论文部分内容阅读
目的:探讨体素内不相干运动（intravoxel incoherent motion,IVIM）直方图参数评价非特殊型浸润性乳腺癌（invasive breast carcinomas-no specific type,IBC-NST）的多种预后因素,即雌、孕激素受体（estrogen receptor,ER;progesterone receptor,PR）、人表皮生长因子受体-2及增殖细胞核抗原（human epidermal growth factor receptor-2,Her-2;Ki-67 protein,Ki-67）、血管及淋巴管特异性标记物（platelet-endothelial cell adhesion molecule-1,CD31;D2-40 monoclonal antibody,D2-40）、腋窝淋巴结转移（axillary lymph node metastasis,ALNM）、分子分型。材料与方法:回顾性分析2018年9月20日至2020年11月10日125例（共125个病灶）在兰州大学第一医院经病理确诊为IBC-NST的患者。所有患者在确诊前均行乳腺MRI检查（包含IVIM序列）,利用Fire Voxel软件手动逐层勾画病灶边界,获得定量参数ADC、D、D*和f图并进行直方图分析,所提取的直方图参数包括体积（Volume）、均值（Mean）、标准差（Standard deviation,SD）、中位数（Median）、不均匀性（Inhomogeneity）、偏度（Skewness）、峰度（Kurtosis）、熵（Entropy）、最小值（Minimum,Min）、最大值（Maximum,Max）、百分位数（5th～95th,从第5百分位数开始每隔百分之5直到第95百分位数）。根据ER、PR、Her-2、Ki-67、CD31、D2-40、ALNM、分子分型表达或状态进行分组,将所有ADC、D、D*及f衍生直方图参数进行Kolmogorov-Smirnov检验验证其分布,再行Mann-Whitney U或独立样本t检验,以评估IVIM直方图指标在各预后因素组间是否存在差异,得到候选诊断指标;再通过Spearman秩相关分析补充IVIM直方图参数与ER、PR、Her-2、Ki-67间的潜在相关性;进而行主成分分析（principal component analysis,PCA）整合候选指标;利用PCA中的主成分（principal component,PC）基于Logistic回归建立LG模型,计算ROC曲线下面积（area under curve,AUC）评价IVIM直方图参数对多种预后因素的诊断效能。结果:1.Volume、ADC（Mean、Median、SD、Entropy、Kurtosis、Inhomogeneity、Min、Max、5th～45th、55th～95th）、D（Mean、SD、Entropy、Skewness、Kurtosis、Inhomogeneity、Min、Max、5th～80th、90th、95th）、f（Mean、SD、Kurtosis、Skewness、Inhomogeneity、5th、15th、20th、35th、85th）在不同预后因素分组中有不同程度的组间差异,差异有统计学意义（P均<0.05）。2.ER与D 15th（rs=-0.254,P=0.004）,PR与D Max（rs=0.266,P=0.046）,Her-2与D 5th（rs=0.191,P=0.033）,Ki-67与ADC Max（rs=0.300,P=0.001）分别在所对应组中相关性最强。3.PCA分析将24、28、3、22、18、7、5、22、6、13和18个候选诊断指标在11种二分类预后因素中分别“压缩”为4、6、2、6、3、2、3、6、2、4和4个PCs,PCs累积贡献率分别是88.821%、86.382%、86.802%、88.815%、91.901%、86.190%、74.494%、91.275%、75.996%、88.474%、86.882%。ROC结果显示LG模型相较于其他单个IVIM直方图参数（AUC均>0.5）显示出较好的诊断价值,其中AUC最大为LG预测Luminal A型（AUC=0.857,95%CI of AUC:0.751-0.962）,AUC最小为LG预测Luminal B型（AUC=0.645,95%CI of AUC:0.546-0.743）。结论:IVIM直方图参数可以预测IBC-NST的多种预后因素;不同IVIM直方图指标对IBC-NST多种预后因素的诊断效能存在差异,ADC和D直方图衍生参数在预测本研究预后因素中优于D*和f参数,最佳评价指标为PCA分析后的整合指标LG模型。