作者：罗实，沈阳市第四人民医院放射科；张莹莹，于韬，辽宁省肿瘤医院医学影像科
前哨淋巴结（sentinel lymph node，SLN）是
MRI 具有无辐射、高软组织分辨力及功能成像等特点，已广泛应用于乳腺癌的诊断、分期及新辅助化疗疗效评价等方面。本文对MRI评估乳腺癌SLN状态的研究进展进行综述。
1.乳腺癌SLN 及其活检
乳腺癌是女性最常见的恶性肿瘤，淋巴转移是其主要的转移方式。腋窝淋巴结接受大部分的乳腺淋巴引流，是乳腺癌最常见的转移部位。腋窝淋巴结状态是乳腺癌重要的预后因素之一，并可为治疗决策提供重要信息。SLN 的转移情况可以预测腋窝淋巴结的状态。
近几十年来，乳腺癌腋窝外科治疗取得了显著的进展，SLN 活检（SLN biopsy，SLNB）已逐渐取代传统的腋窝淋巴结清扫术（axillary lymph node dissection，ALND）来评估早期乳腺癌病人的区域淋巴结情况，成为早期浸润性乳腺癌的标准腋窝分期方法。
虽然与ALND 相比，SLNB 的侵袭性较小，可以减少手术的并发症及改善病人的生活质量，但SLNB 仍存在淋巴
染料法和核素示踪剂法为乳腺癌SLNB 的推荐方法。染料示踪法操作简便，但假阴性率高，且需在术中进行；核素示踪法由于需要使用放射性药物等原因导致普及难度较大。多年来，国内外研究者一直致力于开发新的、准确、无创的方法来评估乳腺癌SLN 状态，术前影像学检查评估淋巴结状态在临床实践中具有重要意义。
2. MRI 在评估乳腺癌SLN 状态中的应用
2.1 常规平扫
MRI 是检出乳腺疾病较敏感的成像方法。乳腺MRI 检查方法主要包括常规平扫、动态增强MRI（DCE-MRI）和扩散加权成像（DWI）等。T1WI 和T2WI 是MR 扫描的基本序列，其平扫信号特点对乳腺癌的鉴别诊断价值相对较低。
2.2 DWI
DWI 是一种功能MRI，能够反映组织内水分子的扩散运动状态，受细胞密度、细胞膜结构等多种因素影响。DWI 采集时间短且不需要使用对比剂，并可定量反映组织微环境，其定量指标通过表观扩散系数（ADC）值来表达。DWI 是DCE-MRI 可靠的辅助检查方法，已应用于乳腺良恶性疾病的鉴别诊断及确定肿瘤的范围。
有研究报道，瘤周-肿瘤ADC 值比值与乳腺癌SLN转移独立相关，而肿瘤ADC值及瘤周最大ADC值与SLN转移无相关性，可能是由于瘤周-肿瘤ADC值比值是相对测量值，可靠性高于作为绝对测量值的肿瘤ADC 值或瘤周最大ADC 值。
苏春艳等研究显示肿瘤ADC 值/同侧正常乳腺腺体ADC 值比值在SLN 转移阳性组和阴性组间有差异，而张冬雪等研究显示病灶与周围正常纤维腺体组织的ADC值比值在SLN 转移阳性组和阴性组间差异无统计学意义，结果不一致可能与样本量及ADC 值测量方法有关，将来还有待于进一步研究。
2.3 DCE-MRI
DCE-MRI 是乳腺MRI 检查的重要组成部分，可以提供高时间分辨力、高空间分辨力和高信噪比的影像，不仅能够显示病灶的形态，还可以分析病灶的血流动力学特征，从而反映肿瘤的微血管灌注和血管生成情况，有助于乳腺癌诊断及肿瘤恶性程度的判断。乳腺MRI 扫描可能出现检查范围未能包括全部腋窝的情况。一些研究应用乳腺癌原发灶MRI 征象来预测SLN 状态，发现肿瘤大小、病灶位置、病灶数量及强化特征与乳腺癌SLN转移相关，累及乳腺外侧象限的病灶、不均匀或环形强化的病灶、多灶及非肿块强化病灶更易发生SLN 转移。
通过分析MR 信号强度随时间的变化，还可以获得基于时间-信号强度曲线的半定量参数及基于药代动力学模型的定量参数。有研究发现，乳腺病灶DCE-MRI 定量参数与半定量参数相结合评估乳腺癌SLN 状态也具有一定的效能，训练集的曲线下面积（AUC）为0.77，验证集的AUC 为0.74。
2.4 MRI 影像组学
乳腺癌是一种具有高度异质性的恶性肿瘤，通常很难及时有效地获得肿瘤的全面信息。影像组学是通过从影像中提取定量特征将医学影像转换为可挖掘数据的过程。影像组学特征可以揭示医学影像中肉眼难以识别的细微改变，从而描述和解释肿瘤组织学的细微变化，进而为临床实践提供肿瘤相关信息，极大地拓展了医学影像学在临床实践中的指导价值。
已有多项研究应用DCE-MRI 影像组学预测乳腺癌SLN状态，影像组学特征和药代动力学参数联合、多期相DCE-MRI影像组学均有预测价值，与临床病理特征相结合可进一步提高预测效能。虽然MRI 影像组学预测乳腺癌SLN 转移的研究主要关注瘤内特征，但已有研究显示瘤周影像组学特征也可提供有价值的信息，纳入瘤周特征的DCE-MRI 影像组学模型可以提高预测效能，并且瘤周大小的选择将影响影像组学模型的最终预测效能，提示在未来的影像组学研究中应优化瘤周特征。
然而，在影像上很难统一肿瘤的瘤周区域范围，因此瘤周特征的提取需要进一步的研究和验证。Ma 等研究显示，基于术前乳腺DCE-MRI 的4 种影像组学模型中（肿瘤、瘤内和瘤周、腋窝淋巴结、腋窝淋巴结和肿瘤），腋窝淋巴结MRI 影像组学模型的预测效能最好，但腋窝淋巴结影像组学特征是基于腋窝内所有可见的淋巴结，由于乳腺MRI 检查可能出现没有完全覆盖腋窝区域的情况，可能会影响分析结果。
机器学习在影像组学分析中起着重要作用，不同机器学习算法的预测效能不同，为了获得更为有效的预测模型，已有研究探讨基于MRI 影像组学特征的不同机器学习模型在乳腺癌SLN 转移术前预测中的价值。
Zhu 等基于对比增强MRI 影像组学特征的机器学习模型术前预测乳腺癌SLN 转移，使用最优机器学习算法建立的影像组学特征、肿瘤大小及乳腺影像报告和数据系统分类的联合预测模型验证集的AUC 达到0.88，优于单独使用MRI 影像组学特征的预测模型（AUC 为0.86）。此外，基于DCE-MRI 的卷积神经网络模型在术前预测乳腺癌SLN 转移方面优于临床模型和传统的影像组学模型，并能有效预测下一站引流淋巴结的转移情况。
2.5 不同MRI 技术联合应用
平扫T1WI 和T2WI、DWI 和DCE-MRI 都是乳腺MRI 检查的常用技术，每种检查技术都有各自的优点和局限性，多种MRI技术的联合应用可以进一步提高乳腺癌诊断的准确性。Choi 等应用DWI 联合DCE-MRI 特征预测乳腺癌SLN 转移，具有良好的诊断效能（AUC为0.80），明显高于临床病理变量的预测效能（AUC为0.68）。Dong 等基于原发肿瘤脂肪抑制T2WI 和DWI 的影像组学模型术前预测乳腺癌SLN 转移，联合模型预测效能优于单独使用脂肪抑制T2WI 或DWI 的影像组学模型（训练集AUC 分别为0.863、0.847、0.847；验证集AUC 为0.805、0.770、0.787）。
由于部分乳腺病灶在T2WI 和DWI 上边界显示不清晰，完全分割病灶比较困难，因此更多研究采用增强MRI 影像组学特征预测乳腺癌SLN 转移。乳腺癌SLN 负荷影响治疗方案的选择。Zhang 等研究显示联合影像组学特征和MRI 确定的腋窝淋巴结负荷的列线图在预测SLN 负荷方面具有良好的效能（训练集、验证集和测试集AUC 分别为0.82、0.81、0.81）。
有研究发现，瘤内和瘤周影像组学特征可为识别SLN 转移提供互补信息，与数字化乳腺摄影联合数字乳腺断层摄影相比，DCE-MRI 联合DWI 的特异性较低，但AUC、准确度、敏感度和阴性预测值均较高。
3. 小结
MRI 作为一种无创性检查方法在术前评估乳腺癌SLN 状态方面具有不可忽视的优势。鉴于目前MRI 预测乳腺癌SLN 状态多为回顾性、单中心研究，因此有必要进一步研究来验证其临床应用价值，特别是多种成像方法的联合应用，即通过不同检查技术的优势互补来预测乳腺癌SLN 状态，这也是影像学未来的研究方向。
来源：罗实,张莹莹,于韬.乳腺癌前哨淋巴结MRI研究进展[J].国际医学放射学杂志,2024,47(01):66-69.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
