《Magnetic Resonance Imaging》：A deep learning radiomics model based on multiparametric MRI for predicting the efficacy of neoadjuvant chemotherapy in axillary lymph nodes of breast cancer
编辑推荐：
•腋窝降阶梯手术是淋巴结阳性乳腺癌患者的一项关键临床需求。•多参数MRI可提供关于肿瘤血流动力学、细胞密度和形态学的互补信息。•深度学习可提取超越手工构建放射组学的高级语义特征。•PR、HER2、T分期和TIC类型被确定为apCR的预测因子。•XGBoost表现出强劲的性能；
- •
腋窝降阶梯手术是淋巴结阳性乳腺癌患者的一项关键临床需求。
- •
多参数MRI可提供关于肿瘤血流动力学、细胞密度和形态学的互补信息。
- •
深度学习可提取超越手工构建放射组学的高级语义特征。
- •
PR、HER2、T分期和TIC类型被确定为apCR的预测因子。
- •
XGBoost表现出强劲的性能；SHAP分析量化了特征贡献，增强了模型的可解释性。
引言
乳腺癌是一种长期困扰女性健康的恶性肿瘤[1]。根据《CA：临床医生癌症杂志》2025年美国癌症统计报告，乳腺癌在女性新发癌症病例中发病率排名第一，死亡率排名第二，占比分别达到32%和14%[2]。腋窝淋巴结是乳腺癌常见的转移部位，其状态不仅影响乳腺癌患者的预后和生存，而且在确定后续治疗方案中发挥着关键作用[3]。
新辅助化疗（NAC）可缩小原发肿瘤和腋窝淋巴结（ALN）体积，从而降低临床分期[4], [5]。大约30%–60%的初始腋窝淋巴结阳性患者在NAC后实现腋窝病理完全缓解（apCR）[6]。然而，腋窝淋巴结清扫术（ALND）仍然是NAC后初始腋窝淋巴结阳性患者病理淋巴结状态判定的诊断金标准。ALND可能引起不同程度的不良反应，包括淋巴水肿、肩关节活动受限和上肢感觉障碍[7], [8], [9]。近期指南已开始推荐对NAC后临床评估为ycN0的cN+患者采用靶向腋窝清扫（TAD）或前哨淋巴结活检（SLNB）等降阶梯手术策略，以减少ALND[10]。然而，SENTINA试验[11]显示，仅通过体格检查和腋窝超声确定的腋窝淋巴结降期阴性预测值仅约为50%，假阴性率超过14%。后续研究进一步证实了这一发现[12], [13]。因此，目前仍然迫切需要一种无创术前评估工具来预测腋窝淋巴结对NAC的反应。
放射组学可以高通量提取影像特征，揭示人眼无法直接辨识的肿瘤异质性信息[14]。深度学习可以通过端到端学习方法自动进行多层次深度特征提取[15]。多参数磁共振成像（mpMRI）可以整合T2加权成像（T2WI）、扩散加权成像（DWI）和动态对比增强MRI（DCE-MRI）的多序列信息，实现对乳腺肿瘤形态学特征、细胞密度和微血管灌注功能的综合评估，在乳腺癌的精准诊断和管理方面具有巨大潜力。
目前，围绕乳腺癌腋窝淋巴结风险预测和治疗反应评估已开展了大量探索性研究。Zhang等人[16]开发了一个结合临床病理变量的列线图，用于预测前哨淋巴结阳性患者非前哨淋巴结转移风险；Wang等人[17]建立了一个AI辅助超声系统，用于术前预测腋窝淋巴结转移。尽管这些研究推动了该领域的发展，但它们主要关注治疗前的风险分层。对于接受NAC的患者，核心临床挑战已从治疗前转移风险预测转变为治疗后评估腋窝是否达到apCR，从而为腋窝手术降阶梯决策提供依据。Cheng等人[18]开发了一个整合超声、MRI和临床病理特征的多模态列线图，用于预测NAC后的apCR。然而，上述模型仅使用了传统放射组学，未纳入深度学习的高通量特征提取方法，这限制了图像信息挖掘的深度。另有几项研究[19], [20]基于医学影像开发了深度学习模型，通过提取高维特征来预测apCR。尽管如此，大多数这些研究采用单序列成像，未能充分整合多参数序列的互补信息，且缺乏模型可解释性，这限制了其临床可接受性。
因此，在本研究中，我们构建并验证了一个基于mpMRI的可解释深度学习预测模型。该模型旨在作为临床医生的无创辅助决策支持工具，帮助识别NAC后可能实现apCR的患者，从而支持腋窝降阶梯的个体化决策，有望使患者免于不必要的ALND（图1）。
各章节摘要
患者
我们回顾性收集了2019年3月至2025年2月期间经穿刺活检确诊为ALN转移性乳腺癌、完成标准NAC周期并接受手术治疗221例患者的数据。数据集按7:3的比例随机分为训练集（n = 152）和验证集（n = 69）。所有患者在NAC治疗前两周接受MRI检查。纳入标准如下：①病理确诊为乳腺癌
患者基线
在221例患者中，104例（47%）实现了apCR，其中训练集73例，验证集31例。其余117例（53%）为非apCR，包括训练集79例和验证集38例。
临床特征分析与模型构建
为识别独立预测因子，我们进行了单因素和多因素逻辑回归分析。单因素分析中P值<0.05的变量被纳入前进法逐步回归分析（补充表2）。最终模型
讨论
针对NAC后缺乏无创方法预测apCR的临床难题，本研究开发并验证了一个基于mpMRI的DLRC模型。该模型的主要目标是实现无创且精准的个体化预测，识别腋窝降阶梯的潜在候选人，并为临床降阶梯决策提供初步证据。DLRC模型在apCR预测中取得了良好的整体判别性能。
结论
总之，本研究通过整合多参数MRI、放射组学、深度学习和临床特征，建立了一个高效且可解释的DLRC模型，用于预测淋巴结阳性乳腺癌患者NAC后的apCR。该模型提供了一种潜在的无创工具，帮助识别可能免除ALND的低风险患者，从而为腋窝降阶梯的临床决策提供依据。
CRediT作者贡献声明
刘梦玲：撰写——初稿，验证，软件，方法学，调查，形式化分析，概念构思。李然：撰写——审阅与编辑，软件，方法学，调查，形式化分析，概念构思。陈阿玲：资源，调查，数据整理。张宇：资源，调查，数据整理。魏婷婷：资源，调查，数据整理。朱云：指导，资源，项目管理，方法学。陈芬芬：资源，
伦理声明
本研究按照《赫尔辛基宣言》及其后续修正案进行。本研究经伦理委员会批准（批准号：2025–0524），本次回顾性分析免除了知情同意。
生成式AI及AI辅助技术写作过程声明
在撰写本工作过程中，作者使用DeepSeek在一定程度上协助语言润色、语法纠正和句式优化。在使用该工具后，我们根据需要审查和编辑了内容，并对发表文章的内容承担全部责任。
资助
本工作得到以下项目支持：安徽省医学影像学科（专业）带头人培养项目（DTR2024028）；蚌埠医学院重点扶持和培育学科专项（量子医学专项）（2024bypy017）；蚌埠医学院龙湖人才项目（LH250302002）；江淮人才发展计划—拔尖项目、蚌埠医学院科研攻关项目（2025byjbgs028）；以及
利益冲突声明
作者声明不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。
刘梦玲|李然|陈阿玲|张宇|魏婷婷|朱云|陈芬芬|郑轩|朱秋阳|谢宗宇
