编辑推荐：
为解决乳腺癌 Ki67检测难题，广西医科大学研究人员开展多中心研究，构建预测模型，为诊疗提供新工具。
乳腺癌 Ki67检测新突破：超声深度学习模型助力精准医疗
在女性健康领域，乳腺癌堪称 “头号杀手”，全球范围内其发病率和死亡率不断攀升。2020 年，全球新增乳腺癌病例高达 226 万例，严重威胁着女性的生命健康。在乳腺癌的研究与治疗中，准确评估肿瘤细胞的增殖状态至关重要，而 Ki67作为关键的细胞增殖标志物，其高表达意味着肿瘤细胞分裂迅速，患者预后较差。目前，Ki67的检测主要依赖有创的组织活检，这不仅给患者带来额外痛苦，还可能延误治疗时机。传统的超声预测方法也存在局限性，如特征提取不完整、变量选择主观等。因此，寻找一种高效、无创的 Ki67检测方法迫在眉睫。
广西医科大学的研究人员针对这一难题展开了深入研究。他们开展了一项多中心回顾性研究，对 929 例乳腺癌患者的临床和超声数据进行分析，旨在构建一个基于超声成像数据的机器学习模型，以实现对乳腺癌患者术前 Ki67水平的无创、高效预测。该研究成果发表在《Scientific Reports》上，为乳腺癌的诊疗开辟了新的道路。
在研究方法上，研究人员从多个中心收集了 2019 - 2023 年符合条件的乳腺癌患者数据，将其随机分为训练集、内部测试集和外部测试集。通过免疫组织化学（IHC）技术检测 Ki67的表达水平，并以大于 20% 为高表达，20% 及以下为低表达进行界定。在超声图像数据处理方面，研究人员对采集到的超声图像进行预处理，包括去除标注、标准化分辨率、降噪等操作，并由经验丰富的医生手动勾勒感兴趣区域（ROI）。之后，利用预训练的 DenseNet169 模型进行特征提取，再通过主成分分析（PCA）降维，结合 LASSO 特征选择算法构建融合预测模型，并使用 6 种机器学习算法进行模型开发和多维度验证，通过多种统计指标评估模型性能。
研究结果主要包含以下几方面：在临床病理方面，929 例患者中，Ki67低表达 267 例，高表达 662 例，患者年龄、身高、体重、BMI 和 TMN 分期与 Ki67表达水平无显著关联，但 Ki67表达与 EGFR、ER、Her - 2、PR 等关键生物标志物的表达相关。在模型性能上，肿瘤区域超声深度特征模型中，支持向量机（SVM）算法表现最佳，准确率达 0.782，ROAUC 为 0.771（95% CI 0.704 - 0.838）；瘤周区域深度特征模型中，Light Gradient Boosting Machine（LightGBM）算法表现最优，准确率为 0.728，ROAUC 为 0.623（95% CI 0.545 - 0.702）。融合肿瘤和瘤周深度特征构建的模型中，SVM 算法在内部和外部测试集上均表现出色，内部测试集准确率 0.778，ROAUC 0.811（95% CI 0.752 - 0.870）；外部测试集准确率 0.827，ROAUC 0.817（95% CI 0.720 - 0.915）。在模型的临床应用方面，内部测试集显示，高 Ki67表达预测得分组的疾病无进展生存期（DFS）显著低于低分组（P = 0.005），虽然外部测试集未显示出显著差异（P = 0.058），但整体体现了模型在评估患者预后方面的潜在价值。
研究结论表明，研究人员成功构建了基于超声成像的 Ki67表达预测模型，该模型在预测 Ki67表达水平和患者 DFS 方面表现出较高的准确性和可靠性。这一成果为临床医生制定个性化治疗方案提供了有力支持，有助于提高乳腺癌的诊疗水平，改善患者的预后。不过，该研究也存在一定局限性，如可能存在地理偏倚和患者多样性问题，手动勾勒 ROI 和图像降噪过程可能引入偏差。未来研究可进一步扩大数据集规模和多样性，采用半自动或全自动 ROI 勾勒算法及深度学习自适应降噪算法，提升模型的准确性和临床可靠性。总体而言，这项研究为乳腺癌的无创诊断和精准治疗带来了新的希望，具有重要的临床意义和应用价值 。
