通过整合DCE-MRI中的肿瘤内和肿瘤周围放射组学数据，对乳腺癌患者HER2状态进行分层预测

《BMC Cancer》：Stratified prediction of HER2 status in breast cancer by integrating intratumoral and peritumoral radiomics from DCE-MRI

DCE-MRI放射组学用于预测乳腺癌HER2表达状态并建立分层模型，通过210例患者数据提取肿瘤内及不同距肿瘤组织区域（1/3/5mm）的影像组学特征，结合LASSO回归和逻辑回归构建分类模型，发现单区域模型（肿瘤内）对HER2正/负分类效果显著，而结合肿瘤内及3mm周边区域的模型在区分低表达与零表达时性能更优，并提出通用性衰减指数（GDI）评估模型泛化性，证实GDI可避免仅依赖AUC的稳定性误判，其中肿瘤内模型稳定性最高，而5mm周边模型GDI最高提示可能过拟合，综合模型在低/零表达区分中兼具诊断效能和稳定性。

　　

摘要

目的

本研究旨在探讨动态增强磁共振成像（DCE-MRI）放射组学在预测乳腺癌HER2表达状态方面的价值，并开发分层预测模型。

方法

我们招募了210名乳腺癌患者，根据HER2表达状态将其分为HER2阴性组、HER2阳性组、HER2低表达组和HER2零表达组。从DCE-MRI的肿瘤内部区域及不同肿瘤周围区域（1毫米、3毫米、5毫米）提取放射组学特征。构建了用于区分HER2阴性和HER2阳性病例的预测模型，以及用于区分HER2低表达和HER2零表达的预测模型。特征选择采用LASSO回归方法，随后通过逻辑回归进行分类。

结果

仅基于肿瘤内部区域的模型在区分HER2阴性和HER2阳性状态方面表现出稳健的性能。对于区分HER2低表达和HER2零表达，结合肿瘤内部区域和3毫米肿瘤周围区域的组合模型表现更优。我们引入了广义衰减指数（GDI）作为评估模型泛化能力的新指标。使用GDI的分析表明，仅依赖AUC（面积下面积）进行稳定性评估可能会产生误导。基于5毫米肿瘤周围区域的模型具有较高的GDI，表明可能存在过拟合现象，而仅基于肿瘤内部区域的模型则具有最低的GDI，表明其稳定性最高。结合肿瘤内部区域和3毫米肿瘤周围区域的模型不仅具有良好的诊断效果，而且通过GDI验证，在所有配置中是最稳定和最具泛化能力的模型，适用于HER2低表达与HER2零表达的分类任务。

结论

基于DCE-MRI的放射组学可以有效预测HER2表达状态，并有助于构建乳腺癌的分层预测模型。基于肿瘤周围区域的模型在区分HER2阴性和HER2阳性状态方面表现出稳定性，而结合肿瘤内部区域和3毫米肿瘤周围区域的模型在区分HER2低表达和HER2零表达方面具有优势。所提出的GDI是一种有价值的新型指标，可用于评估模型的泛化能力，为非侵入性评估HER2状态提供了新的方法，并为模型性能评估提供了新的见解。

目的

本研究旨在探讨动态增强磁共振成像（DCE-MRI）放射组学在预测乳腺癌HER2表达状态方面的价值，并开发分层预测模型。

方法

我们招募了210名乳腺癌患者，根据HER2表达状态将其分为HER2阴性组、HER2阳性组、HER2低表达组和HER2零表达组。从DCE-MRI的肿瘤内部区域及不同肿瘤周围区域（1毫米、3毫米、5毫米）提取放射组学特征。构建了用于区分HER2阴性和HER2阳性病例的预测模型，以及用于区分HER2低表达和HER2零表达的预测模型。特征选择采用LASSO回归方法，随后通过逻辑回归进行分类。

结果

仅基于肿瘤内部区域的模型在区分HER2阴性和HER2阳性状态方面表现出稳健的性能。对于区分HER2低表达和HER2零表达，结合肿瘤内部区域和3毫米肿瘤周围区域的组合模型表现更优。我们引入了广义衰减指数（GDI）作为评估模型泛化能力的新指标。使用GDI的分析表明，仅依赖AUC（面积下面积）进行稳定性评估可能会产生误导。基于5毫米肿瘤周围区域的模型具有较高的GDI，表明可能存在过拟合现象，而仅基于肿瘤内部区域的模型具有最低的GDI，表明其稳定性最高。结合肿瘤内部区域和3毫米肿瘤周围区域的模型不仅具有良好的诊断效果，而且通过GDI验证，在所有配置中是最稳定和最具泛化能力的模型，适用于HER2低表达与HER2零表达的分类任务。

结论

基于DCE-MRI的放射组学可以有效预测HER2表达状态，并有助于构建乳腺癌的分层预测模型。基于肿瘤周围区域的模型在区分HER2阴性和HER2阳性状态方面表现出稳定性，而结合肿瘤内部区域和3毫米肿瘤周围区域的模型在区分HER2低表达和HER2零表达方面具有优势。所提出的GDI是一种有价值的新型指标，可用于评估模型的泛化能力，为非侵入性评估HER2状态提供了新的方法，并为模型性能评估提供了新的见解。