基于瘤周-瘤内区域融合模型的深度学习影像组学优化：提升乳腺癌诊断效能的关键参数研究

本文聚焦乳腺癌（BC）早期诊断难题，创新性构建瘤内-瘤周区域融合的深度学习影像组学（DLR）模型。通过对比增强超声（CEUS）图像，系统评估伪彩色（PC）与灰度（GRAY）图像、原始精确（OP）与边界框（BB）ROI、直接扩展（DE）与特征级融合（FLF）策略等关键参数组合对模型性能的影响。研究发现保留PC图像、采用OP ROI和DE策略的4mm瘤周扩展模型（AUC=0.837）显著优于单纯瘤内模型和放射科医师诊断效能，为优化DLR临床转化提供新方法学依据。

　　

背景解析

乳腺癌（BC）作为全球女性最高发的恶性肿瘤，2022年新增病例达231万例。早期鉴别肿瘤良恶性对临床决策至关重要。传统影像诊断受限于主观性，而深度学习影像组学（DLR）能直接从原始图像提取高通量特征，突破传统放射学瓶颈。近年研究发现，瘤周区域蕴含血管生成因子、淋巴细胞浸润等关键生物学信息，但其与瘤内特征的融合策略尚未形成共识。

材料与方法创新

研究纳入国内4家医院411例女性患者CEUS图像，采用中心分层策略划分训练集（n=307）和外部验证集（n=104）。通过创新性"渐进式扩展法"，利用OnekeyAI平台工具将瘤内ROI以2mm为梯度向外扩展（2-10mm），生成5组瘤周区域。构建6类融合模型对比关键参数：

• 图像色彩：PC图像保留血流动力学信息 vs GRAY简化图像

• ROI形态：OP ROI精准勾勒病灶轮廓 vs BB ROI矩形框选

• 融合策略：DE直接整合图像空间信息 vs FLF分层提取特征

核心发现

1. 1.

   瘤周区域价值验证

   4mm扩展模型PC-OP-DE-Peri表现最优（AUC 0.837），较单纯瘤内模型提升3.7%。但过度扩展至6-10mm会导致性能下降，提示瘤周信息存在"黄金距离"。

2. 2.

   参数组合效能排序

   • 图像色彩：PC模型AUC普遍高于GRAY 0.02-0.03，因彩色编码保留微血流差异

   • ROI形态：OP ROI较BB ROI提升AUC 0.023-0.03，避免背景噪声干扰

   • 融合策略：DE较FLF策略提高AUC 0.02-0.026，保持空间关联性更优

3. 3.

   临床实用性验证

   最优模型AUC（0.837）显著超越初级医师（0.718-0.721），与资深医师（0.810-0.813）相当。Grad-CAM热图显示模型能同时捕捉瘤内异质性和瘤周浸润特征。

生物学意义探讨

瘤周2-4mm区域可能对应肿瘤微环境关键病理改变：

• 血管生成：CEUS显示的瘤周强化反映VEGF等促血管因子扩散

• 免疫应答：淋巴细胞浸润导致超声回声特征改变

• 基质重塑：成纤维细胞激活形成特征性声学界面

局限与展望

研究存在回顾性设计、小样本验证等局限。未来需开展：

1. 1.

   多模态联合：整合B超、MRI等多参数特征

2. 2.

   机制探索：将4mm临界值与组织学微环境指标关联

3. 3.

   实时化改进：优化模型运算效率至临床适用水平

该研究为DLR在乳腺癌的应用建立了标准化参数体系，其"双区域融合"框架可拓展至其他肿瘤的影像诊断领域。