编辑推荐：
精准预测乳腺癌新辅助化疗（NAC）病理完全缓解（pCR）对优化治疗策略至关重要。本研究探讨基于机器学习（ML）的瘤周超声影像组学特征（PURS），对比瘤内影像组学（IURS）及临床病理因素的预测效能。结果显示 PURS 模型具较高准确性，为临床决策提供新方向。
乳腺癌是全球女性最常见的恶性肿瘤之一，对于局部晚期乳腺癌（LABC）患者，新辅助化疗（NAC）是重要的治疗策略，其目标是使肿瘤降期、减少转移，并提高保乳手术的概率。理想情况下，NAC 后达到病理完全缓解（pCR，即手术标本中无残留浸润性癌及腋窝淋巴结转移）的患者往往预后更佳。然而，临床中约 30% 的患者对 NAC 无应答，甚至可能因肿瘤异质性或基因突变出现疾病进展。传统的基因检测成本高昂，组织病理检查具有侵入性且存在取样偏倚，因此亟需无创、准确的新方法来预测患者对 NAC 的反应。
在这样的背景下，上海交通大学医学院附属瑞金医院的研究人员开展了一项具有创新性的研究，旨在探索基于机器学习（ML）的瘤周超声影像组学特征（PURS）在预测 LABC 患者 NAC 后 pCR 中的应用价值，并与瘤内超声影像组学特征（IURS）及临床病理因素进行对比。该研究成果发表在《Breast Cancer Research and Treatment》上，为乳腺癌的精准治疗提供了新的思路和方法。
研究人员回顾性分析了 2018 年 1 月至 2022 年 12 月期间在瑞金医院接受 NAC 及手术的 358 例 LABC 患者的临床数据，其中 250 例纳入训练集，108 例纳入测试集。研究采用 3D-Slicer 和 PyRadiomics 软件分别提取基线超声图像中肿瘤的瘤周和瘤内影像组学特征，运用线性判别分析（LDA）、支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）和自适应增强（AdaBoost）五种机器学习算法构建预测模型，并通过独立 t 检验、卡方检验等分析临床病理因素与 pCR 的相关性，评估各模型的预测效能（包括灵敏度、特异度、准确率及曲线下面积 AUC 等）。
研究结果
临床病理特征与 pCR 的关系
在 358 例患者中，pCR 率为 27.1%（97/358）。分子亚型与 pCR 显著相关：HER2 + 患者的 pCR 率显著高于三阴性及 HR+/HER2?患者（训练集：58.8% vs. 25.0% vs. 16.2%；测试集：69.0% vs. 17.2% vs. 13.8%，均 p<0.001）。基于 ER、PR、HER2 状态及分子亚型构建的临床病理模型在测试集中的 AUC 为 0.759，显示出一定的预测价值，但仍有提升空间。
影像组学模型的预测效能
在 PURS 模型中，随机森林（RF）算法表现最佳，测试集 AUC 为 0.889（95% CI 0.814-0.947），显著高于临床病理模型（p<0.05）。瘤内影像组学（IURS）模型的预测效能更高，RF 算法的测试集 AUC 达 0.931（95% CI 0.865-0.980），优于 PURS 模型（p<0.05）。这表明瘤内和瘤周影像组学特征均能有效预测 pCR，但瘤内特征的预测能力更强。
特征选择与算法比较
研究筛选出的关键影像组学特征以小波相关特征为主，PURS 模型中前三位特征为 wavelet-HHL_GLSZM_灰度非均匀性归一化、wavelet-LHH_GLRLM_游程长度非均匀性归一化和 wavelet-HLH_GLSZM_高灰度区域强调；IURS 模型中前三位特征为 wavelet-LHH_GLDM_大依赖低灰度强调、wavelet-LLL_GLCM_相关性和 wavelet-HHL_GLRLM_短游程强调。随机森林算法在处理高维数据和避免过拟合方面表现出优势，其在 PURS 和 IURS 模型中的预测准确性均显著高于其他算法。
研究结论与讨论
本研究首次将瘤周超声影像组学与机器学习相结合，验证了其在预测 NAC 后 pCR 中的价值。尽管 PURS 模型的效能略低于 IURS 模型，但其 AUC 仍显著高于临床病理因素，表明瘤周微环境（包含肿瘤细胞与炎症元素的 “反应区”）的影像特征可作为潜在生物标志物，为临床提供补充信息。超声作为一种便捷、低成本的影像工具，其影像组学分析具有广泛的临床应用前景。
研究还发现，分子亚型是影响 pCR 的重要因素，HER2 + 患者对 NAC 的应答率更高，这与靶向治疗的作用机制一致。而传统的肿瘤大小、临床分期等因素与 pCR 无显著相关性，提示分子特征在预测治疗反应中更为关键。此外，小波变换提取的纹理特征能有效反映肿瘤异质性和微环境信息，为影像组学的机制研究提供了方向。
尽管存在单中心、回顾性研究及样本选择偏倚等局限性，该研究仍为乳腺癌的个体化治疗提供了新策略：结合瘤周 / 瘤内影像组学特征与机器学习算法，有望建立更精准的 pCR 预测模型，指导临床制定个性化 NAC 方案，避免无效治疗带来的毒性反应，提升患者预后。未来需进一步扩大样本量、纳入多中心数据，并结合基因组学等信息，以完善预测模型的准确性和临床适用性。
