基于机器学习的影像组学模型预测三阴性乳腺癌三级淋巴结构及新辅助治疗反应

本研究针对三阴性乳腺癌(TNBC)治疗反应预测难题，开发了基于动态增强磁共振成像(DCE-MRI)的放射组学机器学习模型(rTLS)，通过多中心697例患者数据验证，可非侵入性预测三级淋巴结构(TLSs)存在及新辅助治疗(NAT)疗效，AUC达0.917，为个体化治疗决策提供新工具。

　　

三阴性乳腺癌(TNBC)作为乳腺癌中最具侵袭性的亚型，长期面临治疗反应异质性大、预后差的临床困境。尽管新辅助治疗(NAT)的应用显著改善了局部晚期患者的生存，但约半数患者仍无法达到病理完全缓解(pCR)，导致复发风险显著升高。近年来，肿瘤微环境(TME)中三级淋巴结构(TLSs)的发现为破解这一难题带来曙光——这些异位淋巴样结构被证实与更好的治疗反应和预后相关，但其检测依赖侵入性病理检查，临床推广面临巨大挑战。

在这一背景下，云南肿瘤医院等国内多家医疗机构联合开展了一项开创性研究，通过整合多中心697例TNBC患者的临床影像数据，首次建立了基于DCE-MRI的放射组学-病理组学融合模型。该成果发表于《npj Precision Oncology》，为TNBC的精准治疗提供了革命性的无创预测工具。

研究团队采用三大关键技术：首先，通过人工勾画结合AI自动扩展获取肿瘤及周围0-5mm区域的影像组学特征；其次，应用XGBoost等五种机器学习算法构建预测模型；最后，利用CellProfiler软件从全切片图像中提取611项病理组学特征进行模型解释。所有分析均通过严格的组内/组间一致性检验(ICC>0.75)和多重验证。

【模型构建与选择】
研究从4788个放射组学特征中筛选出29个关键指标，比较发现XGBoost算法性能最优(AUC=0.922)，被确立为rTLS预测模型。该模型在训练集(TCGA-BRCA)和验证集(中国TNBC队列、DUKE队列、I-SPY2队列)中均展现稳定预测力，对TLSs存在的AUC达0.917，对NAT反应的AUC在0.724-0.919之间。

【预后价值】
Kaplan-Meier分析显示，rTLS高评分组无病生存期(DFS)显著优于低分组(p<0.05)。多因素Cox回归证实rTLS评分是独立预后因素(HR=0.150,p=0.002)，在≤65岁、绝经前等亚组中预测一致性良好。典型病例显示，高分患者(评分0.641)经AC-T方案治疗后达pCR，而低分患者(评分0.160)治疗无效。

【模型解释】
SHAP分析揭示wavelet_LHH_firstorder_Median_L3为最重要特征。病理组学关联分析发现，低分组细胞质Zernike_9_5特征显著升高(p<0.001)，提示更具侵袭性的肿瘤边缘形态，从微观层面解释了预后差异。

这项研究实现了三大突破：首次将TLSs预测从有创病理推进到无创影像阶段；创建了首个可跨中心、跨种族应用的TNBC治疗反应预测系统；通过放射-病理组学关联揭示了TNBC异质性的生物学基础。尽管存在活检样本代表性有限等局限，但rTLS模型已展现出改变临床实践的潜力——使医生能在NAT前精准识别潜在获益人群，避免无效治疗带来的疾病进展风险。未来结合单细胞测序等技术的深入探索，将进一步推动TNBC的精准治疗新时代。