《Frontiers in Radiology》：Slice-level vs. volumetric radiomics for molecular subtyping of breast cancer: impact of patient-level data partitioning on model performance
编辑推荐：
摘要
引言：乳腺癌的分子分型，特别是Luminal A型与Basal-like型肿瘤的鉴别，对于指导治疗决策和判断预后至关重要。影像组学（Radiomics）提供了一种有前景的、非侵入性的补充性影像生物标志物，以支持基于活检的分型；然而，两个方法学空白限制了现
摘要
引言：乳腺癌的分子分型，特别是Luminal A型与Basal-like型肿瘤的鉴别，对于指导治疗决策和判断预后至关重要。影像组学（Radiomics）提供了一种有前景的、非侵入性的补充性影像生物标志物，以支持基于活检的分型；然而，两个方法学空白限制了现有研究的有效性：缺乏受控的2D与3D特征比较，以及多切片流程中患者层面数据泄漏（patient-level data leakage）的系统性报告不足。
方法：为弥补上述两个不足，本研究在TCGA-BRCA队列上对切片层面（2D）和容积（3D）影像组学流程进行了基准测试，用于Luminal A型与Basal-like型肿瘤的分类，在强制严格患者隔离的分层组k折交叉验证（Stratified Group k-Fold，k = 5）方案下，评估了七种分类器与两种特征选择策略的组合。
结果：3D流程的平均受试者工作特征曲线下面积（AUC）为0.682，而2D流程为0.631。在3D配置中，采用SelectKBest-互信息（SelectKBest-MI）特征选择的支持向量机（SVM）取得了最高性能（AUC = 0.768 ± 0.066），而2D配置中逻辑回归（Logistic Regression）表现最佳（AUC = 0.769 ± 0.109），但其折间变异性显著更高。七种分类器中有六种在3D配置下获得了更高的AUC分数，尽管基于折叠水平AUC值的配对显著性检验未达到统计学显著性（p = 0.313）。
讨论：这些结果为通过影像组学进行非侵入性乳腺癌亚型分类建立了一个可复现、无泄漏的基线，其中3D影像组学提供的是改进的稳健性而非更高的峰值性能。结果来源于单一队列（TCGA-BRCA），在宣称临床通用性之前需要外部验证。
论文解读：基于切片层面与容积影像组学的乳腺癌分子分型比较研究
一、研究背景与问题
乳腺癌是2020年全球女性中最常诊断的恶性肿瘤，其临床管理依赖于分子分型，包括Luminal A型、Luminal B型、HER2富集型和Basal-like型。这些亚型通过基因表达谱确立，与不同的预后、治疗反应和复发风险相关。Luminal A型肿瘤以高雌激素受体（ER）表达和低增殖活性为特征，预后最佳；而Basal-like型肿瘤通常ER、PR、HER2均为阴性，基因组不稳定且增殖迅速，预后最差。当前分子分型的金标准依赖免疫组织化学（IHC）和荧光原位杂交（FISH）对活检标本进行分析，但活检具有侵入性、存在空间采样偏差和操作风险，且无法表征整个肿瘤的空间异质性。影像组学通过高通量提取医学影像中的定量特征，提供了一种非侵入性的替代方案。
然而，现有研究存在三个方法学空白：第一，多切片2D影像组学流程常受患者层面数据泄漏影响，即同一患者的切片同时出现在训练集和测试集中，导致AUC虚高0.08–0.15，结果难以在临床部署中复现；第二，在相同分类器和验证条件下，对2D切片层面与3D容积配置的直接受控比较很少，难以判断体积分割的额外成本是否值得；第三，性能指标往往缺乏诚实的跨折叠不确定性量化，掩盖了小规模不平衡队列中结果的真实变异性。为此，本研究旨在通过无泄漏的患者分层交叉验证、系统性的2D与3D比较以及精确的变异报告来弥补这些空白。
二、研究设计与方法概述
研究人员在TCGA-BRCA队列（n=88，Luminal A型72例，Basal-like型16例）上开展研究，使用动态对比增强（DCE）MRI的首个增强期图像，在3D Slicer中手动分割肿瘤区域，并通过PyRadiomics v3.0.1提取影像组学特征。2D配置对每个轴向切片提取特征，共获得2424个切片级观察样本；3D配置对整个肿瘤体积提取特征，获得88个体积级观察样本。研究评估了七种分类器（逻辑回归、随机森林、决策树、支持向量机、朴素贝叶斯、K近邻、XGBoost）与两种特征选择策略（SelectKBest-互信息和方差阈值）的组合，采用分层组k折交叉验证（StratifiedGroupKFold，k=5）强制患者级隔离，并对2D切片预测概率进行均值池化到患者水平。所有特征选择均在训练折叠内部执行，以防止测试集标签信息泄漏。
三、研究结果
4.1 完整分类结果
通过14种分类器-特征选择组合的系统评估，2D配置中最佳组合为逻辑回归+SelectKBest-MI（AUC=0.769±0.109），3D配置中最佳组合为支持向量机+SelectKBest-MI（AUC=0.768±0.066）。完整结果按AUC降序排列，展示了每个组合的准确率和加权F1分数。
4.2 2D与3D总体比较
3D配置在所有14种组合中的平均AUC为0.682，高于2D配置的0.631，平均提升+0.051。两种配置的峰值AUC相当（2D为0.769，3D为0.768），但3D峰值组合的标准差为0.066，较2D的0.109降低了39%，表明3D配置具有更低的折间变异性。此外，3D最佳AUC配置的准确率（0.783）和F1分数（0.753）显著高于2D（0.570和0.564）。
4.3 SelectKBest-MI下的逐分类器比较
在SelectKBest-MI特征选择下，七种分类器中有六种在3D配置中AUC提高，其中支持向量机增益最大（+0.153，从0.615到0.768）。唯一例外是逻辑回归（?0.089），这可能得益于2D多切片设置中更大的有效训练样本量（2424个切片对比88个体积）。特征重要性分析显示，GLCM纹理特征（相关性、对比度、熵）和一级强度统计在两个配置中均被频繁选中，而体积形状描述符（球形度、表面积比）仅在3D配置中出现。
4.4 统计显著性与临床指标
为评估3D优势的统计意义，研究人员对最佳2D和3D配置的折叠水平AUC进行了配对Wilcoxon符号秩检验，结果为p=0.313，未达到统计学显著性。Bootstrap 95%置信区间显示2D AUC为[0.410, 0.716]，3D AUC为[0.449, 0.701]，区间重叠明显；AUC差异（3D?2D）的95%置信区间为[?0.178, 0.194]，包含零。因此，3D配置的优势主要表现为稳健性提升，而非确认的判别能力优越性。在临床指标方面，默认0.5阈值下3D配置的敏感性较低（0.188），但通过Youden's J最优阈值校正后，3D的平衡准确率提高至0.639，敏感性达到1.000，而2D为0.594。
四、讨论与结论
讨论部分指出，本研究的AUC值是在仅使用手工MRI影像组学特征、不加入临床协变量或基因组数据的情况下获得的，这种设计定义了其临床价值：非侵入性、零额外成本的肿瘤特征表征，可补充活检的不足。3D配置的优势在于稳健性而非峰值性能，当体积分割可用时推荐SVM+3D；而仅切片级注释可用时，逻辑回归+2D以较低分割成本提供接近的峰值性能。SelectKBest-MI在两个配置中均识别出最佳组合，表明非线性特征-标签依赖排序比方差过滤更具判别力。严格的泄漏预防框架产生了诚实的性能估计，但代价是更高的折叠变异性——这是小样本（n=88）不可避免的权衡。
研究结论为：本研究建立了一个无泄漏、患者分层的影像组学框架，用于Luminal A型与Basal-like型乳腺癌分类，在相同实验条件下系统比较了2D和3D配置。3D配置更稳健（平均AUC 0.682，最佳AUC 0.768±0.066，对应SVM+SelectKBest-MI），而2D配置提供有竞争力的峰值性能（0.769±0.109，对应逻辑回归+SelectKBest-MI）且分割成本更低。仅凭MRI影像组学，不依赖基因组或临床数据，也不进行任何侵入性操作，这些结果证明非侵入性影像能够提供临床上有意义的分子亚型鉴别能力，作为组织活检分型的补充性决策支持工具，并优于文献中仅使用影像组学的MRI基线。严格的防泄漏验证框架产生了诚实、可复现的性能估计，反映了对未见患者的真实泛化能力。由于所有结果源自单一队列（TCGA-BRCA）且无外部验证，这些发现应视为探索性结果。该流程具有模态无关性和数据集独立性，为未来多模态、多队列扩展并走向临床部署提供了可复现的基础。
