基于超声影像组学与投票算法的乳腺癌腋窝淋巴结转移预测新方法

《Urologic Clinics of North America》：Enhancing the Prediction of Axillary Lymph Node Metastasis in Breast Cancer through Habitat-Based Radiomics and Voting Algorithms

本研究针对乳腺癌腋窝淋巴结转移(ALNM)术前预测难题，创新性地融合B超影像组学、超声造影(CEUS)和临床数据，通过栖息地放射组学分析肿瘤异质性，结合投票算法构建预测模型。结果显示Habitat-CEUS-Clinical模型准确率达87.76%，显著优于传统方法，为乳腺癌术前精准决策提供了可靠依据。

　　

在全球范围内，乳腺癌已然成为女性健康的首要威胁，每年新发病例高达230万例，更是女性癌症相关死亡的主要原因。随着发病年龄呈现年轻化趋势，如何优化治疗方案成为临床面临的重大挑战。手术作为核心治疗手段，其重要环节——腋窝淋巴结处理策略一直存在争议。临床研究显示，对于早期乳腺癌患者，腋窝淋巴结清扫(ALND)并不能改善长期生存，而前哨淋巴结活检(SLNB)虽然被指南推荐，但其必要性也受到质疑，因为腋窝淋巴结检查本身并非根治性手段，且存在一定风险。更值得关注的是，在接受ALND的SLNB阳性患者中，43-65%的病例在非前哨淋巴结中并未发现转移。因此，开发准确、无创的腋窝淋巴结转移(ALNM)预测方法对临床决策至关重要。

传统超声检查虽然因其无创、经济、便捷等优点成为临床评估的主要手段，但其诊断效能有限，曲线下面积(AUC)仅在0.585-0.719之间。这种局限性源于腋窝淋巴结群复杂的解剖结构，深层淋巴结被肌肉和血管遮挡，肥胖患者厚厚的脂肪组织进一步影响超声穿透。更重要的是，早期转移的淋巴结可能保持正常大小，缺乏特异性形态特征，而典型的皮质增厚、门部消失等征象往往出现在较晚阶段。近年研究发现，肿瘤内在特征和瘤周微环境特征与乳腺癌ALNM显著相关，这为新的预测方法提供了思路。

针对这一临床难题，来自福建省肿瘤医院超声科的研究团队开展了一项创新性研究，相关成果发表在专业期刊上。研究人员提出了一种融合栖息地放射组学与投票算法的机器学习模型，旨在提高ALNM的预测准确性。

研究团队回顾性分析了2016年4月至2022年12月期间246例T1/T2期乳腺癌患者的临床资料和超声图像。通过高斯混合模型(GMM)将B超图像划分为三个亚区，从全肿瘤(B超和CEUS)和亚区域(B超)的感兴趣区域(ROI)中提取包括形状特征、一阶特征和纹理特征在内的放射组学特征。研究采用多种分类器评估模型性能，并利用投票算法整合栖息地放射组学、传统放射组学和临床信息进行模型优化。

在技术方法上，研究团队首先利用高斯混合模型对B超图像进行栖息地划分，将肿瘤分为中央、中间和周边三个亚区。从五个ROI组中分别提取899个放射组学特征，经过特征选择后建立预测模型。针对样本不平衡问题，采用合成少数类过采样技术(SMOTE)进行处理。最终通过硬投票(hard voting)、加权平均等集成学习策略优化模型性能。

基线特征分析

研究人群的基线特征比较显示，年龄(p=0.026)、肿瘤最大直径(p=0.013)、淋巴血管侵犯(p<0.001)、组织学分级(p=0.018)、T分期(p=0.049)和BI-RADS分类(p<0.001)在转移组与非转移组之间存在显著差异。这些发现为模型构建提供了重要的临床依据。

特征提取与模型比较

特征提取共获得五个ROI组的899个特征，经过筛选后保留不同数量的特征用于模型构建。研究发现在Center B数据集上，Kruskal-Wallis(KW)特征选择方法比ANOVA方法能更好地平衡敏感性和特异性。不同分类器在各个模型上的表现存在差异，最终选择LR分类器用于Whole B模型，AB分类器用于Whole CEUS模型，Lasso分类器用于临床信息模型。

投票算法比较

栖息地放射组学模型相比传统放射组学模型表现出更优的诊断性能，预测准确率达到81.63%。通过不同投票方法的比较发现，硬投票策略在平衡敏感性和特异性方面表现最佳。Habitat-CEUS-Clinical模型采用硬投票策略时，准确率达到87.76%(95%CI:0.775-0.944)，假阳性率仅为7.41%(95%CI:0.019-0.202)，显著优于传统Whole-CEUS-Clinical模型的79.59%。

研究结论表明，栖息地分析能够深入探索复杂的肿瘤生物学特性，理解不同肿瘤亚区的异质性。与传统放射组学模型相比，栖息地放射组学模型在预测乳腺癌ALNM状态方面表现更优。融合双模态超声成像数据和临床信息的Habitat-CEUS-Clinical集成模型为乳腺癌计算机辅助诊断(CAD)系统的开发提供了可行的算法基础。

在讨论部分，研究人员指出，纹理特征在预测ALNM中占据主导地位，这些特征擅长捕捉与ALNM密切相关的微观结构异质性和灰度分布。栖息地放射组学的优势在于能够利用乳腺癌固有的生物学异质性，通过将肿瘤细分为不同的微区域来捕捉定义独特"栖息地"的细胞密度和细胞外基质组成方面的病理生理学变化。这种空间异质性严重影响淋巴扩散，栖息地分析能够实现高危区域的精确定位和量化，提供超越传统成像生物标志物的见解。

双模态超声的使用提供了互补的生物学信息：B超通过回声强度变化描绘结构异质性，而CEUS通过微血管灌注模式描述功能异质性。集成学习有效提升诊断性能，硬投票策略提高了模型的鲁棒性、准确性和可靠性。

尽管取得令人鼓舞的结果，但临床转化仍面临挑战。由于各中心的技术参数、造影剂注射方案、成像时间和帧率不一致，CEUS尚未被纳入主要肿瘤学指南。未来需要通过严格设计的多中心研究和前瞻性随机对照试验进行外部验证。

该研究存在一些局限性，包括单中心设计、特征选择方法可能未捕捉到所有相关特征、复杂模型存在过拟合风险等。未来的研究将致力于解决这些问题，并通过外部验证队列和临床结局的前瞻性评估来推动该预测模型的临床转化。

这项研究的创新之处在于将栖息地成像分析与双模态超声放射组学特征相结合，为乳腺癌ALNM的术前预测提供了新的思路和方法。通过有效整合多源数据，该模型实现了ALNM状态的无创、准确和全面预测，为临床制定术前腋窝治疗策略提供了重要参考，有望在未来改善乳腺癌患者的治疗决策和预后。