编辑推荐：
为探索超声影像的多维影像组学评估乳腺癌 HER-2 状态的价值，研究构建模型，结果良好，为诊疗提供新依据。
在女性健康领域，乳腺癌堪称 “头号杀手”，是全球女性中最常见的恶性肿瘤之一，也是导致女性癌症相关死亡的重要原因。准确评估人类表皮生长因子受体 2（HER-2）状态对乳腺癌治疗至关重要，它与肿瘤侵袭性和患者预后直接相关。HER-2 阳性患者使用曲妥珠单抗等靶向药物，能显著抑制肿瘤生长、提高生存率。然而，当前 HER-2 检测的 “金标准”—— 免疫组织化学（IHC）和荧光原位杂交（FISH）存在诸多问题，如样本获取困难、无法全面捕捉肿瘤动态变化，活检还伴随着感染、出血风险，费用高昂，给患者带来心理负担。因此，探寻一种无创、高效的 HER-2 状态监测方法迫在眉睫。
在这样的背景下，湘南大学的研究人员展开了一项意义重大的研究。该研究成果发表在《BMC Cancer》上，为乳腺癌的诊疗带来了新的曙光。
研究人员为开展此项研究，运用了多种关键技术方法。他们收集了湘南大学附属医院和湘南大学附属康复医院 2015 年 3 月至 2024 年 5 月期间 850 例原发性浸润性导管癌患者的超声影像、临床检验和病理数据，将其中 614 例作为训练集，236 例作为独立测试集。在影像处理方面，使用 Vision Mamaba UNet（VM-UNet）网络自动分割肿瘤区域，利用 k-means 聚类算法细分感兴趣区域（ROI）内的亚区，并对 ROI 进行向外扩展以研究肿瘤周边区域。通过 Pyradiomics 工具包和基于 Transformer 架构的视觉 Transformer（ViT）模型，从多个维度提取影像组学特征。随后，对数据进行 Z-score 标准化和 LASSO 特征选择，运用 10 种主流机器学习算法构建模型，并采用五折交叉验证和网格搜索优化模型参数。
研究结果如下：
- 自动分割结果：VM-UNet 网络对乳腺超声图像肿瘤区域的自动分割效果极佳，各项性能指标都达到很高水平，有效避免了人为干扰，确保了研究结果的客观性和准确性。
- 临床数据：HER-2 阳性和阴性乳腺癌患者在雌激素受体（E2）、孕激素受体（PR）、Ki67 增殖指数和肿瘤最大直径这四个指标上存在显著差异，这些指标被纳入临床预测模型。在多种算法比较中，支持向量机（SVM）表现最佳。
- 传统影像组学模型：从 ROI 中提取出 107 个传统影像组学特征，经筛选得到 10 个核心特征，基于此构建的模型中，多层感知器（MLP）综合性能突出。
- 生态位影像组学模型：确定 K=3 为最佳聚类数，将超声图像分为三个生态位亚区，提取出 321 个特征，经筛选得到 21 个核心特征，MLP 在该模型中表现最优。
- 肿瘤周边影像组学模型：从肿瘤周边不同范围提取 214 个影像组学特征，筛选出 6 个核心特征，且均来自 1 - 2 厘米范围的周边区域数据。MLP 模型在此处也展现出良好性能。
- 深度学习影像组学模型：利用 ViT 模型对 ROI 进行特征提取，经主成分分析（PCA）降维得到 63 个关键特征，再筛选出 2 个核心特征。朴素贝叶斯模型在该模型中表现相对较好。
- 混合模型：综合临床检验、传统影像组学、生态位影像组学、肿瘤周边影像组学和深度学习影像组学特征，筛选出 8 个核心特征，构建混合模型。最终，XGBoost 模型脱颖而出，在训练集和测试集上都展现出卓越的诊断性能。
研究结论和讨论部分指出，该研究构建的基于超声影像的多维影像组学融合模型，在预测乳腺癌 HER-2 状态方面表现出色，优于单一组学模型和传统临床影像模型。通过整合临床检验、传统、生态位、肿瘤周边和深度学习等多组学特征，显著提高了预测准确性。这不仅为临床医生判断乳腺癌患者的 HER-2 状态提供了可靠的辅助工具，有助于制定更精准的个性化治疗方案，提高治疗效果，还为乳腺癌患者的预后评估开辟了新途径。然而，研究也存在一定局限性，如样本量有待扩大，超声影像组学特征的一致性评估尚未开展，且未纳入增强超声（CEUS）和超声弹性成像等先进超声成像方式。未来，研究人员将针对这些不足进行改进，推动研究成果的临床转化应用，为乳腺癌的精准诊疗贡献更多力量。
