编辑推荐：
为解决低核级导管原位癌（LNG DCIS）术前预测难题，研究人员构建集成模型，显著提升预测能力，意义重大。
在乳腺癌的诊疗领域，导管原位癌（Ductal Carcinoma In Situ，DCIS）的出现逐渐引起人们的关注。如今，随着乳腺癌筛查的广泛开展，DCIS 的检出率不断攀升，它占所有新诊断乳腺癌病例的四分之一以上。然而，当前 DCIS 的治疗面临着诸多挑战。一方面，DCIS 具有高度的异质性，不同患者的病情发展和预后差异很大；另一方面，现有的诊断方法依赖于侵入性活检，但活检在全面表征肿瘤方面存在局限性，难以准确判断哪些 DCIS 患者更易发展为浸润性癌。此外，DCIS 的过度诊断问题也备受关注，因为大多数 DCIS 病变不会发展为浸润性疾病，却可能导致患者接受不必要的治疗。
其中，低核级导管原位癌（Low nuclear grade ductal carcinoma in situ，LNG DCIS）和高核级导管原位癌（High nuclear grade ductal carcinoma in situ，HNG DCIS）在生物学行为上有显著差异。HNG DCIS 与高级别浸润性癌相关，具有更强的生物学侵袭性；而 LNG DCIS 的病情相对温和。此前研究发现，对于 LNG DCIS 患者，手术切除的临床优势并不明显，一些前瞻性随机试验也聚焦于对低至中级核级 DCIS 患者进行非手术监测。因此，术前准确识别 LNG DCIS 对于优化患者治疗策略、减少不必要的侵入性检查和治疗至关重要。
为了攻克这一难题，来自华东师范大学附属芜湖医院（芜湖市第二人民医院）、南京医科大学附属南京第一医院、安徽医科大学第一附属医院等机构的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为 DCIS 的诊疗带来了新的希望。
在这项研究中，研究人员采用了多种关键技术方法。首先，他们收集了 2014 年 1 月至 2023 年 7 月期间在医院经手术病理确诊的 DCIS 患者的数据，包括临床数据、术前超声（Ultrasound，US）和乳腺 X 线摄影（Mammography，MG）影像数据等，构建了样本队列。然后，通过图像分割和影像组学特征提取，从 US 和 MG 图像的感兴趣区域提取了大量定量特征，并利用组内相关系数（ICC）评估特征的可重复性，保留 ICC>0.8 的特征。接着，运用 LASSO 回归进行特征选择，构建了 US、MG 以及 US+MG 影像组学模型。最后，他们整合临床、影像和影像组学特征，运用 Elastic Net、广义线性模型增强（Generalized Linear Models with Boosting，glmboost）和 Ranger 算法构建了集成机器学习框架来预测 LNG DCIS。
下面来看具体的研究结果：
- 患者基线特征：研究共纳入 237 例患者的 241 例 DCIS 病例，随机分为训练队列（n=168）和验证队列（n=73）。分析发现，LNG DCIS 组和中高核级 DCIS 组在 US 和 MG 形态、US-BI-RADS、MG-BI-RADS、雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体 2（HER2）和 Ki-67 水平等方面存在显著差异（p<0.05），但年龄、症状和结节大小在各组间无显著差异12。
- 特征选择：从 US 和 MG 图像中总共提取了 210 个影像组学特征，经 ICC 评估和 LASSO 回归，最终确定了 4 个具有非零系数的预测特征，构建了 US+MG 影像组学模型。该模型在训练队列和验证队列中表现出最佳诊断性能，AUC 分别为 0.83 [0.81 - 0.86] 和 0.81 [0.77 - 0.84]3。
- 模型性能比较：训练了临床模型和影像组学集成模型并进行比较。结果显示，在训练队列和验证队列中，影像组学集成模型的诊断性能均优于临床模型。在验证队列中，临床模型的 AUC 为 0.86（95% CI 0.76 - 0.97），而影像组学集成模型的 AUC 达到 0.92（95% CI 0.84 - 0.96）45。
- 影像组学集成模型的预测价值提升：通过综合判别改善（Integrated Discrimination Improvement，IDI）和净重分类改善（Net Reclassification Improvement，NRI）评估发现，影像组学特征的加入显著提升了模型的预测能力（p<0.001）。决策曲线分析（Decision Curve Analysis，DCA）也表明，影像组学集成模型在广泛的阈值概率范围内提供了更高的净效益6。
- 对疾病无进展生存期（DFS）的预测潜力：以 0.55 为阈值，影像组学集成模型将患者分为高风险和低风险组。Kaplan - Meier 分析显示，该模型能有效根据 DFS 风险对患者进行分层（log-rank 检验，p<0.0031），这对于指导个性化治疗策略具有重要意义7。
- 模型解释和特征重要性：利用 Shapley 加性解释（SHAP）值对模型进行解释和特征重要性评估。结果表明，影像组学、临床和影像特征的整合提升了模型性能，并且 SHAP 瀑布图为模型的决策过程提供了可解释性8。
在研究结论和讨论部分，研究人员成功构建了基于 US 和 MG 多模态特征的影像组学集成模型，用于术前预测 LNG DCIS。该模型在内部验证队列中展现出卓越的预测准确性，能有效根据 DFS 风险对 DCIS 患者进行分类。与以往研究相比，该研究具有诸多优势。例如，它结合了双模态影像组学特征和集成机器学习算法，相比单模态分析具有更好的预测性能；通过 LASSO 回归分析，凸显了两种成像方式在预测 LNG DCIS 中的互补作用；此外，研究还纳入了具有明确公式和生物学意义的影像组学特征，提升了模型的可解释性。
然而，研究也存在一定的局限性。样本量相对较小，可能影响模型的稳健性和泛化能力；部分潜在混杂因素未被考虑，如术前活检信息；模型是基于单中心回顾性数据训练和验证的，可能存在中心特异性效应和选择偏倚。未来需要更大规模、多中心的前瞻性数据集来进一步验证模型的有效性，并探索自动分割技术以提高效率。
总体而言，这项研究为 DCIS 的术前预测提供了新的方法和思路，有助于优化临床决策，改善患者预后，具有重要的临床应用价值和研究意义。
