《Cancers》：Augmented Prediction of N Parameter in Breast Cancer: Is It Possible with Shear-Wave Elastography Ultrasound Radiomics?
Martina Caruso,
Ludovica Rita La Rocca,
Arnaldo Stanzione,
Nicola Rocco,
Tommaso Pellegrino,
Daniela Russo,
Maria Salatiello,
Andrea de Giorgio,
Roberta Pastore and
Valeria Romeo
+ 3 authors
编辑推荐：
本文是一项评估性研究，旨在探讨整合剪切波弹性成像（SWE）特征的机器学习（ML）模型能否增强传统超声（US）在术前预测乳腺癌（BC）患者腋窝淋巴结（ALN）状态的能力。研究构建的简单逻辑算法模型性能中等，虽略低于资深放射科医生，但首次证实了在影像组学流程中加入SWE特征的可能性，为未来开发无创的术前精准分期工具提供了新思路。
1. 引言
腋窝淋巴结（ALN）状态是乳腺癌（BC）患者预后的关键独立预测因子，其存在与否与疾病复发风险和生存率显著相关。目前，腋窝分期的金标准是前哨淋巴结活检（SLNB）和/或腋窝淋巴结清扫（ALND），但两者均为有创操作，可能伴随淋巴水肿、神经损伤等并发症。因此，开发一种无创的术前评估方法具有重要的临床需求。
在众多影像学技术中，超声（US）因其普及性、易操作性和高灵敏度（87%）而处于主导地位，但其特异性（53–97%）较低且高度依赖操作者。SOUND随机临床试验的证据进一步凸显了术前准确评估ALN状态的紧迫性。近年来，影像组学（Radiomics）通过从医学图像中提取肉眼不可见的定量特征，结合人工智能（AI）分析，为揭示肿瘤异质性提供了新视角。同时，乳腺剪切波弹性成像（SWE）作为一种能够提供组织硬度定量信息（以千帕kPa或米/秒m/sec表示）的新技术，已被用于增强乳腺病灶的诊断准确性。本研究旨在评估一种融合了传统B型超声（B-mode）和SWE图像影像组学特征的机器学习算法，是否能提升术前定义乳腺癌患者ALN状态的能力。
2. 材料与方法
本研究为一项回顾性研究。纳入了2021年1月至2023年7月期间接受术前乳腺US联合SWE检查、经组织学证实为乳腺癌且ALN状态已知的患者。最终研究人群包括116名患者（共133个乳腺病灶）。根据金标准，ALN状态通过可疑淋巴结活检、SLNB或ALND确定。
图像采集使用GE LOGIQ S8超声系统。研究者从B型超声和SWE图像中手动分割出二维感兴趣区域（ROI）。
影像组学特征提取遵循影像生物标志物标准化倡议（IBSI），使用PyRadiomics（v3.0.1）软件进行。从每个病灶的B型超声和SWE图像中，分别提取了549个特征，共计1098个特征。特征类别包括形状、一阶统计量、灰度共生矩阵（GLCM）等。图像经过预处理，包括重采样、灰度归一化和滤波（如高斯拉普拉斯LoG和小波变换）。
数据集按7:3的比例随机分为训练集（89个病灶）和测试集（44个病灶）。特征筛选过程包括：排除稳定性差（组内相关系数ICC < 0.75）的特征、排除低方差特征，以及剔除高相关性（皮尔逊相关系数r > 0.80）的特征。此后应用合成少数类过采样技术（SMOTE）平衡类别。最终，通过信息增益排名筛选出8个最具信息量的特征来构建预测模型。
预测模型选用简单逻辑（Simple Logistic）分类器。为评估模型性能，还由一位资深乳腺放射科医生对测试集中的淋巴结B型超声图像进行了盲法评估。两者的诊断性能通过麦克尼马尔检验进行比较。
3. 结果
3.1. 患者特征
最终研究人群包括116名患者（平均年龄56.3岁），共133个乳腺病灶。病灶平均大小为16.7毫米。训练集和测试集在年龄和病灶大小上无统计学差异。
3.2. 机器学习分析
在初始提取的1098个特征中，835个因稳定性差被排除。经过低方差筛选、相关性排除（r > 0.80）以及信息增益筛选后，最终保留了8个特征用于建模，其中包括来自B型超声和SWE的特征。
简单逻辑分类器在训练集和测试集中的受试者工作特征曲线下面积（AUC）分别为0.685和0.677，马修斯相关系数（MCC）分别为0.387和0.375。在测试集中，该模型的准确度为68%，灵敏度为75%，特异性为63%。
3.3. 放射学评估
资深放射科医生在测试集上评估ALN的AUC为0.817，准确度为82%，灵敏度为80%，特异性为83%。机器学习模型的性能（AUC=0.688）虽低于放射科医生，但差异无统计学意义（p = 0.481）。
当为放射科医生提供机器学习评分作为参考时，其诊断准确度从82%轻微下降到80%，但变化不显著。
4. 讨论
本研究首次将机器学习应用于整合B型超声和SWE影像组学特征，以无创方式预测乳腺癌患者的ALN状态。虽然所构建模型的整体性能中等，且低于资深放射科医生，但两者差异不具统计学显著性。一个重要的发现是，在最终筛选出的8个关键特征中包含了来自SWE的特征，这提示SWE衍生的影像组学特征可能在未来的AI辅助超声研究中具有价值。SWE能提供定量的组织硬度信息，而硬度可能与肿瘤行为和淋巴转移相关。
研究的局限性包括：样本量较小，属于单中心回顾性设计，这限制了模型的泛化能力；图像采集和手动分割存在操作者依赖性；机器学习模型基于原发性病灶特征，而放射科医生评估的是淋巴结本身的特征，两者信息来源不同，存在方法学差异；模型仅对ALN状态进行了二元（阳性/阴性）分类，未考虑肿瘤负荷。
5. 结论
本研究构建的机器学习模型整合了B型超声和剪切波弹性成像（SWE）的影像组学特征，在预测腋窝淋巴结（ALN）状态方面显示出中等性能，其表现虽略低于但不显著逊于资深放射科医生的评估。
研究结果支持了在影像组学流程中纳入SWE特征的做法。考虑到超声在ALN评估中的重要作用，未来需要在更大规模、多中心的数据集上进行进一步研究，以强化现有证据，推动无创术前精准评估工具的发展。
