《Current Radiopharmaceuticals》：Early identification of axillary lymph node metastasis in patients with primary breast cancer based on 3D deep learning radiomics nomogram
编辑推荐：
背景：腋窝淋巴结转移（axillary lymph node metastasis, ALNM）对乳腺癌早期治疗决策至关重要，但穿刺活检可能给患者带来一系列不良反应。本研究旨在利用基于动态对比增强磁共振成像（Dynamic Contrast-Enhanced
背景：腋窝淋巴结转移（axillary lymph node metastasis, ALNM）对乳腺癌早期治疗决策至关重要，但穿刺活检可能给患者带来一系列不良反应。本研究旨在利用基于动态对比增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI）的深度学习影像组学列线图（deep learning radiomics nomogram, DLRN）模型无创识别ALNM。方法：回顾性分析396例侵袭性乳腺癌（invasive breast cancer）患者（2018—2024年）的临床和MRI数据，并分为训练集（n=277）和测试集（n=119）。提取影像组学特征和ResNet50深度学习特征，并通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归模型筛选。构建8个模型，并用SHAP（SHapley Additive exPlanations）和梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）进行解释。进行多因素回归以识别ALNM独立危险因素。开发基于深度学习影像组学评分（Deep Learning Radiomics score, DLR-score）的列线图，并通过曲线下面积（area under the curve, AUC）、敏感性、特异性和准确性评估。结果：临床模型在训练集和测试集的AUC分别为0.704和0.642，影像组学模型分别为0.813和0.804，DLR模型分别为0.903和0.816。原位癌（carcinoma in situ）、肿瘤位置（tumor location）和病理类型（pathological type）是ALNM独立危险因素。整合列线图在训练集的AUC为0.921，敏感性为0.821，特异性为0.870，准确性为0.848；在测试集分别为0.834、0.821、0.714和0.765。结论：基于DCE-MRI深度学习影像组学的列线图可有效预测乳腺癌患者ALNM。
乳腺癌（breast cancer, BC）是女性癌症相关死亡的第二大原因，转移率约为20%—30%；腋窝淋巴结（axillary lymph nodes, ALNs）转移状态对病理分期、预后及新辅助或辅助治疗、手术规划等治疗策略具有关键意义。目前评估腋窝淋巴结转移（axillary lymph node metastasis, ALNM）主要依赖腋窝淋巴结清扫（axillary lymph node dissection, ALND）和前哨淋巴结活检（sentinel lymph node biopsy, SLNB），但这些有创操作可导致手臂麻木或上肢水肿等术后并发症；且约70%—80%的前哨淋巴结活检结果为阴性，提示可能存在过度治疗。因此，开发准确、简单且无创的ALNM预测方法对乳腺癌个体化治疗十分必要。乳腺MRI是无创诊断工具，DCE-MRI可反映肿瘤血管生成和微血管密度；影像组学可提取高维图像数据，卷积神经网络（convolutional neural network, CNN）可自动学习图像特征。既往研究虽显示CNN模型优于影像组学模型，但仍存在较少将3D影像组学特征与深度学习特征融合为单一预测签名、模型临床可解释性不足等问题。为此，研究人员构建并验证基于DCE-MRI的DLRN，融合3D影像组学特征、ResNet50深度学习特征和独立临床病理危险因素，采用SHAP和Grad-CAM提高“黑箱”模型透明度，并使列线图可定量评估个体患者风险，为个体化腋窝手术决策提供辅助证据，减少假阳性ALNM患者的不必要有创手术。
关键技术方法（≤250字）：研究人员回顾性纳入新疆医科大学附属肿瘤医院2018年1月至2024年6月396例原发性乳腺癌患者临床和术前MRI资料，按7:3随机分为训练集277例和测试集119例。基于DCE-MRI第二期增强图像手动勾画感兴趣区（region of interest, ROI），提取1015个影像组学特征及ResNet50全局平均池化层2048维深度学习特征，经t检验、Spearman相关分析和10折交叉验证LASSO回归筛选，采用特征级融合构建DLR特征；比较逻辑回归、随机森林、支持向量机、K近邻、LightGBM、XGBoost、ExtraTrees和多层感知机等模型，结合SHAP、Grad-CAM、多因素回归、列线图、ROC、校准曲线和决策曲线分析（decision curve analysis, DCA）进行评价。
结果如下。3.1 临床特征（Clinical characteristics）：研究纳入396例乳腺癌患者，其中217例（54.7%）无ALNM、179例（45.3%）有ALNM；训练集277例、测试集119例。通过单因素和多因素分析，训练集中原位癌、肿瘤位置、PR、ER、时间-强度曲线（time-intensity curve, TIC）和病理类型与ALNM显著相关；多因素分析显示原位癌[OR=0.387，95% CI：0.219—0.684，P=0.006]、肿瘤位置[OR=0.630，95% CI：0.437—0.907，P=0.037]和病理类型[OR=1.196，95% CI：1.123—1.274，P<0.001]为ALNM独立危险指标。分割者间ICC为0.91（95% CI：0.85—0.95），分割者内ICC为0.94（95% CI：0.90—0.97），表明手动勾画一致性高。3.2 特征选择（Feature selection）：从初始1015个影像组学特征和2048个深度学习特征中，经t检验和相关系数筛选出195个影像组学特征和406个深度学习特征；进一步用LASSO回归降维，在λ=0.0391时最终选取17个非零系数特征构建深度学习影像组学模型。3.3 模型构建与性能评价（Model construction and performance evaluation）：研究构建8个模型。影像组学模型中逻辑回归测试集AUC最高，为0.804；临床特征模型中XGBoost测试集AUC为0.642；DLR模型中随机森林测试集AUC最高，为0.816。结果表明基于影像组学、DLR和临床特征的机器学习模型在预测任务中具有较强且稳定的性能。3.4 模型可解释性（Model interpretability）：3.4.1 SHAP分析（SHAP analysis）对最终DLR签名模型（逻辑回归）进行SHAP值分析，显示wavelet_HHL_glcm_Idm对预测结果的正向影响最显著，wavelet_HHL_ngtdm_Coarseness呈负向影响但程度较小；wavelet_HLH_firstorder_Kurtosis和wavelet_HHL_glcm_Idm推动阳性结果，original_shape_Sphericity和wavelet_LHH_firstorder_Skewness呈负向影响，从而展示特征贡献顺序和幅度。3.4.2 Grad-CAM可视化分析（Grad-CAM visualization analysis）：利用最后卷积层梯度信息与全局平均池化权重生成类激活热图，热图由红色（较低激活）至蓝色（较高激活）显示不同区域重要性；中心区域蓝色集中，高激活区域对应高信号乳腺组织区域，原文指出这些区域与腋窝淋巴结状态密切相关，从而提高CNN模型透明度。3.5 列线图的开发与性能评估（Development and performance assessment of the nomogram）：选取临床、影像组学和DLR各类最优模型，与由独立临床因素（原位癌、肿瘤位置、病理类型）和DLR特征构建的最终列线图比较；列线图在训练集AUC为0.921、敏感性0.821、特异性0.870、准确性0.848，在测试集分别为0.834、0.821、0.714、0.765。DCA显示列线图在多数阈值概率下净获益高于仅基于临床、影像组学或DLR特征的模型；校准曲线显示其在高概率范围校准更优；ROC曲线显示其AUC最高；DeLong检验显示训练集各模型差异有统计学意义，而测试集列线图与影像组学或DLR模型、影像组学与DLR模型之间无统计学显著差异。
讨论部分总结：DCE-MRI增强动力学可反映血管生成、血管通透性和微血管密度，影像组学纹理特征可量化瘤内异质性，深度学习特征可补充高阶抽象模式，融合多尺度信息支持无创腋窝分期。既往影像组学模型多可获得较高AUC，但不同机器学习算法表现存在差异；本研究中XGBoost在训练队列表现最佳，而逻辑回归在测试队列AUC最高。深度学习方面，ResNet50提取特征后构建的DLR特征具有诊断价值，随机森林和ExtraTrees测试集AUC高于0.80，XGBoost测试集AUC仅0.761，原文认为可能由于过拟合。SHAP识别出与ALNM相关的关键纹理和形态特征，Grad-CAM可视化深度学习模型关注区域；整合DLR特征与独立临床因素的列线图具有良好校准和净获益。局限包括：特征主要来自原发肿瘤而未纳入淋巴结区域特征；手动肿瘤分割可能因勾画者经验产生变异；研究为单中心且无独立外部验证队列，虽采用随机拆分测试集进行内部验证，但跨MRI扫描仪、成像方案和人群的泛化性尚待建立，缺乏外部验证可能导致在其他机构数据上高估模型性能；需前瞻性、多中心、标准化成像方案和外部验证研究确认其稳健性和临床适用性。研究结论（译）：本研究证实基于DCE-MRI的影像组学和深度学习特征对预测ALNM具有诊断价值；研究人员开发的整合影像组学、深度学习和临床因素的列线图模型取得更优预测性能，为乳腺癌患者ALNM早期检测提供高效、无创的方法，促进更精准和个体化的治疗决策；进一步研究和技术进步有望为乳腺癌早期诊断和精准治疗提供更可靠支持。
