学术报告：基于3.0T多参数MRI与机器学习预测乳腺癌Ki-67指标与组织学分级的研究

研究背景与发表情况

此研究主要作者包括 Sung Eun Song、Kyu Ran Cho、Yongwon Cho、Kwangsoo Kim、Seung Pil Jung、Bo Kyoung Seo 和 Ok Hee Woo，隶属于韩国高丽大学医学院、韩国首尔大学医院、高丽大学附属安山医院与九老医院等机构。该研究发表于 *European Radiology*，出版时间为 2021年。这是一项原创性研究，旨在探讨多参数MRI（multiparametric MRI, MPMRI）联合机器学习模型对早期Ⅰ-Ⅱ期Luminal型乳腺癌Ki-67与组织学分级的预测能力。

学术背景与研究目的

乳腺癌的分子分型与预后预测是现代肿瘤医学中的重要领域，特别是在2017年第八版AJCC（American Joint Committee on Cancer，美国癌症联合委员会）癌症分期体系加入分子生物标志物后，其诊断和治疗有了显著进展。Luminal型乳腺癌是乳腺癌中比例较大的亚型，其组织学分级与Ki-67增殖指数是重要的预后因素。Luminal型乳腺癌又进一步细分为A型（Ki-67<14%，预后较好）和B型（Ki-67≥14%，预后较差），而高组织学分级的癌症患者通常预后较差，也需要更积极的治疗策略。

近年来，众多研究表明MRI尤其是多参数MRI可在侵犯性乳腺癌的诊断和预后中发挥重要作用，提供肿瘤形态学、动力学、ADC（apparent diffusion coefficient, 表观扩散系数）等多维度信息。然而，利用机器学习（machine learning, ML）算法结合多参数MRI特征来量化预测早期Luminal型乳腺癌的肿瘤生物学行为尚未得到充分研究。本研究旨在构建基于机器学习和多参数MRI的预测模型，评估其对乳腺癌Ki-67与组织学分级的诊断性能。

研究流程

本研究分为以下几个主要步骤：

1. 研究对象与数据采集

   • 从2013年11月至2019年4月，对497名经针吸活检确诊为浸润性乳腺癌的女性患者进行回顾性分析。
     
   • 纳入标准：确诊为Luminal型乳腺癌（ER或PR阳性，HER2阴性），术前接受3.0T MRI检查（包括扩散加权成像DWI），术后有明确组织学分级及Ki-67记录。
     
   • 排除标准：包括术前接受新辅助化疗的患者、没有Ki-67指数或组织学分级记录的患者、MRI图像质量不佳或肿瘤过小无法获取ADC值的患者。最后得到300名符合条件的患者（平均年龄56.6岁）。

2. MRI影像数据采集与分析

   • 使用Philips Achieva 3.0T扫描仪采集MRI图像，配备专用乳腺线圈。扫描内容包括双侧轴位T2加权脂肪抑制成像、扩散加权成像（b值为0和1000 s/mm²）以及动态增强T1脂肪抑制序列。
     
   • 对获取的影像进行详细分析：由两位有丰富经验的乳腺放射科医生独立评估肿瘤形态学特征（如信号强度、边缘特征等），并通过计算机辅助诊断（CAD）系统对肿瘤的增强特征进行量化，提取早期和延迟期动态曲线的各构成比例（如washout成分）和ADC值。

3. 病理组织学分析

   • 使用术后标本进行组织学分析。Ki-67按14%分为低表达和高表达，组织学分级按照1到3分为低级（1或2级）和高级（3级）。

4. 机器学习与统计分析

   • 应用八种机器学习算法，包括随机森林（Random Forest）、决策树（Decision Tree）、朴素贝叶斯分类器（Naive Bayes Classifier）等，构建预测模型以筛选重要的MRI特征，并进行交叉验证。将特征和结果关联模型中的诊断性能（AUC值）进行比较。
     
   • 使用多元Logistic回归分析显著MRI特征对高Ki-67指数及高级组织分级的预测能力。

主要研究结果

1. MRI特征与Ki-67的关联

   • 高Ki-67（≥14%）显著与肿瘤T2WI信号强度增加（OR=1.89, p=0.018）和washout成分比例大于13.5%（OR=4.16, p<0.001）相关。
     
   • 肿瘤大小、CAD评估的增强体积和持久成分也在单变量分析中显示与Ki-67显著关联。

2. MRI特征与组织学分级的关联

   • 高级别组织学分级（3级）与CAD下的washout成分比例大于15.5%（OR=7.22, p<0.001）、边缘强化（rim enhancement，OR=2.59, p=0.022）以及ADC值低于0.945 × 10⁻³ mm²/s（OR=2.47, p=0.015）显著相关。
     
   • 边缘强化和低ADC值可能反映更高的肿瘤细胞密度，而washout曲线通常提示肿瘤具有更快的血流灌注动态。

3. 预测模型的表现

   • Ki-67和组织学分级的预测模型表现最佳的分别是Logistic回归模型（AUC=0.71）和朴素贝叶斯分类器（AUC=0.79）。
     
   • 使用显著MRI特征的模型达到较高的诊断效率。

研究结论与意义

研究表明，多参数MRI特征（如washout成分、T2WI高信号、低ADC值等）与Luminal型乳腺癌的Ki-67指数和组织学分级具有良好的相关性。而基于多参数MRI特征的机器学习预测模型可以有效预测乳腺癌的生物学行为与预后特征。
这为早期乳腺癌患者的治疗决策提供了新的辅助工具，尤其是可以帮助区分需要进行更积极治疗的患者。

研究亮点

1. 创新性
   综合使用了八种机器学习算法提高预测模型的诊断性能，并通过多参数MRI特征解读肿瘤生物学特征。

2. 实用性
   通过非侵入性影像学评估，提高了早期乳腺癌个性化治疗的决策能力。

局限性与展望

该研究为单中心回顾性研究，存在选择偏倚；DWI图像分辨率的限制可能影响了小肿瘤的ADC值测量。此外，未来研究可进一步结合分子或基因组学数据以提高模型的精确性与全面性。