基于前哨淋巴结超声图像与模态自适应网络的cT1-2N0乳腺癌腋窝淋巴结肿瘤负荷术前精准评估新方法

《Scientific Reports》:Preoperative assessment of axillary lymph node tumor burden in cT1-2N0 breast cancer patients with a modality-adaptive network based on sentinel lymph node ultrasound images

【字体: 大 中 小 】 时间:2026年01月05日 来源:Scientific Reports 3.9

编辑推荐:

  本研究针对cT1-2N0乳腺癌患者术前腋窝淋巴结(ALN)肿瘤负荷评估难题,开发了一种基于超声(US)图像和临床病理信息的模态自适应网络(MAN+C)。该模型利用超声造影(CEUS)定位前哨淋巴结(SLN),通过深度学习分析SLN的灰度/彩色多普勒图像,在训练集、验证集、独立测试集和外部测试集的AUC分别达到0.91、0.98、0.89和0.84,显著提升了术前评估准确性,使88.9%的患者可安全豁免不必要的SLN活检,为个体化腋窝手术决策提供了直接、高效的新工具。

  
在乳腺癌诊疗领域,腋窝淋巴结(ALN)的肿瘤负荷评估一直是决定治疗方案和预后的关键环节。尽管早期乳腺癌患者(cT1-2N0)在临床上触诊腋窝淋巴结为阴性,但仍有部分患者存在隐匿性转移。传统的腋窝超声检查虽然便捷,但其敏感性(48.8%~87.1%)和特异性(55.6%~97.3%)存在较大波动,尤其是对于影像学表现不典型的微小转移灶,容易造成漏诊或误诊。近年来,随着SENOMAC、AMAROS、INSEMA等大型临床试验结果的公布,乳腺癌腋窝手术呈现“降阶梯”趋势,即对于部分低肿瘤负荷的患者,可以安全地避免腋窝淋巴结清扫(ALND)甚至前哨淋巴结活检(SLNB)。然而,如何精准地在术前识别出那些肿瘤负荷较高(例如,根据Z0011标准,定义为≥2个转移淋巴结)、不适合豁免SLNB的患者,成为临床实践中的新挑战。
现有的基于人工智能(AI)的预测模型大多依赖于原发乳腺癌病灶的影像学特征来间接预测ALN状态。这类方法存在明显局限:它们无法应用于多灶性乳腺癌患者,也无法用于已接受过原发灶局部治疗的患者,而这部分患者在临床中占比可达6%至60%。因此,开发一种不依赖于原发灶特征、能够直接基于淋巴结本身影像进行评估的方法,具有重要的临床意义。超声造影(CEUS)技术的出现为解决这一问题提供了契机。CEUS能够通过追踪淋巴管显影,精准定位“前哨淋巴结”(SLN)——即乳腺癌淋巴引流途径中的第一站淋巴结。这使得术前获取的SLN超声图像能够与术后的病理结果实现一一对应,为直接基于SLN影像特征构建预测模型奠定了坚实基础。
为此,由北京协和医院超声科朱庆莉教授、四川省肿瘤医院超声科卢漫教授及香港中文大学电子工程学系李洪生教授共同领导的研究团队,在《Scientific Reports》上发表了一项最新研究。他们开发并验证了一种名为“融合临床病理信息的模态自适应网络”(MAN+C)的深度学习模型,该模型能够直接基于SLN的常规超声(灰度或彩色多普勒)图像,结合关键的临床病理信息,对cT1-2N0乳腺癌患者的ALN肿瘤负荷进行术前精准评估。
为了开展这项研究,研究人员前瞻性地纳入了来自北京协和医院(2020年4月至2021年7月)和四川省肿瘤医院(2022年4月至2022年7月)的374例cT1-2N0乳腺癌患者,共获取595个SLN的1252张超声图像。所有患者术前均接受CEUS检查以定位SLN,并由经验丰富的超声医生获取SLN的全屏常规超声图像。图像经过手动裁剪和标准化预处理(如缩放至512x512像素)后,作为模型输入。此外,研究还收集了患者的年龄、SLN长短径及比值、皮质厚度、原发癌的雌激素受体(ER)、孕激素受体(PR)、人表皮生长因子受体2(HER2)状态以及Ki-67指数等9项临床病理特征。
MAN+C模型的核心架构如图1所示。它采用IBN-ResNet50-a作为图像特征提取的主干网络,该网络在ImageNet数据集上进行了预训练。同时,临床病理数据通过一个专门设计的患者数据网络(PDN)进行处理,该网络包含三个全连接层。图像特征和临床特征分别经过批标准化后进行拼接,最后通过一个前馈分类层输出最终的预测概率。研究团队还比较了多种主流深度学习模型(如EfficientNet-b4, VGG16, ResNet50),发现IBN-ResNet-a在本次任务中表现最优。模型的性能主要通过受试者工作特征曲线下面积(AUC)和F1分数来评价,其中F1分数能更好地应对数据集存在的类别不平衡问题。
模型性能卓越且稳健
MAN+C模型在各项测试中均展现出优异的预测能力。在训练集、验证集、独立测试集和外部测试集上,其AUC值分别达到0.91(95% CI: 0.899-0.943)、0.98(95% CI: 0.950-1)、0.89(95% CI: 0.850-0.935)和0.84(95% CI: 0.811-0.869)。外部测试集的性能略有下降,这符合预期,但也充分证明了模型在不同时间、不同医疗机构数据上的泛化能力和鲁棒性。
研究人员进一步评估了模型在不同决策阈值下的表现,以寻找具有临床意义的操作点。当选择较为保守的阈值0.1时,模型的灵敏度(SEN)和阴性预测值(NPV)均达到100%,但特异性(SPEC)较低(43.5%),意味着假阳性率较高。最终,他们选择0.2作为主要决策阈值,此时模型在独立测试集上能保持92.9%的灵敏度和98.6%的阴性预测值,同时特异性提升至83.5%,实现了灵敏度和特异性的良好平衡。
临床病理信息显著提升模型效能
为了探究不同信息源对模型预测的贡献,研究团队逐步剔除了临床病理特征。结果显示,仅使用临床病理信息(不包含图像)预测ALN肿瘤负荷,AUC可达0.82(95% CI: 0.762-0.884)。而当逐步加入SLN的形态学特征(如长短径、比值)和皮质厚度等图像相关测量指标后,模型性能持续提升。这表明,超声图像中蕴含的视觉信息能够额外提供8.5%的预测效能增量,临床信息与影像特征的融合起到了“1+1>2”的效果。
模型具备独特优势与良好可解释性
与以往基于原发灶的AI模型相比,MAN+C的最大优势在于其“直接性”和广泛的适用性。它不依赖于原发肿瘤的形态特征,因此可应用于多灶性病变或已接受原发灶治疗的患者,将模型的使用范围扩大了约30%。通过梯度加权类激活映射(Grad-CAM)技术生成的热力图显示,模型关注的重点区域与放射科医生关注的淋巴结门部及引流区域高度吻合,表明模型学会了识别与转移相关的关键影像学特征,增强了其决策过程的透明度和可信度。
迈向全自动化的探索
尽管本研究中的图像预处理包含了人工裁剪步骤,但研究人员也尝试了基于显著性检测的自动裁剪方法。实验表明,即使采用自动裁剪,模型在独立测试集上仍能取得0.82的AUC,仅比人工裁剪略有下降。这为未来构建完全自动化、无需人工干预的端到端预测管道提供了可能,有望进一步提高诊断流程的效率和标准化程度。
该研究的结论部分强调,MAN+C模型为cT1-2N0乳腺癌患者术前ALN肿瘤负荷评估提供了一种直接且高效的方法。它成功地将放射科医生的先验知识(通过临床病理信息)与超声图像中的高通量信息相结合,显著提升了诊断能力。这一工具有望在临床实践中帮助医生更准确地进行腋窝手术决策,使低肿瘤负荷患者安全地避免不必要的手术,同时确保高肿瘤负荷患者得到恰当的治疗。
当然,本研究也存在一些局限性。首先,CEUS在腋窝淋巴结评估中的普及度尚不高,需要进行更大规模、更多中心的外部验证来进一步证实模型的普适性。其次,当前模型基于的是CEUS定位后的SLN图像,未来需要探索其与全自动淋巴结检测技术结合后,对全腋窝扫描图像的评估效果。此外,本研究是一项观察性诊断模型研究,模型的预测结果并未影响实际临床决策,因此无法评估其对患者远期复发等结局的影响。未来需要开展前瞻性研究,甚至随机对照试验,来验证基于该模型的腋窝管理策略是否能真正改善患者的生存质量。
总而言之,这项研究标志着乳腺癌术前精准评估迈出了重要一步。通过创新性地结合CEUS、深度学习和临床信息,MAN+C模型为实现个体化、微创化的腋窝手术管理提供了强有力的新工具,其未来的临床转化应用值得期待。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号