《Frontiers in Oncology》：Ultrasound-based shrinkage patterns at mid-neoadjuvant chemotherapy for predicting pathological complete response in invasive breast cancer
编辑推荐：
摘要翻译：
目的：基于新辅助化疗（NAC）中期肿瘤超声特征及测量参数的变化，建立基于超声的肿瘤退缩模式，并构建预测病理完全缓解（pCR）的模型，最终评估其临床应用价值。
方法：本研究纳入2017年1月至2024年12月期间接受NAC并随后接受手术的所有乳腺癌患
摘要翻译：
目的：基于新辅助化疗（NAC）中期肿瘤超声特征及测量参数的变化，建立基于超声的肿瘤退缩模式，并构建预测病理完全缓解（pCR）的模型，最终评估其临床应用价值。
方法：本研究纳入2017年1月至2024年12月期间接受NAC并随后接受手术的所有乳腺癌患者。所有患者在NAC前及NAC期间均接受乳腺超声检查。所有乳腺肿瘤图像由两名经验丰富的超声医师独立审阅，评估并记录肿瘤的超声特征。根据参数变化比较，将肿瘤分为向心性退缩（CS）和非向心性退缩（NCS）两种模式。NCS进一步细分为四种亚型：回声改变型、部分退缩型、树突状退缩型和碎裂型。根据术后病理结果，将患者分为病理完全缓解（pCR）组和非pCR组。采用单因素分析和多因素Logistic回归分析确定预测模型的独立预测因子。构建列线图，并绘制受试者工作特征曲线以评估模型性能。
结果：研究共纳入287个病灶。Logistic退缩分析结果显示，CS、ΔS（面积变化率）、回声改变、Adler分级下降、HER-2阳性及Ki-67为pCR的独立预测因子（均P<0.05）。基于这些因素构建的列线图模型在训练集和测试集中的曲线下面积（AUC）分别为0.906（95% CI = 0.866 - 0.946）和0.850（95% CI = 0.770 - 0.929）。仅使用退缩模式（CS vs NCS）的单变量模型AUC为0.741（95% CI：0.680 - 0.803）。
结论：在NAC中期阶段基于超声检查建立肿瘤退缩模式是可行的。基于列线图的预测模型结合了超声图像变化及肿瘤病理指标，可预测NAC疗效，并具有一定的临床应用价值。
论文解读文章：
**研究背景与意义**
新辅助化疗（NAC）已成为浸润性乳腺癌的重要治疗策略，其目的在于缩小肿瘤体积、降低分期，从而提高手术可切除性和保乳率。同时，NAC可视为体内药敏试验，为后续治疗决策提供关键信息。然而，不同患者对NAC的反应存在显著异质性，部分患者可达到病理完全缓解（pCR），并获得更高的无病生存和总生存率；另一些患者则对化疗不敏感，甚至出现疾病进展。因此，准确评估NAC疗效至关重要，可避免不必要的药物毒性，并允许及时调整治疗方案。
目前，NAC疗效评估主要依赖病理与影像学手段。病理评估虽为“金标准”，但其回顾性本质无法提供实时疗效反馈，且无法在治疗过程中动态监测。影像学评估则具有无创、可重复、可动态监测等优势。乳腺超声（US）是监测NAC疗效最常用的影像学工具，可评估肿瘤大小、形态及血供变化。然而，NAC诱导的肿瘤组织病理学改变多样，部分肿瘤呈同心圆式退缩，部分则碎裂或散在分布。对于后者，单纯测量肿瘤大小可能无法充分反映真实治疗反应，且纤维化间质存留可导致肿瘤直径无明显缩小。因此，基于“肿瘤退缩模式”的研究日益受到关注。
既往基于MRI的研究表明，NAC早期退缩模式可准确预测乳腺癌病理反应，向心性退缩（CS）与pCR显著相关，而混合或非向心性退缩（NCS）模式与non-pCR相关。Candelaria等建立了基于超声的肿瘤退缩分类系统，并证实NAC中期超声退缩模式与pCR显著相关，但该研究仅关注三阴性乳腺癌，且未基于这些发现构建预测模型。因此，本研究旨在建立基于超声的乳腺癌NAC肿瘤退缩模式，评估肿瘤大小、形态及内部回声变化，并构建疗效预测模型，为NAC疗效预测提供新方法。
**主要技术方法**
该研究为单中心回顾性研究，纳入2017年1月至2024年12月在福建医科大学附属漳州医院就诊的乳腺癌患者，最终287个病灶纳入分析。所有患者均接受标准NAC方案，并在NAC前及NAC中期（第3或第4周期后21天）行乳腺超声检查。两名经验丰富的超声医师依据BI-RADS分类标准独立评估并记录肿瘤超声特征，包括大小、形态、边缘、内部回声、液化、后方回声改变及Adler分级等。肿瘤面积变化率（ΔS）通过公式ΔS=(Sm-S0)/S0×100%计算。基于肿瘤大小、形态及内部回声变化，将退缩模式分为向心性退缩（CS）和非向心性退缩（NCS），NCS再分为回声改变型、部分退缩型、树突状退缩型和碎裂型四种亚型。术后病理采用Miller-Payne（M-P）分级系统评估，M-P G5级定义为pCR组，其余为non-pCR组。采用单因素及多因素Logistic回归分析（以AIC逐步筛选）确定独立预测因子，构建列线图，并通过ROC曲线、校准曲线及决策曲线分析（DCA）评估模型性能。
**研究结果**
**患者及基线特征**：共287个病灶纳入研究，按7:3比例随机分为训练集（202个病灶，其中85个pCR，117个non-pCR）和测试集（85个病灶，其中36个pCR，49个non-pCR）。患者中位年龄52岁。
**单因素分析结果**：在训练集中，pCR组与non-pCR组在肿瘤退缩模式、HER-2状态、回声改变、后方回声改变、Adler分级下降、边缘改变、Ki-67及ΔS方面差异具有统计学意义（均P<0.05）；而年龄、临床分期、液化改变等无显著差异。
**多因素Logistic回归分析**：将单因素分析中P<0.05的变量纳入多因素分析，结果显示CS、ΔS、回声改变、Adler分级下降、HER-2阳性及Ki-67为pCR的独立预测因子（均P<0.05）。基于AIC最终构建的Logistic退缩模型公式为：Y = ?6.536 + 1.463×X1 + 0.026×X2 + 1.073×X3 + 1.448×X4 ? 0.025×X5 + 2.113×X6（X1: HER-2; X2: Ki-67; X3: 回声改变; X4: Adler下降; X5: ΔS; X6: 退缩模式）。
**列线图构建与性能评估**：基于独立预测因子构建列线图，训练集AUC为0.906（95% CI：0.866–0.946），测试集AUC为0.850（95% CI：0.770–0.929）。仅使用退缩模式（CS vs NCS）的单变量模型AUC为0.741（95% CI：0.680–0.803）。校准曲线显示平均绝对误差为0.012，预测值与实际值吻合度高。Hosmer-Lemeshow检验P>0.05，表明模型拟合良好。DCA显示列线图在训练集阈值概率0.10–0.90及测试集0.15–0.80范围内均提供正向净获益。
**病例应用**：病例1为HER-2阳性、CS、ΔS=-74%、Ki-67=70%患者，列线图总评分227分，预测pCR概率约90%，术后病理证实pCR。病例2为HER-2阴性、NCS、ΔS=-44%、Ki-67=40%患者，总评分116分，预测pCR概率<5%，术后病理M-P分级为3级，证实为non-pCR。
**讨论与结论总结**
讨论部分指出，CS模式与pCR独立相关，可能因CS肿瘤成分相对均质、异质性低，对化疗药物敏感性更均匀。NCS则与肿瘤异质性、纤维化及癌症干细胞富集等因素相关，其残余病灶常与正常组织交织，导致non-pCR。ΔS和回声改变反映了NAC诱导的肿瘤内部组成变化，Adler分级下降则体现肿瘤血供减少，均为pCR的独立预测因子。HER-2阳性及高Ki-67表达提示肿瘤代谢活跃，对NAC药物更敏感。
研究局限性包括单中心回顾性设计、样本量相对较小、未包含基因组或血清代谢标志物、未进行生存分析，且NCS亚型分类存在主观性。未来需开展多中心、前瞻性、大样本研究进行外部验证。
研究结论：本研究基于NAC中期超声检查中肿瘤大小、形态及内部回声变化，建立了超声肿瘤退缩模式（CS与NCS）。CS、ΔS、回声改变、Adler分级下降、HER-2阳性及Ki-67为浸润性乳腺癌NAC中期pCR的独立预测因子。基于这些超声特征及临床病理因素构建的列线图预测模型在该回顾性队列中表现出良好的诊断效能，可作为预测NAC中期疗效的有前景的参考工具，并可为早期治疗决策提供有用信息。然而，该模型在推荐用于常规临床实践前，仍需多中心前瞻性研究进行外部验证。
