作者：
在此基础上发展而来的超快速DCE （ultrafast-DCE，UF-DCE）MRI 可在保持合理空间分辨率的同时，以高时间分辨率获取早期强化动力学信息，并提供丰富的血流动力学参数，为乳腺癌的早期筛查、诊断和疗效评估提供了新的可能性。本文将系统综述UF-DCE MRI 的技术优势及其在乳腺癌诊疗中的研究现状，并探讨其局限性以及未来发展方向。
1. UF-DCE MRI 技术原理
1.1 概述
UF-DCE MRI 具有极高的时间分辨率，在对比剂注入后2 min 内即可连续采集15~30 期的增强影像。不仅实现了高时间分辨率和合理空间分辨率的平衡，还能在捕捉病变快速动态变化的同时保留足够的解剖细节。常规DCE MRI 可获得从早期时相到延迟时相的整体动态变化，而UF-DCEMRI 更侧重于获取强化早期对比剂流入的细微变化。尤其是UF-DCE MRI 在强化后1 min 甚至是更短时间内所获取的动态信息，可为常规DCE-MRI提供重要的补充。
1.2 常用加速技术
UF-DCE MRI 依赖几种关键的加速技术，包括并行成像（parallel imaging，PI）、视图共享（view sharing，VS） 和压缩感知（compressed sensing，CS）。PI 技术通过多线圈阵列在k 空间中进行规律欠采样，影像重建过程中利用不同空间位置的线圈敏感度信息进行补偿，最终获得完整视野的影像。敏感度编码（sensitivity encoding，SENSE）和广义自校准部分并行采集（generalized auto -calibrating partially parallel acquisitions，GRAPPA） 是应用最广泛的PI 序列。PI 技术大幅提升了成像速度，特别是在心脏和腹部屏气成像中表现突出。
然而，基于PI 技术的影像重建依赖线圈敏感度信息，可能导致图像信噪比下降；此外，该技术的实现需要复杂的图像重建算法和高质量的多通道线圈，对设备和计算资源要求较高。VS 技术通过利用已采集的k 空间数据来推断和重建缺失视图，从而加快成像速度。该方法的基本原理是，在连续的动态成像过程中，相邻时间点的影像变化相对较小，因此通过共享k 空间数据来减少采样次数。
具体而言，VS 包括空间视图共享和时间视图共享两种形式，前者利用不同空间位置的数据，通过对不同空间位置的数据进行重建，减少了必要的采集视图数量；后者利用不同时间点的数据，通过对不同时间点的数据进行重建，可以提高时间分辨率。常见的VS 序列有笛卡尔阶次差分采样（differential subsampling with Cartesian ordering，DISCO）、时间分辨交叉随机轨迹显像（time-resolved angiography with interleaved stochastic trajectories，TWIST）和四维时间解析血管成像（four dimensional time-resolved angiography using keyhole，4D-TRAK）等。
VS 技术能够显著提高时间分辨率，并且适用于多种现有扫描和成像设备。然而，该技术的算法复杂程度较高，影像重建过程中可能引入伪影或重建误差，影响影像质量；此外，数据一致性和时间同步问题也可能影响成像效果。CS 技术则通过对k 空间数据进行远低于奈奎斯特频率的随机欠采样，利用信号在变换域中的稀疏性进行重建，从而实现MRI 影像的加速采集。该技术基于稀疏性假设，应用非线性重建算法消除影像中的非相干伪影以恢复随机欠采样的k 空间数据，从而获得高质量重建影像。
同时，CS 还可以与PI 技术联合使用，进一步增加数据压缩比例并提高影像质量。CS 技术兼顾高时间分辨率与高空间分辨率，已初步应用于乳腺、心脏、腹部及中枢神经系统等部位。然而，CS 技术在临床应用中仍面临较多挑战，其理论体系尚未完全成熟，稀疏变换方法、采样策略及重建算法仍需进一步优化；由于序列设计与编程的复杂性，在扫描设备上有效实施该技术仍是难题；此外，CS 技术与其他成像技术的有效结合也亟待解决。目前，UF-DCE MRI 尚无标准化扫描方案，各厂商和机构在序列参数设置方面存在较大差异。
1.3 衍生动力学参数
UF-DCE MRI 在乳腺癌诊断中的优势在于，其不仅能够提供满足临床诊断需求的高时间分辨率影像数据，还可提供多个反映对比剂流入效应的动力学参数。代表性参数包括：最大斜率（maximum slope，MS），即时间-信号强度曲线（time-intensity curve，TIC）中最陡峭部分的斜率，能够反映对比剂在病灶中的快速累积速率；增强时间（time-to-enhancement，TTE），即从主动脉开始强化到病灶开始强化的时间；药物到达时间（bolus arrival time，BAT）类似于TTE，定义为从对比剂注射开始到乳腺病变开始强化的时间，较短的TTE 和BAT 往往提示肿瘤血管丰富；达峰时间（timeto-peak，TTP），是指病变在初始强化后达到峰值强度（maximum signal intensity，SImax）所需的时间，能够反映病变对对比剂摄取的效率；60 s 初始曲线下面积（initial area under curve in 60 s，iAUC），指注射对比剂后的前60 s 内TIC 曲线下面积，用于评估病灶区域信号强度随时间变化的累积速率；流入斜率（wash-in slope，WIS）定义为病灶开始强化的时间与达到SImax 的时间之间的斜率（WIS=SImax/TTP），反映的是对比剂在病灶中的快速流入速率。这些参数补充了常规DCE-MRI 所不能捕捉的血流动力学特性，对于评估肿瘤的血管生成和微环境特征具有重要意义。
2. UF-DCE MRI 在乳腺癌诊疗中的应用
2.1 早期筛查
乳腺癌筛查常用影像学方法包括超声、X 线和MRI。其中，超声检查无辐射且可以实时成像，适用于高密度乳腺，但对微小病变和钙化敏感性较低。乳腺X 线检查存在一定的辐射风险，对钙化、部分结构扭曲和不对称致密等基本病变敏感，但对于乳腺致密的年轻女性，其成像效果有限。而UF-DCE MRI 具有较短的扫描时间，可以有效减少背景实质强化（background parenchymal enhancement，BPE）干扰，尤其适用于乳腺癌高风险人群和乳腺致密女性的筛查。
Mann 等对1 031 例乳腺癌高风险人群进行UF-DCE MRI 筛查，其中160 例检出病变；进一步对病变进行分析发现，基于MS 阈值区分不同风险病变（低风险病变，MS<6.4%；中等风险病变，6.4%≤MS<13.3%；高风险病变，MS≥13.3%）的效能优于传统DCE-MRI，两者的受试者操作特征曲线下面积（AUC）分别为0.812、0.692，初步证实UF-DCE MRI 在乳腺癌筛查中的潜力。
另一项多阅片者研究表明，尽管UF-DCE MRI 与传统DCE MRI 的诊断效能相当，但两者的筛查特异度分别为0.82、0.76，前者的阅片效率较后者提高了22.8%。综上，UF-DCE MRI 在乳腺癌筛查中具备独特优势，但仍需前瞻性、多中心临床试验进一步验证。
2.2 良恶性鉴别诊断
准确鉴别乳腺良恶性病变对于后续治疗方案的选择至关重要。乳腺良性肿瘤可定期随访观察，而乳腺癌则需全身系统性治疗。一般可以根据DCE MRI 的TIC 曲线和强化模式来鉴别病变性质。与之相比，UF-DCE MRI 不仅能够提供DCE MRI 的相关信息，还可定量描述病变的动态强化特征。有研究表明，UF-DCE MRI 的参数MS 在鉴别乳腺良恶性病变方面具有较高的诊断效能，且显著优于传统TIC 曲线（AUC 分别为0.829、0.692）。
另有研究发现UF-DCE MRI 参数TTE 在鉴别乳腺癌良恶性方面优于传统DCE MRI 的TIC分析，两者AUC 分别为0.80~0.86 和0.70~0.71。此外，Cao 等的研究发现联合多个UF-DCE MRI 的半定量参数（MS、TTE、TTP 和iAUC）进行乳腺良恶性鉴别，其诊断效能显著高于联合多个定量参数的诊断效能[容积转移常数（Ktrans）、速率常数（kep）、血管外细胞外间隙容积分数（ve）]，AUC 分别为0.913和0.818。
近期的一项Meta 分析进一步证实，UFDCEMRI 衍生的多种参数能够准确量化强化早期对比剂渗漏和肿瘤相关血管分流等病理生理过程，在鉴别良恶性病变方面具有较高的整体诊断准确度，其合并敏感度、特异度、诊断比值比和AUC 分别为83%、77%、18.9 和0.876。综上所述，UF-DCEMRI 有望作为传统DCE MRI 的替代方法，通过获取强化早期动态信息及相应参数，提高乳腺良恶性病变的检测和鉴别能力。
2.3 新辅助化疗（neoadjuvant chemotherapy，NAC）疗效预测
NAC 目前是局部进展期乳腺癌的标准治疗方案，能够减少肿瘤负荷并提高保乳手术的可能性。病理完全缓解（pathologic complete response，pCR）是评估NAC 疗效的重要指标，与更长的无病生存期及总生存期密切相关，可用于指导后续治疗决策。MRI 在NAC 疗效评估中具有重要作用，可帮助确定治疗后残余浸润性导管癌（invasive ductal carcinoma，IDC）的存在及其范围。
有研究显示，基于UF-DCE MRI 测量的残余IDC 大小与病理结果的偏差值[（5.7±8.2）mm]显著小于传统DCE MRI 各期相[早期（8.9±9.9）mm、延迟期（10.6±10.4）mm）]及高空间分辨DCE MRI[（10.1±26.7）mm]的测量偏差。另有研究表明，传统DCE-MRI 延迟期虽能反映整体肿瘤直径[与病理结果偏差（-0.08±19）mm]，但无法有效区分侵袭性病灶；而UF-DCE MRI 测量结果则与病理测量残余IDC 的大小高度吻合[ （-0.07±16）mm]。
由此可见，UF-DCE MRI 能够更准确地识别侵袭性肿瘤成分。因为残余IDC 通常表现为早期强化，而治疗后的纤维化或肉芽肿等病变则更倾向于延迟强化，所以传统DCE MRI 更多地反映了包括非侵袭性病灶在内的整体肿瘤大小。此外，UF-DCE MRI 的动力学参数还可用于预测乳腺癌病人的pCR。一项小样本、单中心研究发现WIS 为pCR 的独立预测因子，结合WIS、人类表皮生长因子受体2 （human epidermal growth factor receptor 2，HER2） 状态和肿瘤浸润淋巴细胞密度（tumor infiltrating lymphocyte，TIL） 构建的模型在pCR 预测中表现出较高的诊断效能，AUC 达0.92。
Kim 等基于256 例乳腺癌病人的研究则显示，低MS 与激素受体阳性肿瘤中的pCR 相关，而高相邻时间点体积比则与三阴性乳腺癌（triple-negative breast cancer，TNBC）的pCR 相关。然而，这些研究大多基于治疗前的单次成像，未能动态监测治疗过程中瘤内动力学参数的变化。
最近的一项前瞻性纵向研究通过收集乳腺癌NAC 前后4 个时间点的UF-DCE MRI 数据发现，UF-DCE MRI 参数可反映肿瘤在NAC 期间的变化趋势，并通过结合NAC 治疗2 周后的参数变化与临床病理特征，建立的模型预测pCR 效能较高（AUC=0.92）。由此可见，UF-DCE MRI 在NAC 疗效评估中表现出极大潜力，特别是在测量残余肿瘤大小和预测pCR 方面。然而，目前UF-DCE MRI 在乳腺癌NAC疗效评估中的临床应用尚不广泛，其价值和潜力有待进一步验证和深入研究。
2.4 预后评估
肿瘤侵袭性相关因素（如组织学分级、Ki-67 表达水平和分子分型）是评估乳腺癌预后的重要指标，UF-DCE MRI 的动力学参数与其具有相关性。研究显示，IDC 的MS 高于导管原位癌（ductal carcinoma in situ，DCIS），而其TTE 则短于DCIS。此外，Onishi 等的研究表明，组织学分级较高的IDC（3 级）与低级别IDC（1、2 级）相比，具有较短的BAT；相比于浸润性小叶癌，IDC 的BAT 也较短；TNBC 及HER2 过表达型乳腺癌的BAT 也短于Luminal 型乳腺癌。
Yamaguchi 等及
临床中，经活检确诊的DCIS 在术中常常升级为IDC，因此准确预测病灶升级风险对于手术及后续治疗规划至关重要。2021 年的一项研究表明，基于UF-DCE MRI 的形状和纹理特征构建的模型可以区分低、中、高核级的DCIS 以及升级为IDC 的DCIS，但这些特征在临床上尚不易获得。
Miceli 等进一步探讨了术前UF-DCE MRI 动力学参数预测DCIS 升级的可行性，发现TTE 与DCIS 升级显著相关；结合TTE 与其他临床影像特征的预测模型在预测升级方面的效能最佳（AUC 达0.85），可见UF-DCEMRI 可以为预测DCIS 升级提供有力的支持。另有研究表明，IDC 的MS 和iAUC 均显著高于DCIS，UF-DCE MRI 联合常规DCE MRI 可能有助于预测DCIS 向IDC 的升级。
随着对肿瘤微环境研究的深入，微血管密度（microvascular density，MVD） 和TIL 已成为乳腺癌免疫治疗和预后评估的重要生物学标志物。Pineda 等采用经验数学模型（empirical mathematical model，EMM）方法分析UF-DCE MRI 影像，发现拟合获得的EMM 参数（信号强度上限、信号增加速率、初始斜率、前30 秒曲线下面积、初始强化时间）均与MVD 显著相关，能够有效反映侵袭性乳腺癌的MVD。
另一项研究则表明，UF-DCE MRI 的定量参数Ktrans、kep、ve 与MVD 和血管内皮生长因子关系密切，但研究并未深入阐述其病理生理学机制，未来需要进一步探索其潜在临床应用价值。Yamaguchi等对76 例接受UF-DCE MRI 的乳腺癌病人进行回顾性分析，依据TIL 水平将病人分为低TIL 组（<10%）和高TIL 组（≥10%），结果表明，高TIL 组与激素受体阴性、HER2 阴性、高Ki67 及高组织学分级显著相关；此外，高TIL 组的MS 显著高于低TIL 组（MS 分别为32.4%/s 和23.68%/s），而高TIL组的TTE[5.8（2.9~11.6）s]则显著低于低TIL 组[5.8（2.9~20.3）s]；MS 和TTE 在区分低、高TIL 组的AUC 分别为0.661 和0.685，初步证明UF-DCE MRI在预测乳腺癌TIL 状态方面具有潜力。
综上，UF-DCE MRI 在乳腺癌预后评估中具有潜在价值，但目前大多数研究尚处于初期探索阶段，还有待今后深入研究，以利于提高乳腺癌治疗决策的精准性。
3. UF-DCE MRI 与其他MRI 序列的联合应用
UF-DCE MRI 的核心优势在于具有极高的时间分辨率，可在2 min 内完成乳腺强化极早期影像的采集。当前研究热点聚焦于采用多参数方案进行UF-DCE MRI 扫描，即可联合采用扩散加权成像（DWI）、T2WI 等序列，形成优化的简化乳腺MRI（abbreviated breast MRI，AB-MRI）扫描方案。
值得注意的是，AB-MRI 并非固定化的扫描协议，而是基于临床需求对脉冲序列进行智能组合，常用方案包括：（1）短方案，首次对比后减影（first post-contrast acquisition subtracted，FAST）/UF-DCE MRI；（2）精简方案，FAST/UF-DCE MRI 结合其他附加脉冲序列；（3）无对比剂方案，即采用DWI 联合T2WI。
有研究表明，AB-MRI 在乳腺癌筛查及术后复发监测中的诊断效能与完整诊断方案（full diagnostic protocol，FDP）相当。而整合UF-DCE MRI的AB-MRI 方案（UF-AB MRI）在乳腺癌术后复发监测中的特异度（95.3%、88.6%） 和阳性预测值（21%、10%）显著高于AB-MRI，可有效降低假阳性率，避免非必要的短期随访及活检。Cao 等探讨了UF-DCE MRI 的半定量/定量参数及DWI 衍生参数表观扩散系数（apparent diffusion coefficient，ADC）在乳腺病变良恶性鉴别中的互补性。结果显示，联合多个UF-DCE MRI 半定量参数与ADC 的模型较单独使用UF-DCE MRI 参数可显著提升诊断效能（AUC 分别为0.960 和0.913）；且敏感度比单独采用ADC 时要高（分别94.87%和87.18%）。
此外，Peter等通过广义线性模型证实，UF-DCE MRI 参数（峰值强化）联合ADC 的诊断效能与常规DCE-MRI 联合ADC 相当。另一项研究则发现，联合UF-DCEMRI 和DWI 的UF-ABMRI 对病灶进行BI-RADS 分类时，其诊断准确度显著高于FDP（79.6%和71.8%）。此外，一些研究还探讨了UF-DCE MRI 对常规DCE MRI 诊断效能的附加价值。
Lee 等通过对101例病例分析发现，联合UF-DCE MRI 参数MS 和初始强化期相（initial enhancement phase，IEP）可显著提高常规DCE MRI 对病灶BI-RADS 分类的特异度（64.7%、29.4%）。
Goto 等也有类似发现，如在非肿块样强化病变诊断中，UF-DCE MRI 联合常规DCEMRI 的诊断效能显著优于单独使用常规DCE MRI（AUC 分别为0.923 和0.865），特异度也有显著提升（81.8%和40.9%）。由此可见，联合UF-DCE MRI 的AB-MRI 方案在乳腺肿瘤中具有较高的诊断效能。未来的前瞻性研究应进一步验证UF-DCE MRI 作为FDP 替代方案在乳腺癌筛查及诊断中的应用潜力。
4. UF-DCE MRI 中的人工智能应用
人工智能（AI）技术在乳腺UF-DCE MRI 中的应用也正逐渐受到关注，尤其是用于影像分类、目标检测和分割等方面的潜力。Jing 等构建了基于UF-DCE MRI 最大密度投影影像的深度学习模型用于自动识别良性病变，该模型在独立测试集中AUC达0.81，敏感度为98%，阴性预测值为98%，可有效降低放射科医生15.7%的工作负荷，表明基于UFDCEMRI 的深度学习模型可高效排除非恶性病变，提高筛查效率。
Jing 等后续又构建了深度卷积神经网络模型，并基于837 例乳腺UF-DCE MRI 影像进行病灶定位，模型的诊断敏感度最高达0.99，显著提高了乳腺病变定位的准确性，进一步提升了筛查效果。Milenkovi'等则通过提取UF-DCE MRI 早期强化阶段的空间纹理特征，发现基于UF-DCEMRI 的二维纹理特征在随机森林分类器中AUC 达到0.899 7，优于传统的三维形态/动力学分析方法（AUC=0.870 4）。
此外，Dalmis_等使用深度学习随机森林算法整合多参数MRI（UF-DCE MRI、T2WI和DWI）与临床病理信息（乳腺癌BRCA 基因状态和年龄） 构建综合模型用以区分乳腺良恶性病变，模型不仅与放射科医生的诊断敏感度相当，还减少了19 例假阳性结果，AUC 达0.852，进一步展示了UFDCEMRI 结合AI 技术在提升乳腺病变分类准确性方面的优势。
Huang 等利用机器学习算法基于多参数MRI（UF-DCE MRI、MR 波谱成像、扩散峰度成像和体素内不相干运动序列）分别构建多参数模型和语义模型预测乳腺癌分子亚型，两者对Luminal A（AUC=0.816、0.764）、Luminal B（AUC=0.837、0.725）、TNBC（AUC=0.857、0.740）及HER2 过表达型（AUC=0.771、0.693）乳腺癌的预测效能相当。综上，目前AI 在UF-DCE MRI 中的应用可行性已得到初步证实，但仍需要更多的外部验证。
5. UF-DCE MRI 的临床应用局限性及展望
尽管UF-DCE MRI 在乳腺癌的临床诊疗中表现有较大潜力，但仍然存在一些局限性。首先，UFDCEMRI 对病灶血管生成的依赖性，可能导致双重误判风险。一方面，乏血供恶性肿瘤（如DCIS 及浸润性小叶癌）因强化程度不足易被低估；另一方面，富血供良性病变（如纤维腺瘤及乳头状瘤）可能因强化特征重叠导致假阳性诊断。其次，当前研究多聚焦于诊断效能的验证，而在预后评估（特别是无复发生存期和总生存期等终点预测）中的应用研究仍显不足，尚未形成系统性证据。最后，设备性能差异、扫描方案的异质性及数据处理流程的非标准化，导致关键UF-DCE MRI 诊断参数存在机构间差异，会影响多中心数据的可比性与临床指南制定。
针对这些问题，未来的研究应重点关注以下几个方面：首先，通过多参数联合分析提高诊断准确性，整合DWI 等功能成像技术，全面评估病变的生物学特性，突破单一参数诊断瓶颈。其次，开发深度学习算法，进一步提高病变的自动识别、分类和量化能力，提升诊断的效率和准确性。再次，目前UFDCEMRI 研究主要集中在其动力学参数的分析，如何全面评估其在形态学诊断中的潜力亟待探索。
未来的研究重点，一方面可以进一步探究动力学参数与肿瘤的生物学行为、侵袭性和分子特征之间的相关性；另一方面应着重优化成像参数并开展大规模临床研究，以深入了解其在不同类型乳腺癌中的表现，并完善影像特征的解读标准。技术层面的改进包括开发更高空间和时间分辨率的动态扫描序列，以提供更细致的病变信息；优化现有序列的参数设置以及探索先进的影像重建算法，以减少噪声和伪影，增强影像质量。最后，制定统一的扫描方案和数据处理标准是实现不同机构数据一致性的关键。建立标准化的成像协议和数据分析流程将有助于提升跨中心研究的可比性和数据的一致性，从而推动UF-DCE MRI 在乳腺癌筛查和评估中的广泛应用。
6. 小结
UF-DCE MRI 作为一种新兴的成像技术，凭借极高的时间分辨率和合理的空间分辨率，展现了在乳腺癌的筛查、诊断及预后预测中的广阔应用前景。尽管UF-DCE MRI 在临床应用中仍面临一些挑战，如对乏血供病变的低估和对富血供病变的过度诊断，以及技术标准化问题。但随着技术的进步、AI的应用及多中心研究的开展，UF-DCE MRI 有望进一步提升诊断性能和临床应用价值，成为乳腺癌的早期诊断、疗效和预后评估的有力工具。
来源：曹颖,王晓霞,张久权.超快速动态对比增强MRI在乳腺癌中的研究进展[J].国际医学放射学杂志,2025,48(02):191-197.DOI:10.19300/j.2025.Z21731.
我要投稿
