基于二维超声瘤周6mm区域影像组学特征的乳腺癌KI-67表达预测模型研究

本研究针对乳腺癌KI-67表达预测中瘤周区域范围不确定的临床难题，通过构建结合瘤内及不同瘤周范围(2-10mm)的SVM机器学习模型，首次确定6mm为超声影像预测KI-67的最佳瘤周范围，AUC达0.9342。该无创预测方法为乳腺癌分子分型及个体化治疗提供了重要影像学依据。

　　

在乳腺癌诊疗领域，KI-67蛋白作为细胞增殖活性的"分子计时器"，其表达水平直接关系到治疗方案选择和预后评估。然而传统获取KI-67的方式——空心针穿刺活检(CNB)或真空辅助活检(VAB)——不仅给患者带来创伤，还存在成本高、不可重复等局限。更棘手的是，现有基于影像的预测方法准确率普遍徘徊在70-80%的瓶颈区间，一个重要原因在于研究者们长期忽视瘤周微环境蕴含的生物信息。

青海大学与青海省人民医院的联合研究团队在《Journal of Ultrasound》发表的研究中，创新性地将二维超声影像组学分析范围从瘤内扩展到瘤周，通过系统比较不同距离(2-10mm)瘤周区域的特征贡献，最终建立AUC达0.9342的高精度预测模型。这项研究不仅为临床提供了无创、动态监测KI-67表达的新方法，更首次明确了6mm这一关键生物学边界——该区域恰好涵盖了肿瘤侵袭前沿最活跃的微环境特征。

研究团队采用多阶段技术路线：首先收集453例乳腺癌患者的超声图像，通过3D Slicer软件手动标注瘤内及5种不同距离(2/4/6/8/10mm)的瘤周ROI；接着应用Pyradiomics工具包提取1316个特征，经mRMR特征筛选、Spearman去冗余和LASSO回归完成特征降维；最终构建支持向量机(SVM)模型，采用SHAP方法解析特征贡献度。所有患者按7:3比例随机分为训练集和验证集，确保结果可靠性。

【模型构建与验证】

通过比较不同ROI组合的预测效能，发现瘤内+6mm瘤周区域的SVM模型表现最优，验证集AUC显著高于其他组合(P<0.05)。Delong检验证实该模型具有统计学优势，其中瘤周6mm区域的纹理特征贡献度超越瘤内特征。

【特征重要性解析】

SHAP分析显示，瘤周6mm的灰度共生矩阵(GLCM)和灰度游程矩阵(GLRLM)特征占据关键权重，印证该区域包含反映肿瘤侵袭性的特异性微环境信息。这与既往关于6mm区域富含淋巴管浸润和基质反应的研究相吻合。

【临床转化价值】

相较于传统4A级超声检查，该模型将KI-67预测准确率提升15%以上，且最佳瘤周距离的确定为后续三维超声、弹性成像等多模态研究提供了基准参考范围。

这项研究开创性地证实：在二维超声影像中，距肿瘤边界6mm的环形区域蕴含着预测细胞增殖活性的关键生物学信息。该发现不仅解决了瘤周范围选择的临床争议，其建立的标准化分析框架更可推广至其他影像模态。随着超声人工智能技术的发展，这种无创、低成本的预测方法有望成为乳腺癌分子分型的常规筛查工具，特别适用于医疗资源匮乏地区和新辅助化疗的疗效监测。