基于MRI瘤内异质性定量分析与深度学习的乳腺癌HER2状态预测研究

本研究针对乳腺癌HER2状态评估的临床挑战，创新性地结合动态增强磁共振成像（DCE-MRI）的瘤内异质性（ITH）定量分析与深度学习技术，构建了多模态预测模型。研究人员通过340例患者数据验证，联合临床指标、ITH特征和深度学习特征的综合模型在区分HER2阳性/阴性（AUC 0.912）及HER2低表达/零表达（AUC 0.917）中表现优异，为术前无创评估HER2状态提供了新工具，对精准治疗决策具有重要价值。

　　

乳腺癌作为全球女性最高发的恶性肿瘤，其治疗策略高度依赖人类表皮生长因子受体2（HER2）的精准评估。传统免疫组化（IHC）和原位杂交（ISH）检测虽为金标准，却面临瘤内异质性（ITH）导致的判读不一致问题——研究显示病理医师对HER2低表达（0/1+）判读一致性仅26%。更严峻的是，新型抗体偶联药物T-DXd的临床应用使得HER2-low（IHC 1+或2+/ISH-）成为独立治疗靶点，但现有技术难以实现术前无创分级。这一临床困境呼唤能够量化肿瘤空间异质性的创新方法。

中国某医院团队在《Magnetic Resonance Imaging》发表的研究中，开创性地将动态增强磁共振成像（DCE-MRI）与人工智能技术结合。研究人员收集340例经病理确诊的浸润性乳腺癌病例，设计双重任务：任务1区分HER2阳性（IHC 3+或2+/ISH+）与阴性（IHC 0/1+或2+/ISH-），任务2细分HER2-low与HER2-zero亚型。关键技术包括：基于Calinski-Harabasz评分的三维瘤体分区、栖息地放射组学特征提取、深度学习（DL）模型构建，最终整合临床独立预测因子（组织学分级、肿瘤直径、PR状态）建立多模态预测系统。

研究结果
患者特征
训练集与验证集的临床病理特征均衡可比，确保模型可靠性。

临床模型构建
多因素分析显示组织学分级（OR=2.15）、肿瘤直径（OR=1.82）和PR状态（OR=0.41）是HER2阳性的独立预测因子；PR状态（OR=0.32）对HER2-low鉴别具有特异性。

栖息地分析与手工特征选择
通过最优聚类算法将肿瘤体积（VOI）划分为三个生物学特征迥异的亚区，ITH特征在训练集（AUC=0.855）和验证集（AUC=0.842）均显著优于传统放射组学。

深度学习模型性能
DL模型在捕捉微观异质性方面表现突出，与栖息地特征形成互补优势。

组合模型验证
整合临床指标、ITH和DL特征的组合模型展现最佳预测效能：任务1验证集AUC达0.912，任务2提升至0.917，显著优于单一模态（P<0.01）。

讨论与结论
该研究首次证实DCE-MRI衍生的栖息地模型可量化乳腺癌ITH空间分布，其性能超越传统放射组学。创新点在于：1）通过三维亚区解析揭示HER2表达的异质性图谱；2）建立首个融合临床-影像组学-深度学习的多参数预测系统；3）针对新兴临床需求（HER2-low鉴别）提供解决方案。临床价值在于避免活检取样偏差，辅助T-DXd治疗人群筛选。局限在于回顾性设计，未来需前瞻性验证。这项研究为乳腺癌精准分型提供了可解释性强的新型影像学生物标志物。