MRI定量参数预测子宫内膜癌病理分级的价值

武雅琳 刘颖 马菊香 韩丽珠 叶兆祥

子宫内膜癌（endometrial carcinoma，EC）是最常见的妇科恶性肿瘤之一，发病率占妇科恶性肿瘤的56.8%［1］，严重威胁女性健康。肿瘤的组织学亚型、病理分级、FIGO分期及淋巴结转移状态决定EC的治疗计划及预后［2］。目前，诊断性刮宫是术前确定EC 分级的主要方法，但其存在盲目、有创、因取样少不能反映病变整体而导致漏诊、误诊的缺点［3］。MRI具有多序列、多参数、多方位成像及组织分辨率高的特点，其中DWI 可反映组织内水分子的扩散运动并通过表观扩散系数（apparent diffusion coefficient，ADC）量化其运动受限程度，对EC 术前诊断及制定治疗方案等具有重要作用。本研究通过分析EC不同病理分级间各常用MRI 参数的区别，以期为术前鉴别高低级别EC 建立简单有效的判定标准，为临床制定治疗方案提供一定的参考依据。

1 材料与方法

1.1 材料

1.1.1 研究对象 回顾性分析2014年2月至2019年1月188例经天津医科大学肿瘤医院手术病理证实的EC 患者的术前MRI 图像及临床资料，患者年龄为26～76岁，平均年龄54岁。排除标准：1）术前行放疗或化疗；2）图像资料不全；3）病灶太小或图像伪影重影响测量；4）MRI检查与手术时间间隔超过15天。

1.1.2 MRI 检查设备 采用GE1.5T Medical Systems Signa HDxt 扫描仪（美国GE 公司）及8 通道体部相控阵线圈，患者检查前至少禁食8 h，仰卧位正常呼吸进行扫描。参数如下：1）横轴位及矢状位T2（FS）FRFSE序列，视野（FOV）42 cm/36 cm，矩阵160×160，层厚为7 mm/6 mm，层间距1 mm，激励次数（NEX）为2，TR为4 560 ms/3 400 ms，TE为102 ms；2）横轴位及矢状位DWI，FOV为42 cm/36 cm，矩阵128×128，层厚7 mm/6 mm，层间距1 mm，TR 为4 800 ms/3 600 ms，TE为72 ms，b值为0、800 s/mm2。

1.2 方法

1.2.1 MRI 图像分析 所有MRI 定量参数均由2 名放射科医生在不知病理结果的情况下共同商讨测量完成。参照DWI在T2WI 3个垂直平面测量肿瘤和子宫（包括宫体及宫颈）的主要直径，使用椭球公式V=4π×a×b×c/3 计算肿瘤及子宫的体积及其比值（neo⁃plasm/uterus volume ratio，N/U）。利 用GE 工 作 站Functool 软件包生成ADC 图（b 值为800 s/mm2）进行ADC值测量，结合矢状位T2WI在肿瘤最大横截面及相邻两层面分别绘制椭圆形感兴趣区（region of inter⁃est，ROI），计算病灶的ADC 平均值（ADCmean），ROI 尽可能包括更多的病灶信息并避开边缘、囊变、坏死、出血及正常组织。根据离散系数（coefficient vari⁃ance，CV）公式，CV=s/x 计算ADC 值的CV（CVADC），在矢状位图像测量子宫肌层的ADC 值，注意避开子宫肌瘤及腺肌症；在轴位图像右侧闭孔内肌及臀大肌面积最大的层面测量两者的ADC 值，尽量避开脂肪间隙及血管；参比部位均测量三次取平均值。根据rADC子宫肌层/闭孔内肌/臀大肌=ADC病灶/ADC子宫肌层/闭孔内肌/臀大肌计算得出3 处ADC 比值（rADC）。最后对肿瘤体积、N/U、ADCmean、3处rADC及CVADC进行分析。

1.2.2 病理分级 手术病理切片均由本院2 名病理科医师共同评估。根据EC组织学分为子宫内膜样腺癌及非子宫内膜样腺癌亚型。根据子宫内膜样腺癌的FIGO分级分为G1、G2、G3级。由于非子宫内膜样腺癌分化程度低、侵袭性强且预后差将其归为G3。由于G1预后及5年生存率明显高于G2和G3，因此将G1归为低级别组，G2和G3归为高级别组。

1.3 统计学分析

使用SPSS 24.0及MedCalc 19.0.7软件进行统计学分析。采用非参数检验对连续变量进行分析，行受试者工作曲线（receiver operating characteristic，ROC）分析。利用Logistic回归分析有意义的参数建立联合预测模型。以P＜0.05为差异具有统计学意义。

2 结果

2.1 病理结果

188例患者均经手术病理证实，其中子宫内膜样腺癌162 例、非子宫内膜样腺癌26 例，FIGO 分级中G1为64例、G2为68例、G3为56例。

2.2 不同病理分级间MRI定量参数分析

不同病理分级间MRI定量参数分析见表1。N/U、ADCmean、3 处rADC 在不同病理分级间差异均具有统计学意义。ADCmean、3 处rADC 随病理分级的升高逐渐降低，肿瘤体积随病理分级升高逐渐升高，但在不同病理分级间差异无统计学意义（P=0.05）；不同病理分级间CVADC差异无统计学意义（P=0.999）。

2.3 高、低级别EC间MRI定量参数及各参数ROC曲线分析

除肿瘤体积及CVADC在高、低级别两组间差异无统计学意义，其余参数在两组间差异均具有统计学意义（均P＜0.001），高级别组的ADCmean及3处rADC均低于低级别组，而N/U高于低级别组（表2）。对各参数单独行ROC曲线分析，其对高、低级别EC的预测效能见表3、图1。其中rADC闭孔内肌的效能最高，曲线下面积（AUC）为0.786、灵敏度为83.90%、特异度为65.60%。通过ROC曲线对4个参数进行成对比较，差异具有统计学意义（P＜0.05，表4）。

表1 不同病理等级间MRI定量参数分析（中位数）

表1 不同病理等级间MRI定量参数分析（中位数）（续表1）

表2 高、低级别EC间MRI定量参数分析（中位数）

表3 各参数ROC曲线分析

图1 各独立定量参数的ROC曲线

表4 成对比较各参数ROC曲线有差异的组合

2.4 建立联合模型

将ADCmean、N/U、rADC子宫肌层、rADC闭孔内肌及rADC臀大肌经Logistic 向前回归被纳入方程，N/U 及rADC子宫肌层进入方程式内。该逻辑回归模型的方程式为：Logit（P）=4.984+6.272X1-7.646X2（X1 代表N/U；X2 代表rADC子宫肌层）。ROC 曲线分析显示，N/U 联合rADC子宫肌层对高、低级别EC 具有较好的诊断效能，AUC为0.777，当N/U＞0.11、rADC子宫肌层＜0.65时诊断高级别EC的灵敏度为70.97%、特异度为76.56%（图2）。

图2 联合模型的ROC曲线

3 讨论

子宫内膜癌是女性恶性肿瘤中发病率较高的疾病，其症状主要表现为阴道不规则出血。近年来，中国EC的发病逐渐趋于年轻化。研究指出，对于G1且无深肌层浸润（浸润深度＜肌层厚度的50%）的患者，淋巴结清扫不能提高其生存率，为了减少不必要的治疗，对于该类患者不建议行淋巴结清扫［4］。因此，准确判断EC病理分级至关重要。

多项研究显示，ADC值具有预测恶性肿瘤病理分级的潜能，包括脑肿瘤［5］、肺癌［6］、肾癌［7］等。目前，ADC值对EC病理分级的预测仍存在争议。Nougaret等［8］研究显示，G3的ADC最小值及多个百分位数显著低于G1和G2；Woo等［9］研究证明，ADC值的部分参数可区分高、低级别病变。不同研究中同一级别EC的ADC值亦存在不同程度的差异，可能是由于采用不同扫描设备所致，限制了其临床应用。本研究结果与上述研究具有相同的趋势，ADCmean随病理分级的升高逐渐降低，高级别EC的ADCmean显著低于低级别，原因可能是随着病理分级的升高，EC微环境肿瘤细胞密度增大，细胞外间隙变小，水分子运动受限加重，导致ADC值降低。另有研究显示，不同病理分级EC的ADC值无显著性差异［10-11］，可能是样本量太少导致。

在临床应用中，ADC值易受诸多因素的影响，包括患者个体差异以及MRI检查参数等，这也可能是对ADC值研究存在争议的原因。因此，有研究［12］提出“相对ADC值”概念，即rADC=ADC病灶/ADC参比部位。已有研究［12-13］证实，rADC在鉴别子宫良恶性病变中具有重要价值，但利用其预测EC病理分级的报道尚且较少。本研究参照既往文献［12，14］，采用正常子宫肌层、闭孔内肌及臀大肌作为参比部位进行分析，结果显示不同病理分级EC的3处rADC值进行比较差异均具有统计学意义；鉴别高、低级别EC效能最高的是rADC闭孔内肌，可能是因闭孔内肌相对臀大肌信号更均匀，不易受其他因素影响，并且距子宫内膜病灶较远受其影响较小。

Nougaret等［8］研究显示，N/U＞25%与肿瘤G3分级有显著性相关（P＜0.001）。本研究显示，EC不同病理分级的N/U差异具有统计学意义（P＜0.001），但N/U鉴别EC级别的诊断效能较低，且不同分级间的N/U存在不同程度的重叠，可能是因多数病例合并平滑肌瘤，导致测量子宫体积误差所致。本研究亦显示，不同病理分级间肿瘤体积无显著性差异，可能是由于高级别肿瘤更倾向于替换性生长模式（肿瘤替代正常组织），而低级别肿瘤更倾向于膨胀性生长，因此高级别EC的N/U更高，该结果与Bonatti等［11］的研究相符。

CVADC反映病灶ADC 值的均质性，CV 越大，组织微结构越不均匀；反之微结构越均匀［15］。研究表明，恶性肿瘤的CVADC高于良性，反映恶性肿瘤的组织微结构不均匀性增加［14-15］。本研究结果显示，EC 不同病理分级间的CVADC无显著性差异，可能是仅测量肿瘤最大横截面及其相邻层面的ADC 值所致，CVADC不能反映病变整体的特征，后期需行进一步研究。

本研究中EC高、低级别组间的N/U、ADCmean、3处rADC均有显著性差异，ROC曲线分析显示，单一指标预测效能不能较好地兼顾灵敏度和特异度，因此联合应用多个指标进行分析显示，Logistic回归模型的AUC为0.777、灵敏度为70.97%、特异度为76.56%。

综上所述，MRI 定量参数对术前预测EC 病理分级具有一定的价值，有无创评估其病理分级的潜力，其中N/U＞0.11 联合rADC子宫肌层＜0.65 可对高级别EC进行预测，有助于临床治疗方案的制定。