基于DWI和DCE双序列MRI影像组学的可解释性机器学习模型预测浸润性乳腺癌腋窝淋巴结转移

本研究针对浸润性乳腺癌（IBC）腋窝淋巴结转移（ALNM）的无创预测难题，通过整合扩散加权成像（DWI）和动态对比增强（DCE）双序列MRI影像组学特征，构建了随机森林预测模型，联合SHAP方法提升模型可解释性。结果显示联合模型在训练组和测试组的AUC分别达0.864和0.859，显著优于单序列模型（IDI提升10.2%-13.5%），为临床决策提供了可靠的影像学生物标志物。

　　

乳腺癌作为女性第二大恶性肿瘤，其预后与腋窝淋巴结转移（ALNM）密切相关。传统诊断依赖创伤性的前哨淋巴结活检（SLNB）或腋窝淋巴结清扫（ALND），但存在假阴性率高（12%）、并发症多（如淋巴水肿、神经损伤）等局限。如何无创预测ALNM成为改善患者治疗决策的关键科学问题。

川北医学院附属医院放射科的研究团队在《Scientific Reports》发表的最新研究中，创新性地将扩散加权成像（DWI）和动态对比增强（DCE）双序列MRI影像组学特征相结合，构建了可解释性ALNM预测模型。研究纳入183例经病理证实的IBC患者（107例ALNM，76例非ALNM），通过3D Slicer软件从DWI（b=800 s/mm²）和DCE第二期图像提取1223个特征，经ICC筛选（>0.75）后采用LASSO算法优选16个特征（8个/序列），最终建立随机森林预测模型并引入SHAP方法进行决策解释。

关键技术包括：1）多参数MRI扫描（3T UMR790扫描仪）；2）高维特征提取（Pyradiomics包7类1223个特征）；3）机器学习建模（随机森林算法）；4）模型解释（SHAP值可视化）；5）统计验证（DeLong检验和IDI分析）。

模型性能比较
训练队列中，DWI、DCE和联合模型的AUC分别为0.793、0.774和0.864；测试队列中对应值为0.728、0.760和0.859。DeLong检验显示联合模型显著优于单序列（P<0.05），IDI分析证实其预测效能提升10.2%-13.5%。决策曲线显示联合模型在32%-70%阈值概率区间具有更高净收益。

关键影像组学特征
SHAP分析揭示DCE序列的"original_shape_Flatness"（扁平度特征）对模型贡献最大，反映病灶形态学差异；DWI序列的"log-sigma-1-0-mm-3D_glcm_JointEntropy"（联合熵特征）通过表征纹理复杂性增强阴性预测价值。

临床意义
该研究首次证实：1）双序列联合可弥补单序列信息缺失，DCE序列贡献度占优（6/8关键特征）；2）形态学特征（扁平度）与代谢异质性（GLCM纹理）是预测ALNM的核心生物标志物；3）SHAP解释使"黑箱模型"决策过程透明化，增强临床可信度。相比传统活检，该无创方法可提前识别ALNM高风险患者，指导新辅助化疗方案选择（如ACOSOG Z0011试验中豁免ALND的临界人群筛选），避免30%不必要的创伤性手术。

研究局限性包括单中心回顾性设计和3T MRI设备依赖性。未来需通过多中心前瞻性研究（如SOUND试验范式）验证模型的普适性，并探索与分子亚型（Luminal B/HER-2+）的关联性。该成果为乳腺癌精准诊疗提供了新的影像决策工具，标志着影像组学向可解释性人工智能迈出关键一步。