基于SPECT/CT影像组学的乳腺癌骨转移诊断模型构建及临床价值研究

【编辑推荐】北京大学第一医院太原医院团队针对乳腺癌骨转移诊断难题，通过SPECT/CT影像组学分析构建包含29个特征参数的诊断模型，联合临床N分期构建列线图模型，训练集AUC达0.956，验证集0.936，显著优于单一模型，为个性化诊疗提供新工具。

　　

乳腺癌骨转移是影响患者生存质量的关键临床难题。据统计，60-75%的转移性乳腺癌患者会发生骨转移，其中三分之二会遭遇病理性骨折等骨骼相关事件(SREs)，导致5年生存率骤降至22.8%。尽管SPECT/CT凭借99mTc-MDP示踪剂能较传统影像学提前3-6个月发现骨破坏，但其诊断特异性不足且存在"闪烁现象"。如何通过定量影像特征提升诊断精度，成为临床亟待突破的瓶颈。

北京大学第一医院太原医院的研究团队在《Journal of Bone Oncology》发表的最新研究中，创新性地将影像组学与临床参数融合，建立了乳腺癌骨转移的多维度诊断体系。该研究回顾性纳入185例乳腺癌患者（含46例骨转移），采用GE 870 SPECT/CT扫描获取影像数据，通过3D Slicer软件勾画感兴趣区域(ROI)，利用pyradiomics包提取842个初始特征。经过Wilcoxon/T检验、Pearson相关性分析（阈值>0.75）和LASSO-Logistic算法三重筛选，最终确定29个最优特征构建放射组学标签，其数学表达式为29个特征与其回归系数的加权和。

研究结果显示，放射组学模型在训练集和验证集的AUC分别达到0.953和0.922。通过COX回归分析发现N分期是独立预测因子（OR=0.31，P=0.01），将其与放射组学评分整合构建的列线图模型展现出最优诊断性能：训练集AUC 0.956（95%CI 0.909-1.000），验证集0.936（0.866-1.000）。校准曲线和决策曲线分析(DCA)证实该模型具有良好临床适用性。

关键技术方法包括：1）多中心回顾性队列（185例乳腺癌患者）；2）SPECT/CT影像采集（GE 870扫描仪，99mTc-MDP示踪剂）；3）三维ROI分割（3D Slicer软件）；4）高通量特征提取（pyradiomics包）；5）机器学习特征筛选（LASSO-Logistic算法）；6）多模型验证（ROC、校准曲线、DCA）。

在结果部分，研究团队通过系统分析得出以下重要发现：

1. 放射组学模型构建：从842个初始特征中筛选出29个最具判别力的特征，包括wavelet.HLH_glszm_LargeAreaHighGrayLevelEmphasis等小波特征，其阳性权重系数达0.069，提示高灰度大区域特征与骨转移显著相关。
2. 临床模型验证：N分期作为唯一独立预测因子，N0期患者骨转移发生率显著高于N1期（52.8% vs 47.2%，P=0.004）。
3. 多模型比较：列线图模型的诊断效能显著优于单一模型，尤其在验证集保持0.936的高AUC值，证明其良好泛化能力。

讨论部分指出，该研究首次将SPECT/CT影像组学与临床分期整合，突破传统骨扫描依赖主观判读的局限。相比既往研究，如Zhao等基于骨扫描的深度学习模型（AUC 0.988）和He等的CT放射组学研究（AUC 0.81），本研究模型在保持高敏感性的同时，通过N分期整合提升了特异性。但作者也承认存在样本量有限（46例骨转移）、ROI勾画主观性等局限，建议未来开展多中心前瞻性研究验证。

这项研究为乳腺癌骨转移的早期诊断提供了可量化的客观标准，其构建的列线图工具可直接辅助临床决策。更重要的是，该策略可推广至前列腺癌等其他骨转移高发肿瘤，为恶性肿瘤骨转移的精准诊疗开辟新路径。研究获得山西省高等教育"亿计划"科技引导项目（BYYX004）支持，体现了基础研究与临床转化的有效结合。