《eClinicalMedicine》：Exempting axillary staging surgery in breast cancer using multimodal ultrasound imaging and radiomics of sentinel lymph nodes
编辑推荐：
为解决早期乳腺癌腋窝淋巴结前哨淋巴结活检(SLNB)的创伤性和资源消耗问题，本研究创新性地融合对比增强超声(CEUS)和灰阶超声(GSUS)影像，构建了一种深度双模态融合网络(DDFN)模型。该模型术前预测SLN转移，在内外部验证队列中均展现出超过90%的阴性预测值(NPV)和超过0.86的AUC，显著优于单模态模型。其高NPV和特异性为准确识别无转移患者、豁免不必要腋窝分期手术提供了安全依据，有望推动乳腺癌精准外科管理从病理N0(pN0)迈向影像N0(iN0)。
乳腺癌是全球女性最常见的恶性肿瘤，其治疗过程中的腋窝淋巴结管理至关重要。传统上，为了明确疾病分期、指导后续治疗，对于早期乳腺癌患者，医生通常会进行一项名为“前哨淋巴结活检”（Sentinel Lymph Node Biopsy, SLNB）的手术。这项手术需要找到肿瘤引流区域的第一个或几个淋巴结——即“前哨淋巴结”，并将其切除进行病理检查。然而，这个过程本身是有创的，会给患者带来手术创伤、延长等待时间、消耗医疗资源，并增加心理和经济负担。更令人深思的是，大量临床数据显示，多达85%的患者其前哨淋巴结最终病理结果并未发现转移。这意味着，对这部分患者来说，SLNB手术可能并没有带来治疗获益，反而承受了不必要的风险和负担。
那么，能否在手术前，就以一种非侵入性的方式，精准地预测出哪些患者的前哨淋巴结是“干净”的，从而让他们免于不必要的活检手术呢？这正是发表在《eClinicalMedicine》上的一项最新研究所致力解决的核心问题。这项名为“Exempting axillary staging surgery in breast cancer using multimodal ultrasound imaging and radiomics of sentinel lymph nodes”的研究，利用人工智能（Artificial Intelligence, AI）技术，为乳腺癌的精准、微创外科管理开辟了新路径。
为了回答这个问题，研究人员开展了一项大规模、多中心的影像组学研究。他们收集了2019年1月至2024年7月间，来自中国三家医院（四川省人民医院、云南省肿瘤医院、福建省肿瘤医院）的1374名经病理确诊的乳腺癌患者数据。所有患者术前均接受了针对前哨淋巴结的灰阶超声（Grayscale Ultrasound, GSUS）和对比增强超声（Contrast-Enhanced Ultrasound, CEUS）检查。CEUS技术通过注射超声造影剂，能够实时、清晰地显示淋巴管和引流淋巴结，从而实现前哨淋巴结的精准定位。研究的关键在于构建了一个名为深度双模态融合网络（Deep Dual-modal Fusion Network, DDFN）的人工智能模型。该模型的核心任务是，通过学习并融合来自GSUS和CEUS两种图像的特征，在术前预测前哨淋巴结是否存在转移。为了验证模型的有效性，数据被精心划分为训练集、验证集、内部测试集以及三个前瞻性的外部测试集（分别来自上述三家医院）。
研究人员采用了一系列关键技术方法：首先，利用深度学习语义分割网络（如Unet、DeepLab v3+等）从原始超声图像中精确分割并裁剪出包含前哨淋巴结的关键区域。其次，基于DenseNet161骨干网络构建了DDFN模型，该网络通过并行处理GSUS和CEUS图像，并在网络深层进行持续的特征融合，以综合利用两种模态的信息。最后，以病理结果为金标准，重点使用阴性预测值（Negative Predictive Value, NPV）和特异性（Specificity, SPE）作为核心评价指标，以评估模型识别“真阴性”（即无转移）患者的能力，这正是豁免手术安全性的关键。
研究结果
患者及临床病理特征
最终纳入分析的1374名患者中位年龄为50岁。最常见的组织学类型是浸润性导管癌（占78.7%）。经病理证实，前哨淋巴结转移的患者比例为10.0%，非转移患者占90.0%。患者被分配到不同的队列用于模型开发和测试。
DDFN模型在回顾性研究队列中的诊断性能
在内部测试集中，整合了双模态影像的DDFN模型表现最为出色。其阴性预测值达到了0.973，显著高于仅使用GSUS的单模态模型（0.941）和仅使用CEUS的单模态模型（0.958）。同时，DDFN模型的特异性高达0.987，意味着它能非常准确地将非转移淋巴结识别出来。在综合评价模型区分能力的曲线下面积（Area Under the ROC Curve, AUC）指标上，DDFN模型也以0.912的数值显著优于两个单模态模型（GSUS模型为0.782，CEUS模型为0.890）。
DDFN模型在前瞻性研究队列中的诊断性能
模型在前瞻性外部测试中展现了强大的泛化能力。在三个来自不同医院的前瞻性测试队列中，DDFN模型的阴性预测值均超过0.9（分别为0.933、0.917和0.909），在大多数比较中仍显著优于单模态模型。其AUC值也保持在较高水平（分别为0.893、0.866和0.862）。这表明，尽管存在因不同超声设备、参数和造影剂导致的“域偏移”现象，DDFN模型依然保持了稳健的诊断性能。
GSUS和CEUS图像的激活热图
为了理解模型的决策依据，研究使用了梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）算法生成热图。结果显示，模型做出诊断所关注的图像区域，与超声专家关注的病灶区域高度重合。这种可解释性增强了临床医生对AI辅助诊断结果的信任。
研究结论与讨论
这项研究成功地开发并验证了一种基于前哨淋巴结CEUS和GSUS图像的多模态深度学习模型，用于术前评估乳腺癌患者的腋窝淋巴结状态。DDFN模型通过融合双模态信息，提供了比任何单一模态更全面、更准确的诊断信息。
研究的核心结论在于，DDFN模型在预测前哨淋巴结转移风险时，展现出理想的阴性预测值和高特异性。这意味着该模型能够非常可靠地识别出那些前哨淋巴结未发生转移的患者。对于这部分被模型判定为“低风险”的患者，临床医生有可能考虑豁免其SLNB手术，从而避免不必要的手术创伤和相关并发症，优化治疗体验。
这项研究立足于当前乳腺癌腋窝手术“精准化与降级”的趋势背景。在SOUND、INSEMA等临床试验证明了在严格筛选的低风险人群中豁免SLNB可行性的基础上，本研究提出的AI模型旨在解决一个更普适的临床难题：如何在更广泛、更多样化的真实世界患者群体中，安全且准确地筛选出可以避免SLNB的个体。与依赖主观性较强的传统超声评估不同，该模型提供了客观、可重复的风险分层，其识别能力超越了常规超声，甚至可能发现那些超声检查“看似正常”但实际存在微转移的高风险患者。
本研究的独特优势在于，通过超声引导下注射纳米碳悬液或放置钛夹标记，实现了术前CEUS定位的前哨淋巴结与术后病理结果的一一对应，确保了模型学习目标与临床金标准的精准对齐，避免了以往研究因靶点不明确可能导致的模型偏差。
当然，研究也存在一些局限性。例如，目前模型仅整合了超声影像数据，未来融入原发肿瘤的磁共振成像（Magnetic Resonance Imaging, MRI）、临床病理乃至基因组学数据，有望构建更强大的多模态诊断框架。此外，数据集中阴性样本远多于阳性样本，虽然符合真实世界分布，但可能影响了模型对阳性病例的诊断灵敏度。模型性能在前瞻性测试中略有下降，也提示需要纳入更多样化的设备、疾病类型和数据以提升泛化能力。
综上所述，这项研究标志着乳腺癌诊疗向更精准、更微创方向迈出了重要一步。DDFN模型作为一种强大的AI辅助工具，并非旨在取代临床医生，而是作为“人机协同”决策模式中的关键一环。它为外科医生提供了超越传统影像的客观风险评估，有望帮助更多早期乳腺癌患者在确保安全的前提下，免于不必要的腋窝分期手术，从而改善治疗策略、提升生活质量，并节约宝贵的医疗资源。这项成果为乳腺癌的个体化、精准化管理提供了极具潜力的新方案。
