。确认方式包括：组织学（155例，占37.4%）、至少2年无干扰治疗下的稳定CT随访（202例，占48.8%）、和/或非侵入性乳腺影像学检查（如超声、钼靶、MRI，共57例，占13.8%）。共有236个良性肿块和179个恶性肿块用于最终分析。
2. CT检查技术与数据重建： * 设备与参数： 所有检查均使用飞利浦128层双层探测器光谱CT系统。扫描在门静脉期进行，使用非离子型对比剂。关键的创新点在于使用了该系统的“光谱”或“双能”模式，该模式能同时采集低能和高能数据。 * 碘图生成： 原始光谱图像数据在专用后处理工作站（Dedalus）上被重建成碘浓度图（Iodine Maps），层厚2mm。这是实现碘含量定量测量的技术基础。所有交互式定量测量均在特定的窗宽窗位下进行，以确保一致性。
3. 图像评估流程（分三步进行）： 本研究设计了严谨的三步评估流程，由3至6名经验丰富的放射科医生独立进行。 * 第一步 - 纯定性评估： 读者首先在不知道定量信息和最终诊断的情况下，使用一份结构化问卷，根据ACR BI-RADS MRI图谱中描述的形态学特征（形状、轮廓、内部结构、强化方式、周围水肿）对每个乳腺肿块进行评估。然后，基于这些纯形态学描述，使用5点Likert量表（1=肯定良性，2=可能良性，3=不确定，4=可能恶性，5=肯定恶性）来评估病变为良性或恶性的概率，并推荐进一步的诊断方法。 * 第二步 - 定性+定量评估： 随后，读者使用专用软件（IntelliSpace, Philips Healthcare）提供的物质分解卡和研究者之前描述的感兴趣区（ROI）方法，交互式地测量肿块内的碘含量（单位：mg/ml）。在获得碘含量信息后，读者再次使用相同的5点Likert量表，结合形态学特征和碘含量，对病变的良恶性进行综合评估。 * 第三步 - 决策树开发： 收集所有评估数据（5个定性变量和1个定量变量——碘含量）以及金标准诊断（良性/恶性），利用一种非参数监督机器学习算法——卡方自动交互检测（Chi-squared Automatic Interaction Detector, CHAID）方法，构建一个分类决策树。该算法自动寻找最能区分良恶性的特征及其阈值，以生成一个层次化的诊断流程。研究设置了节点分裂的最小样本量等参数，并采用了10折交叉验证来评估模型的泛化能力。
4. 数据分析： * 将多位读者的评估结果汇总分析。 * 通过计算受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）及其95%置信区间（CI），比较纯定性评估与定性+定量评估两种策略的诊断性能。 * 进行了亚组分析，根据乳腺密度（ACR 1+2级 vs. 3+4级）和病灶直径（>5-10 mm, >10-20 mm, >20-30 mm）来比较两种策略的效能。 * 使用统计软件（SPSS）进行数据处理，P值≤0.05被认为具有统计学意义。
四、 主要研究结果
1. 诊断信心提升： * 对于金标准确认为良性的肿块，仅基于形态学评估时，读者将其归类为“肯定良性”或“肯定恶性”的比例仅为5.4%（41/763），而94.6%被归为“不确定”（可能良性/可能恶性/等同）。当结合碘含量信息后，归类为“肯定良性/恶性”的比例大幅上升至50.2%（383/763），不确定性的评估减少至49.8%。 * 对于金标准确认为恶性的肿块，仅基于形态学时，没有一例被误判为“肯定良性”，但有2.2%被归为“可能良性”，19.3%为“不确定”。结合碘含量后，仍然没有恶性病例被误判为“肯定良性”，且归类为“肯定恶性”的比例从33.3%提升至66.5%。 * 关键发现： 在结合碘含量的评估中，没有任何一个经金标准确认的恶性肿瘤被任何一位读者分类为“肯定良性”，这意味着该方法显著降低了假阴性（漏诊）的风险。虽然有7个恶性病灶的个别评估从“不确定”变为“可能良性”，但在研究设定中，对此类病例推荐的进一步检查（乳腺超声）仍能导向正确诊断。
2. 诊断准确性（AUC）提升： * 总体而言，结合碘含量的评估策略（定性+定量）相比纯形态学评估，在区分良恶性方面显示出更高的诊断准确性（AUC值更高）。 * 亚组分析结果更具说服力： * 按乳腺密度分： 在乳腺密度较低（ACR 1+2）的757次评估中，结合碘含量的AUC为0.961，显著高于纯形态学的0.924（P=0.001）。在乳腺致密（ACR 3+4）的541次评估中，结合碘含量的AUC为0.972，也显著高于纯形态学的0.948（P=0.043）。 * 按病灶大小分： 对于直径>5-10 mm和>10-20 mm的病灶，结合碘含量的方法也显示出统计学上显著的优势（P值分别为0.002和0.018）。 * 这些结果表明，碘含量信息能有效提升不同乳腺背景实质和不同大小病灶的诊断效能，尤其在致密乳腺和小病灶中价值突出。
3. 决策树（CT Breast Score）的生成： * 基于1307次个体评估数据，CHAID算法生成了一个简洁的交互式决策树。 * 第一层级（首要判别特征）： 肿块轮廓（Mass Contour）。这是区分良恶性的最重要形态学特征。 * 第二层级（结合碘含量）： 根据不同的轮廓分类，算法自动生成了不同的碘含量阈值分类器，用于进一步细分。 * 对于边缘光滑（Smooth Margin）的肿块，使用碘含量≤0.6 mg/ml vs. >0.6 mg/ml进行区分。 * 对于边缘不规则/模糊（Irregular/Unsharp Margin）的肿块，使用更复杂的碘含量阈值（≤0.2 mg/ml， >0.2至≤0.9 mg/ml， >0.9 mg/ml）进行区分。 * 对于边缘毛刺（Spiculae）的肿块，直接指向恶性可能性极高的分类。 * 该决策树最终可生成类似于BI-RADS分类的诊断预测类别。研究发现，其他形态学描述符（如形状、内部结构等）的加入并未能进一步优化该分类树。
五、 研究结论与价值
本研究得出结论：在利用DECT评估乳腺肿块时，增加病灶内碘含量的定量信息，能够显著提高对其生物学意义（良恶性）判断的诊断确定性。此外，研究成功开发并提出了一个非参数决策树（可称为“CT乳腺评分”或类似名称），该决策树以“轮廓”为首要特征，结合“碘含量”作为关键定量参数，为临床常规工作中交互式地结合语义（形态）和定量（功能）影像数据提供了一个实用、直观的工具。
科学价值与应用价值： * 科学价值： 本研究系统性地验证了在常规胸部增强DECT中，利用碘图进行乳腺偶发病灶定量分析的可行性和增量诊断价值。它将先进的DECT功能成像与经典的形态学分析以及机器学习驱动的决策支持相结合，为“机会性”乳腺疾病筛查和诊断提供了新的方法论框架。 * 应用价值： 该研究提出的工作流程和决策树具有很高的临床转化潜力。放射科医生在阅读大量胸部CT时，若发现乳腺肿块，可遵循此简单流程：先观察轮廓，再测量碘含量，即可快速获得一个基于证据的良恶性风险分层。这有助于标准化报告、减少诊断的不确定性、优化患者分流（明确哪些需要进一步超声/活检，哪些可以安全随访），从而在不过度增加医疗负担的前提下，提高早期乳腺癌的检出机会。
六、 研究亮点
七、 其他有价值的内容与研究局限性
研究者也客观地讨论了本研究的局限性： 1. 回顾性研究的固有局限： 有相当数量的CT发现的乳腺肿块因无法获得明确诊断而被排除，可能引入选择偏倚。 2. 患者谱偏倚： 作为大学医院的研究，肿瘤患者比例较高，可能与基层医院或门诊患者中“机会性筛查”场景的比例有所不同。 3. 治疗影响未纳入： 研究排除了正在接受抗激素或抗增殖全身治疗的患者，因为这些治疗可能改变肿瘤灌注和碘含量。未来需要研究治疗对定量参数的影响。 4. 技术依赖性： 生成的决策树在一定程度上依赖于所使用的CT设备、采集和重建参数。未来需要验证其在其他平台和重建算法上的普适性。 5. 统计处理简化： 对多位读者重复评估的数据进行了简化处理，未考虑评估间的相关性，但研究者认为这对结果影响可忽略。
研究者展望了下一步工作，包括考察全身性治疗的影响，以及在前瞻性、可能多中心的研究中验证此决策树。这项研究为将光谱CT的定量功能成像整合到常规乳腺病灶评估中，迈出了坚实而关键的一步。