《Diagnostics》：Distinguishing Benign from Malignant Small Enhancing Breast Lesions Using Radiomics
编辑推荐：
背景/目的：在乳腺磁共振成像（MRI）上观察到的小强化病变（若病灶≤5 mm，常称为微小灶）构成了持续挑战。其临床意义和最有效的管理策略仍不明确，常导致不必要的活检。研究人员试图探究这些病变的定量放射组学特征能否可靠地区分恶性与良性病变。方法：在这项单中心回顾
背景/目的：在乳腺磁共振成像（MRI）上观察到的小强化病变（若病灶≤5 mm，常称为微小灶）构成了持续挑战。其临床意义和最有效的管理策略仍不明确，常导致不必要的活检。研究人员试图探究这些病变的定量放射组学特征能否可靠地区分恶性与良性病变。方法：在这项单中心回顾性研究（2015–2024年）中，研究人员分析了来自30例患者的31个对比增强乳腺病变，这些病变在单一轴向MRI层面上测量的最大直径≤10 mm，所有患者均接受了1.5-T或3.0-T乳腺MRI检查并随后获得组织学确认（10个恶性，21个良性）。研究人员手动勾画病灶，并从早期动态对比增强（DCE）减影图像中提取了105个放射组学变量。通过随机森林（Random Forest）模型量化特征重要性；采用迭代top-k剪枝方法找到表现最佳的变量。使用留一受试者交叉验证（LOSO-CV）方案训练和验证多层感知器（MLP）分类器，并以灵敏度、特异度、准确度和AUC作为主要性能指标。结果：在105个提取的特征中，44个携带预测信息（特征重要性评分≥0.20）。逐步特征缩减得到了一个由9个放射组学特征组成的最优子集（6个基于纹理，3个基于形状）。纹理衍生特征在信息量最大的变量中占主导地位。MLP实现了0.80的灵敏度、0.89的特异度、0.86的准确度和0.82的AUC。结论：在这项探索性研究中，从早期DCE减影图像中提取的初步九特征放射组学特征与MLP模型结合使用时，具有区分良性与恶性小乳腺病变的潜力。在模型能够影响临床决策之前，需要进行前瞻性验证。
**论文解读：基于放射组学的乳腺小强化病变良恶性鉴别研究**
**研究背景与问题**
乳腺癌是全球女性癌症相关死亡的主要原因之一。乳腺磁共振成像（MRI）具有高灵敏度，但特异性不足，常导致不必要的活检。小强化病变（通常指直径≤5 mm的微小灶或≤10 mm的亚厘米病灶）在乳腺MRI上常见，但其临床意义和管理策略尚不明确。既往研究显示，此类病变的恶性率波动在0.6%–23%之间，影像学特征与病理诊断之间缺乏可靠关联，导致临床决策困难。放射组学（Radiomics）通过从医学图像中提取高通量定量特征，有望揭示肉眼无法识别的隐藏信息，辅助鉴别诊断。该研究旨在探索基于早期动态对比增强（DCE）减影图像的放射组学特征，结合机器学习模型，区分直径≤10 mm的乳腺小强化病变的良恶性。该论文发表在《Diagnostics》期刊上。
**主要关键技术方法**
该研究为单中心回顾性研究（2015–2024年），纳入30例患者（共31个病灶，其中10个恶性、21个良性），病灶最大直径≤10 mm。主要技术方法包括：①从1.5-T或3.0-T乳腺MRI的早期DCE减影图像中手动分割病灶，使用PyRadiomics库提取105个放射组学特征（包括一阶统计量、形状特征及纹理特征，如灰度共生矩阵、灰度游程矩阵等）；②采用随机森林（Random Forest）算法计算特征重要性评分，并通过迭代top-k剪枝策略从105个特征中筛选出最优子集；③使用多层感知器（MLP）作为分类器，采用留一受试者交叉验证（LOSO-CV）评估性能，以灵敏度、特异度、准确度和AUC为主要指标。
**研究结果**
**3.1 研究对象**
研究共纳入31个强化病灶，平均大小为5.9 mm（范围2.6–10 mm）。良性病变（N=21）平均大小为5.4±1.7 mm，恶性病变（N=10）平均大小为6.9±1.9 mm，两组间大小差异无统计学意义（95% CI [?3, 0] mm）。良性病变包括上皮增生性病变（无非典型增生）、乳头状病变（无非典型增生）、良性纤维上皮性肿瘤、非增生性纤维囊性/间质改变、创伤或炎症相关改变等；恶性病变包括6例浸润性导管癌（IDC）和4例导管原位癌（DCIS）。研究人员将DCIS与IDC均归为恶性，因其在早期DCE-MRI上呈现相似的强化模式。
**3.2 放射组学特征**
在105个特征中，44个特征携带非可忽略信息（聚合特征重要性评分>0.2，最高分1.81）。通过逐步减少特征数量，发现最优特征子集为9个，此时几何均值（GeoMean）达到峰值约0.84。这9个特征包括6个纹理特征（来自灰度依赖矩阵GLSZM、灰度共生矩阵GLCM、灰度游程矩阵GLRLM等）和3个形状特征。纹理特征在信息量最大的变量中占主导地位。使用该9特征子集训练MLP分类器，经30次重复LOSO-CV，得到性能指标：灵敏度0.80，特异度0.89，准确度0.86，GeoMean 0.84，AUC 0.82。通过患者级bootstrap（2000次迭代）估计95%置信区间：灵敏度0.50–1.00，特异度0.76–1.00，准确度0.74–0.97，AUC 0.53–0.95。结果还显示，过度减少特征（少于7个）会导致性能显著下降，而使用全部105个特征时性能较低（GeoMean约0.60–0.65），表明特征选择对模型泛化至关重要。
**讨论与结论**
讨论部分指出，该研究从亚厘米强化乳腺病变中识别出9个放射组学特征，结合MLP算法实现了有前景的鉴别性能。与既往研究（如D'Amico等对≤5 mm病灶的放射组学研究，以及Gibbs、Lo Gullo等对亚厘米病灶的研究）相比，结果在纹理特征主导性方面具有一致性，但也存在差异（如本研究中形状特征位列前三，而其他研究更强调一阶特征）。研究人员认为，早期DCE减影图像在常规乳腺MRI中易于获取，不增加额外成本，若经前瞻性大样本验证，该模型有望辅助放射科医生对难以定性的小强化病变进行风险分层，指导短期随访或活检决策。但研究存在若干局限性：样本量小、类别不平衡、单中心回顾性设计、特征选择在交叉验证前完成可能导致性能高估、MLP在小样本中可能过拟合等。因此，该结果应被视为探索性、假设生成性的，未来需在更大队列中进行外部验证，并与简单分类器（如惩罚逻辑回归）进行基准比较。
**研究结论翻译**
总之，该初步研究显示，在单中心回顾性队列中，从早期DCE减影乳腺MRI上亚厘米强化病变中提取的9个放射组学特征，与MLP算法结合使用时，可改善良恶性病变的鉴别能力。这些初步发现需要在未来前瞻性、多中心研究以及更大队列中进行验证，以确定其临床实用性和可重复性。
