编辑推荐：
为解决乳腺癌（BCa）病理预后分期术前判断难题，研究人员开展基于超声（US）影像组学的机器学习（ML）模型构建与验证研究。结果显示模型预测性能良好，对制定个性化治疗策略有潜在价值。
在乳腺癌防治的征程中，准确判断病情、制定合理治疗方案是关键所在。乳腺癌作为全球女性癌症相关死亡的首要原因，其分期对预后判断和治疗决策意义重大。美国癌症联合委员会（AJCC）的癌症分期系统广泛应用，其中的病理预后分期更是一大亮点。它将雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体 - 2（HER-2）表达状态以及组织学分级等生物标志物融入传统的肿瘤 - 淋巴结 - 转移（TNM）分期，能更全面地反映肿瘤状况，在风险分层、生存结果预测等方面表现卓越。
然而，目前确定病理预后分期的方法存在诸多弊端。依赖术后切除标本的组织病理学和免疫组化检测，不仅耗时久，还具有侵入性。而且，许多机构难以常规获取这些生物标志物的可靠分析，加上该分期包含 7 个指标和超 100 种分类结果，应用复杂，极大限制了其在全球的推广。在此背景下，寻找一种无创、便捷且有效的术前预测工具迫在眉睫。
福建医科大学附属协和医院和福建省肿瘤医院的研究人员积极探索，开展了一项基于超声影像组学的机器学习模型研究，旨在术前预测乳腺癌的病理预后分期。相关研究成果发表于《Clinical Breast Cancer》 。
研究人员采用了多种关键技术方法。首先，他们从两所医院回顾性纳入 578 例乳腺癌患者（训练集 468 例，测试集 110 例），这些患者均接受了乳腺超声检查。接着，依据 AJCC 癌症分期系统第八版确定乳腺癌的病理预后分期。然后，从超声图像中提取影像组学特征，并通过 Z-score 归一化进行标准化处理。利用最小冗余最大相关性（mRMR）和最小绝对收缩和选择算子（LASSO）回归算法筛选特征，同时采用合成少数过采样技术处理训练数据集不平衡问题。基于筛选后的特征构建了 5 种基于超声影像组学的机器学习模型，还将最优影像组学模型与临床指标结合构建融合模型。最后，通过受试者工作特征（ROC）曲线分析评估模型性能，运用 DeLong 检验比较曲线下面积（AUC）差异，借助 SHapley Additive exPlanations（SHAP）方法解读最优模型和融合模型。
在研究结果方面：
- 特征提取与选择：针对每个病灶，研究人员提取了 1,333 个超声影像组学特征，经筛选最终确定 11 个特征用于构建模型。
- 模型预测性能：多层感知器（MLP）模型表现出色，训练集和测试集的 AUC 分别达到 0.893 和 0.806，总体准确率分别为 82.8% 和 74.5%。融合模型的 AUC 在训练集和测试集分别为 0.913 和 0.823 ，显示出更好的预测能力。
- 重要特征分析：通过 SHAP 方法分析发现，squareroot_glszm_GrayLevelNonUniformity 和 wavelet-LHH_gldm_DependenceVariance 分别是 MLP 模型和融合模型预测病理预后分期的最重要特征。
研究结论表明，基于超声影像组学的机器学习对术前预测乳腺癌病理预后分期有重要帮助，在临床实践中，对制定个性化治疗策略和预测疾病预后具有潜在参考价值。在讨论部分，研究人员提到在 AJCC 乳腺癌分期系统第八版中，病理预后分期被强烈推荐为预测患者预后的最准确指标，在美国注册乳腺癌患者时也需要这一分期信息。而本研究的成果，为术前预测病理预后分期提供了新的途径，有望简化分期流程，推动乳腺癌精准诊疗的发展。这一研究成果不仅为乳腺癌患者带来了新的希望，也为医学领域在癌症分期预测方面提供了重要的参考和借鉴，促进了超声影像组学和机器学习在乳腺癌诊疗中的进一步应用。
