基于超声纵向时间深度网络融合模型预测乳腺癌患者新辅助化疗疗效：开启个性化治疗新篇

为解决乳腺癌新辅助化疗（NAC）疗效预测难题，滨州医学院附属医院研究人员开展相关研究，构建 Integrated 模型，能准确预测病理完全缓解（pCR），为个性化治疗提供依据。

　　在女性健康的 “战场” 上，乳腺癌无疑是最具威胁的 “敌人” 之一，它不仅是女性癌症发病率和死亡率的 “头号杀手”，还严重影响着患者的生活质量。新辅助化疗（Neoadjuvant chemotherapy，NAC）作为乳腺癌治疗的重要手段，在手术或放疗前进行，旨在降低肿瘤负担、降低肿瘤分期并提高保乳率，从而改善患者的整体预后和生活质量。然而，NAC 的疗效在不同患者之间差异巨大，仅有 19 - 30% 的患者能达到病理完全缓解（pathologic complete response，pCR），还有 5 - 20% 的患者在化疗后疾病进展。那些对 NAC 反应不佳的患者，不仅要承受化疗带来的各种毒副作用和高昂的治疗费用，还面临着疾病进展和失去根治手术机会的风险。

目前，临床评估 NAC 疗效的 “金标准” 是 Miller - Payne 分级系统，需要对比化疗前活检标本和化疗后手术病理标本，这种方法不仅具有侵入性、时间延迟，还无法在化疗前或早期准确预测患者对化疗的反应。而通过超声、磁共振成像（MRI）和乳腺 X 线摄影来测量肿瘤大小变化的 “实体瘤疗效评价标准”，又容易受到操作人员主观判断和临床经验的影响，且通常要在化疗周期结束后才能评估。因此，迫切需要一种非侵入性的方法，在早期准确判断乳腺癌患者对 NAC 的病理反应，以便及时调整治疗策略。

为了解决这些问题，滨州医学院附属医院的研究人员开展了一项重要研究。他们基于纵向超声数据和临床特征，开发并验证了一种深度学习影像组学（DLR）模型，用于预测乳腺癌患者 NAC 后的 pCR。该研究成果为乳腺癌的个性化治疗提供了重要依据，相关论文发表于《Breast Cancer Research》杂志。

研究人员为开展此项研究，用到了以下几个主要关键技术方法：首先，收集 2018 年 1 月至 2023 年 12 月 312 例乳腺癌患者的临床和超声影像数据，将其随机分为训练队列（219 例）和测试队列（93 例）。其次，采用 3D Slicer 软件手动分割肿瘤感兴趣区域，利用 Pyradiomics 平台提取影像组学特征，基于 VGG19 预训练模型进行迁移学习以提取深度学习特征。最后，运用多种特征筛选方法，结合多种机器学习算法构建并验证模型。

下面介绍具体的研究结果：

• 临床特征：研究共纳入 312 例患者，131 例达到 pCR，181 例为非 pCR。训练队列和测试队列的 pCR 率分别为 41.6% 和 43.0%。不同分子亚型的 pCR 率存在差异，HR⁺/HER2^-亚型为 29.6%，HER2⁺亚型为 61.4%，TNBC（三阴性乳腺癌）亚型为 60.4%。pCR 组和非 pCR 组在分子类型、ER、PR、HER2 和 Ki - 67 表达方面存在显著差异。
• 模型构建：基于不同 ICC 阈值筛选的特征开发单影像组学模型，发现 ICC≥0.80 时模型性能更优。经特征筛选，基于五种机器学习分类器分别构建 Pre、Post 和 Delta 模型。结果显示，基于 XGBoost 算法的三个单模态模型预测性能最优。在此基础上构建 DLR 模型，结合临床因素构建综合模型（Integrated）。Integrated 模型在训练队列和测试队列中表现最佳，AUC 值分别达到 0.924 和 0.87512。
• 亚组分析：对不同分子亚型进行亚组分析，Integrated 模型在各亚型中均展现出较高的预测性能，尤其是在 HR⁺/HER2^-和 TNBC 亚型中（训练队列 AUC 均为 0.952）。决策曲线分析表明，在不同分子亚型中，Integrated 模型在特定阈值范围内具有更高的临床净效益3。
• 模型可解释性：利用 SHAP 算法和 Grad - CAM 对模型进行可视化和可解释性分析。SHAP 算法确定了对模型预测概率影响最大的 8 个影像组学特征和 4 个深度学习特征。Grad - CAM 显示，模型在正确预测的患者中能有效识别乳腺癌病变区域，而在错误预测的患者中则存在识别偏差455。

在研究结论与讨论部分，研究人员建立了结合多周期成像特征和临床数据的组合模型，该模型在训练和测试队列中分别产生了 0.924 和 0.875 的最高 AUC 值，表明其能有效预测肿瘤对 NAC 的反应，为临床决策提供有价值的指导。研究还发现，早期治疗超声数据的 Post 模型预测性能高于 Pre 和 Delta 模型。同时，引入 NAC 不同时间点信息的 DLR 模型性能显著提升，且组织学分级和 Her - 2 状态是 NAC 反应的独立预测因素。综合考虑影像和临床信息构建的 Integrated 模型，在不同分子亚型中均表现出较高的预测性能，尤其是对 HR⁺/HER2^-亚型患者，能帮助早期识别可能从 NAC 中获益的患者，减少不必要的化疗毒性。不过，该研究也存在一些局限性，如单中心回顾性研究、样本量有限、分子亚型比例不平衡等，未来需要进一步改进和验证。

总体而言，该研究构建的 Integrated 模型，作为一种非侵入性方法，能够在术前准确识别可能在 NAC 后达到 pCR 的乳腺癌患者，为乳腺癌患者的治疗策略选择提供了有力的临床证据，有望推动乳腺癌个性化治疗的发展。