编辑推荐：
研究人员构建基于动态对比增强 MRI（DCE-MRI）肿瘤内和瘤周区域影像组学模型，鉴别 BI-RADS 4 乳腺病变良恶性，可减少误诊。
在女性健康领域，乳腺癌是一个不容忽视的 “杀手”，它是女性中最为常见的癌症之一，也是导致女性癌症死亡的主要原因，大约占女性新发癌症病例的 25%，癌症死亡人数的 16%。对于乳腺疾病患者来说，确定乳腺病变是良性还是恶性，关乎着后续的治疗方案选择和预后情况。
目前，动态对比增强 MRI（DCE-MRI）作为一种非侵入性成像方法，凭借其高灵敏度在乳腺癌管理中占据重要地位。它能发现乳腺钼靶检查难以察觉的乳腺癌，还能辅助处理钼靶和超声检查中的可疑结果。然而，通过 DCE-MRI 区分乳腺病变的良恶性仍是一大挑战。根据乳腺影像报告和数据系统（BI-RADS），乳腺病变可分为 6 类，其中 BI-RADS 4 类病变虽未达到恶性标准，但具有一定可疑性，需要进行活检。可令人困扰的是，因 BI-RADS 4 类结果接受活检的女性中，高达 86% 的病变最终被证实为良性。这意味着大量不必要的活检，不仅给患者带来身体上的创伤，还增加了心理负担和医疗成本。
为了解决这一难题，来自中山大学附属第一医院、揭阳市人民医院等机构的研究人员开展了一项多中心研究。他们致力于构建一种基于 DCE-MRI 肿瘤内和瘤周区域特征的影像组学模型，以此来区分 BI-RADS 4 类乳腺病变的良恶性，并探索瘤周区域的最佳研究范围。该研究成果发表在《Radiation Oncology》杂志上。
在研究过程中，研究人员运用了多种关键技术方法。首先，他们从多个医院收集了大量患者数据，建立了训练队列、内部测试队列和外部测试队列。然后，对患者进行 DCE-MRI 扫描，获取图像后进行预处理和感兴趣区域（ROI）分割，包括肿瘤内区域和不同距离（1mm、2mm、3mm）的瘤周区域。接着，使用专业工具提取影像组学特征，并通过一系列特征选择方法筛选出与病变分类相关的关键特征。最后，基于支持向量机（SVM）、随机森林（RF）和轻量级梯度提升机（GBM）等算法构建机器学习模型，并进行模型评估。
研究结果如下：
- 模型性能评估：研究构建了 7 种分类模型，综合比较后发现，Comb2 模型（基于瘤周 2mm 和肿瘤内区域特征构建）表现最佳。在内部测试队列和外部测试队列中，其曲线下面积（AUC）分别达到 0.828 和 0.844 。该模型在肿块和非肿块强化（NME）病变中均表现稳健。这表明，融合肿瘤内和瘤周 2mm 区域的特征，能为预测恶性病变提供最佳的空间背景信息，显著提升模型的预测性能。
- 重要特征分析：通过 Shapley（SHAP）方法分析影响 Comb2 模型最终输出的主要因素，发现肿瘤内区域的一阶偏度（firstorder_Skewness）、灰度依赖矩阵的依赖方差（gldm_DependenceVariance）、灰度大小区域矩阵的小区域强调（glszm_SmallAreaEmphasis）以及瘤周 2mm 区域的灰度大小区域矩阵的低灰度区域强调（glszm_LowGrayLevelZoneEmphasis）与恶性病变相关；而肿瘤内区域的灰度大小区域矩阵的区域百分比（glszm_Zone%）高值则有相反作用。这些特征从不同角度反映了肿瘤组织的特性，为诊断提供了关键信息。
- 避免不必要活检的潜力评估：研究人员在受试者工作特征曲线（ROC）上选取了三个探索性截断值进行分析。结果显示，在外部测试队列中，模型在不同截断值下能识别出一定比例的良性病变，具有降低良性病变不必要活检数量的潜力 。例如，在截断值 C1（灵敏度≥98%）时，可识别出 9.1% 的良性病变；在截断值 C2（灵敏度≥95%）时，可识别出 27.3% 的良性病变；在截断值 C3（灵敏度≥90%）时，可识别出 36.4% 的良性病变。
研究结论和讨论部分指出，该研究首次系统地探索了瘤周区域在诊断 BI-RADS 4 类病变中的最佳大小，并在外部测试队列中进行了验证。与以往主要关注肿瘤区域的研究不同，本研究纳入瘤周区域特征构建的模型，在减少假阳性诊断方面表现出色，能以较低的漏诊风险避免不必要的活检。同时，该模型在不同 BI-RADS 4 亚类和肿块、非肿块强化病变中均表现稳定，具有较高的临床应用价值。然而，研究也存在一定局限性，如回顾性研究的性质、良性病变比例相对较低、样本选择存在一定偏倚以及仅探索了 DCE-MRI 的影像组学特征等。
总体而言，这项研究为 BI-RADS 4 类乳腺病变的诊断提供了新的思路和方法，基于 DCE-MRI 肿瘤内和瘤周 2mm 区域特征构建的影像组学模型，有望成为临床医生诊断乳腺疾病的有力工具，在未来的乳腺癌诊断和治疗中发挥重要作用，帮助更多患者避免不必要的活检，提高医疗服务质量。
