基于多参数MRI纵向影像组学的乳腺癌新辅助化疗疗效早期预测研究

《Applied Surface Science》：Multiparametric MRI-based Longitudinal-radiomics Analysis for Early Prediction of Treatment Response of Breast Cancers to Neoadjuvant Chemotherapy

本研究创新性地将多参数MRI（DCE、T2WI、DWI）与纵向影像组学相结合，通过 stacking 集成学习策略（RF/MLP/LR/LDA/XGB/SVM）构建预测模型，在训练集和测试集中分别实现AUC达0.909/0.893（RCB 0 vs 1-3）和0.981/0.916（RCB 3 vs 0-2）的优异性能，为乳腺癌新辅助化疗（NAC）个体化治疗决策提供重要依据。

　　

Abstract

目的

本研究通过经过影像组学策略验证的多参数MRI，探讨基于纵向影像组学的分析方法在预测乳腺癌对新辅助化疗（NAC）治疗反应方面的能力。

方法与材料

使用3D Slicer软件对动态对比增强（DCE）、T2加权（T2WI）和扩散加权磁共振成像（DWI）在新辅助治疗前及治疗期间（完成3-4个疗程后）进行纵向影像组学分析。采用PyRadiomics（V3.0.1）从原始图像及经过高斯拉普拉斯和小波滤波处理的图像中提取影像组学特征。通过 stacking 集成策略融合随机森林（RF）、多层感知机（MLP）、逻辑回归（LR）、线性判别分析（LDA）、极限梯度提升（XGB）和支持向量机（SVM，径向基函数）等基础模型的预测结果，生成次级预测输出。

结果

在区分残癌负荷（RCB）0级与RCB 1-3级时，纵向影像组学模型在训练集和测试集的受试者工作特征曲线下面积（AUC）分别达到0.909和0.893。而在识别RCB 3级与RCB 0-2级时，该模型在训练集和测试集的最高AUC分别为0.981和0.916。

结论

综上所述，我们的研究成果在RCB评估方面展现出优秀的预测能力，未来将有助于临床医生为接受NAC的乳腺癌患者制定个体化治疗方案。