将深度学习与放射组学相结合，利用动态增强磁共振成像（MRI）技术精确识别管腔A/B型乳腺癌亚型

《Cancer Imaging》：Integrating deep learning and radiomics for precise identification of luminal A/B breast cancer subtypes on dynamic contrast-enhanced MRI

乳腺癌非侵入性鉴别亚型的研究：融合radiomics与深度学习的混合模型在DCE-MRI中的有效性验证。

　　

摘要

背景

准确区分乳腺癌的管腔A型和B型亚型对于选择治疗方案至关重要。然而，目前的方法主要依赖于侵入性活检和免疫组化（IHC）分析。因此，开发能够可靠地对肿瘤亚型进行分类的非侵入性成像方法仍然是一项紧迫的任务。

方法

为了开发并验证一种混合分类模型，该模型结合了从动态增强磁共振成像（DCE-MRI）中提取的放射组学特征和深度学习特征，以区分浸润性乳腺癌的管腔A型和B型亚型。本研究包括了来自中国、俄罗斯和保加利亚的312名确诊为管腔亚型乳腺癌的女性患者。所有患者都接受了标准化的治疗前DCE-MRI检查，并通过IHC确定了肿瘤亚型。肿瘤被半自动分割，放射组学特征使用PyRadiomics工具提取。此外，还使用3D ResNet-50卷积神经网络从DCE-MRI中提取了深度特征。构建了三种模型：基于放射组学的模型、基于深度学习的模型，以及一种结合了这两种方法的混合模型（采用堆叠集成技术）。模型性能通过AUC、敏感性、特异性等指标在测试数据集和独立的外部验证队列（n=148）上进行了评估。为了提高模型的可解释性，应用了SHAP和Grad-CAM技术。

结果

混合模型的表现显著优于单独的方法，在测试数据集上的AUC为0.921，敏感性为88.6%，特异性为89.7%。在外部验证队列中的表现也依然稳健（AUC=0.903）。统计测试（DeLong和自助法）证实了这些差异的显著性。最重要的贡献因素是与形状和纹理相关的放射组学特征（例如熵、球形度）以及高级深度特征。可视化结果突出了模型关注的关键临床区域。

结论

所提出的混合方法是一种临床可行的非侵入性方法，可用于分类乳腺癌亚型，有可能在某些情况下补充或部分替代活检。该方法提高了诊断准确性，同时保持了可解释性。未来的工作将集中在前瞻性验证以及将这种方法与基因组数据和临床数据整合到精准肿瘤学框架中。