论文部分内容阅读
研究背景乳腺癌已成为全球发病率最高的恶性肿瘤,新辅助治疗（Neoadjuvant Therapy,NAT）是其术前标准治疗方式,其能降低肿瘤负荷,增加保乳及保腋窝概率。但患者对新辅助治疗反应迥异,病理完全缓解（Pathological Complete Response,pCR）率为20%-80%。早期预测乳腺癌NAT后pCR能够辅助临床及时调整治疗方案,提高pCR率;术前精准预测NAT疗效能够指导临床选择保乳、保腋窝手术。但目前尚缺乏精准预测新辅助治疗pCR的方法。研究证实,利用深度学习的方法,挖掘超声影像中蕴含的信息,可预测乳腺癌新辅助治疗pCR。但既往研究多基于手工分割的方法,具有耗时、可重复性低的缺点,且单次影像特征忽略了治疗中肿瘤的动态变化信息,未能量化肿瘤的时间异质性。因此,能否利用深度学习的方法,实现乳腺癌新辅助治疗超声图像自动分割,并挖掘时序超声动态变化信息,全面量化肿瘤的时间异质性,实现乳腺癌新辅助治疗疗效的精准预测,亟待研究探讨。研究目的针对乳腺癌新辅助治疗疗效预测困难的临床挑战,本研究拟:1)训练并验证基于UNet的超声影像分割模型,实现乳腺癌新辅助治疗多时序超声影像病灶精准分割;2)在第一部分研究的基础上,挖掘新辅助治疗前、治疗后1-2周期、及手术前超声影像特征,构建多时序超声评估系统（Serial Ultrasonography Assessment System,SUAS）,实现乳腺癌新辅助治疗疗效预测;3)进一步联合早期时序超声影像动态变化信息,探索其对人类表皮生长因子受体 2（Human Epidermal Growth Factor Receptor 2,HER2）阳性乳腺癌新辅助治疗疗效预测的增量价值。研究方法1)回顾性收集2015年5月-2020年6月期间,在三家医院接受新辅助治疗的801例乳腺癌患者,按照医院将其分为训练集（439例）、外部测试集1（212例）、外部测试集2（150例）。使用ITK-SNAP勾画新辅助治疗前、治疗后1-2周期、及手术前超声影像病灶最大横截面。训练并验证基于UNet网络的乳腺癌自动分割模型,使用骰子相似系数（Dice Similarity Coefficient,DICE）评估该模型的效能。2)第二部分研究是基于第一部分研究中自动分割的乳腺癌新辅助治疗超声影像病灶,进一步将训练集按照时间顺序分为训练集（242例）及内部验证集（197例）,分别提取新辅助治疗中各时间点超声影像组学特征,构建SUAS,并评估其预测效能。3)回顾性收集2013年12月16日至2021年3月5日期间,在三家医院经穿刺病理证实的393例HER2阳性乳腺癌患者,所有患者均接受新辅助治疗,按照医院将其分为训练集（215例）、外部验证集1（95例）、外部验证集2（83例）。本部分研究中构建的孪生多任务学习网络（Siamese Multi-task Network,SMTN）由两部分组成,一部分用来实现肿瘤的分割和多尺度特征提取,另一部分用于整合多尺度特征及动态变化信息用于pCR预测。研究结果1)与金标准手工分割相比,基于UNet网络的自动分割模型获得了良好的分割性能,在2个外部测试集中DICE分别为0.806、0.785。亚组分析显示,该模型不论是在新辅助治疗前、中、后的不同时期超声图像中,还是在的不同大小（≥2厘米或＜2厘米）肿瘤中,均取得了良好的分割性能,在两个外部测试集中,DICE分别大于0.750、0.725。2)SUAS具有良好的pCR预测效能,在外部测试集1、外部测试集2中受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve,AUC）分别为 0.927（95%Confidence Interval[CI]:0.891-0.963）、0.914（95%CI:0.853-0.976）,远优于临床模型（AUC:0.734（95%CI:0.665-0.804）、0.610（95%CI:0.504-0.716）,P＜0.05）及医生主观评估结果（AUC:0.632（95%CI:0.570-0.693）、0.724（95%CI:0.644-0.804）,P＜0.05）。此外,基于新辅助治疗前及治疗早期超声影像构建的早期评估模型也获得了良好的pCR预测效能,在两个外部测试集中,AUC分别为0.874（95%CI:0.793-0.955）、0.897（95%CI:0.851-0.943）。3)SMTN获得了良好的pCR预测效能,在训练集及两个外部验证集中,AUC 分别为 0.986（95%CI:0.977-0.995）、0.902（0.856-0.948）、0.957（0.924-0.990）,远优于临床模型效能（AUC:0.524-0.588,P＜0.05）。此外,SMTN成功识别了 97.5%（272/279）的 non-pCR 患者及 82.5%（94/114）的 pCR 患者,这些患者可以从调整治疗方案及保乳保腋窝手术中获益。研究结论基于深度学习的方法可实现乳腺癌新辅助治疗超声图像的精准分割,联合多时序超声特征及动态变化信息,可实现乳腺癌新辅助治疗疗效的精准预测,辅助临床制定个体化治疗决策。