承德医学院附属沧州市人民医院 河北沧州 061000
[摘要]乳腺导管内疾病是指发生在乳腺导管内的一系列病变，包括乳腺导管内乳头状瘤和导管内癌。本文综述了传统影像组学在这些疾病诊疗中的应用，分析了影像学检查的现状及局限性，并探讨了影像组学的定义、应用及未来发展方向。重点讨论了传统影像组学在早期检测、精确诊断、治疗规划、监测治疗效果和预后评估中的作用。
[引言]乳腺导管内疾病包括乳腺导管内乳头状瘤和乳腺导管内癌，早期诊断和精准治疗对患者预后至关重要。传统影像学方法如乳腺X线摄影（Mammography）、乳腺超声（Ultrasound）和磁共振成像（Magnetic Resonance Imaging, MRI）在诊断中发挥重要作用，但存在局限性。影像组学通过提取影像数据中的定量特征，结合计算机科学和人工智能技术，为这些疾病的诊断和治疗提供了新方法。本文综述了影像组学在乳腺导管内乳头状瘤和乳腺导管内癌诊疗中的应用，分析其在早期检测、精准诊断、治疗规划、疗效监测和预后评估中的作用和优势，为临床提供更全面的诊疗信息，提升乳腺导管内疾病的诊治水平。
乳腺导管内疾病是指发生在乳腺导管内的一系列病变，这些疾病可以是良性、非典型性，或是恶性[1]。其中主要包括乳腺导管内乳头状瘤、乳腺导管内癌、不典型增生以及单纯导管扩张[2]，其中导管内乳头状瘤与导管内癌是两种最常见的乳腺导管内良恶性疾病[3]。乳腺导管内疾病的处理和管理策略依赖于病变的类型、大小、位置以及是否存在其他乳腺变化[4]。早期发现和诊断对于提高治疗效果和预后至关重[5][6]。对于DCIS等潜在的前癌病变，监测和适时的干预是防止其发展为侵袭性乳腺癌的关键[7]。
乳腺导管内疾病主要包括乳腺导管内乳头状瘤、乳腺导管内癌、单纯导管扩张以及不典型增生，其中导管内乳头状瘤与导管内癌临床表现最为相似的两种疾病[8]，下面对该两种疾病做一个简单的总结：
（1）导管内乳头状瘤（IDP）：这是一种良性肿瘤[9]，通常生长在乳腺的主要导管内，尤其是靠近乳晕区域的导管[1]。导管内乳头状瘤可能导致乳头分泌物和轻微的疼痛[10]。虽然它们通常是良性的，但有时会伴有非典型细胞增生，这可能增加患乳腺癌的风险[11]。
（2）导管原位癌（DCIS）：DCIS是一种局限在乳腺导管内的非侵袭性乳腺癌前状态[12]，未穿透导管壁进入周围乳腺组织。DCIS可能通过乳房X线摄影（哺乳动物检测）显示为乳腺内的微钙化，是早期发现乳腺癌的重要线索[13]。尽管DCIS被认为是非侵袭性的，但未经治疗可能进展为侵袭性乳腺癌[14]。
3.传统影像学检查对于两种疾病诊断的现状及局限性
3.1现状分析：
（1）乳腺X线摄影（Mammography）:乳腺X线摄影是乳腺疾病筛查的标准方法，对于检测乳腺癌的早期征象非常有效[15]。IDP和DCIS在哺乳动物照相中常表现为微钙化，尤其是DCIS，其微钙化的模式和分布可以提供诊断线索[16]。然而，微钙化不是特异于癌变，也可见于良性病变[17]。
（2）乳腺超声检查（Ultrasound）: 乳腺超声是一个无辐射的检查方法[18]，用于评估乳腺X线摄影中发现的异常，以及对于致密乳房组织的女性更为敏感[19]。超声可以帮助确定肿块的实性或囊性质地，并有助于指导乳腺活检[20]。但对于微钙化或早期导管内癌变的发现则不如乳腺X线摄影敏感[21]。
（3）磁共振成像（MRI）: 乳腺MRI提供非常详细的图像，对于检测早期乳腺癌，尤其是在致密乳腺或遗传易感性高的女性中表现出较高的敏感性[22]。它有助于评估疑似侵袭性肿块的范围和多灶性病变。然而，MRI的成本较高，且具有较高的假阳性率[23]。
3.2局限性
（1）诊断准确性和解释差异: 乳腺X线摄影、超声和MRI的解释高度依赖于放射科医生的经验和技能[24]。不同医生之间的解读可能存在差异，尤其是在微钙化和非典型导管增生等微妙变化的评估中。
（2）假阳性和假阴性结果: 所有影像检查方法都有可能产生假阳性或假阴性结果，导致不必要的焦虑、进一步检查或漏诊。例如，DCIS的微钙化有时可能被误诊为良性钙化，而一些早期导管内癌可能在影像上不表现明显[25]。
（3）成本和可及性: 高级影像检查如MRI的成本高昂[26]，并非所有地区均可轻易获取。这可能限制了广泛应用于常规筛查。
总的来说，虽然现代影像学技术在诊断乳腺导管内乳头状瘤和导管内癌方面取得了显著进展，但其解释依赖于专业知识，且存在较多的局限性。正因为传统影像学检查所面临的种种局限性，乳腺传统影像组学观念的提出有望改变当前现状，为两种疾病的诊断带来新的曙光。
4.影像组学的定义及传统影像组学
影像组学是一种新兴的研究领域，它利用先进的计算方法从医学成像数据中提取定量的特征
[27]。这一领域结合了医学影像学、计算机科学、人工智能和统计学等多学科知识，致力于挖掘临床影像资料中的深层信息，从而实现疾病的更精准诊断、治疗和预后评估。在实践中，影像组学通过分析从CT、MRI、X射线等医学成像设备获取的图像，识别出病变区域的大小、形状、纹理等多种特征[28]。这些特征通常对肉眼不可见，但可以通过计算机视觉和机器学习技术进行识别和量化。例如，肿瘤的影像组学分析可能涉及评估肿瘤的均质性、边界的清晰度或是肿瘤内部的血管结构模式[29]。影像组学的一个重要应用是在个体化医疗中，它能帮助医生根据患者的具体影像表型制定更加个性化的治疗方案。此外，随着大数据和人工智能技术的发展，影像组学有望在预测疾病进展、评估治疗反应以及在临床试验中筛选合适的病人群中发挥更大的作用。总之，影像组学是一门具有广泛应用前景的跨学科科学，它通过从常规的临床影像中提取出更加深入的生物学信息，为现代医疗健康领域带来了创新和革命[30]。
传统影像组学是影像组学的一个分支，传统影像组学作为一个跨学科领域，它结合了医学影像学和计算机科学的原理，传统影像组学侧重于从医学影像中提取定量特征，并利用这些特征进行数据分析和建模[31]。传统影像组学在乳腺疾病的诊断和管理中扮演着至关重要的角色。
5.传统影像组学工作流程：
在影像组学的研究分析之前，首先要进行的就是图像的采集、病变分割与特征提取[32]。图像采集一般从CT、MRI、彩超等医学成像设备获取的图像定量特征，用来进行分析。病变分割和特征提取，病变分割主要是感兴趣区域（ROI）的获取。目前，在病变图像获取以后，ROI有两种方式进行获取，一种是由具有丰富经验的影像科医师进行手动勾勒，另一种是由机器进行识别和分割，包括半自动与全自动识别分割[33]。由于手动勾勒的获取过程不够标准，存在较大的可变性，当肿瘤存在边界不清或毛刺的情况，在对病变进行划定之时，为了覆盖尽可能多的区域，往往存在过度标记的可能，这也就使得提取的特征往往较多。与此同时半自动或全自动获取方式就显得尤为重要，半自动和全自动分割可以通过复杂程度各异的工具来完成。最简单的分割策略是基于强度和对比度的分析，最常用的方法之一就是简单的基于阈值的方法[34]。在分割完成后，获得了较多的影像学特征，但实际与病变区域相关性较强的特征才是我们研究的重点，因此来到了影像组学过程的第二步，一致性的检查。使用类内相关系数(ICC)评估观察者内部的可重复性[35]，往往随机选择1名或多名具有丰富经验的影像科医师，对所选患者的ROI进行重复分割，过一段时间后再次进行特征提取，然后计算这几名影像科医师轮廓的ROI提取的特征的ICC。在去除人为因素的影响，仅保留稳定性较好的特征，定义为ICC≥0.85，也有部分研究将ICC设置为≥0.75，以供进一步分析。在提取ROI特征后，为了解决图像组学定量特征参数之间数值范围差异较大的问题，通常要对所提取的特征进行Z-score标准化处理[36]，为了提高模型的可靠性和稳定性，需要对特征进行降维处理，从大量的成像特征中提取主要特征。降维过程包括以下几个方面:(1)Spearman相关分析，将rs > 0.8定义为高相关性;(2)最小绝对收缩和选择算子(LASSO)，根据最优截止点保留特征;(3)borutfeature selection algorithm，去除不相关的特征，这是最常用的几种降维方法[37]。这也就是影像组学流程的第三步，特征选择。在最优特征选取以后就可以进行下一步的处理，模型建设与评价。
模型建设通常需要根据所选研究来进行模型的构建，这种模型可以是逻辑回归、随机森林抑或是决策树等。构建模型以后需要对所建模型进行评价。在绘制受试者工作特征(ROC)曲线后，计算ROC曲线下面积(AUC)、准确度、灵敏度、特异性等参数，评价模型的性能。此外，绘制校准曲线以确定观测频率与预测概率之间的相关性，并在此基础上评估两者之间的一致性。接下来，对模型样本进行混淆矩阵的反代入分析，以测试其在区分不同疾病诊断方面的准确性。通过决策曲线分析(decision curve analysis, DCA)计算模型在不同阈值下的净效益，评估其临床应用价值[38]。这就是目前影像组学研究的基本步骤。
6.挑战与未来方向
目前乳腺影像组学研究虽然丰富，但临床应用仍显不足。多数文献集中于预测实验，缺乏前瞻性研究验证，组学特征获取复杂。研究常为小样本量、单中心，仪器多样导致重复性差，影像科医师水平不一增加主观性。这些问题导致研究结果难以验证，而可重复性是影像组学的关键。此外，影像组学研究的整体科学质量和报告不足，文献说服力不强。解决这些问题需制定统一标准，减少不确定性。在正式应用前，需通过模型验证确保其可靠性。传统影像学检查方法的数据获取有望缩短研究时间。以上挑战可以概括为以下几点：
6.1精确度
（1）微小病变的检测：乳腺导管内疾病，特别是早期导管内癌（DCIS），可能仅表现为微小的钙化，这些钙化在常规乳腺摄影中难以被发现。
（2）高密度乳腺的诊断问题：对于乳腺密度较高的女性，乳腺摄影的诊断精确度会降低，因为高密度的乳腺组织会掩盖潜在的病变。
6.2解释难度
（1）图像的主观解释：乳腺影像的解读在很大程度上依赖于放射科医生的经验和专业知识，不同医生的解读可能存在差异。
（2）复杂病变的识别：一些乳腺病变的影像特征可能非常复杂，如DCIS与IDP在影像上可能表现出相似的特点，使得确切分类和诊断变得困难。
6.3技术局限性
（1）影像分辨率限制：现有的影像技术如乳腺摄影或超声波的分辨率可能不足以揭示所有的微小病变或早期癌变。
（2）对比度限制：尤其是在MRI中，虽然对比度较高，但在特定情况下可能无法区分良性和恶性病变，因为两者的信号特征可能相似。
6.4经济和可接受性问题
（1）高成本：一些高级影像技术，如MRI，成本较高，可能不为所有患者所接受。
（2）患者舒适度：一些影像检查，尤其是乳腺摄影，可能给患者带来不适。
6.5随访和监测挑战
（1）动态监测的困难：对于已经诊断出乳腺疾病的患者，持续监控疾病的进展需要定期进行成像检查，这可能导致对患者的额外经济和心理负担。
正因为目前乳腺传统影像组学，未来的发展方向可能会随着乳腺相关影像的发展，尤其是有关人工智能的影像组学的应用，将为乳腺导管内疾病的诊断带来新的曙光。乳腺影像组学通过高级图像处理技术从医学影像中提取大量定量特征，而人工智能，特别是机器学习和深度学习技术，能够处理这些大规模的数据集，识别复杂的模式和关联，从而提供对乳腺癌患者治疗和预后的深入见解。人工智能算法，尤其是深度学习模型，可以高效地处理和分析影像组学数据，辅助放射科医生识别乳腺癌的早期征兆，包括微小的钙化点、微小的肿块和不规则的密度变化。这些模型还可以区分良性和恶性病变，减少不必要的活检和手术，提高诊断的准确性和效率。
7.总结
总的来说，医学影像技术的进步确实为临床医师在疾病诊断方面提供了重要的参考思路，随着AI的发展，这种改变有望得到进一步的提升。但是影像科医师是否有一天真的会被AI所取代这仍然是一个未知数，机器学习变通性较差，只会按照程序运行，而设计程序的是人类，但AI的发展必将为医学带来一次新的革命。此外，目前临床中诊断肿瘤性疾病的方法多为有创的方式，这种情况往往会为患者带来痛苦，乳腺影像组学的发展，旨在通过无创的方式获得疾病相关信息，从而达到诊断疾病的目的，有可能在未来的数十年中，这种通过非侵入的方式获取影像学特征再结合AI的方法得到进一步的推广，为人类疾病的诊断，特别是乳腺相关疾病的诊断带来一片新天地。
参考文献：
客服QQ：30444492琼网文【2021】1550-113号
增值电信业务经营许可证：琼B2-20210322
出版物经营许可证：新出发龙华出字第(2021)009号
广播电视节目制作经营许可证：(琼)字第00779号
版权所有 ©2002-2024 期刊网 琼ICP备2021005105号
