《Frontiers in Oncology》：Habitat imaging based on DCE-MRI for differentiating luminal and non-luminal subtypes of breast cancer: a two-center study
编辑推荐：
目的：探讨基于动态对比增强磁共振成像（DCE-MRI）的生境成像（habitat imaging）在鉴别乳腺癌（BC）管腔型（luminal）与非管腔型（non-luminal）亚型中的应用价值。方法：回顾性收集两家中心396例BC患者数据；中心1数据按8:2
目的：探讨基于动态对比增强磁共振成像（DCE-MRI）的生境成像（habitat imaging）在鉴别乳腺癌（BC）管腔型（luminal）与非管腔型（non-luminal）亚型中的应用价值。方法：回顾性收集两家中心396例BC患者数据；中心1数据按8:2分为训练集220例与内部验证集56例，中心2为外部测试集120例。采用多变量分析筛选独立危险因素构建临床模型；使用K-means算法对DCE-MRI进行聚类；经特征提取与选择后，采用8种机器学习算法构建传统放射组学模型、生境模型与临床模型；采用堆叠融合（stacking fusion）策略整合上述模型以鉴别管腔型与非管腔型患者。用受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评估性能，并用SHapley Additive exPlanations（SHAP）解释模型。结果：堆叠模型曲线下面积（AUC=0.840）最大，生境模型与传统放射组学模型分别为AUC=0.830、AUC=0.805，均显著优于临床模型（p<0.05）。校准曲线显示堆叠模型校准良好，DCA证实其净临床获益较优；SHAP显示堆叠模型中habitat-LGBM贡献尤其突出。结论：生境成像在鉴别乳腺癌管腔型与非管腔型亚型方面具良好潜力；整合habitat-LGBM、traditional radiomics-LGBM与clinical-XGBoost的堆叠模型可获得较优预测性能。
论文解读：《Frontiers in Oncology》发表的双中心研究
研究背景：乳腺癌（breast cancer，BC）是女性癌症相关死亡的首要原因，具有显著分子异质性。按雌激素受体（ER）与孕激素受体（PR）表达可分为管腔型（luminal）与非管腔型（non-luminal）；管腔型对内分泌治疗反应好、预后佳，非管腔型侵袭性强、复发转移风险高。目前术前分子分型主要依赖空心针活检（core needle biopsy，CNB）免疫组化（immunohistochemistry，IHC），但CNB耗时长、重复性差且受肿瘤异质性导致采样偏倚，仅依临床病理特征分型能力有限。传统基于MR的放射组学（radiomics）把全肿瘤作为整体，假设异质性均匀分布，会忽略瘤内区域表型差异。生境成像（habitat imaging）可将病灶划分为多个异质/同质亚区，更好地量化瘤内异质性，但其在乳腺癌管腔型与非管腔型分型中的价值此前未被研究。因此，研究人员开展本研究，探索DCE-MRI生境放射组学鉴别两型的可行性，并与传统放射组学比较，构建整合生境、传统放射组学与临床特征的预测模型。
主要关键技术方法：研究人员回顾性纳入两家机构2021年1月至2025年10月术后病理确诊浸润性乳腺癌患者，中心A随机8:2分训练集与内部验证集，中心B作独立外部测试集，共396例。影像采用不同场强与机型DCE-MRI，取第二期图像，经重采样、偏置场校正与Z-score标准化，由高年资医师手动勾画ROI。生境构建用SLIC超像素分割结合K-means聚类，以Calinski–Harabasz（CH）指数定最佳簇数k=6，生成6个生境亚区；再用PyRadiomics提取全肿瘤传统特征与各亚区生境特征，经t检验/Mann–Whitney U检验、Pearson相关与LASSO降维；以8种机器学习算法训练临床、传统放射组学、生境模型，并以habitat-LGBM、traditional radiomics-LGBM、clinical-XGBoost为基学习器、逻辑回归为元分类器构建堆叠模型，用ROC、校准曲线、DCA与SHAP评估。
研究结果
3.1 Clinical data：研究人员汇总396例基线，训练/验证/测试集在年龄、Ki-67、绝经状态无显著差异；但T分期、淋巴结（LN）状态、HER2、WHO分级组间有差异。单因素与多因素logistic回归显示仅年龄是管腔型与否的独立预测因子（OR=1.020，p=0.031），说明纯临床模型信息有限。
3.2 Inter- and intra-observer agreements：随机50例评估分割一致性，组间ICC=0.88、Dice=0.85，组内ICC=0.92、Dice=0.89，表明手动分割可重复性好。
3.3 Traditional radiomics model：全肿瘤提取107个特征，LASSO留8个；LGBM最优，外部测试AUC=0.805，灵敏0.736、特异0.718。
3.4 Habitat radiomics model：6亚区共提取642个特征，LASSO留9个；LGBM外部测试AUC=0.830，灵敏0.736、特异0.758，优于传统放射组学。
3.5 Stacking model：以habitat-LGBM、traditional radiomics-LGBM、clinical-XGBoost为基模型、逻辑回归为元分类器；外部测试AUC=0.840，准确0.800、灵敏0.816、特异0.758。
3.6 Performance and comparison of different models：四模型外部测试中堆叠AUC最高，生境次之，传统放射组学再次，临床模型最低（AUC=0.652）；DeLong检验示三影像模型均显著优于临床模型。堆叠模型Brier分数最低、校准最近对角线，DCA净获益最高；SHAP显示habitat-LGBM贡献占比约47.7%，traditional radiomics-LGBM约47.1%，临床仅约5.2%。
讨论部分总结：研究人员指出年龄/Ki-67/绝经状态跨队列均衡，但LN、HER2、T分期、WHO分级不平衡反映真实世界异质性，使纯临床模型外推受限；传统临床指标易受人群异质与主观判断影响，而放射组学特征可捕捉微观异质性、受基线差异影响较小。DCE-MRI第二期强化能反映肿瘤侵袭与异质性；SLIC+K-means是多癌种验证的生境分析流程，本研究中生境模型在各队列AUC均高于传统放射组学，因生境重构亚区信息更丰富。堆叠（stacking）作为后融合集成，可兼顾各基模型优势；文献中晚期融合/堆叠在舌鳞癌淋巴结、颅内动脉斑块、乳腺良恶性鉴别中均表现优，本研究堆叠模型校准与DCA良好，SHAP进一步验证habitat-LGBM核心作用。LGBM善于捕捉放射组学非线性关系，XGBoost适于临床结构化数据；研究提示多模型整合更全面。该堆叠模型可作为IHC不确定或活检采样受限时的影像辅助工具，不替代病理。局限性为回顾性、外部集较小、扫描协议异质、缺前瞻验证。
结论部分翻译：基于DCE-MRI的生境放射组学可辅助鉴别乳腺癌分子亚型。堆叠模型对管腔型与非管腔型亚型实现可行判别，并提供新的评估策略，但在临床应用前仍需进一步研究。
全文均依原文浓缩，未做推测；专业术语首现加注英文缩写，上下标以表达，如Calinski–Harabasz指数取k=6、聚类中心偏移小于10-4、Ki-67等均已保留原文格式。
