RSNA2023 乳腺影像学

放射学实践 · 公众号 · · 2024-04-10 11:30

正文

【摘要】 在 2023 年 RSNA 大会上，乳腺影像学领域的研究热点和进展呈现出以下几个显著趋势：①结合人工智能的乳腺 X 线摄影在乳腺癌筛查和风险预测模型开发中的创新应用；②常规超声技术以及最新的超声技术在乳腺癌诊断和新辅助治疗后腋窝淋巴结评估等方面的不断拓展；③乳腺 MRI 在乳腺癌检测、手术后监测、腋窝淋巴结评估以及新辅助化疗疗效评价方面的广泛应用；④乳腺影像报告与数据系统（ BI-RADS ）第六版关于乳腺钼靶（ MG ）、超声和 MRI 的主要更新内容。这些研究为乳腺疾病的早期发现、精准诊断以及有效治疗提供了新的视角和方法。

2023 年 RSNA 年会中乳腺影像学方面的内容较往年更加丰富，本文将按照不同成像技术和方法对今年的研究热点和进展进行阐述。

乳腺 X 线检查

1 ．数字乳腺 X 线摄影（ digital mammography ， DM ）

数字乳腺 X 线摄影是目前广泛应用于乳腺癌筛查的成像技术。然而，传统的 DM 仍然存在较高的召回率（ RR ）和漏诊率。在这一背景下，人工智能（ AI ）的应用在 DM 中表现出显著的潜力，既能够提高乳腺癌筛查的效能，又能减轻影像医生的工作负担。 Chang 等研究了在 DM 阅片中使用基于 AI 的计算机辅助检测和诊断（ CAD e/x ）对具有平均乳腺癌风险的韩国女性进行乳腺癌筛查的效果。结果显示，对于 DM 阅片经验较少的放射科医生，基于 AI 的 CAD e/x 具有更好的辅助效果，其中使用 AI 的乳腺成像放射科医师（ BR ）表现出最高的癌症检出率（ CDR ），尽管其召回率相对较低。

Heacock 等讨论了将先前的影像与 AI 相结合在乳腺癌筛查中的额外价值。通过测试四种 AI 模型，包括不同时间点的先前检查数据，研究发现将先前的检查添加到 AI 全数字化乳腺摄影 / 数字乳腺断层摄影（ AI FFDM/DBT ）筛查模型中可以提高对浸润性癌和导管原位癌（ DCIS ）的检测敏感性。 Lauritzen 等通过 RR 、 CDR 、浸润性癌发生率等指标评估了丹麦首都地区 AI 乳腺癌筛查的质量。研究结果显示， AI 筛查提高了 CDR ，降低了 RR 和假阳性（ FP ）率，特别是对于小的浸润性癌的诊断更为常见。 Park 等评估了 AI 在乳腺癌保乳治疗（ BCT ）后的筛查乳腺钼靶中的临床应用价值。通过分析乳腺影像专家的原始报告、独立 AI 和决策转诊 AI 分诊三种方式的 CDR 、 RR 和敏感度，研究结果显示基于 AI 的分诊能够减轻放射科医生的工作负担，同时保持 BCT 患者筛查钼靶的敏感性。 Ha 等评估了在 5708 例无症状乳腺致密型女性中，补充超声（ US ）和辅助 AI 在筛查 DM 中的价值。结果显示，单独 DM 、 DM+AI 和 DM+US 的 CDR 分别为 2.8 、 3.2 、 5.3 ，补充超声显示出比 AI 更高的癌症检测能力。尤其是在无 AI 召回的乳腺致密型女性中，补充超声能够检测到额外的早期癌症，因此， DM 与 AI 的联合使用尚不能完全替代补充超声的必要性。此外， Polat 等开发了一种深度学习（ DL ）算法，用于在 DM 中进行乳腺癌的自动诊断。研究结果显示，该 DL 模型在不同种族和年龄间表现相似，对于表征软组织病变和大小为 10 ～ 15 mm 的病变，其性能更为出色。 DL 算法在不同数据集中展现出较高的诊断性能，为大规模筛查分诊提供了潜在的有效手段。

乳腺癌风险评估对于实现个性化筛查至关重要。 Graewingholt 等的研究发现，图像衍生的 AI 风险模型能够辨别未来两年内可能患乳腺癌的女性，其平均风险评分是无癌女性的 2.4 倍（ 1.29%/0.54% ）。特别值得注意的是，侵袭性癌症，尤其是小叶癌的平均风险高于 DCIS 。因此，在筛查中采用 AI 风险工具进行评估，有助于对那些风险较高的女性进行层层分级，缩短筛查时间间隔以实现对癌症的早期检测。 Kuhl 等在多中心国际数据联盟中开展了一项关于基于图像的 5 年乳腺癌风险预测深度学习模型的研究，该模型在各中心的 AUC 为 0.75 ～ 0.80 。他们的研究还发现，与乳腺密度相比，基于图像的深度学习模型在预测未来乳腺癌风险方面表现更为出色，为制定临床决策提供了更有效的指导。 Trivedi 等进行了传统乳腺癌风险模型（ BCRAT 和 TC6 ）与 DL 风险模型的比较研究。结果表明， DL 模型在预测 5 年乳腺癌风险方面优于传统的风险模型。他们还评估了该模型在不同种族 / 民族、年龄、乳腺密度和乳腺癌家族史方面的表现，发现在所有亚组中， DL 模型的 AUC 均在 0.73 及以上，且在 W/NH 和 POC/H 、＜ 50 岁和 ≥50 岁、有和无乳腺癌家族史三个亚组间均无显著差异。这提示 DL 模型减少了与传统风险模型相关的性能差异。 Demartini 等和 Lamb 等的研究结果证实了该模型在预测浸润性癌和 DCIS 的风险方面的有效性。 Mayo 等的研究结果表明，基于图像的 DL 风险模型能够识别 40 多岁的患者，其未来 5 年的乳腺癌风险与 50 ～ 69 岁患者相似，为 40 ～ 49 岁的患者和他们的医生提供了关于何时开始筛查的更明智的决策。

此外， Lamb 等比较了带有和不带有多基因风险评分（ PRS ）的 DL 和 Gail 模型的性能。结果显示， DL 模型的 AUC 为 0.65 ， DL+PRS 为 0.72 （ P<0.05 ）， Gail 模型的 AUC 为 0.50 ， Gail+PRS 为 0.68 （ P<0.001 ）。 DL 模型的 AUC 显著高于 Gail 模型（ P<0.001 ），但 DL+PRS 与 Gail+PRS 之间没有显著差异（ P=0.34 ）。这表明通过添加 PRS 可以提高 DL 风险评估模型的性能。另外，将过去的检查数据整合到 AI 风险评估模型中，可以进一步提高其预测性能。 Lee 等比较了 AI-1 （先前的 DM ）和 AI-2 （配对目前和先前的 DM ）两种模型在乳腺癌风险预测中的表现。结果显示 C 指数从 AI-1 的 0.68 增加到 AI-2 的 0.73 （ P=0.004 ），证实了 AI 预测模型在识别未来乳腺癌的乳房 X 线摄影实质特征方面的可行性。引入纵向变化可以提高乳腺癌的风险分层，从而改善乳腺癌的个性化筛查。 Goldberg 等也证实了将多种成像模态（ FFDM/DBT 、 US ）和既往成像数据整合到 AI 乳腺癌风险评估模型中可以改善其预测性能，从而能够根据个体随时间推移的风险特征制定个性化、数据驱动和不断发展的筛查方案。

数字乳腺 X 线摄影（ DM ）还可用于评估乳腺腺体密度。 Cho 等通过不同经验水平的阅片者使用乳腺影像报告与数据系统（ BI-RADS ）乳腺密度类别、基于人工智能的计算机辅助诊断（ AI-CAD ）和自动体积密度测量程序（ Volpara® ）三种方式进行乳腺密度评估，并使用加权 Kappa 统计分析它们之间的一致性。研究结果显示，乳腺成像专家和普通放射科医生之间的一致性显著（ k=0.65 ），放射科医生与 Volpara® 之间的一致性显著（ k=0.64 ～ 0.67 ），但与 AI-CAD 之间的一致性中等（ k=0.45 ～ 0.58 ）。 Schurz 等的研究证实了校准 AI 阈值，以确保密度为 C 和 D 的女性与密度为 B 的女性具有相同的敏感度，是可行的。实施具有密度特定校准的 AI-CAD 系统可以提高筛查系统的公平性，为那些乳腺 X 线摄影密度较高的女性提供平等的筛查检测机会。 Choi 等的研究评估了三阴性乳腺癌（ TNBC ）患者新辅助化疗（ NAC ）后的乳房 X 线密度变化与治疗和生存结果之间的关系。结果显示，对于绝经前的妇女， NAC 后对侧乳腺密度降低 10% 或以上与病理完全缓解（ pCR ）独立相关，但与对侧乳腺癌以及局部复发和 / 或远处转移的发生无关。

乳腺动脉钙化（ BAC ）已被确定为独立的心血管风险因素，通过 DM 进行自动 BAC 评估的精确定量模型可以为心脏病提供辅助筛查工具。 Jedidia 等利用基于深度学习的软件（ iCAD ）自动检测和量化 BAC ，并与 BAC 手动评分进行比较，同时分析了显著 BAC AI 评分（ BAC AI 评分 ≥5 ）对检测显著冠状动脉钙化（ CAC 评分 ≥4 ）的诊断性能。结果显示， BAC AI 评分与 BAC 人工评分高度相关（ r=0.83 ， P<0.01 ），显著 BAC AI 评分检测显著 CAC 的敏感度、特异度、阳性预测值（ PPV ）、阴性预测值（ NPV ）和准确率分别为 32.7% 、 96.1% 、 71.2% 、 83.1% 和 81.9% 。 Parghi 等在一项前瞻性、多中心的研究中探讨了使用 AI 在筛查 DM 中检测和评估 BAC 的准确性和可行性。结果显示， AI 算法在 BAC 检测中具有较高的准确性， BAC 的患病率和分布随着年龄的增长而增加，可以为临床决策和风险评估提供信息，并预测患者数量。此外， AI 还可以大规模标准化 BAC 检测，潜在地提高效率并减少观察者之间的差异。

2 ．数字乳腺断层摄影（ digital breast tomosynthesis ， DBT ）

数字乳腺断层摄影（ DBT ）是一种三维重建成像技术，通过进行容积数据采集后重建生成三维乳腺图像，能够清晰地显示被正常腺体掩盖的病变，从而提高乳腺疾病的检出率。然而，相较于 DM ， DBT 的阅片时间更长。人工智能（ AI ）的应用可以在不降低癌症检出率的情况下提高 DBT 的性能，减少召回率，并减轻放射科医生的工作负担。 Yang 等对 28,278 例筛查 DBT 中 AI 系统（ Transpara 1.7.1 ， ScreenPoint Medical ）的性能进行了回顾性分析。结果表明， AI 评分在 8 ～ 10 之间对癌症具有较强的预测价值，该系统有助于临床决策，减少了活检和召回率，并提高了癌症检出率。 Haslam 等研究发现，用于筛查 DBT 的 AI 可以帮助放射科医生在整体上提高癌症检测性能，尤其是对于难以检测的癌症病例，进一步证实 AI 有助于更早发现这些癌症。

与 DM 筛查相比， Weigel 等认为尽管 DBT 筛查的诊断率更高，但仍需要独立的双重阅片来识别筛查检测到的乳腺癌。 Chen 等的研究发现，在筛查环境中， DBT 的阅读时间是 FFDM 的两倍，因此，在使用 DBT 进行乳腺癌筛查时，双重阅片可能会增加筛查的工作量。 McCabe 等的一项回顾性多中心研究对 522,078 例筛查 DBT 进行了 AI 支持的额外审查（ AIAR ），结果显示 AIAR 增加了癌症检出率，减少了假阴性，并同时最大限度地减少了在大型现实世界数据集中识别和召回高危患者所需的额外工作量。 Pacile 等提出了使用两个 AI 系统（密度 AI 和癌症检测 AI ）来分流筛查乳腺 DBT ，可以在保持癌症检出率不变的情况下减轻放射科医生的工作量，并降低筛查女性被召回接受进一步检查的比例。

此外， Philpotts 等研究发现在筛查 DBT 中，晚期癌症的发病率在不同种族之间略有不同，总体上没有显著差异。然而，与筛查 DM 相比， DBT 筛查在白人和黑人群体中显著减少了晚期癌症的发病率，因此 DBT 筛查有助于减少晚期癌症的发病率，尤其是在白人和黑人 / 非裔美国人中。他们还探讨了 DBT 筛查间隔对晚期癌症发病率的影响。结果显示，非晚期癌症筛查的间隔时间（平均 542 天，中位 781 天）明显小于晚期癌症筛查的间隔（平均 634 天，中位 890 天）（ P<0.02 ）。筛查间隔在 21 个月（ 1.75 年）之内，晚期癌症的发病率相对稳定在 27% ～ 29% ，之后上升到 37% 。因此，保持不超过 2 年的筛查间隔有助于减少晚期癌症的发生。

准确诊断 DBT 上的结构扭曲（ AD ）是一项具有挑战性的任务。 Zhou 等研究发现在 DBT 上，伴有结节密度的 AD 病变的恶性率较高（ 91% vs. 69% ），而伴有微钙化的 AD 病变的恶性率较低（ 38% ）。具有相应超声异常的病例与没有异常的病例相比，其恶性率更高（ 72% vs. 24% ， P<0.00001 ）。乳腺密度为 A+B 的患者的恶性率显著高于乳腺密度为 C+D 的患者（ 75% vs. 53% ， P=0.0011 ）。因此，通过更深入地了解伴随特征和组织背景，以及借助辅助超声的相应发现，可以改善 DBT 上表现为 AD 的病变的诊断。 Zhang 等发现影像组学模型在鉴别 DBT 中的结构扭曲方面的诊断性能优于深度学习模型，但深度学习中的梯度加权类激活映射（ Grad-CAM ）可以有效地定位结构扭曲的区域，从而有助于开发全自动乳腺癌计算机辅助诊断系统。

3 ．对比增强乳腺 X 线摄影（ contrast-enhanced spectral mammography ， CESM ）

对比增强乳腺 X 线摄影（ CESM ）作为一种基于全数字化乳腺 X 线摄影的新检查方法，通过利用肿瘤组织对碘对比剂的摄取，反映病灶血流动力学特点，能够提高乳腺病变的检出率和诊断准确率。 Shehata 等通过系统综述和荟萃分析，对 DM 和 CESM 在乳腺癌检测中的诊断准确性进行评价和比较，该分析最终包括了 20 项研究，涵盖了 3830 个乳腺病变。结果显示， CESM 的敏感度（ 0.948 vs. 0.815 ）和特异度（ 0.732 vs. 0.576 ）显著高于 DM ，且 CESM 的诊断优势明显优于 DM （ 50.4 vs. 6.12 ）。因此，在乳腺癌检测中， CESM 表现出比 DM 更优异的诊断性能，临床医生应该考虑将 CESM 作为 DM 的替代或补充成像方式。 Nissan 等进行了一项回顾性分析，研究了 609 名乳腺极致密型女性的 1300 次筛查 CESM ，评估了 CESM 在这一特定人群中的乳腺癌筛查性能。结果显示， CESM 的敏感度为 88.2% ，特异度为 87.7% ，筛查钼靶阳性发现（ BI-RADS 0, 4, 5 ）的阳性预测值（ PPV1 ）为 6.6% ，进行活检的阳性预测值（ PPV3 ）为 23.4% ， NPV 为 99.8% ，表明 CESM 有可能作为对乳腺癌风险增加的乳腺极致密型女性进行补充筛查的一种方式。 Patel 等进行了一项前瞻性调查，研究了 461 例接受补充 CESM 筛查的 DM 阴性（ BI-RADS 1 或 2 ）患者，结果显示， CESM 的补充癌症检出率为 21.7/1000 ，具有高的特异度（ 0.922 ）和敏感度（ 0.917 ），与高风险监测 MRI 的结果相当。 Rahman 等通过回顾性比较 CESM 和 DM 在中度乳腺癌风险和乳腺致密型女性中的筛查效能。结果表明在该类人群中，与 DM 相比， CESM 可以增加乳腺癌的检出率，其增量检出率为 4/1000 。 Berg 等证实了对于没有乳腺癌个人史（ PHBC ）的高危人群，在 DBT 后进行 CESM 检查可以显著增加早期乳腺癌的检出率，但 CESM 的假阳性召回率较高，且 PPV3 相对较低。因此，他们评估了乳腺密度、背景实质强化（ BPE ）、绝经状态、既往放射治疗（ XRT ）和当前内分泌治疗对 CESM 假阳性召回（ FPR ）率的影响。结果显示， FPR 率在具有轻微 BPE 的绝经后女性中最低，为 5.1% （ 180/3564 ），在具有中度 - 显著 BPE 的绝经前女性中最高，为 16.7% （ 62/371 ），因此可以通过减少此类患者的召回从而增加筛查 CESM 的净获益。 Winkler 等评估了不同水平的 BPE 对 CESM 筛查性能的影响，结果显示，高 BPE （显著或中度）和低 BPE （轻度或轻微）组间的 CDR 、 PPV 和间期癌率（ IC ）均无统计学差异。

CESM 在正确识别乳腺良恶性病变方面表现卓越，能够降低不必要的活检次数，并在术前分期中发挥一定的价值。 Pupo 等研究发现， CESM 中可疑微钙化的强化在预测恶性肿瘤方面表现出较高的敏感度（ 96.5% ），同时由于其较高的阴性预测值（ 97.4% ），如果可疑微钙化未显示强化，可将其作为放射学随访的候选者，从而减少良性病变的活检次数。 Zeitouni 等的研究证实 CESM 能够辨别大多数病例中的恶性钙化，与良性钙化相比，恶性钙化的强化率更高（ P<0.001 ），不过大部分 DCIS 可能不会表现出强化。 Suaris 等对 CESM 上浸润性癌、非浸润性癌及良性病变的增强病变与背景实质之间的信号差百分比（ %RS ）进行了比较研究，结果显示浸润性癌（ ML 1.64% ， CC 1.51% ）的增强强度明显高于非浸润性癌（ ML 0.98% ， CC 1.02% ）和良性病变（ ML 0.75% ， CC 0.68% ）（ P<0.01 ）。因此， CESM 中强化程度的定量分析可用于术前预测乳腺病变的组织学类型。 Dai 等开发的一种基于 AI 的 CESM 模型用于术前鉴别乳腺良恶性病变和原位癌。结果显示，在良恶性病变鉴别中，结合深度学习特征和临床特征（年龄、病变直径）的 AI 模型在外部测试集中的 AUC 值为 0.932 ，明显优于表现最好的 DL 模型（ RefineNet+CBAM AUC ： 0.893 ）和影像组学模型（ Logistic 回归 AUC 值： 0.674 ），此外， AI 模型在浸润性癌和原位癌的鉴别中也取得了令人满意的结果，在内部测试集中的 AUC 值为 0.822 。 AI 模型提供了一种用于术前鉴别乳腺良恶性病变的自动、无创的方法，提高了 CESM 图像识别的敏感性和特异性。 Charalambous 等通过对 473 例筛查 DM 为 BI-RADS 3 类的患者进行 CESM 和活检，证实了 CESM 可以根据病变的强化类型更准确地预测良性病变。此外，他们还发现 CESM 中 B3 病变显示为无强化，具有很高的阴性预测值，可避免 16.9% 的开放手术切除（ OSE ）。 Liu 等建立了一种基于 CESM 的影像组学 - 临床模型，用于预测 BI-RADS ≥ 4A 的病变的活检结果。结果显示，影像组学、临床描述和影像组学 - 临床模型的 AUC 分别为 0.87 、 0.89 和 0.92 ，当敏感度为 100% 时，与放射科医师的临床描述相比，影像组学 - 临床模型对初始临床 BI-RADS 4A （或 4B ）患者和 CESM 调整 4A （或 4B ）患者的 PPV 分别增加了 153% （或 63% ）和 78% （或 30% ）。 Liu 等建立了一个量化 CESM BPE 的自动化系统，计算纤维腺体组织中增强像素的绝对面积（ |BPE| ）、整个乳腺区域的 |BPE| （ BPE_b% ）以及纤维腺体组织区域的 |BPE| （ BPE_f% ）三个测量值，并通过计算两种类型临界值阈值范围的 BPE 测量值：数字化双能量减影（ DES ）图像的绝对像素强度（ 2000 ～ 2160 ）或 DES 与低能（ LE ）图像的强度比（ 0% ～ 200% ），来评估其在恶性和良性患者中的特征。结果显示，放射科医师定性 BPE 的 AUC 为 0.59 ，而定量 BPE 的 AUC 为 0.63 ，因此， BPE 的自动定量评估提供了可重现的措施，从而增加 CESM 的临床效用。此外， Bellini 等证实 CESM 在活检证实的乳腺癌患者术前分期中具有较高的敏感度、特异度、 NPV 和 PPV （分别为 94.8% 、 95.9% 、 98.5% 和 86.4% ），因此， CESM 可用于乳腺癌术前管理和手术计划的选择，从而避免过度治疗或治疗不足。

CESM 引导的乳腺病变活检也备受研究关注。 Alcantara 等对 CESM 引导活检与其他乳腺 X 线摄影引导技术 [ 包括数字立体定向乳腺活检（ SBB ）和 DBT 引导 ] 的平均腺体剂量（ AGD ）进行了评估，同时研究了 AGD 与压缩乳腺厚度（ CBT ）之间的关系。研究结果显示，单次 CESM 引导活检的 AGD （ 1.48 mGy ）与 SBB （ 1.49 mGy ）以及单次 DBT 探查（ 1.55 mGy ）相似。此外，所有模式的 AGD 都随着乳腺厚度的增加而增加，突显了 CESM 引导在提高乳腺成像中可疑结果的可见性和诊断准确性方面的潜在优势。 Cao 等进行了一项前瞻性研究，对 94 例患者中 MRI 检出的 114 个 BI-RADS 4A 或以上的乳腺病变进行了立体定向 CESM 活检，评估了活检成功率、可能预测成功的因素、患者满意度以及放射科医生的信心水平。研究结果显示，活检成功率为 61% （ 69/114 ），较大的病变和非肿块样强化（ NME ）病变的 CESM 活检成功率更高。患者对手术整体的满意度评分达到了 4.8/5 + 0.7 ，同时，对于强化的病变，放射科医生对活检成功的信心评分为 4.4/5 + 0.8 。这项研究为 CESM 活检的应用提供了指导信息，并明确了哪些 MRI 检出的病变适合尝试 CESM 活检。

乳腺 CT

Lee 等在大规模筛查人群中研究了由放射科医生评估的 CT 乳腺密度分级与乳腺癌风险之间的关系，并将结果与 DM 密度进行了比较。研究发现，相较于 1 级和 2 级患者， CT 密度 4 级患者患乳腺癌的风险更高（相对风险为 10.502 ）。值得注意的是，钼靶和 CT 上的乳腺密度评估存在显著相关性，两位阅片者的一致性分别为 0.770 和 0.941 ，而读者之间的一致性也表现出良好的水平（钼靶和 CT 的 kappa 值分别为 0.613 和 0.701 ）。这一结果暗示，低剂量胸部 CT 扫描，用于肺癌筛查，有望在不损害一致性的前提下评估乳腺密度，提供乳腺癌风险信息，未来或将成为专用乳腺 CT 扫描研究的发展方向。

Xia 等的研究证实，双层探测器光谱 CT （ DLCT ）的定量参数对于区分乳腺良恶性病变和预测乳腺癌免疫组化生物标志物表达水平具有一定的临床应用价值。在 Neubauer 等的研究中，胸部光子计数 CT （ PC-CT ）显示出对乳腺癌进行补充性局部分期的可行性，相较于 DM ，其在 T 分期（ TNM 8th Ed. ）的诊断准确性、检测到的肿块数量与参考标准的相关性、以及对 DCIS 的敏感性和特异性等方面表现更优。此外， PC-CT 在检测硅胶乳房植入物的退行性改变和破裂方面也具有较高的诊断准确性。这一研究强调了对比增强胸部 PC-CT 在乳腺癌局部分期和植入物检测方面的优势，相较于 DM ，为未来的乳腺癌影像学提供了新的可能性。

乳腺超声

1 ．常规超声

超声成像作为一种简便易行、安全无创、无辐射、可重复性强、经济实惠的检查方式，在乳腺癌的诊断及腋窝淋巴结评估等方面发挥着重要作用。 Ha 等进行了一项回顾性分析，涉及 993 例接受超声筛查的无症状女性，该研究检测出非肿块病变，并通过单变量和多变量逻辑回归确定与恶性肿瘤相关的独立临床和影像学因素。多变量分析结果显示，混合回声、节段性分布、钙化、后方声影和病变大小是与恶性非肿块病变相关的独立因素，这些因素可用于诊断具有临床隐匿性的恶性非肿块病变。为了避免乳腺癌患者在乳头乳晕复合体（ NAC ）切除后进行腋窝手术的过度治疗， Pei 等开发并验证了一种基于原发肿瘤和淋巴结（ LN ）的临床病理特征和超声特征的诺模图，用于预测腋窝淋巴结对新辅助化疗（ NAC ）的反应。验证集中的结果显示，该诺模图的 AUC 为 0.85 ，敏感度为 83.33% ，特异度为 73.72% 。这为在 NAC 后 LN 转阴的乳腺癌患者避免过度治疗提供了一种可行的方法。

此外，超声在乳腺密度评估中也具有一定的价值。 Kaplan 等评估了致密型乳腺中基于全乳超声断层扫描容积数据的自动乳腺密度（ SV ）与基于 3D 数字钼靶（ DM ）的商业乳腺体积密度（ Volpara ）之间的一致性水平。同时，他们还评估了从这两种模式中定量得出的 BI-RADS 密度与乳腺放射科医生和技术人员的主观乳腺钼靶密度评估的一致性。结果显示，在乳腺密度较高的女性中， SV 、 Volpara 、放射科医师和技术人员的 BI-RADS 密度评估具有良好的一致性。这强调了超声在乳腺密度评估方面的可靠性和作用。

AI 能够自动识别成像信息并进行分类评估，提高超声在乳腺影像中的应用价值。 Zhou 等进行了一项关于自监督预训练 Vision Transformers （ ViT ）在乳腺超声分类中的应用的研究。结果显示，随机权重初始化的 ViT 、有监督预训练的 ViT 和自监督预训练的 ViT 的 AUC 分别为 0.67±0.08 、 0.88±0.04 和 0.92±0.02 。这表明自监督预训练的 ViT 在乳腺超声分类方面能够提高诊断性能。因此，随着深度学习的不断发展，重新审视超声在乳腺癌筛查中的作用是值得的。

Heacock 等评估了将筛查乳腺超声加入到 FFDM/DBT AI 系统中的附加价值。研究结果显示，在 12517 名患者的测试集中（共 21523 次检查）， AI 系统在多模态（ DBT/FFDM/US ）筛查检查中实现了 0.907 的 AUC ，检测到 74.2% 的乳腺癌，优于单独的 FFDM/DBT 模型（ AUC 为 0.849 ，敏感度为 62.4% ）和单独的 US 模型（ AUC 为 0.751 ，敏感度为 50.2% ），从而提高了乳腺癌的筛查性能。 Cruz 等证实了基于 AI 算法的软件在预测二次超声检查中对乳腺病变恶性风险的高敏感性。这有助于避免对分类为良性或可能良性（ BIRADS 2/3 ）的病变进行不必要的活检。 Reig 等研究了单独 US 、单独 FFDM/DBT 以及多模态（ FFDM/DBT+US ） AI 对有症状患者进行诊断评估的准确性。结果显示，三种模型的 AUC 分别为 0.944 、 0.864 和 0.956 ，敏感度分别为 84.6% 、 60% 和 89.2% ，表明多模态 AI 系统在症状诊断评估中显示出比 FFDM/DBT 或 US 更高的乳腺癌检测性能。 Kapetas 等评估了基线乳腺 US 是否可用于预测对新辅助化疗（ NAC ）无反应的乳腺癌患者，并与标准 B 超和深度学习模型进行比较。结果显示，椭圆形或圆形、边缘浅分叶或毛刺、存在钙化或水肿是 pCR 的独立预测因子。使用以上指标所建立的模型在预测 NAC 无应答者中的准确率、敏感度、特异度、 PPV 和 NPV 分别为 65% 、 82% 、 41% 、 67% 和 61% 。相比之下，基于深度学习的模型的准确率、敏感度、特异度、 PPV 和 NPV 分别为 72% 、 83% 、 55% 、 74% 和 69% 。因此，乳腺超声可以在 NAC 开始前准确预测乳腺癌患者对 NAC 的治疗反应，而使用基线 US 检查图像的深度学习模型显示出更高的诊断性能。

2 ．自动化乳腺超声（ automated breast ultrasound ， ABUS ）

自动化乳腺超声（ ABUS ）是一种创新的三维立体超声技术，能够通过对乳腺进行逐层扫描采集全容积图像，并自动重建生成横轴面、矢状面和冠状面的三维图像。该技术具有图像标准化、操作人员依赖性低、可重复性高等优点。 Choi 等进行了 ABUS 和手持式乳腺超声（ HHUS ）作为全数字化乳腺 X 线摄影的辅助手段的比较研究，重点评估了其在早期乳腺癌患者的局部肿瘤范围术前评估方面的能力。研究结果证实，与 HHUS/DM 相比， ABUS/DM 在诊断早期乳腺癌患者同侧和对侧乳腺癌方面显示出非劣的敏感性和相似的特异性。因此， ABUS 可作为 HHUS 的替代品，用于早期乳腺癌的术前分期。

Wermuth 等对乳腺致密型女性进行了 ABUS 检查的筛查召回率的比较研究，比较了当天筛查 DM 后立即进行 ABUS 检查和在一年筛查间隔期内的某一天进行 ABUS 检查的情况。结果表明，当在同一天解读 DM 和 ABUS 时，单独乳腺 DM 的召回率和组合 DM/ABUS 的召回率均增加。相反，当 ABUS 被解释为耦合检查时， ABUS 的召回率低于与乳腺 DM 不耦合的 ABUS ，但两者的乳腺癌检出率没有统计学差异。因此，合理安排 ABUS 需要考虑患者需求和最佳实践工作流程。此外， AI 在 ABUS 中的应用价值仍有待进一步研究。 Kim 等对 AI-CAD 在 ABUS 筛查解读中的独立性能进行了研究，结果显示， AI-CAD 在 ABUS 解读中的敏感度为 0.75 ，特异度为 0.58 ， PPV 为 0.34 ， NPV 为 0.89 。这提示放射科医生应仔细复查 AI-CAD 系统的结果，以减少假阳性结果和提高召回率。

乳腺 MRI

乳腺 MRI 以其高软组织分辨率、多序列、多参数、多平面成像的特点而著称，不仅提供了详尽的解剖结构信息，还能反映病灶的功能性改变。因此，在乳腺癌筛查、良恶性病变的鉴别、预测预后和疗效评价等方面，乳腺 MRI 具有重要的临床价值。

1 ．常规乳腺 MRI

术前 MRI 在检测其他成像方式未发现的癌症方面具有显著的优势，并对临床治疗方案的制定提供了有力的指导。 Ozcan 等对早期乳腺癌患者进行了术前乳腺 MRI 的评估，研究了其与手术类型、对侧癌症、无复发生存期（ RFS ）和总体生存期（ OS ）之间的相关性。结果显示，术前 MRI 的使用与手术切缘、 RFS 或 OS 的改善无关，但它能够发现在临床和乳腺钼靶中未显现的对侧乳腺癌，有助于在早期监测中减少对侧乳腺癌事件的发生。 Hwang 等通过倾向评分（ PS ）分析确定了 HER-2 （ + ）、 ER （ - ）乳腺癌患者术前 MRI 与手术结局之间的关系。研究结果显示，有 MRI 组相较于无 MRI 组表现出较低的整体乳房切除率，但两组在切缘阳性和再手术率方面没有显著差异。

越来越多的乳腺 MRI 应用于有乳腺癌病史（ PHBC ）女性的术后监测。 Yoon 等利用倾向评分匹配分析，评估了 PHBC 患者术后监测乳腺 MRI 与晚期第二次乳腺癌之间的关系。研究结果表明，未接受术后监测乳腺 MRI 组的晚期第二次乳腺癌发生率显著较高。因此， PHBC 患者进行术后乳腺 MRI 监测能够降低晚期第二次乳腺癌的发生率，从而有助于降低乳腺癌的死亡率。 Kim 等对 5832 例 PHBC 患者的监测结果进行了回顾性分析，发现 MRI 的癌症检出率显著高于乳腺钼靶和超声检查，尽管其特异性较低。乳腺钼靶更容易发现 DCIS 和 HER-2 （ + ）的肿瘤，而超声检查更容易发现浸润性癌和 HER-2 （ - ）的肿瘤。此外，在 6 个月和 1 年的监测中，检测到的第二次乳腺癌具有相似的肿瘤大小和淋巴结状态。

腋窝淋巴结（ ALN ）状态对乳腺癌患者的肿瘤分期、治疗决策和预后都具有重要意义。乳腺 MRI 是目前用于评估 ALN 状态的有效、无创的成像技术之一。 Arjmandi 等比较了 MRI 与 US 对乳腺癌腋窝淋巴结评估的准确性。结果显示， MRI 对淋巴结转移的诊断优于 US ，阴性预测值更好，敏感性更高。最近，淋巴结报告与数据系统（ Node-RADS ）评分被引入以提供一个标准化的淋巴结侵犯（ LNI ）综合评价，该评分主要通过评估淋巴结大小和结构（纹理、边界和形状），从而将其风险类别分为 1 （非常低）到 5 （非常高）五个级别。 Maroncelli 等研究了 Node-RADS 评分系统在乳腺癌患者区域淋巴结标准化评估中的诊断性能，同时评估了该评分系统在阅片者中的适用性和可行性。结果表明，基于 CE-MRI 的 Node-RADS 评分是 LNI 的独立预测因子，对 LNI 的识别显示出中至高的总体准确性，并可根据具体情况设定不同的诊断阈值，阅片者之间也具有很好的一致性，这为 Node-RADS 评分系统在乳腺癌患者区域淋巴结评估中的应用奠定了基础。

Kapetas 等比较了通过评估肿瘤的影像学和临床特征与通过直接评估腋窝淋巴结（ LNs ）的影像学特征对乳腺癌患者淋巴结状态的预测价值。结果表明，与 LNs 本身的影像学评估相比，乳腺癌患者的肿瘤特征对 LN 状态的预测能力较差，因此，直接评估乳腺癌患者腋窝淋巴结的影像学特征比根据肿瘤的影像学和临床特征预测其状态更加准确。 Eun 等发现使用 3T-MRI 对腋窝 LN 进行基于机器学习的纹理分析有助于预测 ALN 转移，并可能降低乳腺癌患者的腋窝手术。 Dai 等开发一种基于 DCE-MRI 的卷积神经网络（ CNN ）和图卷积网络（ GCN ）相结合的深度学习模型，用于预测乳腺癌患者的腋窝淋巴结状态，并通过 RNA 测序数据进行基因分析，探索其生物学机制；结果表明 GCN-CNN 融合的深度学习模型可以有效预测乳腺癌患者术前的 ALN 状态，在生物学基础探索中，高危组与介导肿瘤增殖的通路下调和微环境中抗肿瘤免疫细胞的浸润有关。

乳腺癌 NAC 后腋窝的最佳管理方式仍不确定，目前仍取决于初始淋巴结负担，对于 N1 疾病（ ≤3 个淋巴结）则进行前哨淋巴结活检（ SLNB ），对于 N2 疾病（ ≥4 个淋巴结）则立即进行腋窝淋巴结清扫（ ANC ）。然而，这种方式并未考虑 ALN 对 NAC 的反应，如果治疗后 MRI 上显示淋巴结正常，则 ANC 相对来说是过度治疗，如果在 MRI 反应有限的情况下， SLNB 便显得治疗不足。 Pervez 等研究发现治疗后 MRI 预测 ALN 状态的特异度和 PPV 均较高。因此，初始 N1 状态的患者若治疗后 MRI 上持续存在淋巴结疾病则应进行空芯针活检以确定腋窝病变残留情况，若结果为阳性则立即进行 ANC ，而不是传统 SLNB ，相同地，在 N2 疾病、术后 MRI 淋巴结正常和 HER-2 阳性状态的患者亚组中，应考虑首先进行 SLNB ，而不是立即 ANC 。

MRI 是美国国家综合癌症网络（ NCCN ）和中国乳腺癌临床诊治指南推荐的 NAC 评价手段之一，可以对肿瘤大小、边缘、残余病灶、肿瘤退缩方式等进行客观的评估。 Sun 等证实了乳腺水肿是 Luminal 亚型乳腺癌 NAC 治疗反应的一个有价值的预测因素，而对肿瘤退缩模式的预测价值仍有待进一步研究。 Sharafeldeen 等开发了一种计算机辅助诊断（ CAD ）系统，可以通过提取 MRI 图像中的肿瘤功能成像标记（ ADC 值）、纹理特征、灰度共生矩阵（ GLCM ）和灰度游程矩阵（ GLRLM ）四个特征来准确预测乳腺癌患者对 NAC 的反应。 Cunha 等探讨了 Luminal 、 HER-2 （ + ）和三阴型（ TN ）乳腺癌患者 NAC 后的 MRI 缓解评价和病理学缓解评价与无病生存期（ DFS ）的相关性，共纳入 750 例患者，分为放射学完全缓解（ rCR ）和 pCR 、非 rCR 和 pCR 、 rCR 和非 pCR 、非 rCR 和非 pCR 四组进行比较；结果表明 NAC 后的 MRI 缓解与病理学缓解之间的关联可以更好地对乳腺癌患者的复发风险和预后进行分层，尤其是对于三阴性亚型。

此外，乳腺 MRI 还探索了新的内容。 Wilpert 等比较了乳腺 MRI 超分辨率深度学习加速 T ₂ 加权 Dixon 序列（ DL-T ₂ ）与标准 T ₂ 加权 Dixon 序列（ T ₂ ）的整体图像质量特征，结果显示 DL-T ₂ 比标准 T ₂ 的采集时间缩短了 59% ，且 SNR 、图像质量和囊性病变的清晰度均较标准 T ₂ 有所改善，因此， DL-T ₂ 的应用不仅可以提高乳腺 MR 协议的成本效益和时间效益，同时还可以使图像质量得到进一步提升。另外，肿瘤浸润淋巴细胞（ TIL ）在不同分子亚型乳腺癌（ BC ）中的表达不同。因此， Zhou 等分析比较了 HR （ + ） /HER-2 （ - ）、 HER-2 （ + ）和 TN 型 3 种亚型中的 TIL 表达情况，同时分别比较了三种亚型中高与低 TIL 病例间的成像特征。结果显示， HER-2 （ + ）和 TN 型乳腺癌的 TIL 显著高于 HR （ + ）亚型，在 HR （ + ）亚型中，高 TIL 的病例多出现瘤周水肿，在 TN 型中，高 TIL 病例的肿瘤形状较规则，边缘较清晰。以上结果提示了在建立 MR 影像组学模型预测 TIL 时，应针对不同亚型建立不同的模型。

2 ．乳腺动态增强磁共振成像（ dynamic contrast-enhanced MRI ， DCE-MRI ）

DCE-MRI 不仅能够提供组织的血管生成、血容量或灌注和通透性信息，还可清晰显示乳腺病变形态学特征，从而在肿瘤鉴别诊断、预后评估和疗效评价中发挥重要作用。 Ha 等使用深度学习模型，通过单次造影前 MRI 序列模拟合成造影后乳腺 MRI 图像，其峰值信噪比（ PSNR ）和结构相似性（ SSIM ）分别为 27.1 和 0.87 。 Venkata 等使用深度学习方法，通过使用造影前图像（ Pre-contrast ）和合成低剂量（ Synth-low ）图像来合成造影后乳腺 MRI 图像（ Synth-Gad ），评估真实造影后（ Real-Gad ）图像和 Synth-Gad 图像之间的相似性指标（ PSNR 和 SSIM ）及增强动力学曲线。结果显示， Real- 和 Synth-Gad 之间的平均 PSNR 和 SSIM 分别为 31.55±3.26 dB 和 0.85±0.07 ， Synth-Gad 图像中存在的增强模式与 Real-Gad 相似，且其 SI 也相似。因此， DL 剂量降低模型可降低乳腺 MRI 检查中的对比剂剂量，减少患者和环境的 GBCA 暴露。

研究发现， BPE 水平的升高与乳腺癌发病风险的相关性强于乳腺密度。 McCarthy 等探讨了接受 MRI 筛查的 BRCA1/2 突变携带者中 BPE 与乳腺癌风险的相关性，采用 Cox 比例风险回归进行分析。结果表明，在校正了年龄、卵巢切除状态、 BRCA1 vs. BRCA2 突变和乳腺体积密度（ VBD ）后，较高的 BPE 比值与乳腺癌风险增加显著相关（ HR=1.15

RSNA2023 乳腺影像学

正文

请到「今天看啥」查看全文