基于数字乳腺断层摄影的影像组学预测乳腺癌分子分型的临床有效性研究

本研究通过数字乳腺断层摄影（DBT）影像组学特征结合机器学习算法，构建了可准确预测乳腺癌分子分型（Luminal A、Luminal B、HER2阳性和三阴性）的诊断模型。采用LASSO回归筛选出14个关键特征，随机森林（RF）模型表现最优（AUC>0.72），并建立包含5个核心特征的列线图模型。该非侵入性方法为个性化治疗提供新策略，显著降低传统活检的创伤风险。

　　

引言

乳腺癌（BC）是全球女性发病率最高的恶性肿瘤，其分子分型（包括Luminal A、Luminal B、HER2富集型和三阴性）直接影响治疗方案选择与预后评估。传统分子分型依赖侵入性活检，而影像组学通过提取图像的高维定量特征，为无创预测分子分型提供新途径。数字乳腺断层摄影（DBT）作为当前乳腺成像标准，虽在乳腺癌诊断中广泛应用，但其影像组学分析仍面临图像切片多、分割一致性差等挑战。

材料与方法

本研究回顾性分析433例经病理确诊的浸润性乳腺癌患者的DBT图像。由两名经验丰富的放射科医师手动勾画肿瘤三维感兴趣区域（ROI），使用3D Slicer软件进行分割，并通过PyRadiomics包提取包括一阶特征、形态特征和纹理特征（GLCM、GLDM、GLRLM、GLSZM、NGTDM）在内的1,561个初始特征。经Z-score标准化和Kruskal-Wallis检验筛选后，采用LASSO回归（五折交叉验证，λ=0.0481）最终确定14个关键影像组学特征。数据集按7:3比例划分为训练集与测试集，通过8种机器学习模型（包括正则化逻辑回归、支持向量机、随机森林等）评估预测性能，并以受试者工作特征曲线（ROC）、混淆矩阵和F1分数作为评价指标。免疫组化（IHC）检测用于确定雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体2（HER2）和Ki-67的表达水平，作为分子分型的金标准。

结果

3.1 特征筛选与模型构建

LASSO回归筛选出的14个特征在不同分子分型间表现出显著差异（p<0.05），例如梯度GLSZM小区域低灰度强调（SmallAreaLowGrayLevelEmphasis）和小波LLL灰度共生矩阵逆差矩（Idm）在Luminal B与HER2阳性亚型间差异显著。基于这些特征构建的多分类模型在训练集和测试集的曲线下面积（AUC）分别为0.723和0.727，表明模型具有良好的泛化能力。

3.2 机器学习模型比较

随机森林（RF）模型在8种机器学习算法中表现最优，其训练集准确率达0.891，测试集宏平均AUC为0.819，且在所有模型中具有最高的灵敏度、召回率和F1分数。特征重要性排序显示，对数变换NGTDM繁忙度（logarithm_ngtdm_Busyness）和原始形态表面体积比（original_shape_SurfaceVolumeRatio）贡献度最高。

3.3 列线图模型与临床验证

通过单因素和多因素Cox回归分析，进一步筛选出5个关键特征用于构建列线图模型，包括对数GLRLM游程非均匀性标准化（logarithm_glrlm_RunLengthNonUniformityNormalized）、小波LLH一阶四分位距（wavelet_LLH_firstorder_InterquartileRange）等。该模型的风险评分与患者分子分型风险呈正相关（OR值随总分增加而上升）。校准曲线显示模型预测斜率接近1（C-index=0.759，校正后C-index=0.732），决策曲线分析（DCA）表明列线图的临床净收益高于单一特征。

讨论

本研究首次将DBT影像组学与机器学习结合，构建了乳腺癌分子分型预测模型，突破了传统依赖MRI或乳腺X线摄影（DM）的局限。RF模型的高精度与列线图的可视化评分系统，为临床提供了一种非侵入性辅助工具，尤其适用于无法耐受活检或需快速分型的患者。然而，研究存在单中心回顾性设计的局限性，且未针对类别不平衡问题进行调整。此外，影像组学特征与病理生理机制的关联仍需进一步探索。未来需通过多中心外部验证和更大样本量完善模型鲁棒性。

结论

DBT影像组学特征可有效预测乳腺癌分子分型，随机森林模型与列线图的结合为个性化诊疗提供了新方向。本研究筛选的5个关键特征具有潜在临床转化价值，有望成为乳腺癌无创诊断的生物标志物。