基于 MRI 影像组学的可解释模型预测乳腺癌 Ki67表达：为精准医疗开辟新路径

为解决乳腺癌（BC）患者 Ki67表达检测需侵入性活检的问题，研究人员开展基于动态对比增强磁共振成像（DCE-MRI）影像组学和临床影像特征预测 Ki67表达的研究。结果显示联合模型预测效果最佳，该研究有助于制定精准治疗策略。

　　在女性健康领域，乳腺癌（Breast Cancer，BC）如同隐匿的 “杀手”，严重威胁着女性的生命安全。随着医学技术的进步，精准医疗为乳腺癌治疗带来新希望，但在治疗决策过程中，医生往往依赖传统生物标志物。其中，Ki⁶⁷作为细胞增殖活性的可靠生物标志物，其表达水平与乳腺癌患者的预后密切相关。当 Ki⁶⁷水平较高时，患者复发率更高，预后更差；而 Ki⁶⁷表达 > 20% 的患者对新辅助化疗（Neoadjuvant Chemotherapy，NAC）反应更好。

然而，目前检测 Ki⁶⁷主要依靠免疫组织化学（Immunohistochemistry，IHC）方法，这种方法需要进行侵入性活检，可能会给患者带来出血、感染甚至转移的风险。尤其是在 HER-2 阴性的乳腺癌患者中，术前活检还会导致 Ki⁶⁷表达显著增加，进一步恶化病情。因此，寻找一种及时、无创的方法来预测 Ki⁶⁷表达，成为提高乳腺癌患者治疗效果的关键。

在这样的背景下，川北医学院附属医院的研究人员开展了一项极具意义的研究。他们旨在开发一种可解释的机器学习模型，通过结合动态对比增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging，DCE-MRI）影像组学和临床影像特征，来准确预测乳腺癌患者 Ki⁶⁷的表达。该研究成果发表在《Scientific Reports》上，为乳腺癌的精准治疗提供了新的方向。

研究人员在开展研究时，主要运用了以下关键技术方法：首先，收集了 195 例乳腺癌患者的临床和影像数据，这些患者均来自川北医学院附属医院。然后，利用 3.0T MRI 扫描仪获取患者的影像资料，包括常规 MRI 扫描和 DCE-MRI 扫描。接着，从 DCE-MRI 的早期和延迟期提取影像组学特征，并通过一系列筛选方法减少特征冗余。最后，运用逻辑回归算法构建临床影像模型、影像组学模型和联合模型，并使用 Shapley Additive Explanation（SHAP）算法解释模型。

下面来看具体的研究结果：

1. 临床数据：研究共纳入 195 例患者，随机分为训练集和测试集。单因素分析发现，Ki⁶⁷的表达状态与肿瘤最大直径（Tumor Maximum Diameter，TMD）、内部强化模式和坏死在临床影像特征上存在显著差异。二元逻辑回归分析表明，内部强化模式和坏死是乳腺癌 Ki⁶⁷表达的重要标志物。基于此，研究人员构建了临床影像模型。
2. 影像组学分析与评估：从 DCE-MRI 序列的第 2 和第 5 期共提取 2446 个影像组学特征，经过筛选最终保留 12 个特征，并构建了影像组学模型。将临床影像特征和影像组学特征相结合，构建了联合模型。在训练集和测试集中，联合模型的 AUC（Area Under Curve，曲线下面积）值均高于临床影像模型和影像组学模型，分别达到 0.821 和 0.802，表明联合模型的预测性能最佳。
3. 可解释机器学习模型构建：运用 SHAP 算法对联合模型进行解释，结果显示 DCE-MRI 第 2 期的原始形状表面体积比是对模型贡献最大的特征。通过对不同患者的预测过程可视化，研究人员可以清晰地看到各个特征对模型预测的影响。

研究结论和讨论部分指出，联合临床影像和双期影像组学特征的联合模型，在预测乳腺癌患者 Ki⁶⁷表达方面优于单独的临床影像模型和影像组学模型。同时，SHAP 算法的运用提高了模型的可解释性，帮助临床医生更好地理解模型的决策过程，从而为患者制定更精准的治疗方案。尽管该研究存在一些局限性，如 DCE-MRI 采样时间分辨率有限、样本量较小等，但它依然为乳腺癌的研究和治疗提供了重要的参考。未来，研究人员可以针对这些局限性进一步优化研究，相信会为乳腺癌的精准医疗带来更多突破。