2020年，乳腺癌已经成为全球最常见的癌症之一，占所有女性恶性肿瘤的三分之一，年死亡率高达15%。乳腺肿瘤是一组具有高度异质性的肿瘤，具有不同的组织学亚型、分级、组织化学生物标志物、增殖状态、基因突变和免疫微环境。具体来说，不成熟的新生血管和各种病理变化，如出血、囊性变、坏死或钙化导致血流动力学的不均一性。

MRI能提供乳腺癌的结构和功能信息，因此常用于乳腺癌的诊断。动态增强磁共振成像 (DCE-MR）已成为最不可缺少的序列，能够显示整个肿瘤的三维血流动力学异质性，从而可以对病变进行极好的描述和定性。然而，迫切需要一种新的计算方法，使肿瘤血流动力学异质性的可重复量化和直观可视化。

近日，发表在European Radiology杂志上的一篇研究提出了一种基于DCE-MRI时间-强度曲线(TIC)剖面体素映射的新型无模型数据驱动方法，该方法可用于量化和可视化血流动力学异质性，并验证其潜在的临床应用。

本项研究回顾性纳入了2018年12月至2022年7月259例经病理证实的乳腺病变325例，所有患者均接受了乳腺DCE-MRI检查。在手工分割乳腺病变的基础上，将三维全病变内各体素的TIC根据廓清率(非增强、慢、中、快)、廓清增强(持续、平稳、下降)、廓清稳定性(稳定、不稳定)划分为19个亚型，并计算每个病变这19个亚型的构成比作为一个新的特征集(type-19)。利用TIC三类型分类、半定量参数和19型特征构建机器学习模型，识别病变恶性程度，并对病变的组织学分级、增殖状态和分子亚型进行分类。

基于19型特征的模型在区分病变恶性程度上显著优于基于三类TIC方法的模型和基于半定量参数的模型（AUC = 0.875vs. 0.831, p = 0.01, 0.875vs.0.804, p = 0.03)，预测肿瘤增殖状态(AUC = 0.890 vs. 0.548, p = 0.006, 0.890 vs. 0.596, p = 0.020)，但无法预测组织学分级(p = 0.820, 0.970)。

 表 常规三型分类法比较

本项研究表明，除了传统方法外，本研究提出的计算方法提供了一种新颖的、无模型的、数据驱动的方法来量化和可视化血流动力学异质性，可用于区分乳腺恶性和良性病变。

原文出处：

Zhou Liu,Bingyu Yao,Jie Wen，et al.Voxel-wise mapping of DCE-MRI time-intensity-curve profiles enables visualizing and quantifying hemodynamic heterogeneity in breast lesions.DOI:10.1007/s00330-023-10102-7