基于超声影像组学和临床病理特征的机器学习模型对非转移性三阴性乳腺癌患者生存预测的创新研究

本研究针对三阴性乳腺癌(TNBC)预后预测的临床挑战，通过整合术前超声影像组学特征与临床病理数据，开发了机器学习预测模型。研究人员利用465例患者的多中心队列数据，构建了联合列线图模型，在内部验证(中位AUC 0.83)和外部验证(中位AUC 0.74)中均展现出优异的2-5年总生存期(OS)和无病生存期(DFS)预测性能，显著优于单一特征模型(p<0.05)。该研究为TNBC个体化治疗决策提供了非侵入性预测工具。

　　

三阴性乳腺癌(TNBC)作为乳腺癌中最具侵袭性的亚型，约占所有乳腺癌病例的15-20%，其特点是雌激素受体(ER)、孕激素受体(PR)和人表皮生长因子受体2(HER2)的阴性表达。这种"三重阴性"的特性使得TNBC患者无法从内分泌治疗和靶向治疗中获益，导致其预后显著差于其他亚型，中位生存期仅13-18个月。更令人担忧的是，约30-40%的TNBC患者在诊断后3年内会出现复发或转移。目前临床上面临的重大挑战是缺乏有效的预后预测工具，难以在治疗前准确识别高风险患者，从而实施个体化治疗策略。

四川大学华西医院的研究团队在《BMC Cancer》发表了一项突破性研究，创新性地将超声影像组学与临床病理特征相结合，开发了机器学习预测模型。该研究纳入了来自两个医疗中心的465例非转移性TNBC患者，通过深度学习算法(YOLO V3)自动分割超声图像中的肿瘤区域，并提取103个定量影像组学特征。研究团队设计了独特的影像组学分析流程(RAP)模块，整合支持向量机(SVM)合成少数类过采样技术(SMOTE)处理数据不平衡问题，并采用XGBoost进行特征选择，最终构建了临床评分、影像组学评分和联合列线图模型。

关键技术方法包括：1)多中心队列设计(华西医院306例训练集、77例内部验证集；南充中心医院82例外部验证集)；2)基于YOLO V3的自动肿瘤分割和PyRadiomics特征提取；3)SVM SMOTE数据平衡处理；4)5种机器学习算法比较；5)时间依赖性ROC分析和决策曲线评估。

研究结果：

Patient characteristics

多中心队列中位随访65.3个月，3年全因死亡率12.3%。训练集与验证集的临床病理特征分布均衡(p>0.05)，确保了模型的可比性。

Radiomic scores, clinical scores, and combined nomograms

联合列线图在内部验证中表现出色，预测2-5年OS的AUC达0.80-0.93，显著优于单一模型(p<0.05)。外部验证中，3年DFS预测AUC为0.79，证实了模型的泛化能力。值得注意的是，5年OS预测性能最佳(中位AUC 0.84)，这对长期生存评估尤为重要。

Clinical utility

决策曲线分析显示，联合模型在所有阈值概率下均能增加临床净获益。风险分层分析证实，模型可有效区分高低风险组(p<0.05)，其中触诊阳性、临床分期和肿瘤高度等是独立风险因素。

这项研究具有多重重要意义：首先，首次证实术前超声影像组学可显著提升TNBC预后预测效能，为"影像组学+"的预后模型提供了范式；其次，开发的RAP模块具有通用性，可扩展至其他癌症研究；最后，模型仅需常规临床数据和超声检查，无需额外检查，便于临床推广。研究也存在一定局限性，如前瞻性队列随访时间较短(3年)，且仅分析肿瘤最大切面而非三维特征。未来研究可探索多平面影像组学特征和更长随访数据，以进一步提升预测精度。该成果为TNBC精准医疗提供了重要工具，有望改变临床实践，指导个体化治疗决策。