基于多模态超声的三阴性乳腺癌新辅助化疗疗效预测模型构建与验证

本研究针对三阴性乳腺癌(TNBC)新辅助化疗(NACT)疗效预测难题，创新性地整合多视角B超、彩色多普勒超声纵向定量特征、临床因素及BI-RADS特征，开发了乳腺癌反应预测(BCRP)模型。该模型在训练集和外部验证集的AUC分别达0.94和0.84，低BCRP评分被证实为无事件生存期(EFS)的独立风险因素，为TNBC个体化治疗决策提供了非侵入性预测工具。

　　

在乳腺癌治疗领域，三阴性乳腺癌(TNBC)因其缺乏激素受体和HER2表达，成为临床治疗的"硬骨头"。新辅助化疗(NACT)虽被广泛应用，但患者反应差异悬殊——部分患者可获得病理完全缓解(pCR)，而另一些则收效甚微。传统上，pCR需术后病理确认，这种"事后诸葛亮"式的评估使医生难以及时调整治疗方案。更棘手的是，现有超声评估依赖医师主观判断，且单模态影像提供的信息有限，导致预测准确性不足。

针对这一临床困境，广东省人民医院(GPPH)联合中山大学肿瘤防治中心等机构的研究团队，创新性地开发了基于多模态超声的乳腺癌反应预测(BCRP)模型。这项发表在《npj Precision Oncology》的研究，通过整合深度学习特征、影像组学指标、临床参数和BI-RADS特征，实现了对TNBC患者NACT疗效的精准预测。

研究团队采用三大关键技术：基于掩码自编码器(MAE)的深度学习预训练框架，从1698张多视角B超和彩色多普勒图像中提取时序特征；PyRadiomics工具包提取2637个影像组学特征；XGBoost算法融合多模态数据构建预测模型。研究纳入283例TNBC患者（训练集173例，外部验证集110例），所有患者均接受含蒽环类和紫杉类药物的NACT方案。

多模态模型的卓越性能
BCRP模型在训练集和外部验证集的AUC分别达到0.94和0.84，显著优于单一模态模型。其中深度学习特征贡献最大，影像组学特征次之，二者呈互补关系。模型校准曲线显示预测概率与实际观察值高度吻合（Brier评分0.13-0.19）。

关键预测特征解析
治疗前后的回声变化（delta特征）最具预测价值。激活图显示，pCR患者肿瘤内部低回声区域的变化被模型有效捕捉，而非pCR患者的高回声混合区域未能提供有效信息。值得注意的是，获得pCR的肿瘤形态治疗后更趋不规则，这一发现与传统乳腺癌亚型的研究结论相反。

临床转化价值
当设定高敏感度阈值0.33时，模型对pCR的识别灵敏度达97.1%，可有效避免漏诊。结合真空辅助活检(VACB)，该模型可使78.6%的pCR患者避免过度治疗，同时通过分层管理降低14%的误判风险。

预后预测新指标
随访51个月发现，BCRP评分是EFS的独立预测因子（P<0.05）。以0.59为界值，高分患者EFS显著优于低分组，这一发现为术后辅助治疗策略制定提供了新依据。

这项研究的突破性在于：首次针对TNBC建立了多中心验证的多模态超声预测系统；创新性地将MAE框架应用于超声图像分析；证实了超声特征与TNBC特殊生物学行为的关联。相比既往研究，BCRP模型不仅预测性能更优（外部验证AUC提高4-7%），且首次证实了影像特征与TNBC患者长期预后的相关性，为这一难治性乳腺癌亚型的精准医疗提供了重要工具。

未来研究方向包括：扩大样本量以增强模型泛化能力；整合MRI和基因组数据进一步提升预测精度；探索模型在指导手术范围选择中的应用价值。这项成果标志着TNBC治疗决策从"经验医学"向"预测医学"的重要转变。