基于深度学习与纵向多区域超声的乳腺癌腋窝病理完全缓解预测模型iShape的构建与验证

本研究针对乳腺癌新辅助治疗(NAT)后腋窝淋巴结(ALN)病理完全缓解(pCR)预测难题，开发了基于共享-私有特征学习的信息共享模型(iShape)，通过整合原发灶与ALN的纵向超声特征，在3个外部验证集中AUC达0.950-0.971，将前哨淋巴结活检(SLNB)假阴性率从13.4%降至3.6%，为个体化腋窝手术决策提供可靠依据。

　　

在乳腺癌治疗领域，腋窝淋巴结转移状态是影响预后的关键因素。尽管新辅助治疗(NAT)能使37%-75%的患者实现腋窝病理完全缓解(pCR)，但临床仍常规进行创伤性腋窝淋巴结清扫(ALND)，导致淋巴水肿等并发症。现有影像学评估方法如超声存在高假阴性率，而前哨淋巴结活检(SLNB)的假阴性率(FNR)达12.6%-14.2%，超过临床可接受的10%阈值。更棘手的是，当前基于人工智能的预测模型多忽视原发灶与转移淋巴结的生物学异质性，且缺乏可解释性。

为突破这些瓶颈，由Yu Liu和Lei Wu领衔的多中心团队在《eBioMedicine》发表研究，开发了信息共享-私有模型(iShape)。该研究纳入中国5家三甲医院的1135例活检证实ALN阳性乳腺癌患者，通过Transformer架构提取治疗前后原发灶(pre-pt/post-pt)和治疗前ALN(pre-aln)的超声特征，采用中央矩差异(CMD)损失和余弦距离损失分别捕捉多区域图像的共性与特异性信息。研究通过t-SNE降维和梯度加权类激活映射(Grad-CAM)实现特征可视化，并联合RNA测序解析生物学机制。

研究设计与方法

训练集(371例)来自广东省人民医院和山西省肿瘤医院，外部验证集(764例)来自中山大学肿瘤防治中心等3家机构。采集患者治疗前后超声图像，使用14种设备获取原发灶和ALN的最大切面。通过定制软件去除非组织信息后，采用对比度受限自适应直方图均衡化等数据增强技术。iShape模型通过四重损失函数优化，在NVIDIA RTX 4090 GPU上训练。另对24例患者进行RNA测序，通过DESeq2分析差异基因，CIBERSORTx评估免疫浸润。

模型性能验证

在外部验证集中，iShape的AUC显著优于单区域模型(0.759-0.871)和临床模型(0.577-0.719)。关键发现包括：

• •

  特征可视化显示pCR组关注ALN皮质和原发灶中心区，非pCR组聚焦病灶边缘

• •

  RNA测序揭示低分患者富集PD-1/PD-L1等免疫通路，M0巨噬细胞浸润更显著(P=0.001)

• •

  联合iShape使SLNB的FNR从13.4%降至3.6%，满足临床需求

生物学机制解析

KEGG分析表明低分组激活Th17细胞分化等通路，药物敏感性显示其对多西他赛(P=0.012)和阿霉素(P=0.001)更敏感。这为理解治疗抵抗提供新视角，高分组则对拉帕替尼(P<0.001)敏感，提示分子分型指导用药潜力。

结论与展望

该研究首创性实现多区域超声特征的动态解析，突破传统模型的数据冗余瓶颈。临床转化价值体现在：①避免39例pCR患者的过度治疗；②将SLNB准确性提升至96.4%。局限性包括未实现淋巴结一对一追踪，未来需跨国多中心验证。这项工作为"精准保腋"提供可靠工具，其开源策略(代码已共享于GitHub)将加速AI在肿瘤疗效评估中的应用。