基于钼靶影像组学联合临床因素预测乳腺癌复发转移的列线图模型构建与验证

《European Journal of Medical Research》：Exploring the predictive value of mammography combined with clinical factors in recurrent metastasis of breast cancer

本研究针对乳腺癌复发转移早期预测难题，通过整合MG影像组学特征与临床病理因素，构建了联合预测模型。研究纳入762例患者，随机分为训练集（534例）与验证集（228例），利用LASSO回归筛选7个关键影像特征，结合分子分型、cN分期等临床指标建立列线图。结果显示联合模型在训练集与验证集的AUC分别达0.851和0.809，显著优于单一模型。该模型为乳腺癌预后评估提供了非侵入性、定量化的精准工具，对个体化治疗决策具有重要临床意义。

　　

在全球范围内，乳腺癌始终是威胁女性健康的主要恶性肿瘤之一。据统计，到2022年，乳腺癌已跃升为中国女性中发病率第二高的癌症，每年新增病例超过30万例。尽管手术、化疗、放疗等治疗手段不断进步，靶向治疗和免疫治疗等新型疗法也逐渐应用于临床，但乳腺癌术后1-7年内复发和转移的风险依然较高，发生远处转移的患者生存期可能缩短至数月。目前，乳腺癌复发转移的诊断主要依赖影像学和复发转移灶的病理检查，但往往在患者出现症状后才能确诊。因此，开发能够在疾病早期精准预测复发转移风险的工具，对于实现“精准”和“个性化”治疗、改善患者长期预后至关重要。

影像组学作为一种新兴的、非侵入性的定量分析方法，已显示出在肿瘤诊断、预后预测中的巨大潜力。乳腺钼靶摄影（Mammography, MG）能够清晰显示乳腺腺体内的微小钙化灶，而钙化类型本身对乳腺癌预后就具有一定的预测价值。然而，此前缺乏基于MG影像组学特征联合临床因素构建乳腺癌复发转移预测模型的相关报道。为此，吴丹及其团队在《European Journal of Medical Research》上发表了研究成果，旨在探讨MG联合临床因素对乳腺癌复发转移的预测价值，并构建一个更精确的预测模型，为制定个体化治疗计划提供参考。

本研究主要应用了几项关键技术方法。研究团队回顾性收集了2018年1月1日至2022年12月31日期间在新疆医科大学附属肿瘤医院首次确诊的762例女性乳腺癌患者的临床资料和MG影像数据。患者按7:3比例随机分为训练集（534例）和验证集（228例）。影像组学分析流程包括：使用ITK-SNAP软件由两名放射科医生（分别具有2年和10年以上经验）在MG图像的CC位和MLO位上手动勾画二维感兴趣区域（ROI）；利用Matlab R2016b软件从ROI中提取了849个影像组学特征（包括一阶特征、形状特征和纹理特征）；采用LASSO（Least Absolute Shrinkage and Selection Operator）逻辑回归算法结合十折交叉验证，从训练集中筛选出与复发转移最相关的关键影像特征；随后分别构建了临床模型、影像组学模型以及两者结合的联合模型，并绘制了列线图（Nomogram）。最后，使用受试者工作特征（ROC）曲线、校准曲线和决策曲线（DCA）对模型的预测性能、校准度和临床实用性进行评估。统计分析使用SPSS 27.0和R 4.4.3软件完成。

临床特征模型构建

单因素逻辑回归分析显示，ER状态、PR状态、分子分型、cT分期、cN分期、临床分期、肿瘤最大直径、MG肿瘤征象和原发灶部位与乳腺癌复发转移相关（p<0.05）。将上述变量纳入多因素逻辑回归分析后，确定分子分型、cN分期、肿瘤最大直径和肿瘤征象是复发转移的独立影响因素（p<0.05）。基于这四个独立因素构建的临床特征预测模型，在训练集和验证集中的曲线下面积（AUC）分别为0.757和0.753。

影像组学模型构建

从MG图像中提取的849个特征经过标准化和LASSO回归筛选后，最终得到7个关键影像特征（包括1个纹理特征和6个小波特征）。

将这些特征纳入多因素逻辑回归分析构建的影像组学模型，在训练集和验证集中的AUC分别为0.802和0.748。研究还计算了每位患者的影像组学评分（Rad-Score），该评分将复杂的影像数据转化为可量化的决策支持工具。

联合模型构建

将筛选出的影像组学特征与临床独立影响因素（分子分型、cN分期、肿瘤最大直径、肿瘤征象）相结合，进行多因素逻辑回归分析，并经过十折交叉验证，构建了联合预测模型。

该模型在训练集和验证集中的AUC分别达到0.851和0.809，显著高于单一的临床模型和影像组学模型。基于联合模型构建了列线图，使得预测结果可视化。

模型比较与评估

如表3所示，联合模型的预测性能最优。校准曲线表明联合预测模型在训练集和验证集中均具有良好的校准度。

决策曲线分析（DCA）显示，该模型在较大的阈值概率范围内具有更高的净获益率，表明其具有临床实用性。

本研究成功构建并验证了一个基于MG影像组学特征联合临床病理因素的列线图模型，用于预测乳腺癌的复发转移。该联合模型实现了“影像表型-分子病理-临床结局”的多维度关联，能够比单一模型更全面地捕捉肿瘤异质性，显著提高了预测准确性。其核心意义在于能为临床医生提供一种非侵入性、客观的预测工具，有助于在诊断和治疗早期评估患者的复发转移风险，从而制定更个性化的治疗和随访方案。例如，对高风险患者建议更密集的随访或强化辅助治疗，对低风险患者则可避免不必要的治疗及其副作用，这符合精准医疗的核心目标。尽管本研究存在回顾性、单中心设计以及基于二维MG图像可能无法完全反映肿瘤异质性等局限性，但研究成果为乳腺癌的预后管理提供了重要思路。未来通过纳入基因组学特征（如BRCA基因突变、长链非编码RNA表达）、结合三维影像或多中心大数据验证，以及探索液体活检（如外泌体miRNA）生物标志物，有望进一步提升模型的预测效能和临床转化价值，最终造福于广大乳腺癌患者。