基于多参数磁共振成像的三阴性乳腺癌机器学习预测模型构建与验证

这篇研究通过多参数MRI（动态对比增强磁共振成像/DCE-MRI）结合机器学习算法（XGBoost），构建了三阴性乳腺癌（TNBC）的预测模型。研究纳入1353例患者1376个病灶，筛选出坏死、水肿、病灶最大直径、各期增强比率、达峰时间（TTP）及血管特征等独立预测因子，模型在训练集和验证集的AUC分别达0.795和0.705，为TNBC的术前无创诊断提供了新策略。

　　

Abstract

研究旨在通过多参数MRI特征差异构建三阴性乳腺癌（TNBC）的预测模型。回顾性分析2019-2020年1353例女性患者的1376个恶性病灶，基于BI-RADS-MR^?（第五版）标准评估影像特征，通过Boruta算法筛选关键变量并建立XGBoost模型。结果显示，坏死、水肿、病灶最大直径、各期增强比率、腺体增强比率、TTP及血管数量/直径是TNBC的独立预测因子，模型在训练集和验证集的AUC分别为0.795（95% CI: 0.758–0.832）和0.705（95% CI: 0.640–0.770），证实了多参数MRI在TNBC术前预测中的价值。

Introduction

TNBC因缺乏ER、PR和HER2表达，对内分泌治疗和靶向治疗不敏感，预后较差。尽管穿刺活检是金标准，但存在肿瘤异质性导致的采样误差。DCE-MRI能通过半定量参数（如增强比率、TTP）和血管特征（如邻近血管征/AVS）反映肿瘤血管生成，而机器学习（ML）为TNBC的无创分型提供了新思路。

Materials and Methods

研究经天津肿瘤医院伦理委员会批准（Ek2021235），豁免知情同意。入组患者术前均未接受治疗，排除活检后病例。病理学通过免疫组化（IHC）和FISH检测ER/PR/HER2状态。MRI采用3.0T/1.5T扫描仪，获取T1W、T2W、DWI（b=0,500,1000 mm²/s）及DCE-MRI（对比剂Gd-DTPA）数据。两名放射科医师盲法评估影像特征，包括坏死、水肿、AVS（通过MIP图像计数血管数量并测量直径）及半定量参数（如ROI内增强比率）。

Results

TNBC组（272例）相比非TNBC组（1104例）更常见边缘强化（45.31%）、水肿、坏死及高T2信号（均p<0.05），病灶更大且距乳头更远（p=0.03）。Boruta算法筛选出13个关键特征，XGBoost模型显示血管数量多、直径大及低增强比率对TNBC预测贡献显著。典型病例显示TNBC的MIP图像中血管更密集（图4g-l），而模型通过SHAP值量化特征重要性（图3）。

Discussion

TNBC的高微血管密度（MVD）与血管特征相关，边缘强化可能反映中心坏死区血管减少。与既往研究矛盾的是，本研究发现TNBC的增强比率较低，可能与肿瘤外周血管分布不均有关。腺体增强比率（代表背景实质强化/BPE）在TNBC中较高，支持其与激素非依赖性肿瘤的关联。值得注意的是，ADC值在亚型间无差异，提示DWI对TNBC分型有限。

研究局限性包括单中心回顾性设计及手动ROI绘制的潜在偏差。未来需前瞻性验证模型，并探索全肿瘤自动分割技术。该模型为TNBC的早期精准诊疗提供了影像学依据，有望指导抗血管生成等个体化治疗。

（注：全文严格依据原文数据，未添加非文献支持内容；专业术语如DCE-MRI、MVD等均保留英文缩写及符号规范）