基于多模态影像组学的乳腺癌新辅助治疗病理完全反应预测模型构建与验证

为解决乳腺癌新辅助治疗(NAT)疗效预测难题，四川绵阳中心医院团队开发了整合超声(US)、钼靶(MM)、CT和MRI的多模态影像组学模型。研究通过LASSO回归筛选特征，构建的联合模型AUC达0.943，显著优于单模态模型，为个体化治疗决策提供新工具。

　　

乳腺癌作为全球发病率最高的恶性肿瘤，新辅助治疗(NAT)已成为局部晚期患者的标准疗法。然而，患者对NAT的反应存在显著异质性，约30%患者能达到病理完全缓解(pCR)，这类患者预后显著优于非pCR者。目前pCR评估的金标准是术后病理检查，这种"事后诸葛亮"的方式无法指导治疗过程中的方案调整。虽然PET/CT等影像技术被指南推荐用于疗效预测，但单模态影像难以全面捕捉肿瘤的空间和生物学异质性。

绵阳中心医院肿瘤科团队在《BMC Cancer》发表的研究，创新性地整合了四种临床常用影像模态——超声、钼靶、CT和MRI，构建多模态影像组学预测模型。研究回顾性纳入89例接受NAT的乳腺癌患者，通过LASSO回归筛选影像特征，结合临床危险因素建立联合预测模型。

关键技术包括：1) 从四种影像中提取851-474个组学特征；2) 采用五折交叉验证评估模型性能；3) 通过多变量逻辑回归分析确定PR状态、HER2状态和临床T分期三个独立预测因子；4) 构建包含临床和影像特征的诺模图可视化模型。

研究结果显示，单模态模型中CT表现最佳(AUC=0.814)，而四模态联合模型将预测性能提升至AUC=0.904。进一步整合临床因素后，联合模型AUC高达0.943，Brier评分降至0.082。值得注意的是，当剔除CT特征时模型性能下降最显著(AUC降低0.039)，证实CT在预测体系中的关键作用。

讨论部分指出，该研究首次系统比较了四种影像模态对pCR的预测价值，证实多模态策略优于传统单模态方法。临床转化方面，研究者开发的诺模图可直接用于临床实践——例如某HER2阳性患者通过计算各指标对应分值，可直观获得70%的pCR概率。但研究存在单中心小样本的局限性，未来需通过多中心验证提升模型泛化能力。

这项研究为乳腺癌精准医疗提供了重要工具，其创新性体现在：1) 突破单模态研究范式，证实多模态融合的技术优势；2) 发现CT影像组学特征的独特预测价值；3) 建立可临床应用的量化预测体系。随着人工智能技术的发展，这种基于多参数影像的生物标记物策略有望重塑乳腺癌治疗决策流程。