精准影像学背景下MRI用于乳腺癌进展
发布时间:2026-11-18   |   来源:中国介入影像与治疗学
关键词: MRI 乳腺癌 影像科

作者:李晓婷,孙应实,北京大学肿瘤医院暨北京市肿瘤防治研究所医学影像科


乳腺癌为全球女性最常见恶性肿瘤,2022 年我国粗发病率为51. 7/10 万人、粗死亡率为10. 9/10 万人;治疗乳腺癌前需根据肿瘤类型、临床分期、生物学特性及患者一般情况进行综合评估,其中影像学检查尤为重要。MRI 软组织分辨率高、无辐射、可重复性好,能提供肿瘤组织结构、血流动力学及侵袭能力等生物学/代谢信息,已广泛用于早期筛查乳腺癌、术前评估、疗效评价及预后预测等。


精准影像学指在医学影像学领域通过先进成像技术、数据分析方法及多模态影像融合模式精准诊断疾病、指导治疗及评估预后;其核心在于提取图像中的细微高阶信息,结合基因、环境等因素为临床提供更为全面、客观的依据,以实现个体化诊疗。精准影像学背景下,MRI 用于乳腺癌将获得更大发展。


MRI 可多参数、多序列成像,提供丰富的肿瘤相关信息,其新型定量参数有望进一步提升乳腺癌诊疗的精度;利用人工智能(artificial intelligence, AI)图像处理技术可于多模态MRI 中提取大量肉眼无法识别的信息用于构建精密数学模型,以准确预测分析乳腺癌生物学行为。乳腺癌基因组学研究的日益深入有助于解析MRI 参数的分子机制,通过可视化图像将肿瘤生物学行为表征化,以动态监测肿瘤进展。本文围绕多参数成像、AI辅助技术及影像基因组学等方面对精准影像学背景下MRI 用于乳腺癌进展进行综述。


1. 乳腺癌多参数MRI


多参数MRI 利用多个成像参数或模态以提高诊断、术前评估及监测疗效的精度;其用于乳腺癌主要涉及结合不同序列,如T1WI、T2WI、动态对比增强MRI(dynamic contrast enhanced MRI, DCE-MRI)、弥散加权成像(diffusion weighted imaging, DWI)及MR 波谱(MR spectroscopy, MRS)成像信息等。DCE-MRI 利用钆对比剂评估肿瘤血管和灌注特点。受血管生成因子刺激,乳腺癌新生血管粗大、不规则,对比剂到达肿瘤毛细血管后渗漏至周围组织,特征性表现为初始阶段快速增强和延迟阶段洗脱。


超快速DCE-MRI(ultrafast DCE-MRI, UF-DCE-MRI)为基于视图共享、压缩感知等快速采集技术以评估乳腺癌血管特性的新型技术,强调注射对比剂后极早期阶段,利用最大斜率(maximum slope, MS)、时间-强度曲线上升部分斜度、增强时间(time to enhancement, TTE)及对比剂到达时间(bolus arrival time, BAT)等动力学参数反映乳腺癌恶性程度。OHASHI 等研究发现,乳腺癌UF-DCE-MRI 参数与受体状态、固有亚型及预后标志物存在一定关联,如相比乳腺原位癌,浸润性乳腺癌(尤其存在预后不良的组织学因素者)MS 更大、TTE 或BAT 更短,其中短TTE 与原位癌进展为浸润性癌相关。


DWI 通过测量水分子弥散运动反映肿瘤细胞密度及其微结构,为目前乳腺MR 检查的常规扫描方案;其定量参数—— 表观弥散系数(apparent diffusion coefficient, ADC)与细胞密度有关,有助于定性诊断乳腺病变、预测乳腺癌分子类型及治疗反应等,结合DCE-MRI 表现有助于减少不必要的穿刺活检。新近研究发现,体素内不相干运动(intravoxel incoherent motion, IVIM)、非高斯弥散峰度成像(diffusion kurtosis imaging, DKI)及弥散张量成像(diffusion tensor imaging, DTI)等更高阶、复杂的弥散模型有助于更为全面地反映乳腺癌特征。


IVIM D 值及f 值分别代表真实扩散系数及微血管灌注,在乳腺癌中表现为低D 值及高f 值;DKI 可量化高b 值条件下的非高斯弥散偏差、解释肿瘤组织微结构复杂性,在乳腺癌中表现为较高K 值。时间依赖弥散为当前先进的MR 弥散方法,基于振荡梯度自旋回波(oscillating gradient spin echo, OGSE)等序列测量超短弥散距离(<5 mm)获得的细胞直径、细胞密度、细胞外水分子弥散系数及细胞内水分子体积分数等定量参数可作为评价乳腺癌微环境改变的客观指标。胆碱化合物含量可反映细胞增殖水平,为临床常用肿瘤标志物之一;化学治疗(化疗)期间其含量下降可先于乳腺癌形态学改变而发生。MRS 可检测肿瘤组织局部生化代谢信息、评估总胆碱含量等组织化学成分,结合其他MR 序列能进一步提高诊断乳腺癌准确性、明确可疑病变级别及判断淋巴结转移风险分层。


2. AI 技术辅助分析乳腺癌MRI


近年来,AI 辅助分析在乳腺癌领域取得突破性进展;其辅助MRI 主要针对检测病灶及判断其良、恶性。以卷积神经网络(convolutional neural networks,CNN)为核心的深度学习(deep learning, DL)算法能够自动提取病灶MRI 特征,学习鉴别良、恶性病变。现有多参数MRI CNN 模型诊断乳腺癌效能良好,显著优于传统方法。DCE-MRI 对于乳腺病变的敏感度高而特异度相对较低;利用DCE-MRI AI 模型可通过开发图像增强系统而突出显示常规影像学易于误诊或忽视的局灶性病变,有效提高诊断特异性及阅片效率。


精准分割乳腺癌病灶是制定个性化治疗方案及评估疗效的基础;传统分割方法依靠人工提取特征,耗时且易受主观因素影响,而基于U-Net 架构的DL 模型能实现自动化、高精度分割病灶。HUANG 等基于U-Net 改进模型分割MRI 所示乳腺癌病灶的戴斯相似系数(Dice similarity coefficient, DSC)达0. 85~0. 94。新辅助化疗(neoadjuvant chemotherapy, NAC)是治疗局部进展期乳腺癌的标准方案,但仅10%~50% 患者可从中明显获益;因此准确评估疗效对于指导后续治疗十分重要。


徐海敏等基于MR T1WI 瘤周及瘤体影像组学、联合临床特征可有效预测NAC 用于乳腺癌效果,其曲线下面积(area under the curve)达0. 88 ~0. 91。预测乳腺癌预后对于制定个体化治疗方案和改善远期生存具有重要意义;AI 模型可整合MRI 特征、临床资料及基因组学数据,通过构建预测乳腺癌复发风险的多模态模型而提高预测准确性。


3. 乳腺癌影像基因组学


影像基因组学将影像组学数据与基因组学相结合,有助于克服后者费用昂贵且有创的弊端,通过挖掘其间的关联发现精准成像标志物,能替代基因组检测、可视化肿瘤发展动态过程,进一步拓展了影像组学应用范围,可引领精准影像学的发展。乳腺MRI 与基因组学的结合为诊断、治疗乳腺癌及评估预后提供了新的视角:①将图像表征与潜在遗传突变、基因学及激素受体状态相关联;②开发结合肿瘤固有特征的成像标志物用于预测治疗反应和预后;③通过个性化成像进行风险分层。


YAMAMOTO 等于乳腺癌MRI 数据中发现21 个影像组学特征与71. 06% 乳腺癌表达基因(3 717/5 231)显著相关,揭示了乳腺癌潜在分子生物学特征。RAMTOHUL 等于乳腺癌MR T2WI 及DCE-MRI 中提取影像组学特征,发现其与人表皮生长因子受体2(human epidermal growth factor receptor-2, HER-2)及雌孕激素表达密切相关。基于基因表达的乳腺癌Oncotype DX 评分可计算乳腺癌复发风险并区分高、低风险。LI 等根据乳腺癌Oncotype DX评分开发影像基因组学模型,结果显示基于病灶边缘不规则、不均匀强化及对比剂快速摄取等相关特征可较好地评估复发风险。


来源:李晓婷,孙应实.精准影像学背景下MRI用于乳腺癌进展[J].中国介入影像与治疗学,2025,22(06):421-424.DOI:10.13929/j.issn.1672-8475.2025.06.012.


(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。)
0
收藏
添加表情
全部评论
我要投稿
发表评论
扫码分享

微信扫码分享

回到顶部