一种稳定且可解释的放射组学模型，用于预测HR+HER2?乳腺癌对新辅助化疗的反应

《Breast Cancer Research》：A stable and interpretable radiomic model for predicting neoadjuvant chemotherapy response in HR+HER2? breast cancer

　　

摘要

背景

本研究旨在识别稳定且可解释的MRI放射组学特征，以开发用于预测HR+/HER2?乳腺癌新辅助化疗（NAC）反应的模型。

方法

这项回顾性多中心研究包括四个分析队列，共涉及686名HR+/HER2?乳腺癌患者，包括一个影像学开发队列、一个外部影像学验证队列、一个影像学-转录组学队列以及一个独立的转录组学队列。NAC反应通过残余癌负荷（Residual Cancer Burden）或Miller-Payne分级系统进行评估。从治疗前的DCE-MRI中提取了多区域放射组学特征，包括肿瘤内亚区、肿瘤周围区域、动态特征以及多区域空间相互作用（MSI）。五种特征选择方法（逐步回归、LASSO、RFE、基于GBM的嵌入式选择以及一种提出的稳定性驱动策略）与四种分类器（LR、SVM、RF、XGBoost）相结合，用于构建预测模型。稳定性特征是指至少在四种传统方法中的两种方法中，在至少50%的重复划分中被选中的特征。通过将放射组学预测结果与转录组数据和SNF分子亚型进行关联，探讨了其生物学可解释性。

结果

稳定性特征-XGBoost模型的表现优于所有其他组合，在训练集和测试集的平均AUC分别为0.902和0.855，在外部验证队列中的AUC为0.783。这些稳定特征主要来源于肿瘤内亚区和MSI，强调了空间异质性在预测治疗反应中的重要性。放射基因组学分析显示，MRI预测的非响应者主要是侵袭性强的SNF3或SNF4亚型，且这些亚型的细胞周期、RTK和PI3K-Akt/mTOR通路被激活；而预测的响应者主要为SNF1或SNF2亚型，表现出更强的免疫活性特征。

结论

一种基于稳定性驱动的多区域MRI放射组学模型能够提高NAC反应的预测准确性，为HR+/HER2?乳腺癌的个体化决策提供了一种可解释的影像学方法。