《Frontiers in Oncology》：Value of intra- and peritumoral ultrasound radiomics for predicting axillary lymph node burden in breast cancer
编辑推荐：
本综述重点探讨了利用瘤内及瘤周区域的超声影像组学特征，结合机器学习算法（如随机森林），术前无创预测乳腺癌患者腋窝淋巴结（ALN）负荷的新策略。研究构建的整合模型（联合临床因素与影像组学特征）在训练集和测试集均表现出优异性能（AUC分别达0.906和0.818），并通过决策曲线分析（DCA）证实其具有显著的临床净获益。该模型有望成为指导个体化手术方案制定的重要决策支持工具。
引言
乳腺癌是全球女性中最常被诊断的恶性肿瘤，也是癌症相关死亡的主要原因之一。准确的术前腋窝淋巴结状态评估对于临床分期、治疗计划和预后分层至关重要，是长期生存结果的关键决定因素。根据美国国家综合癌症网络（NCCN）指南，低腋窝淋巴结负荷（≤2个转移节点）可能避免腋窝淋巴结清扫（ALND），而高负荷（>3个转移节点）通常需要联合系统性治疗和ALND。因此，成像目标已从单纯确定淋巴结转移的存在与否，发展到量化淋巴结肿瘤负荷。术前量化腋窝淋巴结负荷对于定制手术方法和最小化术后并发症至关重要。值得注意的是，约70%的早期乳腺癌患者术后病理最终发现无淋巴结转移，表明当前的侵入性评估可能导致过度治疗。因此，迫切需要开发无创方法来准确识别腋窝淋巴结负荷。超声因其安全性、成本效益和实时成像能力而被常规应用，但其诊断特异性仍然有限且高度依赖操作者经验。影像组学作为一种从医学图像中提取大量定量、高维特征的高通量方法，提供了一种无创表征肿瘤异质性的手段。
材料与方法
这项回顾性研究旨在开发一个术前预测模型。研究纳入了2023年1月至2024年12月期间在某医院接受术前超声检查并经空芯针穿刺活检（CNB）证实的300例原发性乳腺癌患者。根据术后腋窝手术标本的最终组织病理学定义结果变量（腋窝淋巴结负荷），将患者分为低负荷组（≤2个转移节点；n=154）和高负荷组（>2个转移节点；n=146）。队列按7:3比例随机分为训练集（n=210）和测试集（n=90）。从术前超声图像中手动勾画原发肿瘤感兴趣区域（ROI），并通过径向扩展瘤内ROI 2毫米、3毫米和4毫米生成瘤周ROI。使用PyRadiomics从每个ROI中提取全面的影像组学特征集，并通过LASSO进行特征选择。使用六种机器学习分类器在瘤内特征上进行训练以确定最佳算法。利用该算法构建了：（1）仅基于瘤内或瘤周特征的影像组学模型；（2）结合瘤内和不同扩展边缘（2毫米、3毫米、4毫米）瘤周特征的组合模型。然后将性能最佳的影像组学模型与显著的临床和常规影像变量结合，构建复合列线图。通过受试者工作特征曲线下面积（AUC）评估模型区分度，通过校准曲线评估校准，并通过决策曲线分析（DCA）评价临床效用。通过沙普利加和解释（SHAP）值促进模型可解释性，并在列线图中可视化。
结果
基线特征比较显示训练集和测试集之间无显著差异。随机森林分类器应用于结合瘤内和3毫米瘤周特征时，在训练集和测试集分别获得最高AUC（0.825和0.746）。多变量逻辑回归确定病变位置和超声腋窝淋巴结状态为独立的临床预测因子（p<0.05）。整合这些临床因素与最佳影像组学特征的列线图表现出卓越性能（训练AUC：0.906；测试AUC：0.818）。DCA证实组合模型在一系列阈值概率下赋予最大的临床净获益，校准曲线显示预测概率与观察概率之间具有极好的一致性。模型可视化通过SHAP值显示，特征"Intra_wavelet_LHL_glcm_JointAverage"对预测腋窝淋巴结负荷的贡献最大，其值降低表明预测淋巴结负荷概率升高。
讨论
准确评估腋窝淋巴结状态对于疾病分期、个体化手术决策和预后评估至关重要。本研究应用六种机器学习算法构建模型，并整合独立临床预测因子与优异的影像组学特征，旨在实现乳腺癌腋窝淋巴结负荷的无创预测。研究证实了超声腋窝淋巴结状态和原发肿瘤位置作为独立预测因子的价值。与先前研究相比，本研究涵盖了更广泛的病理类型，增强了模型的普适性。瘤周区域，特别是结合瘤内特征的3毫米边缘模型，能更全面地捕捉肿瘤异质性和侵袭性。随机森林算法的选择进一步增强了预测效能。整合SHAP和列线图提供了互补的解释框架，增强了模型透明度、可信度和临床实用性。本研究的局限性包括回顾性单中心设计可能引入选择偏倚，样本量限制导致过拟合风险，以及仅分析二维超声图像。未来的研究需要使用更大规模、前瞻性、多中心数据集来进一步验证和完善模型，并评估深度学习方法。
结论
通过将最佳影像组学算法应用于结合瘤内和瘤周的超声影像组学特征以及临床预测因子，我们建立了一个非侵入性、个体化的模型，该模型在术前预测乳腺癌患者腋窝淋巴结状态方面具有强大的诊断性能。SHAP和列线图的结合不仅提供了清晰的模型图形解释，而且实现了个体化的术前预测框架，从而为临床决策提供了更精确的指导。
