人工智能辅助对比增强超声提取关键特征诊断早期乳腺癌腋窝淋巴结转移

本研究针对早期乳腺癌腋窝淋巴结（ALN）转移诊断难题，开发了整合对比增强超声（CEUS）图像与标注特征的LightGBM双模态模型。该模型通过特征重要性分析提取出异质性增强、弥漫性皮质增厚等关键影像学特征，在测试队列中达到0.93的AUC值，准确率（0.93）显著高于放射科医师诊断（0.85），为无创评估ALN转移提供了新方法。

　　

乳腺癌作为女性发病率最高的恶性肿瘤，其腋窝淋巴结（ALN）转移状态直接影响预后判断和治疗方案选择。传统评估手段如腋窝清扫术和前哨淋巴结活检虽能确诊，但存在淋巴水肿、感觉异常等并发症风险。虽然超声检查（US）因其无创性成为临床首选，但对非可触及淋巴结的敏感性仅69-85%，特异性55-72%，这主要受限于深部淋巴结成像困难和形态学特征识别的主观性。对比增强超声（CEUS）通过微泡造影剂显着改善了肿瘤微循环的可视化，但关键影像特征的临床价值尚未明确，亟需建立客观、标准化的诊断体系。

日本北海道大学医院的研究团队在《Scientific Reports》发表创新性研究，开发了整合深度学习（DL）与机器学习（ML）的双模态模型。该研究回顾性分析了2013-2021年间788例早期乳腺癌（cStage 0-3）患者的CEUS图像，以病理诊断为金标准，通过EfficientNet B8架构提取图像特征，结合LightGBM算法分析28项临床验证的影像特征（包括9项常规US特征和6项CEUS特异性特征），最终构建出ALN转移预测模型。

关键技术包括：1）采用五折交叉验证训练LightGBM模型，优化特征选择；2）使用预训练的EfficientNet和VisionTransformer处理512×512像素的CEUS图像；3）通过Youden指数确定最佳诊断阈值；4）建立包含异质性增强、皮质增厚等关键特征的临床决策规则。

诊断性能验证

测试队列显示双模态模型的AUC达0.93（95%CI:0.88-0.98），灵敏度0.88，特异度0.96，显著优于单纯常规US模型（AUC 0.76）和放射科医师诊断（准确率0.85）。

特征重要性分析

LightGBM权重显示：1）CEUS异质性增强（B2，权重3.24×10²）；2）弥漫性皮质增厚>3mm（t2，3.16×10²）；3）偏心性皮质增厚（t4，2.58×10²）为最具预测价值的三大特征。

临床适用性验证

仅采用前三项关键特征时，模型仍保持0.90的准确率，证实其简化临床应用的潜力。研究同时发现，原发性肿瘤的CEUS浸润直径（1.54×10²）和增强范围扩大（B5，1.46×10²）也是重要辅助指标。

该研究首次系统论证了CEUS影像组学特征在ALN转移诊断中的价值，其创新性体现在：1）通过LightGBM可解释性分析揭示异质性增强等生物学特征与转移的关联；2）双模态架构兼顾图像深层特征与临床经验参数；3）为超声诊断标准化提供量化依据。尽管存在单中心回顾性研究的局限性，但模型开源代码（GitHub公开）和0.96的观察者间一致性kappa值增强了结果的可重复性。未来整合动态增强参数和多中心前瞻性验证，有望进一步推动乳腺癌精准诊疗的"去手术化"进程。