基于18F-FDG PET/CT深度放射组学模型的乳腺癌化疗响应预测新策略

本研究针对乳腺癌化疗响应早期预测的临床难题，通过整合18F-FDG PET/CT放射组学特征与SENet深度学习特征，开发了XGBoost预测模型。结果显示，联合模型AUC达0.92，较传统放射组学模型提升8.3%，首次实现基于首周期治疗后影像的精准预测，为个体化治疗决策提供新工具。

　　

乳腺癌作为全球女性发病率最高的恶性肿瘤，治疗方案的个性化选择始终是临床面临的重大挑战。尽管化疗是标准治疗手段之一，但约30-50%患者对首周期化疗无响应，传统评估方法需等待数月才能判断疗效，导致患者暴露于无效治疗的毒副作用中。近年来，18F-FDG PET/CT凭借其独特的代谢成像能力，在肿瘤早期响应评估中展现出潜力，但如何从海量影像数据中提取有效预测特征仍是未解难题。

普渡大学（Purdue University）的研究团队在《Medical Oncology》发表创新性研究，通过融合传统放射组学与深度学习技术，开发出可早期预测化疗响应的新型模型。该研究从癌症影像档案库（TCIA）获取60例乳腺癌患者的三期PET/CT影像（治疗前T1、首周期后T2和全程治疗后T3），采用40% SUV_max阈值勾画肿瘤体积(GTV)，提取314个放射组学特征（CT 88个/PET 226个），并创新性引入SENet深度学习网络提取补充特征。通过XGBoost等机器学习算法构建预测模型，最终实现在首周期治疗后即可准确预测病理完全缓解(pCR)状态。

关键技术包括：1) 基于QIN-Breast数据集的60例乳腺癌患者多时相PET/CT分析；2) PyRadiomics提取314个放射组学特征；3) SENet深度学习网络特征提取；4) XGBoost/RF/LR/SVM多模型对比；5) PERCIST标准的代谢响应评估。

模型性能比较

研究显示，仅使用放射组学特征时，XGBoost模型AUC达0.85，显著优于RF(0.76)和LR(0.80)。

当整合SENet深度学习特征后，XGBoost性能提升至0.92（p=0.003），敏感性89.7%、特异性93.1%，展现出最优的临床预测价值。

特征相关性分析

通过热图可视化揭示关键预测因子：CT特征中肿瘤异质性参数、PET-T1期SUV_mean及T1-T2期代谢变化量最具预测价值。

深度学习特征则补充了传统放射组学未能捕捉的微观纹理特征。

临床决策价值

决策曲线分析证实，在0.05-0.30风险阈值区间，XGBoost模型的净获益值显著高于传统临床决策策略。

这意味着对45%的早期非响应者，模型可指导及时转换治疗方案。

该研究开创性地证明：1) 深度放射组学特征可突破传统影像组学的信息瓶颈；2) XGBoost算法在异构特征整合中具有独特优势；3) 首周期治疗后18.9天即可实现准确预测，较传统评估提前3个月。尽管存在单中心回顾性数据的局限性，这项研究为乳腺癌精准医疗提供了可解释性强、临床转化便捷的新型决策工具，未来通过多中心前瞻性验证有望改写临床实践指南。