《Vacuum》：Experimental and theoretical analysis of the dynamic distribution of pre-breakdown arcing during capacitive closing of vacuum circuit breakers
编辑推荐：
本研究开发了一种结合B模式超声（BMUS）和对比增强超声（CEUS）图像的深度学习 radiomics nomogram（DLRN），用于浸润性乳腺癌（IBC）术前淋巴血管浸润（LVI）预测。实验在981例IBC患者中完成，结果显示DLRN在训练、内测和外测队列中的AUC分别为0.885、0.914和0.914，优于传统临床模型和单独DLR特征（p<0.05）。该模型具有较好的稳定性和临床实用性，为术前LVI评估提供了非侵入性解决方案。
Ruilan Niu|Ziran Chen|Yueming Li|Yongqi Fang|Jianbo Gao|Junkang Li|Shiyu Li|Sisi Huang|Xiaomeng Zou|Naiqin Fu|Zhiying Jin|Yuhong Shao|Maoran Li|Yan Kang|Zhili Wang
摘要
目的
本研究旨在开发一种深度学习放射组学模型（DLRN），该模型整合了B模式超声（BMUS）和增强超声（CEUS）图像，用于预测浸润性乳腺癌（IBC）患者术前的淋巴血管侵犯（LVI）情况。
方法
共纳入了来自三家医院的981名IBC患者。其中，来自医院I的834名患者中，688名被纳入训练队列，146名被纳入内部测试队列；来自医院II和III的147名患者则被纳入外部测试队列。从乳腺癌图像中提取了BMUS和CEUS的深度学习和手工制作的放射组学特征，以构建深度学习放射组学（DLR）特征。通过整合DLR特征和独立的临床病理参数，开发出了DLRN。评估了DLRN在区分能力、校准性能和临床效益方面的表现。
结果
DLRN在预测LVI方面表现良好，在训练队列、内部测试队列和外部测试队列中的接收者操作特征曲线下面积（AUC）分别为0.885（95%置信区间[CI,0.858–0.912）、0.914（95% CI, 0.868–0.960）和0.914（95% CI, 0.867–0.960）。校准曲线和决策曲线分析表明，DLRN具有良好的稳定性和临床实用性。此外，在内部和外部测试队列中，DLRN的性能均优于传统的临床模型和DLR特征（所有p<0.05）。
结论
DLRN在预测LVI方面表现出色，为术前确定IBC患者的LVI状态提供了一种非侵入性方法。
引言
乳腺癌已被证实是女性人群中发病率最高的恶性肿瘤，也是全球癌症死亡的主要原因，2022年全球癌症统计数据显示了这一点[1]。淋巴血管侵犯（LVI）被视为一个重要的病理指标，有助于预测转移、评估预后和制定治疗决策[2][3][4]。LVI被认为是肿瘤转移过程的一个生物学前提条件。LVI也被认为是新辅助治疗后的一个独立负面预后因素，与乳腺癌患者的总生存期（OS）显著相关[2,5]。此外，LVI在治疗决策中也越来越受到关注[5,6]。圣加仑国际专家共识建议对早期乳腺癌患者中表现出LVI的情况要谨慎使用部分乳腺放疗[6]。
LVI被定义为在浸润性癌附近区域，肿瘤细胞位于内皮细胞构成的腔室（毛细血管或淋巴管）内的组织学表现[7,8]。目前，LVI的确定依赖于手术切除标本（原发肿瘤及周围乳腺组织）的病理学分析，这限制了基于证据的术前治疗方案的标准化。此外，一些因素可能影响LVI评估的准确性，如组织收缩或变形、机械性引起的细胞位移以及化疗后的LVI变化[2,9]。这些因素导致了观察者间LVI状态的较大差异和低重复性[2]。因此，迫切需要建立一种准确的术前LVI预测方法，以便更好地管理IBC患者。
增强超声（CEUS）是一种关键的超声检查方法，能够连续动态地观察肿瘤的血管灌注情况，从而评估乳腺病变的微循环。先前的研究表明，乳腺癌的B模式超声（BMUS）特征与LVI相关[10]。乳腺癌的几种CEUS特征，包括增强强度（相对于周围正常乳腺组织的增强程度在峰值时间）、周围高增强模式和增强时间，已被证明与LVI有显著的独立相关性[10]。然而，超声图像的解释仍然具有主观性，很大程度上依赖于放射科医生的专业经验。观察者对超声图像解释的差异限制了其临床应用的潜力。
深度学习放射组学（DLR）是一个快速发展的领域，通过结合深度学习和放射组学特征，在表征乳腺癌方面显示出巨大潜力[11,12]。先前的研究报告称，基于磁共振成像（MRI）的放射组学特征可以有效预测LVI，为术前预测IBC患者的LVI状态提供了一种非侵入性方法[13][14][15][16]。然而，MRI检查受到成本、时间和临床幽闭恐惧症的限制[17]。基于超声的放射组学模型已被证明对LVI评估有用[18,19]。目前，CEUS被视为MRI背景下一种方便且有价值的增强成像方法。基于乳腺癌CEUS图像的DLR模型是否能够准确评估IBC患者的LVI状态尚未得到研究。
本研究旨在开发一种新的DLRN，整合BMUS和CEUS图像，用于术前预测IBC患者的LVI。
患者信息
这项回顾性多中心研究获得了医院的机构审查委员会批准，并遵循了《赫尔辛基宣言》。由于研究的回顾性设计，无需获得患者的知情同意。所有数据均来自三家医院。
2016年至2024年间，来自三家医院（医院I：中国人民解放军总医院；医院II：北京大学第一医院）的经病理学确诊为IBC并接受手术切除的患者被纳入研究。
患者特征
表1展示了981名患者的基线数据（中位年龄52岁；四分位数范围45–61岁）。训练队列、内部测试队列和外部测试队列中LVI的阳性率分别为30.4%、30.1%和30.6%。三个队列之间的US-ALN存在显著差异（p=0.03），而其他因素没有显著差异。
传统逻辑回归临床模型
训练队列中临床病理参数与LVI状态之间的相关性
讨论
本研究成功开发了一种用于术前评估IBC患者LVI状态的DLRN。该模型整合了乳腺癌的BMUS和CEUS图像以及临床病理参数，外部测试队列中的AUC为0.914，表现出良好的性能。这种模型为术前预测LVI状态提供了一种有前景的方法，有助于IBC患者的综合管理。
包括肿瘤大小在内的多个临床病理因素
结论
总之，整合了BMUS和CEUS图像的DLR模型在预测IBC患者的LVI方面表现良好。该模型具有作为术前确定LVI的非侵入性方法的潜力。
致谢
本研究得到了国家重点研发计划（2023YFC2414203）和国家自然科学基金（编号82371972）的资助。
