基于深度学习的超声影像全自动预测模型在乳腺癌前哨淋巴结转移诊断中的创新应用

这篇研究通过深度学习（DL）技术开发了全自动预测模型，结合DeepLabV3、U-Net和U-Net++算法实现乳腺癌（BC）超声（US）影像的自动分割，并整合临床因素构建集成模型。结果显示，该模型在前哨淋巴结（SLN）转移预测中表现优异（AUC 0.763），显著优于资深放射科医师（AUC 0.708），为临床无创评估SLN状态提供了量化工具。研究创新性地采用后融合策略提升分割精度（Dice系数0.855），并通过列线图（nomogram）实现风险可视化。

　　

引言

乳腺癌（BC）是全球女性最常见的恶性肿瘤，其预后评估和治疗策略高度依赖腋窝淋巴结（ALN）转移状态。前哨淋巴结（SLN）作为淋巴转移的首站，其状态检测目前依赖有创活检（SLNB），但约70%患者结果为阴性，导致过度治疗。超声（US）虽常用于评估SLN，但传统方法依赖形态学特征，诊断准确性有限（AUC 0.73–0.835）。深度学习（DL）技术为突破这一瓶颈提供了新思路，其卷积神经网络（CNN）架构能从影像中提取多层次特征，但现有研究多依赖人工标注，效率低下且一致性差。

患者与方法

研究纳入692例BC患者，来自临沂市人民医院（A院）和皖南医学院附属第一医院（B院），按7:3比例分为训练集（n=405）、内部验证集（n=174）和外部测试集（n=113）。创新性地采用后融合模型整合DeepLabV3、U-Net和U-Net++算法实现全自动病灶分割，并以ResNet50、ResNet101和DenseNet121构建预测模型。通过逻辑回归（LR）将DL特征（DL Sig）与临床因素（组织学类型、HER-2）融合，最终生成列线图。模型性能通过ROC曲线、校准曲线和决策曲线分析（DCA）评估，并与4名放射科医师（资历4–12年）进行对比。

结果

自动分割模型：后融合模型在测试集中Dice系数达0.855，召回率0.956，显著优于单一算法。

预测性能：ResNet50为基础的DL模型在测试集AUC为0.765（95% CI: 0.674–0.856），集成模型进一步提升至0.763，准确率69%，显著高于资深医师（敏感性75% vs. 70%）。Grad-CAM可视化显示模型聚焦于肿瘤边缘等高危区域（图5）。

临床转化：列线图整合DL Sig（0–100分）、HER-2和组织学类型，示例显示总分125分对应62.5%转移风险（图7）。DCA证实集成模型在阈值概率>10%时具有显著临床净收益。

讨论

研究突破在于全自动流程设计：通过多算法融合解决US图像斑点噪声和形态异质性难题，避免人工偏差。与既往研究对比，XGBoost模型（AUC 0.738）和TabNet模型（准确率75%）均未实现自动化分割。值得注意的是，临床因素中仅HER-2和组织学类型具预测价值（p<0.05），可能与测试集样本异质性有关。局限性包括回顾性数据、未纳入基因组特征及新辅助治疗患者。

结论

该DL模型首次实现从US影像分割到SLN转移预测的全自动化流程，其量化评估工具为个体化治疗决策提供支持。未来需探索视频动态分析及多模态影像（MRI/PET-CT）的扩展应用。