羅項超 林桂涵 陳煒越 陳春妙 應海峰 紀建松

腋窩淋巴結（axillary lymph node，ALN）轉移情況是影響乳腺癌臨床分期、治療決策以及預后評估的重要因素[1]。近年來，隨著精準微創(chuàng)診療理念的發(fā)展，前哨淋巴結活檢（sentinel lymph node biopsy，SLNB）已逐漸替代腋窩淋巴結清掃術（axillary lymph node dissection，ALND）成為早期乳腺癌腋窩分期的標準術式[2]。然而，對于前哨淋巴結陽性的患者常規(guī)進行ALND 有可能導致上肢功能障礙和淋巴水腫等并發(fā)癥，嚴重影響患者的生活質量[3]。既往研究證實，約30%～70%前哨淋巴結陽性患者并未從后續(xù)的ALND 中獲益[4]。此外，Z0011 臨床試驗結果顯示，對于臨床T1～2期、擬行保乳手術和術后全乳放療的患者，若ALN 處于低負荷時，SLNB 可達到與ALND 相似的控制率[5]；而ALN 高負荷的患者通常是新輔助全身治療和ALND 的候選對象[6]。因此，術前無創(chuàng)識別早期乳腺癌ALN 負荷具有重要意義。在臨床上，MRI 檢查是術前評估乳腺癌侵犯范圍和ALN 轉移情況的主要檢查手段。然而，常規(guī)MRI 檢查主要依賴于放射科醫(yī)師的主觀經驗，缺乏客觀量化指標。影像組學通過從影像圖像中提取肉眼不可見的定量特征，并利用機器學習算法進行分析和預測，可以為乳腺癌的診斷、分型、分級和預后評估提供重要的參考[7]。本研究旨在探討基于機器學習的MRI 影像組學列線圖模型在術前預測早期乳腺癌患者ALN 負荷中的應用價值，現報道如下。

1 對象和方法

1.1 對象 回顧2015 年1 月至2022 年6 月麗水市中心醫(yī)院經手術病理檢查證實的早期乳腺癌女性患者（臨床T1或T2期）377 例，年齡31～84（52.09±10.40）歲。納入標準：（1）術前2 周內進行乳腺MRI 檢查；（2）浸潤性乳腺癌；（3）ALN 觸診陰性患者；（4）接受SLNB或ALND，且病理檢查結果明確。排除標準：（1）腫瘤最大徑＞5 cm；（2）MRI 圖像質量不佳；（3）既往有惡性腫瘤病史；（4）術前接受新輔助化療或放療。根據病理檢查結果分為低負荷組（陽性ALN≤2 枚）303 例和高負荷組（陽性ALN＞2 枚）74 例。將所有患者按7∶3的比例隨機分配至訓練集264 例（低負荷組212 例，高負荷組52 例）和驗證集113 例（低負荷組91 例，高負荷組22 例）。本研究經本院醫(yī)學倫理委員會審查通過（批準文號：科研醫(yī)倫審第2023-355 號）。

1.2 方法 收集所有患者的臨床病理資料，包括年齡、組織學分級、雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone recepeor，PR）、人表皮生長因子受體2（human epidermal growth factor receptor 2，HER-2）和Ki-67。

采用德國西門子公司Area 1.5 T MRI掃描儀及32通道乳房線圈。掃描序列主要包括（1）頻率衰減反轉恢復T2WI序列：重復時間（repetition time，TR）4 900 ms，回波時間（echo time，TE）57 ms，矩陣448×336，層厚4 mm；（2）彌散加權成像序列：TR 9 100 ms，TE1/TE2：89 ms/158 ms，矩陣192×192，層厚4 mm，b=0 和800 s/mm2；（3）動態(tài)對比增強MRI（dynamic contrast enhanced MRI，DCE-MRI）采用三維快速小角度激發(fā)序列，TR 4.5 ms，TE 1.75 ms，翻轉角10°，層厚1.5 mm，無間距，采集矩陣448×425，視野36 cm×36 cm。共采集6 期圖像，每期時相60 s，第1 期蒙片采集結束后，使用雙筒高壓注射器經靜脈注射Gd-DTPA（中國廣州康臣藥業(yè)有限公司），劑量0.1 mmol/kg，注射速率2.5 mL/s，隨后用0.9%氯化鈉溶液20 mL 沖洗。

1.3 MRI 特征評估 由2 位分別具有8 年和14 年胸部影像診斷經驗的主治醫(yī)師和副主任醫(yī)師以雙盲法獨自評估MRI 特征。當判讀結果存在分歧時，通過協商達成一致。分析MRI 特征包括（1）腫瘤最大徑：在DCE-MRI 第2 期圖像上選取顯示病灶的最大層面測量其最大徑；（2）乳腺影像報告與數據系統（breast imaging reporting and data system，BI-RADS）分級：按照2016 年美國放射協會第五版將乳腺腫瘤分為4 級（包括4A、4B、4C）和5 級；（3）MRI 檢查報告淋巴結狀態(tài)：參照文獻[8-9]，陽性淋巴結應至少滿足以下一種情況：①短徑增大（＞10 mm）；②淋巴門消失；③內部壞死；④不均勻明顯強化；⑤相互融合等。

1.4 圖像分割及特征提取 將DCE-MRI 第2 期圖像上傳至Radcloud 平臺（版本7.1，http://Radcloud.cn/）進行影像組學分析。由1 位具有8 年胸部影像診斷經驗的主治醫(yī)師沿著病灶內緣逐層手動勾畫，最終通過融合生成全腫瘤感興趣容積（volume of interest，VOI）。隨后由另1 位具有14 年胸部影像診斷經驗的副主任醫(yī)師進行復閱。對于VOI 范圍判讀不一致的患者，經協商達成一致。提取特征的種類包括：一階統計量、形態(tài)特征和紋理特征。一階統計量是定量描述MRI圖像內體素強度分布的常用指標，形態(tài)特征是反映病灶區(qū)域形狀和大小的三維特征，紋理特征是評價區(qū)域的異質性差異。

1.5 特征篩選及模型構建 依次采用方差閾值、單變量選擇、最小絕對值收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）方法來減少冗余特征并選擇最優(yōu)影像組學特征。在方差閾值法中，剔除閾值≤0.8 的特征；單變量選擇法保留P＜0.05 的特征；LASSO 回歸采用十倍交叉驗證法篩選出與ALN負荷高度相關的最優(yōu)特征子集，并繪制相關性熱圖?；谏鲜鎏卣鞣謩e構建了5 種機器學習分類器，包括K 近鄰（K-nearest neighbo，KNN）、支持向量機（support vector machine，SVM）、邏輯回歸（logistic regression，LR）、隨機森林（random foresst，RF）和極端梯度提升決策樹（extreme gradient boosting，XGBoost），選擇驗證集中AUC 最高的分類器作為最佳影像組學模型，并將其結果轉換為相應的影像組學評分（radiomics score，Rad-score）。

1.6 統計學處理 采用R 4.1.2 統計軟件。計量資料以表示，組間比較采用兩獨立樣本t檢驗；計數資料以例（%）表示，組間比較采用χ2檢驗。將單因素分析中P＜0.05 的指標進一步行多因素logistic 回歸分析，并基于臨床危險因素和Rad-score 構建列線圖模型。繪制ROC 曲線評價不同模型的診斷效能，計算AUC、靈敏度、特異度和準確度，不同模型間AUC 的比較采用Delong 檢驗。使用“rms”包進行1 000 次重復抽樣繪制校準曲線，以Hosmer-Lemeshow 檢驗評價列線圖的穩(wěn)健性。為了進一步驗證其臨床實用性，使用“rmda”包進行決策曲線分析（decision curve analysis，DCA），計算不同閾值概率下的凈效益。P＜0.05 為差異有統計學意義。

2 結果

2.1 訓練集和驗證集患者臨床、病理及常規(guī)MRI 特征的比較 在訓練集中，MRI 檢查報告淋巴結狀態(tài)在低負荷組和高負荷組間的差異有統計學意義（P＜0.01），并且在驗證集得到驗證（P＜0.01）；而年齡、組織學分級、ER、PR、HER-2、Ki-67、腫瘤最大徑及BI-RADS分級在低負荷組和高負荷組間的差異均無統計學意義（均P＞0.05），見表1、2。

表1 訓練集患者臨床、病理及常規(guī)MRI特征的比較

表2 驗證集患者臨床、病理及常規(guī)MRI特征的比較

2.2 影像組學特征篩選 在訓練集中，從每例患者的DCE-MRI 圖像中提取1 688 個影像組學特征，方差閾值和單變量選擇法分別篩選得到615、527 個特征。最終，經LASSO 回歸篩選得到16 個與ALN 負荷相關的影像組學特征，組成最優(yōu)特征子集。最優(yōu)特征與相應的相關性熱圖顯示，最優(yōu)特征間相關性不強，可全部用于構建機器學習分類器，見圖1。

圖1 LASSO 回歸篩選特征示意圖（A：系數路徑圖，表示隨著最佳權重參數λ 的變化，納入影像組學特征的數量和對應的回歸系數；B：交叉驗證圖，運用10 折交叉驗證確定參數λ 的最優(yōu)值，最終獲得16 個與ALN 負荷相關性最強的影像組學特征，構成最優(yōu)特征子集；C：相關性熱圖，提示最優(yōu)特征之間存在弱相關性）

2.3 5 種機器學習分類器的診斷效能 ROC 曲線分析結果顯示，5 種機器學習分類器在訓練集中的AUC范圍為0.703～1.000，在驗證集中的AUC 值范圍為0.560～0.762，見表3、圖2。其中KNN 表現過擬合且效能最差，而SVM 效能最優(yōu)，選擇其作為最佳影像組學模型。驗證集中不同機器學習分類器間的AUC 比較結果見表4。

圖2 不同機器學習分類器預測ALN 負荷的ROC 曲線（A：訓練集；B：驗證集）

表3 5種機器學習分類器在訓練和驗證集的診斷效能比較

表4 驗證集中不同機器學習分類器間AUC的比較（P 值）

2.4 列線圖模型的構建與驗證 采用logistic 回歸構建基于MRI 檢查報告淋巴結狀態(tài)的臨床模型；同時，基于多因素logistic 回歸分析建立聯合MRI 檢查報告淋巴結狀態(tài)和Rad-score 的列線圖模型，見圖3。在訓練集中臨床模型、影像組學模型及列線圖模型的AUC分別為0.713、0.825、0.887；在驗證集中臨床模型、影像組學模型及列線圖模型的AUC 分別為0.675、0.762、0.818，見表5。Delong 檢驗顯示，在訓練集和驗證集中，列線圖模型的AUC 均明顯高于臨床模型（Z=5.920、4.580，均P＜0.01）。校準曲線顯示列線圖模型對ALN高負荷的預測概率和實際結果有較好的一致性，Hosmer-Lemeshow 檢驗顯示訓練集及驗證集均具有較好擬合度（均P＞0.05）。DCA 結果表明，當訓練集中閾值概率為0.03～1.00 和0.03～0.74、驗證集中閾值概率為0.02～1.00 和0.02～0.61 時，列線圖模型的凈獲益優(yōu)于臨床模型和影像組學模型，見圖4。提示該列線圖模型在預測早期乳腺癌患者ALN 負荷方面具有更高的臨床應用價值。

圖3 預測早期乳腺癌患者ALN 高負荷發(fā)生概率的列線圖

圖4 訓練集和驗證集中臨床模型、影像組學模型及列線圖模型的ROC 曲線、校準曲線、DCA 結果（A：訓練集ROC 曲線；B：驗證集ROC 曲線；C：訓練集校準曲線；D：驗證集校準曲線；E：訓練集DCA；F：驗證集DCA）

表5 訓練集和驗證集中臨床模型、影像組學模型及列線圖的診斷性能比較

3 討論

在本研究中，筆者基于DCE-MRI 圖像的影像組學特征建立了5 種機器學習分類器用于術前預測早期乳腺癌患者的ALN 負荷情況。結果顯示，SVM、LR 和XGBoost 均展現出良好的預測效能，其中SVM 在驗證集中的AUC 最高，因此選擇其作為最佳影像組學模型。為了構建一個可視化且易于理解的預測模型，筆者構建了一個包含Rad-score 和MRI 檢查報告淋巴結狀態(tài)的列線圖模型。結果證實，該列線圖模型在預測ALN 負荷方面具有較大的潛力，可用于輔助早期乳腺癌患者的臨床治療決策。

近年來，隨著乳腺外科治療理念逐步向個體化和精準治療的發(fā)展，臨床上對于ALN 的管理方式也逐漸從單一狀態(tài)轉變?yōu)樨摵煞诸?。盡管SLNB 具有創(chuàng)傷小、靈敏度高和特異度高等優(yōu)點，但其仍屬于有創(chuàng)手術，并存在9.8%的假陰性率[10]。因此，如何在術前無創(chuàng)準確化評估ALN 負荷已成為當前臨床實踐中亟待解決的熱點問題。影像學檢查在臨床淋巴結分期中扮演著至關重要的角色。羅海愉等[11]研究發(fā)現，腋窩超聲陽性的患者比腋窩超聲陰性的患者存在高淋巴結負荷的比例更高（P＜0.01），表明腋窩超聲檢查有助于識別ALN 負荷。本研究發(fā)現，ALN 高負荷組中MRI報告淋巴結陽性的比例明顯高于低負荷組[61.54%（32/52）比20.28%（43/212），P＜0.01]。然而，進一步ROC 曲線分析顯示，基于MRI 檢查報告淋巴結狀態(tài)建立的臨床模型在預測ALN 負荷時的效能表現一般，訓練集和驗證集的AUC 分別為0.713 和0.675，這與此前Zhang等[12]研究結果相似。推測可能是由于炎性增生性淋巴結和轉移性淋巴結在形態(tài)學征象上存在諸多重疊所致[13]。因此，僅依靠常規(guī)MRI影像學特征可能難以鑒別早期乳腺癌患者的ALN 負荷情況，有必要在臨床實踐中尋找另一種更為客觀、準確的方式彌補上述不足。

醫(yī)學圖像中的許多細微變化很難用肉眼觀察到，但它們可以通過影像組學特征的形式來呈現，從而表征和解釋腫瘤生物學中的細微變化，并為臨床實踐提供及時有效的信息[7]。此前已有幾項研究報道了影像組學在預測早期乳腺癌患者ALN 負荷方面的潛在價值。Wu 等[14]探討了基于對比增強X 線圖像的影像組學特征在評估ALN 負荷的可行性，結果顯示由6 個紋理特征建立的影像組學模型表現出較好的診斷效能，在訓練集和驗證集的AUC 分別為0.91、0.76。然而，X線圖像存在堆疊效應，這可能會導致無法提取完整的腫瘤信息。Gao 等[15]表明基于超聲圖像的影像組學模型可較好地預測早期乳腺癌患者的ALN 負荷，在訓練集和驗證集中的AUC 分別為0.833、0.715。但是超聲圖像的采集容易受操作醫(yī)師經驗水平的影響，可能造成結果的可重復性較差。與X 線和超聲相比，MRI 具有高軟組織分辨率、無電離輻射以及不易受操作醫(yī)師個體差異干擾等優(yōu)勢。而DCE-MRI 是乳腺MRI 檢查中最重要的序列之一，它可同時獲得腫瘤的血流動力學和形態(tài)學信息，因此更能體現乳腺癌的異質性。在本研究中，筆者基于DCE-MRI 圖像提取了1 688 個影像組學特征，經降維得到16 個與ALN 負荷高度相關的特征。進一步基于上述特征建立了5 種機器學習分類器，結果顯示SVM 分類器的診斷效能最為穩(wěn)定，在訓練集和驗證集中的AUC 分別為0.825、0.762。一種可能的解釋是SVM 能夠在模型的復雜度和學習能力之間尋求最佳的平衡點，從而在有限樣本數據中實現最大的推廣能力，尤其在解決小樣本、高維和非線性等問題方面具有許多獨特的優(yōu)勢[16]。相比之下，盡管KNN 在訓練集的AUC 高達1.000，但驗證集的AUC 僅為0.560，即存在過擬合現象。分析可能是由于該分類器在訓練時的復雜度過高，過度擬合了樣本集中的噪聲，忽略了真實數據的分布[17]。為了進一步提升模型的診斷效能，筆者將Rad-score 和MRI 檢查報告淋巴結狀態(tài)相結合建立列線圖模型。結果顯示，在訓練集和驗證集中該列線圖模型均表現出良好的診斷效能（AUC 分別為0.887 和0.818），且明顯高于臨床模型（AUC 分別為0.713 和0.675），這表明該列線圖模型在評估早期乳腺癌患者ALN 負荷方面具有良好的應用價值。

本研究仍存在一些局限性：（1）這是一項單中心回顧性研究，不可避免地存在部分偏倚，未來需擴大樣本規(guī)模、設計多中心和前瞻性研究加以驗證；（2）僅納入浸潤性乳腺癌這單一類型，列線圖在評估其余病理類型乳腺癌ALN 負荷的價值仍有待探索；（3）筆者僅分析了病灶強化最為明顯的DCE-MRI 第2 期圖像。

綜上所述，基于機器學習的MRI 影像組學列線圖模型在早期乳腺癌患者ALN 負荷中具有較高的預測價值，有望為乳腺癌患者的個體化診治提供重要依據。