超声影像组学列线图预测乳腺癌浸润状态的多中心研究：临床决策新工具

本研究针对乳腺癌临床分型的精准诊断难题，开发了整合临床指标、超声特征和影像组学(Radiomics)的列线图模型。团队通过多中心回顾性研究(n=624)，采用LASSO算法构建放射组学评分(Rad-score)，联合年龄、腋窝淋巴结转移(ALNM)等指标建立CUS+Clinic+Rad组合模型。结果显示该模型在训练集/内部测试集/外部测试集的AUC分别达0.91/0.94/0.90，显著提升对浸润性乳腺癌(IBC)与非浸润性乳腺癌(non-IBC)的鉴别效能(p<0.05)，为术前无创评估肿瘤浸润状态提供新策略。

　　

乳腺癌已超越肺癌成为全球女性最高发的恶性肿瘤，每年新发病例约230万。其中，非浸润性乳腺癌(non-IBC)与浸润性乳腺癌(IBC)的治疗策略存在显著差异：前者存在过度治疗风险，后者则需要手术联合系统治疗。然而，术前准确区分两者面临重大挑战——约26%的穿刺活检诊断为non-IBC的病例在最终手术时被发现存在浸润成分。虽然超声检查(CUS)因其对中国女性致密乳腺的高适用性成为重要诊断工具，但传统影像学评估高度依赖医师经验，存在主观性强、可重复性差等局限。

为解决这一临床痛点，广州中医药大学第二附属医院联合多家医疗机构开展多中心研究，创新性地将影像组学技术与常规超声相结合。研究团队收集624例乳腺病变患者的临床资料和超声图像，通过人工智能驱动的特征提取技术，从1125个影像组学特征中筛选出16个最具预测价值的特征构建放射组学评分(Rad-score)。进一步整合患者年龄、超声显示的腋窝淋巴结转移(ALNM)、边缘毛刺征等指标，建立多参数预测模型。该成果发表于《European Journal of Medical Research》，为乳腺癌精准分型提供了客观量化的新工具。

关键技术方法包括：1) 多中心回顾性队列设计(5家医疗机构624例样本)；2) 基于PyRadiomics平台的1125维特征提取；3) LASSO算法特征降维与Rad-score构建；4) 临床-影像-组学多模态模型融合；5) 内部/外部双验证集评估(训练集n=353，测试集n=271)。

研究结果
基本临床信息
队列分析显示IBC患者平均年龄显著高于non-IBC组(54.61±11.72 vs 49.54±9.06岁，p<0.001)，且更常见于绝经后女性(p<0.001)。病理亚型分布无组间差异(p>0.05)，保障了模型泛化能力。

影像组学特征筛选
LASSO回归鉴定的16个关键特征中，87.5%为小波变换特征，50%源自灰度区域大小矩阵(GLSZM)。

显示特征系数收缩路径，最终Rad-score在IBC组显著更高(0.77±0.20 vs 0.38±0.28，p<0.001)。

多参数模型比较
CUS+Clinic+Rad组合模型展现出最优鉴别效能：

• 训练集AUC 0.91(敏感性88.3%，特异性81.3%)
• 内部验证集AUC 0.94
• 外部验证集AUC 0.90
  
  
  直观呈现其显著优于单一模型(p<0.05)。

讨论与意义
该研究首次系统证实超声影像组学在预测乳腺癌浸润状态中的价值。Rad-score作为最强独立预测因子(OR=170)，联合传统超声特征(如ALNM、毛刺征)构建的列线图

，显著提升诊断敏感性达91.7%，且校准曲线显示预测概率与实际观察值高度吻合。

这项技术的临床转化将有效解决当前穿刺活检的取样偏差问题，减少约26%的病理分期低估风险。对于医疗资源分布不均的地区尤为关键，常规超声设备即可支持该模型应用，无需昂贵影像检查。未来研究可进一步整合弹性成像、造影增强超声等多模态数据，并探索自动ROI分割技术以提升可重复性。