基于超声的多区域放射组学诺模图用于预测HER2阳性乳腺癌的复发

《BMC Medical Imaging》：Ultrasound-based multiregional radiomics nomogram for predicting recurrence in HER2-positive breast cancer

　　

摘要

目的

准确预测复发风险对于个性化治疗人表皮生长因子受体2阳性（HER2阳性）乳腺癌至关重要。我们旨在开发一个可解释的机器学习模型，整合多模态数据以满足这一需求。

方法

这项回顾性研究纳入了2017年至2021年间148名人表皮生长因子受体2（HER2）阳性乳腺癌患者。在术前超声图像上，由经验丰富的放射科医生手动勾画出肿瘤内区域（感兴趣区域B，ROIB）。基于手动分割的ROIB，通过3D Slicer内置的自适应工具自动生成5毫米内的肿瘤周围区域（ROIC）和5毫米外的肿瘤周围区域（ROIA），并手动排除了非乳腺组织。使用PyRadiomics从每个ROI中提取放射组学特征。采用预融合策略（即特征融合）构建组合特征集（ROIA+B和ROIA+B+C [ROI All]），基于ROI All的放射组学模型定义为Rad All。通过Student’s t检验/Mann-Whitney U检验、Pearson相关性分析、最大相关性最小冗余（mRMR）算法和最小绝对收缩选择算子（LASSO）回归进行特征选择后，比较了多种机器学习模型，并选择支持向量机（SVM）作为构建放射组学模型的最佳算法。通过Cox回归分析筛选出独立的临床风险因素，并将这些因素与放射组学特征整合，构建了一个组合诺模图模型。使用接收者操作特征曲线（ROC）曲线下面积（AUC）、校准曲线、决策曲线分析（DCA）、DeLong检验、净重分类改进（NRI）和综合鉴别改进（IDI）来评估模型性能。生存分析采用Kaplan-Meier方法进行，应用SHapley Additive exPlanations（SHAP）分析以提高模型可解释性。

结果

在测试的放射组学模型中，整合了肿瘤内、肿瘤内周围和肿瘤外周围特征的Rad All模型在内部验证集中的整体表现最佳，AUC为0.820（95% CI：0.689–0.951）。结合Rad All特征和独立临床风险因素（不规则肿块形状、异常后 echo 特征、淋巴结转移和孕酮受体[PR]阴性）的组合诺模图的AUC为0.905（95% CI：0.817–0.992），高于仅使用放射组学特征或仅使用临床因素的模型。包括DeLong检验、NRI和IDI在内的统计评估支持了组合模型的增量预测价值（所有p < 0.05）。该模型在校准和决策曲线分析中表现出可接受的性能和有利的临床净收益。使用Rad All模型进行的生存分析在训练集和内部验证集中实现了有效的风险分层。SHAP分析确定lbp?2D_Agrlrm_ARunLengthNonUniformityNormalized是最重要的放射组学特征，其高值与复发风险增加相关。

结论

总之，与单区域放射组学模型相比，整合肿瘤内、肿瘤内周围和肿瘤外周围放射组学特征（Rad All模型）可能为HER2阳性乳腺癌的术后复发提供更可靠的预测性能。结合Rad All和临床风险因素的组合诺模图进一步提高了预测效果，可作为临床决策的辅助工具。SHAP分析通过识别关键预测特征增强了模型的可解释性。然而，由于缺乏独立的外部验证，我们模型的泛化能力需要在未来的前瞻性多中心研究中进一步验证。