基于超声影像组学的瘤内与瘤周特征预测HER2低表达乳腺癌的多中心研究：一种非侵入性精准诊疗新策略

《Insights into Imaging》：Intratumoral and peritumoral ultrasound-based radiomics for preoperative prediction of HER2-low breast cancer: a multicenter retrospective study

编辑推荐：本研究针对HER2靶向治疗时代下乳腺癌精准分型的临床需求，创新性地整合超声影像组学与临床特征，构建了可区分HER2阳性/HER2低表达/HER2零表达的三分类模型。通过多中心1257例患者数据验证，该模型患者水平宏AUC达0.988，为术前无创评估HER2状态提供了新工具，对指导抗体偶联药物(ADC)临床应用具有重要意义。

　　

乳腺癌作为女性发病率最高的恶性肿瘤，其治疗策略的制定高度依赖于人类表皮生长因子受体2(HER2)状态的精准评估。随着抗体偶联药物(ADC)如Trastuzumab deruxtecan的临床应用，传统HER2二分类模式正被"HER2阳性/HER2低表达/HER2零表达"的三分法所取代。然而，现有免疫组化(IHC)和荧光原位杂交(FISH)检测存在侵入性、耗时昂贵、采样偏差等问题，且无法动态监测HER2状态变化。如何通过无创手段实现HER2状态的精准预测，成为临床亟待解决的关键问题。

针对这一挑战，广东省人民医院联合广州中医药大学第一附属医院、中山大学孙逸仙纪念医院的研究团队开展了一项多中心回顾性研究，创新性地将超声影像组学技术应用于HER2状态评估。该研究通过分析1257例乳腺癌患者的超声图像特征，构建了首个整合瘤内与瘤周信息的临床-影像组学模型，相关成果发表在《Insights into Imaging》期刊。

研究团队采用三大关键技术方法：1) 多中心队列构建：纳入2018-2022年间三家医院的1257例患者，按7:1:2比例划分训练/验证/测试集；2) 多区域特征提取：通过ITK-SNAP软件手动勾画瘤体ROI，并自动生成5/10/15/20mm瘤周区域，使用Pyradiomics提取4720个定量特征；3) 机器学习建模：采用LightBoost算法构建模型，通过SHAP方法实现预测结果的可解释性分析。

研究结果部分揭示了多项重要发现：
"患者特征"显示HER2低表达占比最高(52.7%)，且与激素受体阳性显著相关(p<0.001)，而HER2阳性组肿瘤更大、Ki-67指数更高(p<0.001)，这为模型构建提供了生物学基础。

"最优多区域影像组学模型构建"表明，整合12个瘤体特征和9个15mm瘤周特征的Tumor+Peri15mm模型性能最佳，其中瘤周区域小波变换特征Zone Entropy(ZE)对区分三类HER2状态贡献最大。该模型在测试集的宏AUC达0.746，显著优于单一瘤体模型。

"临床-影像组学联合模型"整合了年龄、肿瘤大小、钙化等7个超声特征与影像组学特征，患者水平宏AUC提升至0.862。SHAP分析显示钙化对预测HER2阳性呈正向贡献，而较小肿瘤体积倾向于HER2零表达。

"图像水平与患者水平模型性能"验证了数据拼接策略的有效性，患者水平联合模型的分类准确率达72.7%，显著优于单一临床模型(49.2%)，证实多视角图像整合可提升预测稳定性。

在讨论部分，作者强调了三个关键科学价值：首先，15mm瘤周区域被证实包含重要微环境信息，其纹理特征与HER2表达状态显著相关，这为理解肿瘤侵袭机制提供了新视角。其次，模型成功捕捉到HER2低表达肿瘤的独特表型特征，如较高激素受体阳性率，这与既往分子生物学研究相印证。最重要的是，该研究首次证明常规超声检查结合人工智能分析可实现HER2状态的三分类预测，为资源有限地区提供了经济高效的解决方案。

这项研究突破了现有HER2检测技术的局限性，通过非侵入性方法实现了HER2状态的动态评估。未来若能结合深度学习自动分割技术，并纳入多模态超声参数，有望进一步推动乳腺癌精准诊疗的发展。该成果不仅为ADC药物的适用人群筛选提供了新工具，也为其他肿瘤的靶向治疗评估提供了可借鉴的研究范式。