结合肿瘤内及肿瘤周围delta放射组学特征与临床指标预测乳腺癌新辅助治疗的病理完全缓解率：一项基于多参数MRI的研究

《BMC Medical Imaging》：Prediction of pathological complete response to neoadjuvant therapy in breast cancer integrating intratumoral and peritumoral delta radiomics with clinical features: a study based on multiparametric MRI

　　

摘要

背景

本研究旨在构建一个整合多参数MRI中的肿瘤内及肿瘤周围区域德尔塔放射组学特征与临床指标的联合模型，用以预测乳腺癌患者在接受新辅助化疗后的病理完全缓解率（pCR，即Miller-Payne V级缓解）。

方法

共纳入了两家医院的254名乳腺癌患者作为研究对象。从基线检查以及新辅助化疗第二周期后的多参数MRI图像中提取肿瘤内及肿瘤周围区域的放射组学特征，进而计算出两个时间点之间的变化量——德尔塔放射组学特征。研究采用了六种机器学习算法来构建并比较德尔塔放射组学模型与临床模型，以确定最优算法。最终基于最优算法构建了整合肿瘤内及肿瘤周围德尔塔放射组学特征与临床指标的联合模型，用于预测pCR值。此外，还运用Shapley加性解释方法来分析该最优模型中各特征的作用程度。

结果

与其他机器学习算法相比，ExtraTrees算法在德尔塔放射组学模型和临床模型中均展现出更出色的预测性能。接收者操作特征曲线分析和决策曲线分析表明，这种多模态模型在预测pCR方面的表现优于单纯的德尔塔放射组学模型或临床模型。同时，SHAP分析显示，新辅助化疗期间肿瘤内及肿瘤周围区域放射组学特征的动态变化共同提升了融合模型的预测能力。

结论

本研究表明，通过德尔塔放射组学分析肿瘤内及肿瘤周围区域的信息，有助于评估乳腺癌的新辅助化疗效果，从而为乳腺癌治疗的个性化决策提供更多可能。