基于超声图像与图卷积网络的乳腺癌腋窝淋巴结转移预测模型：一项多中心研究

本研究针对乳腺癌患者腋窝淋巴结转移(ALNM)的术前无创诊断难题，开发了一种基于超声(US)图像特征和图卷积网络(GCN)的深度学习模型。研究人员通过多中心回顾性研究纳入820例患者数据，利用ResNet50提取2048维深度特征，经递归特征消除(RFE)筛选22个关键特征构建图结构数据。模型在独立验证队列中表现出色（AUC达0.88），为临床避免不必要的腋窝淋巴结清扫(SLNB)提供了可靠的决策支持工具，具有重要的临床转化价值。

　　

乳腺癌作为女性癌症死亡的第二大原因，其治疗关键取决于腋窝淋巴结转移(ALNM)的准确评估。目前临床依赖的哨淋巴结活检(SLNB)和淋巴结清扫术不仅具有创伤性，还会导致上肢水肿等并发症。虽然超声检查(US)是术前评估的常规手段，但其诊断性能（敏感度约50%）远未满足临床需求。如何通过无创手段实现精准预测，成为亟待解决的临床难题。

江苏大学附属人民医院超声科联合多家医疗机构的研究团队在《Scientific Reports》发表创新成果，开发出基于超声图像和图卷积网络(GCN)的深度学习模型。这项多中心研究回顾性分析了820例乳腺癌患者的术前超声图像，通过ResNet50提取2048维深度特征，采用递归特征消除(RFE)筛选出22个最具预测价值的特征构建图结构数据。最终模型在独立验证队列中展现出0.88的AUC值和76%的准确率，显著优于传统超声诊断。

关键技术方法包括：1) 从621例训练队列的超声图像中提取ResNet50深度特征；2) 通过Spearman相关分析和RFECV筛选22个关键特征；3) 基于余弦相似度构建患者间的图结构关系；4) 采用双层GCN架构进行图数据学习；5) 在112例和87例独立验证队列中评估模型性能。

研究结果

模型性能验证
在验证队列1中，最佳阈值(0.95)的GCN模型达到0.88的AUC和76%准确率，特异性高达94%。验证队列2中模型保持稳定性能（AUC=0.84），决策曲线分析显示在10-90%风险阈值范围内均具有临床适用性。

技术优化发现
通过比较不同相似度阈值(0.60-0.95)发现，较高的阈值(0.95)能有效减少图结构中的噪声边缘，使模型在外部验证中表现最优（DeLong检验p<0.05）。特征相关性分析显示，模型预测结果与阈值设置高度相关（Pearson r>0.95）。

讨论与意义
该研究首次将GCN架构应用于乳腺癌超声图像的ALNM预测，其创新性体现在：1) 突破传统放射组学依赖人工特征的局限，实现端到端的深度特征学习；2) 通过图结构建模患者间的潜在关联，提升小样本数据的利用效率；3) 在资源受限场景下，仅需常规超声图像即可达到媲美多模态影像的诊断性能。

相比既往研究，该模型具有显著优势：Zheng等开发的放射组学列线图虽达到0.90的AUC，但需结合临床参数；Guo等提出的多模态模型虽性能优异（AUC=0.846），但依赖昂贵的MRI检查。本研究仅使用超声单一模态，在保持诊断效能的同时大幅降低临床实施门槛。

研究也存在若干局限：1) 排除了多灶性乳腺癌病例；2) 需前瞻性研究验证临床效用；3) 模型解释性有待加强。未来工作将探索多中心前瞻性验证和可解释AI技术应用。这项成果为乳腺癌精准诊疗提供了创新工具，有望减少30-40%不必要的腋窝手术，具有重要的卫生经济学价值。