基于MRI增强自注意力网络的乳腺癌新辅助治疗早期疗效预测：来自ACRIN 6698试验和中国前瞻性队列的证据

《Breast Cancer Research》：Early prediction of neoadjuvant therapy response in breast cancer using MRI-based neural networks: data from the ACRIN 6698 trial and a prospective Chinese cohort

编辑推荐：本研究针对乳腺癌新辅助治疗(NAT)早期疗效预测难题，开发了基于多参数MRI纵向数据的增强自注意力网络(MESN-C)，在ACRIN 6698试验(n=227)和中国队列(n=245)中验证显示AUC达0.861-0.944，显著提升病理完全缓解(pCR)预测准确性，为个体化治疗方案调整提供影像学决策工具。

　　乳腺癌治疗领域面临的关键挑战在于如何早期预测新辅助治疗(NAT)效果。当前临床依赖RECIST 1.1标准评估疗效，但受肿瘤非向心性退缩、炎症反应等因素干扰，准确性有限。虽然已有研究尝试通过单时间点MRI预测病理完全缓解(pCR)，但忽略了治疗过程中肿瘤动态变化的重要信息。中国医科大学第一医院联合北京航空航天大学的研究团队创新性地开发了MRI增强自注意力网络(MESN)，通过整合治疗前后多时间点的动态对比增强MRI(T1)、扩散加权成像(DW)和表观扩散系数(ADC)特征，在跨国多中心数据中实现了早期疗效的精准预测。

关键技术方法包括：1) 从ACRIN 6698试验(n=227)和中国前瞻性队列(n=245)获取治疗前(pre-NAT)和早期治疗(3周)的多参数MRI数据；2) 采用ITK-SNAP软件半自动分割肿瘤体积，提取瘤内和瘤周5mm区域的1409个影像组学特征；3) 构建融合多层感知机(MLP)和增强自注意力模块(ESM)的MESN模型，通过特征独立性损失函数优化时序特征提取；4) 整合临床病理特征建立MESN-C模型，在训练集和外部验证集评估性能。

研究结果：

1. 模型性能验证：MESN-C在ACRIN 6698测试集和外部验证集的AUC分别达0.903(95%CI:0.815-0.965)和0.861(95%CI:0.811-0.906)，显著优于临床模型(ΔAUC=0.183,p<0.001)和单时间点模型。
2. 关键特征发现：重要性排名前30的特征中，76.7%来自早期治疗后的T1序列，56.7%位于瘤周区域，如"瘤周对数灰度差异矩阵对比度"特征与治疗反应显著相关。
3. 临床应用价值：相比治疗前模型Pre-C，MESN-C将阳性预测值从48.6%提升至71.3%，在标准治疗方案(AUC=0.853)和实验性方案(AUC=0.905)亚组中均表现稳定。

讨论与结论：
该研究首次证明治疗早期(3周)的纵向MRI特征包含关键疗效预测信息。MESN-C的创新性体现在：1) 通过ESM模块捕捉治疗前后的动态特征演变；2) 识别出瘤周区域早期T1特征的重要性，可能反映治疗诱导的微环境改变；3) 在跨种族、跨治疗方案队列中保持稳健性。研究结果为临床决策提供了重要时间窗口，使医生能在治疗初期识别潜在无效病例，及时调整方案，避免毒性累积。未来需通过多中心研究验证模型普适性，并结合基因组学探索影像特征的生物学基础。论文发表于《Breast Cancer Research》，为乳腺癌精准治疗提供了可解释的AI决策工具。