《Scientific Reports》：Application of treatment response assessment maps (TRAMs), based on delayed-contrast MRI for radiomic characterization of breast lesions
编辑推荐：
【编辑推荐】为解决DCE-MRI对乳腺癌检测特异性有限、假阳性多的问题，本研究将源于神经肿瘤学的延迟对比治疗反应评估图（TRAMs）技术应用于乳腺成像。通过提取TRAMs的影像组学特征并构建机器学习模型，研究发现基于TRAMs的模型（如单变量BlueClustV特征）诊断效能与常规T1-MRI模型相当，甚至可达AUC 0.87，有望提高诊断精度、减少良性活检。
在乳腺癌的影像学检测领域，动态对比增强（Dynamic Contrast-Enhanced, DCE）乳腺磁共振成像（MRI）以其极高的灵敏度，成为捕捉病灶的“火眼金睛”。然而，这双眼睛有时会“看走眼”——高灵敏度伴随的有限特异性，意味着许多被“揪出来”的异常阴影，最终病理证实是虚惊一场，属于良性病变。这不仅给患者带来了不必要的心理负担和经济压力，也导致了许多不必要的穿刺活检。如何提高乳腺MRI的“辨善恶”能力，精准区分恶性肿瘤和良性病灶，从而减少不必要的侵入性检查，是临床上面临的迫切需求。
影像组学（Radiomics）的兴起为这一难题带来了新思路。它将医学图像转化为海量的定量特征数据，试图从像素的海洋中挖掘出反映肿瘤内在生物学特性的隐藏信息。本研究团队将目光投向了一项最初为神经肿瘤学开发的技术——治疗反应评估图（Treatment Response Assessment Maps, TRAMs）。这项技术的精妙之处在于，它并非只看注入对比剂后病灶“亮起来”的瞬间，而是特别关注延迟期对比剂的“去留”动态。TRAMs对由血管和组织微环境特性影响的晚期对比剂清除动力学十分敏感，能通过捕捉病灶在渗透性和对比剂滞留上的差异，来揭示其内部的血流灌注和血管渗透性等生理特征。研究人员设想，这种独特的生理信息或许能为区分“善”（良性）与“恶”（恶性）提供新的、更有效的影像学线索。
为了验证这一设想，研究人员开展了一项基于乳腺MRI影像的研究。他们收集了243个乳腺病灶的脂肪抑制T1加权（T1-MRI）图像，这些图像包含了动态对比增强后的不同时相。研究的关键步骤是生成TRAMs：通过将早期增强后图像与延迟期增强后图像进行相减（在完成图像预处理之后），得到一张反映延迟期对比剂净清除或滞留的“差值图”。随后，研究者分别从常规的增强后T1-MRI图像和生成的TRAMs图像中提取了大量的影像组学特征。接下来，他们运用了多种机器学习分类器，利用这些特征来训练模型，以期学会区分恶性与良性病灶。模型的诊断效能通过受试者工作特征曲线下面积（Area Under the Curve, AUC）、灵敏度、特异性、阳性预测值（Positive Predictive Value, PPV）、阴性预测值（Negative Predictive Value, NPV）和准确率等指标进行全面评估，并计算了95%置信区间。
在技术方法上，本研究主要应用了基于动态对比增强乳腺MRI的影像分析流程。首先，对243个乳腺病灶的脂肪抑制T1加权DCE-MRI序列进行图像预处理。随后，通过从早期增强后图像中减去延迟期增强后图像，生成治疗反应评估图（TRAMs）。接着，分别从标准的增强后T1-MRI图像和生成的TRAMs图像中提取高维的影像组学特征。最后，利用这些特征训练多种机器学习分类器，以构建鉴别乳腺病灶良恶性的预测模型，并通过严格的统计指标评估其诊断性能。
研究结果揭示了基于TRAMs的影像组学模型的潜力。
- •
TRAMs模型展现可比拟甚至更优的诊断效能：分析结果显示，基于TRAMs的影像组学模型在各项评估指标上都取得了与基于常规T1-MRI模型相媲美的诊断性能。虽然T1-MRI模型获得的AUC值在0.79至0.85之间，但多个TRAMs特征组合达到了AUC点估计值0.87，显示出提升诊断准确性的潜力。
- •
单变量TRAMs特征具有突出的诊断价值：一个尤为引人注目的发现是，仅使用一个名为BlueClustV的TRAMs特征（它代表了在延迟时间点上显示对比剂清除的像素中最大簇的体积）的单变量模型，单独就实现了0.86的AUC值。该模型同时具备了0.82的灵敏度和0.85的特异性，实现了良好的平衡。这证明，一个单一、可解释的TRAMs特征便能提供很高的诊断价值。
- •
综合性能指标支持TRAMs的实用性：这些结果进一步得到了具有竞争力的阳性预测值、阴性预测值和准确率数值的支持。受试者工作特征曲线分析表明，TRAMs模型保持了良好的灵敏度-特异性权衡，其中单变量BlueClustV特征显示了最为平衡的曲线，强调了其在区分良恶性病灶方面的诊断效用。
综上所述，本研究的核心结论在于，基于治疗反应评估图（TRAMs）的影像组学分类器，为标准乳腺MRI成像提供了补充性的生理信息。TRAMs通过捕捉延迟期对比剂的清除动力学，反映了病灶的微血管环境和渗透性差异。研究表明，特别是从TRAMs中提取的单个特征（如BlueClustV）就能构建出高性能的诊断模型，其效能与传统多特征模型相当。这意味着，将TRAMs分析整合到临床乳腺MRI工作流程中，有可能在不显著增加扫描或分析复杂度的前提下，为放射科医生提供一个新的、强大的决策辅助工具。这项发表在《Scientific Reports》上的工作，为改善乳腺病变的无创性鉴别诊断指明了一条有前景的新途径，其最终目标直指减少针对良性病变的不必要活检，优化临床决策流程，使患者受益。
