利用临床、放射组学和深度学习特征的结合，对乳腺癌腋窝淋巴结转移进行无创预测

《International Journal of Imaging Systems and Technology》：Non-Invasive Prediction of Axillary Lymph Node Metastasis in Breast Cancer Using Combined Clinical, Radiomics, and Deep Learning Features

本研究开发并验证了整合临床特征、影像组学特征及深度学习（DL）特征的联合模型，用于非侵入性预测乳腺癌患者腋窝淋巴结转移（ALN metastasis）。通过分析431例患者术前超声图像，比较不同肿瘤区域（原发灶及3mm周围组织）和特征源组合的预测效能。结果显示，临床模型单独使用时AUC为0.591-0.611，而结合影像组学和DL的特征组合模型AUC达0.869，敏感性88.6%、特异性85.6%，且在ER/PR/HER2分子亚型中表现稳定。该模型可减少76.4%不必要的 sentinel lymph node biopsy，为临床决策提供可靠支持。

　　

摘要

腋窝淋巴结（ALN）转移是乳腺癌的一个关键预后因素；准确的术前评估对于指导治疗决策至关重要。本研究旨在开发并验证一种结合临床特征、放射组学特征和深度学习（DL）特征的模型，这些特征来自术前超声图像，以无创方式预测乳腺癌患者的ALN转移情况，同时系统地比较来自不同肿瘤周围区域和多种特征来源的预测价值。共有431名乳腺癌患者被纳入研究，其中腋窝淋巴结清扫病理结果作为金标准，患者被随机分为训练组（n=301）和测试组（n=130）。临床特征、放射组学特征和深度学习特征（从预训练的ResNet50卷积神经网络的倒数第二层通过全局平均池化提取）分别来自肿瘤内部区域、肿瘤内部和周围区域（1-3毫米边界）以及整个超声图像。针对临床特征、放射组学特征、深度学习特征以及组合特征集分别构建了机器学习模型。模型评估采用了曲线下面积（AUC）、敏感性（SEN）、特异性（SPE）、阳性预测值（PPV）和阴性预测值（NPV）等指标。临床模型的预测性能有限（测试集AUC：0.591–0.611）。结合放射组学和深度学习特征的模型表现有所提升，尤其是在包含肿瘤周围信息的情况下。基于随机森林的结合模型整合了临床特征、放射组学特征（肿瘤内部+3毫米肿瘤周围区域）和深度学习特征，取得了最佳的测试集AUC（0.869），其敏感性/特异性/阳性预测值/阴性预测值分别为0.886/0.856/0.856/0.839）。此外，该模型在各种分子亚型中均表现出稳定的预测准确性。这种结合临床特征、放射组学特征和来自肿瘤内部及周围区域超声图像的深度学习特征的模型能够有效且无创地预测乳腺癌患者的ALN转移情况。该方法在临床决策支持方面具有潜力，可能有助于减少不必要的前哨淋巴结活检，并在不同分子亚型中展现出良好的泛化能力。

利益冲突

作者声明没有利益冲突。