深度学习赋能常规全乳腺钼靶片：提升早期乳腺癌淋巴结转移术前预测精度

为解决早期乳腺癌患者术前淋巴结转移（LNM）预测精度不足的问题，隆德大学等机构的研究团队利用深度学习技术，整合常规全乳腺钼靶片（FullMammo）与临床变量，开发新型预测模型。结果显示，联合模型将ROC AUC从0.690提升至0.774，在敏感性≥90%时哨淋巴结活检（SLNB）减免率达41.7%，且可替代术后病理指标（如肿瘤大小、多灶性）。该研究为无创淋巴结分期提供了高效工具，推动乳腺癌腋窝手术降阶梯策略的精准实施。

　　

论文解读

研究背景与问题

乳腺癌是全球最高发的恶性肿瘤，腋窝淋巴结转移（Lymph Node Metastasis, LNM）是影响预后的关键因素。当前，哨淋巴结活检（SLNB）是评估临床淋巴结阴性（cN₀）患者的金标准，但约70%患者术后病理证实无转移，意味着这部分患者可能因SLNB承受手术并发症风险（如上肢功能障碍）却无治疗获益。随着腋窝手术降阶梯（de-escalation）趋势的发展，亟需在术前精准识别低风险LNM患者以避免过度治疗。然而，现有预测模型依赖术后病理指标（如肿瘤大小、淋巴管浸润LVI），而术前评估工具（如超声、MRI）存在操作者依赖性高或成本昂贵等问题。常规钼靶检查虽普及且标准化，但因传统方法难以挖掘其全局信息，其在LNM预测中的潜力长期未被充分探索。

研究方案与创新

瑞典隆德大学（Lund University）联合马尔默大学医院等机构的研究团队，提出一种基于深度学习的三阶段框架（图2），旨在利用常规全乳腺钼靶片增强早期乳腺癌（cN₀ T₁-T₂期）患者术前LNM预测：

1. 自监督预训练（SSL）：采用BarlowTwins等方法在未标注钼靶片（含公开数据集CBIS-DDSM、INbreast等）上预训练ResNet骨干网络，学习局部特征。

2. 多任务监督学习：通过Transformer模块聚合全乳腺或肿瘤区域（ROI）的全局特征，同步预测LNM、LVI、肿瘤大小（Tsize）、多灶性（Multifoc）及阳性淋巴结数量（No.LNMs）。

3. 临床-影像融合预测：整合11项术前临床变量（如年龄、分子分型）与影像特征，构建LNM分类器。

   研究纳入1265例接受原发性手术且未行新辅助治疗的患者（图1），按中心和诊断年份划分为开发集（1039例）和独立测试集（123例），通过双重交叉验证优化模型。

核心结果

1. 全乳腺钼靶片显著提升预测性能（表2, 图3）

   • 在独立测试集中，联合模型（PreopClinic+FullMammo）的ROC AUC达0.774，较仅用临床变量的模型（PreopClinic, AUC 0.690）显著提高（p=0.037）。

   • 全乳腺模型与ROI模型效果相当（AUC 0.757 vs. 0.774），且在敏感性≥90%时，SLNB减免率从27.0%提升至41.7%，净收益（Net Benefit）从3.6%增至10.9%（表3）。

2. 技术优化验证

   • SSL预训练增强表征能力：域适应的SSL（如BarlowTwins）在癌症相关任务（LNM、Tsize预测）中显著优于ImageNet预训练（图4）。

   • Transformer优于传统卷积：在全局特征聚合中，Vision Transformer凭借自注意力机制，对全乳腺图像中LNM、LVI的预测效果超越ResNet模块（图5），尤其擅长捕捉肿瘤及周围组织的关联模式。

3. 模型可解释性（图6, 图7）

   • SHAP分析显示，影像衍生的肿瘤大小（Mammo-Tsize）和LNM预测是核心贡献特征，重要性超越临床变量（如发病模式、年龄）。

   • Grad-CAM可视化证实，Transformer模型精准聚焦肿瘤区域（Tsize预测）及瘤周组织（LNM、LVI预测），而ResBlock模型易偏离关键区域（图7）。

结论与意义

本研究首次证实：常规全乳腺钼靶片通过深度学习挖掘，可显著优化早期乳腺癌术前LNM预测，性能媲美术后病理指标（如肿瘤大小、多灶性）。其创新点在于：

1. 临床转化价值：联合模型使41.7%的患者可能避免SLNB（敏感性≥90%），为手术降阶梯提供可靠依据，尤其适用于资源有限地区。

2. 技术普适性：全乳腺模型无需手动标注肿瘤ROI，规避了多灶性病变的选择难题，且通过Transformer与SSL的结合，高效处理高分辨率图像。

3. 跨中心差异警示：模型在瑞典不同中心的效能波动（如站点3外部验证效果弱），提示需进一步探索设备、筛查策略等因素的影响。

该成果发表于《npj Digital Medicine》，为乳腺癌精准诊疗树立了新范式：将普及性影像检查转化为高效决策工具，推动基于深度学习的个体化腋窝管理策略。未来需扩大样本验证跨中心泛化能力，并探索融合基因组学等多模态数据的进阶模型。