《Breast Cancer: Targets and Therapy》：Deep Learning Radiomics of Multiparametric MRI for Individualized Prediction of Axillary Lymph Node Response After Neoadjuvant Chemotherapy in Breast Cancer
编辑推荐：
本研究创新性地构建了基于纵向多参数MRI的深度学习影像组学（DLR）模型，通过整合治疗前后影像特征与临床指标，实现对乳腺癌新辅助化疗（NAT）后腋窝淋巴结病理完全缓解（apCR）的精准预测。该模型在验证集中曲线下面积（AUC）达0.856，显著优于单一模态模型，为腋窝手术决策提供了非侵入性量化工具，有望推动乳腺癌个体化治疗进展。
研究背景与意义
乳腺癌作为全球女性最高发的恶性肿瘤，其腋窝淋巴结（ALN）状态是治疗方案制定与预后评估的关键因素。约30-40%新确诊患者存在淋巴结转移，而新辅助化疗（NAT）可诱导相当比例患者实现腋窝病理完全缓解（apCR）。传统评估方法如腋窝淋巴结清扫术（ALND）和前哨淋巴结活检（SLNB）存在创伤大、淋巴水肿等风险，亟需开发无创精准的评估工具。虽然磁共振成像（MRI）凭借多参数成像优势在疗效评估中作用显著，但其对ALN状态的评估仍受解剖限制和伪影干扰。影像组学可通过量化肿瘤异质性提供补充信息，而深度学习（DL）能自动提取复杂特征，二者结合有望突破现有技术瓶颈。
研究方法设计
本研究为单中心回顾性研究，纳入2017年1月至2023年10月期间接受NAT后手术的254例乳腺癌患者。所有患者均于NAT前后接受包含动态增强MRI（DCE-MRI）、T2加权成像（T2WI）和扩散加权成像（DWI）的多参数乳腺MRI检查。通过随机分层抽样将患者分为训练集（144例）和验证集（110例）。
影像分析流程涵盖四个核心环节：首先由两名放射科医师独立勾画肿瘤感兴趣区域（ROI），并采用组内相关系数（ICC≥0.80）评估观察者间一致性；接着使用PyRadiomics平台提取包括 wavelet变换和拉普拉斯高斯滤波特征在内的11,973个影像组学特征，同时通过预训练ResNet-50网络提取深度学习特征，并计算治疗前后差值特征；特征筛选采用曼-惠特尼U检验、Spearman相关性分析和最小绝对收缩与选择算子（LASSO）回归；最后比较八种机器学习算法，确定以逻辑回归（LR）作为最终分类器。
模型构建与评估
研究构建了四种预测模型：单纯临床模型、影像组学模型、深度学习模型以及整合前三者的深度学习影像组学（DLR）模型。通过受试者工作特征曲线（ROC）分析、校准曲线和决策曲线分析（DCA）评估模型性能。临床变量分析显示，雌激素受体（ER）状态、人表皮生长因子受体2（HER2）状态和临床T分期是apCR的独立预测因素。
研究成果与验证
最终DLR模型整合了9个影像组学特征、10个深度学习主成分和3个临床变量，在训练集和验证集分别获得0.939和0.856的曲线下面积（AUC）。模型校准良好，决策曲线显示在广泛阈值范围内具有临床实用性。Bootstrap内部验证获得0.819的乐观校正AUC，表明模型具备良好泛化能力。值得注意的是，HER2阳性患者apCR率达78.43%，而激素受体阳性/HER2阴性型仅37.2%，印证了不同分子分型对治疗反应的差异性。
创新价值与临床转化
本研究首次将纵向多参数MRI与深度学习影像组学相结合，通过捕捉治疗过程中肿瘤的动态演变规律，实现了对腋窝淋巴结反应的精准预测。相较于既往单时间点或单序列研究，该模型充分利用了多参数影像的互补信息和纵向变化的生物学意义。所提出的DLR模型有望为达到apCR的患者提供腋窝手术降阶梯治疗的依据，从而减少过度治疗相关并发症。
局限性与展望
研究的单中心回顾性设计及样本量限制需要通过多中心外部验证进一步确认模型稳健性。未来可探索加入治疗中期影像或功能MRI序列以提升预测精度，同时开发专用腋窝成像序列将增强直接淋巴结评估能力。该模型与临床决策系统的整合应用，将是推动乳腺癌个体化腋窝管理的重要方向。
