论文部分内容阅读
目的:乳腺癌的诊断、腋窝淋巴结转移风险评估和人类表皮生长因子受体2(Human epidermal growth factor receptor,HER2)状态预测是乳腺癌临床诊疗决策的关键环节。本研究旨在探讨基于自动乳腺容积扫查(Automated breast volume scanning,ABVS)的超声影像组学模型对乳腺癌的无创诊断、术前腋窝淋巴结转移风险评估和术前HER2状态预测的临床价值。研究对象和方法:1.本回顾性研究以术前行ABVS检查的乳腺结节患者(n=200)为研究对象。从ABVS图像横断面和冠状面中提取了208个超声影像组学特征。采用递归特征消除(Recursive feature elimination,RFE)、随机森林(Random forest,RF)和卡方检验(Chi-square test,Chi-square)进行特征选择。利用支持向量机(Support vector machine,SVM)、逻辑回归(Logistic regression,LR)和极限梯度提升(Extreme gradient boosting,XGBoost)作为分类器来鉴别乳腺良恶性结节。以曲线下面积(the Area under the curve,AUC)、敏感性、特异性、准确性和精确性来评估ABVS超声影像组学模型的分类性能。通过五倍交叉验证,提升模型的鲁棒性,避免过拟合。2.本研究纳入两个医学中心的共276例术前行ABVS检查的早期浸润性乳腺癌(Early invasive breast cancer,EIBC)患者。将本中心179例EIBC患者,按照8:2比例,划分为训练集(143例)和验证集(36例),以外中心97例EIBC患者为外部测试集。利用类内相关系数(Intra-class correlation coefficient,ICC)来评估ABVS超声影像组学特征和ABVS超声特征的一致性。超声影像组学标签通过最小绝对收缩和选择算子逻辑回归算法(Least absolute shrinkage and selection operator,LASSO)构建。由单因素逻辑回归筛选腋窝淋巴结转移(Axillary lymph node metastases,ALNM)的显著性预测因子。显著性预测因子通过多因素逻辑回归筛选出独立预测因子,进而开发超声影像组学列线图模型。绘制受试者工作特征曲线(Receiver operating characteristic curve,ROC)、校正曲线(Calibration curve,CC)和决策曲线(Decision curve,DC)用于评估列线图模型的临床预测性能和应用价值。外部测试集测试列线图模型的临床泛化性。3.本回顾性研究共纳入两个医学中心271例术前行ABVS检查的浸润性乳腺癌患者,其中本中心174例患者随机分为训练集和验证集(比率8:2),97例外中心浸润性乳腺癌患者作为外部测试集。以乳腺癌患者术后病理免疫组织化学法(Immunohistochemistry,IHC)或荧光原位杂交法(Fluorescence in situ hybridization,FISH)检测结果作为判断乳腺癌分子生物学指标HER2阳性的金标准。基于ABVS的肿瘤区域、瘤周3mm区域和瘤周5mm区域提取的超声影像组学特征和临床特征(临床、ABVS特征和血清学特征)构建模型。采用多种分类器优化单数据源模型,且分别使用特征组合方法和模型加权组合方法构建最优组合模型。使用ROC评估超声影像组学模型的预测性能。外部测试集测试超声影像组学模型的泛化性。结果:1.对于ABVS单个层面或组合层面,在鉴别乳腺良恶性结节时,RFE和SVM的组合模型产生了最佳性能。RFE和LR的组合模型表现次之。基于ABVS组合层面的超声影像组学模型性能优于ABVS单个层面的模型性能。对于ABVS横断面联合冠状面,使用RFE和SVM组合的超声影像组学模型产生了最佳的鉴别性能:平均AUC为(0.86±0.06,95%置信区间[CI],0.76-0.96);相应的敏感性、特异性、准确性和精确性的平均值分别为87.90%,68.20%,80.70%,82.90%。2.在训练集、验证集和外部测试集中,由ABVS超声影像组学标签、超声评估ALN状态、汇聚征和红细胞细胞分布宽度(标准差[SD])构建的超声影像组学列线图模型获得较好的预测效能,AUC(95%CI)分别为0.78(0.71,0.86)、0.77(0.61,0.94)和0.83(0.75,0.91);相应的敏感性、特异性和准确性分别为83.80%、80.00%、85.30%;63.40%、80.00%、66.00%;72.20%、80.00%、74.20%;CC显示列线图的预测概率和观察概率之间表现出良好的一致性。DC证实列线图对EIBC患者有更高的受益。3.预测HER2状态的加权组合模型在验证集中取得了更好的性能。在验证集中,最优单数据源模型的AUC(95%CI)为0.80(0.66,0.95),相应的敏感性和特异性分别为100.00%、62.50%;最佳特征组合模型的AUC(95%CI)为0.74(0.56,0.92),敏感性和特异性分别81.80%、66.70%;模型加权组合模型的最高AUC(95%CI)为0.83(0.69,0.96),相应的敏感性和特异性分别为90.90%和75.00%。在外部测试集中,最优模型加权组合模型的AUC(95%CI)为0.69(0.58,0.80),对应的敏感性和特异性分别为69.44%和51.61%。结论:1.基于多层面ABVS图像的超声影像组学模型,能够准确、简便地应用于乳腺良恶性结节的术前、无创鉴别诊断,为乳腺癌患者的精准诊疗提供超声影像组学依据。2.基于ABVS的超声影像组学列线图预测EIBC患者ALNM,可作为ALNM风险的术前、无创预测工具,优化EIBC患者的临床决策。3.基于ABVS肿瘤及瘤周超声影像组学特征和临床特征、ABVS超声特征及血清学特征的模型加权组合模型,可用于简便、无创地预测乳腺癌患者HER2状态,为乳腺癌患者的精准靶向治疗提供超声影像组学依据。