《Cardiovascular Engineering and Technology》：Discriminating Breast Cancer Patients by Spectral Analysis of Arterial Pulse Waveforms
编辑推荐：
背景与目的：乳腺癌（breast cancer, BC）仍是重大健康威胁，亟需可及性更高的筛查手段。现有证据表明BC患者的心血管系统特征可发生异常改变。本研究旨在探索一种结合动脉脉搏波形分析与分类的非侵入性方法，比较BC患者（n=51）与年龄匹配对照者（n=7
背景与目的：乳腺癌（breast cancer, BC）仍是重大健康威胁，亟需可及性更高的筛查手段。现有证据表明BC患者的心血管系统特征可发生异常改变。本研究旨在探索一种结合动脉脉搏波形分析与分类的非侵入性方法，比较BC患者（n=51）与年龄匹配对照者（n=76）的动脉脉搏波形特征差异。
方法：研究人员从1分钟桡动脉波形记录中提取40项谐波指标（包括振幅比例、相位角及其变异性）。研究观察到两组间脉搏波指标存在显著差异，提示BC患者可能存在脉搏波传导条件的改变。研究比较了两种分类器：机器学习（machine learning, ML）模型与一种新型脉冲分布分析法（pulse-distribution analysis, PDA）。
结果：PDA法实现了可接受的判别效能，曲线下面积（area under the curve, AUC）达0.74，优于机器学习模型（最高AUC仅为0.58）。按TNM分期等临床因素进行的亚组分析显示效能存在差异，AUC范围为0.66至0.93。判别效能随疾病进展呈上升趋势（IV期AUC为0.86），提示肿瘤诱导的血管改变可能影响脉搏波传导。
结论：本研究的主要贡献在于识别了BC患者特有的脉搏波形特征，为未来开发非侵入性筛查工具提供了生理学基础。该方法具有成本低、操作简便的特点，值得在未来更大规模队列中进一步验证。
研究背景
乳腺癌是全球女性最常见的恶性肿瘤之一，严重威胁女性健康。目前的早期筛查手段主要依赖乳腺超声和钼靶X线摄影，虽然准确率高，但存在辐射暴露、检查费用较高及操作相对复杂等局限性，难以实现高频次的大规模普筛。近年来的生理学研究表明，肿瘤组织的生长伴随着显著的血管生成与血流动力学改变，这种系统性变化可能导致动脉弹性与脉搏波传导特性的异常。然而，利用这种血管动力学特征进行乳腺癌判别的研究尚处于起步阶段，且传统机器学习方法在小样本医学数据中往往表现不稳定。在此背景下，研究人员开展了一项基于动脉脉搏波频谱分析的无创判别研究，旨在探索一种低成本、易操作的新型辅助筛查策略。该研究发表于《Cardiovascular Engineering and Technology》。
关键技术方法
研究人员招募了台北市立仁爱医院血液肿瘤科的51名乳腺癌患者及76名年龄匹配的健康对照者。研究采用压力传感器采集受试者左侧桡动脉1分钟的血压波形（blood pressure waveform, BPW），采样频率为1024 Hz。信号处理方面，研究人员对波形进行滤波后，通过傅里叶变换提取前10阶谐波的振幅比例（Cn）、相位角（Pn）及其变异性指标，共40个特征。在分类算法上，研究对比了8种监督式机器学习模型（如支持向量机、随机森林等）与一种新型脉冲分布分析法（PDA）。PDA通过将个体指标在群体分布中的位置转化为评分进行判别，特别适用于本研究的小样本场景。统计分析采用双尾t检验，显著性水平设定为p<0.05。
研究结果
谐波指标比较
研究人员首先对两组人群的基础频谱特征进行了对比。结果显示，乳腺癌患者组在多个谐波频率上的振幅比例（Cn）和相位角（Pn）均显著高于对照组。这表明乳腺癌患者的动脉脉搏波传导条件发生了系统性改变，具体表现为血管僵硬度的增加导致特定频率成分的传导效率提升及传播速度加快，为后续的分类判别提供了生理学依据。
分类性能
在整体判别效能上，八种机器学习模型均表现不佳，最佳模型线性判别分析（LDA）的AUC仅为0.53，接近随机猜测水平，且模型稳定性极差。相比之下，脉冲分布分析法（PDA）取得了AUC为0.74（95% CI: 0.65-0.83）的判别效能，显著优于机器学习方法。在高特异性（0.90）的严格条件下，PDA的灵敏度达到0.35，证明了该方法能有效捕捉到与癌症相关的微弱血管信号。
亚组分析
研究人员进一步分析了不同临床因素对判别效能的影响。相关性分析显示，PDA评分与年龄无显著相关性（R2<0.05），排除了单纯血管老化带来的干扰。在按年龄划分的亚组中，50岁以下人群的AUC提升至0.86。在疾病分期方面，判别效能随TNM分期进展而升高，I期为0.79，IV期达到最高的0.86。此外，三阴性乳腺癌亚组的AUC高达0.93，伴有“三高”（高血压、高血脂、高血糖）的乳腺癌患者AUC为0.78。这些数据表明，该技术在年轻人群及晚期患者中具有更好的应用潜力。
讨论与结论总结
讨论部分指出，乳腺癌患者脉搏波振幅和相位角的升高，反映了肿瘤可能通过诱导全身血管重构，增加了大动脉的僵硬度，从而改变了脉搏波的反射与传导特性。研究人员认为，传统机器学习在小样本下失效的原因在于特征空间与样本量的不匹配及过拟合，而PDA作为一种针对脉搏波分布特征设计的算法，更适合此类生理信号的初步筛选。虽然本研究的AUC值（0.74）低于钼靶（约0.90-0.98）等影像学金标准，但其成本极低且操作便捷，可作为高风险人群的一种前置初筛工具，用于筛选出需要进一步接受影像学检查的个体，从而提高筛查卫生经济学效益。
结论部分强调，本研究证实了乳腺癌患者存在独特的动脉脉搏波频谱特征，PDA技术能够有效利用这些特征进行判别。尽管目前尚不能替代现有诊断手段，且研究存在组间并发症不匹配及样本量有限的局限，但这项技术为资源有限地区的乳腺癌大规模筛查提供了一种极具潜力的补充方案，未来需在更大规模的前瞻性队列中进一步验证其特异性。
