基于MRI和活检全切片图像的机器学习模型预测乳腺癌新辅助化疗后病理完全反应：一项双中心研究

本研究针对乳腺癌新辅助化疗（NAC）后病理完全缓解（pCR）预测的临床难题，通过整合MRI影像组学、活检全切片图像（WSI）深度学习和临床病理特征，构建了多模态联合预测模型。结果显示，该模型在训练集、测试集和外部验证集中AUC分别达0.95、0.84和0.83，显著优于单一模型（p<0.05），为个体化治疗决策提供了精准工具。

　　

乳腺癌新辅助化疗（NAC）的疗效评估一直是临床面临的重大挑战。尽管病理完全缓解（pCR）被公认为生存获益的重要指标，但传统评估方法依赖术后病理，存在滞后性和侵入性缺陷。影像学检查虽能无创监测肿瘤变化，但单一模态的预测效能有限。如何通过多维度数据整合实现早期精准预测，成为突破治疗瓶颈的关键。

针对这一需求，中国两家医疗机构的研究团队开展了一项创新性双中心研究，成果发表于《Clinical Radiology》。该研究首次将MRI影像组学、活检全切片图像（WSI）的深度学习特征与临床病理参数相结合，构建了多模态预测模型。通过回顾性分析331例接受NAC的乳腺癌患者数据，团队发现联合模型在三个独立队列中均展现出卓越的预测性能，其AUC值显著高于单一模型（Delong检验p<0.05），为临床提供了可量化的决策工具。

研究采用三大关键技术：1）基于增强MRI、DWI和ADC序列的手动勾画影像组学特征提取；2）采用AlexNet架构的深度学习方法分析活检WSI获取病理特征；3）通过LASSO回归和Pearson相关性分析筛选特征，最终整合为包含5项临床特征、3项深度学习特征和Rad-score的列线图（nomogram）。

【结果】

1. 临床模型构建：通过单因素和多因素logistic回归分析MRI原发灶特征与临床病理数据，筛选出5个独立预测因子。
2. 影像组学模型：从增强MRI、DWI和ADC图中提取的放射组学特征经LASSO降维后形成Rad-score，在训练集中AUC达0.82。
3. 病理深度学习模型：基于AlexNet的DLPM模型从WSI中自动识别微结构特征，其预测效能与人工病理评估相当（p>0.05）。
4. 联合模型验证：列线图在外部验证队列中保持0.83的AUC，且校准曲线显示预测概率与实际pCR率高度一致（斜率=0.94）。

【结论与意义】
该研究证实，基于MRI和WSI的多模态机器学习模型能准确预测乳腺癌NAC后的pCR状态，其性能显著优于传统单一模态方法（Delong检验p<0.01）。这一成果具有三重突破价值：首先，通过无创手段实现治疗前疗效预判，避免无效化疗的毒副作用；其次，整合病理图像深度特征弥补了影像学对微观结构不敏感的缺陷；最后，列线图的直观可视化特性便于临床直接应用。研究为乳腺癌精准治疗提供了可推广的决策框架，其多模态融合思路也可拓展至其他肿瘤疗效评估领域。