基于多参数MRI影像组学与深度学习的乳腺癌Ki-67表达预测模型研究

《Magnetic Resonance Imaging》：Study on predicting breast cancer Ki-67 expression using a combination of radiomics and deep learning based on multiparametric MRI

本研究针对乳腺癌Ki-67表达状态术前预测的临床需求，创新性地结合多参数MRI（mp-MRI）的影像组学特征与深度学习技术，构建了多模态预测模型。通过融合T1WI、DWI、T2WI和DCE-MRI序列数据，模型在测试集上达到AUC 0.96的优异性能，显著优于单一序列模型（P<0.05），为乳腺癌个体化治疗决策提供了无创、精准的影像学生物标志物。

　　

乳腺癌长期占据女性恶性肿瘤发病率的首位，其诊疗过程中面临的关键挑战在于如何无创、准确地评估肿瘤增殖活性。Ki-67作为细胞增殖的核心标志物，传统检测依赖有创活检且存在取样偏差，这促使研究者探索影像学替代方案。尽管MRI在乳腺癌诊断中展现出多序列互补优势，但单一模态分析难以全面捕捉肿瘤异质性。在此背景下，国内研究人员开展了一项突破性研究，通过融合多参数MRI（mp-MRI）的影像组学特征与深度学习抽象表征，建立了Ki-67表达预测模型，相关成果发表于《Magnetic Resonance Imaging》。

研究团队采用176例浸润性乳腺癌患者的mp-MRI数据（含T1WI、DWI、T2WI、DCE-MRI序列），通过五折交叉验证构建了单序列与多序列融合模型。关键技术包括：基于手工标注ROI的影像组学特征提取、卷积神经网络（CNN）的深层特征挖掘、Delong检验比较模型效能差异。

Patient clinical characteristics
队列分析显示Ki-67高表达组（106例）与低表达组（70例）在年龄、病理类型等基线特征无统计学差异（P>0.05），确保模型训练不受混杂因素干扰。

Results
多模态融合模型（mp-MRI）以AUC 0.96显著超越单序列模型（T1 0.83/DWI 0.85/T2 0.90/DCE 0.92），所有比较均具统计学意义（P<0.05）。其他指标如灵敏度、F1分数等同步提升，证实多参数协同分析可突破单一序列的信息局限。

Discussion
该研究首次实现mp-MRI影像组学与深度学习的跨模态特征融合，其创新性体现在三方面：一是通过T1WI结构信息、DWI细胞密度特征、DCE-MRI血流动力学参数的互补整合，全面刻画肿瘤生物学行为；二是采用分层特征选择策略优化模型泛化能力；三是为临床提供可解释的决策依据。局限性包括ROI标注主观性、样本量地域限制等，未来需探索自动分割算法与多中心验证。

Conclusion
这项研究确立了mp-MRI多模态模型预测Ki-67表达的临床价值，其0.96的AUC性能接近组织病理学金标准，为乳腺癌新辅助治疗响应预测、预后评估提供了全新的无创解决方案。技术框架可扩展至其他影像生物标志物研究，推动精准医学在肿瘤诊疗中的落地应用。