《Diagnostics》:Simultaneous Preoperative Prediction of Locally Advanced Breast Cancer, DCIS Component, and Multifocality Using Structured Mammographic Features and Gradient-Boosting Machine Learning
编辑推荐:
背景/目的:局部晚期乳腺癌(LABC)的准确术前检测对新辅助化疗规划至关重要。研究人员基于结构化BI-RADS乳腺X线摄影特征构建并验证了梯度提升模型,在多中心队列中同步预测LABC、导管原位癌(DCIS)成分及多灶性。方法:这项回顾性研究纳入三家大学附属医院
背景/目的:局部晚期乳腺癌(LABC)的准确术前检测对新辅助化疗规划至关重要。研究人员基于结构化BI-RADS乳腺X线摄影特征构建并验证了梯度提升模型,在多中心队列中同步预测LABC、导管原位癌(DCIS)成分及多灶性。方法:这项回顾性研究纳入三家大学附属医院的2295例患者;特征按BI-RADS编码。采用CatBoost与logistic回归建模,按60/20/20分层划分,通过bootstrap重采样、嵌套交叉验证及敏感性分析评估性能。以AUROC、AUPRC、Brier分数及校准指标评价区分度与临床效用;泄漏审计与SHAP分析辅助解释。结果:CatBoost预测LABC的AUROC为0.906(95% CI:0.876–0.932)。因若干顶部预测因子与定义该结局的解剖学标准重叠,排除后重训模型保留平均AUROC 0.739,表明存在超越分期重叠的真实预测信号。净获益在各相关阈值均为正,校准误差0.053。DCIS预测高度准确(AUROC 0.979;嵌套AUROC 0.9707),无泄漏证据。多灶性预测较温和(AUROC 0.810),反映二维乳腺X线摄影已知局限。敏感性分析确认性能在划分、训练量及类权重方案下稳定。结论:结构化乳腺X线摄影特征联合梯度提升可支持具临床意义(虽部分重叠)的LABC风险分层;扣除重叠后模型仍保留独立价值。DCIS模型表现优异;多灶性预测仍受限,临床应用前需外部验证。
研究背景与立项依据
乳腺癌是全球女性最常见诊断癌症及癌症死亡第二大原因。局部晚期乳腺癌(LABC)患者标准治疗为新辅助化疗(NAC),但应答受肿瘤生物学影响差异显著,进展者可能丧失根治手术机会。准确术前风险分层关乎NAC候选筛选与手术方式决策。除LABC外,导管原位癌(DCIS)成分影响保乳手术切缘与再切除率;多灶性(同侧乳腺≥2个病灶)关联前哨淋巴结转移风险升高及乳房切除倾向。现有多模态模型(MRI、全切片图像、血清标志物)虽AUC可观,但依赖高级设备与算力,难以普及。乳腺X线摄影(mammography)作为最广泛可及工具,其BI-RADS结构化描述(肿块形态/边缘、钙化模式、结构扭曲等)蕴含可挖掘信息,但尚无研究用同一组结构化特征同步预测上述三结局。为此,研究人员在2295例三中心回顾性队列中,以CatBoost梯度提升为主、logistic回归对照,系统验证结构化BI-RADS特征对LABC(主终点)、DCIS成分与多灶性(次终点)的同步术前预测价值,并以泄漏审计、纳入偏倚敏感性分析、SHAP与决策曲线分析(DCA)强化方法与解释严谨性。论文发表于《Diagnostics》。
主要关键技术方法
研究人员回顾性提取2018–2025年三家大学附属医院2295例女性数字乳腺X线阳性发现者(排除既往手术、假体、图像劣质),由资深放射科医师按BI-RADS词典录入乳房构成、肿块(形态/边缘/密度/尺寸分档)、钙化(形态/分布)、结构扭曲、伴随征(皮肤增厚、乳头内陷、腋淋巴结病等)及体检发现;结局经组织病理学确定(LABC定义为T3或T4a–d或N1–3,DCIS成分为伴/不伴浸润的DCIS,多灶性为病理确认≥2灶)。预处理剔除结局衍生与病理报告特征防泄漏,分类变量独热编码,CatBoost原生处理缺失、logistic回归中位数填补。按60/20/20分层切分,bootstrap 2000次、5×3嵌套交叉验证、10种随机划分子集与训练量递减敏感性分析;CatBoost超参2000轮/学习率0.05/深度6/平衡类权,logistic回归作对照。性能报AUROC、AUPRC、Brier、ECE、校准斜率/截距,DCA算净获益;SHAP解顶20特征;针对LABC剔除17个定义邻近特征、针对DCIS剔除“可疑DCIS”放射印象字段做纳入偏倚敏感性重训。
研究结果
3.1 人群与3.2 结局患病率:2295例中均值年龄49.3±11.9岁;LABC 761/2294(33.2%)、DCIS成分450/2294(19.6%)、多灶性440/2294(19.2%),三结局非互斥。
3.3 主终点LABC预测:CatBoost测试集AUROC 0.906(95% CI 0.876–0.932),AUPRC 0.843,优于logistic回归0.874与肿块数基线0.580;ECE 0.053,校准斜率0.868(略过估风险);DCA在0.05–0.50阈值净获益均正(如0.20阈值净获益0.223)。剔除17个分期定义邻近特征后跨5种子平均AUROC降至0.739(SD 0.016),仍高于肿块数基线0.554,证伪纯循环定义、留独立信号。SHAP示肿瘤尺寸(|SHAP| 0.65)、伴随征、皮肤增厚、可触及肿块、结构扭曲居前。
3.4 次终点DCIS成分:CatBoost AUROC 0.979(95% CI 0.967–0.990),AUPRC 0.916;嵌套CV均值0.9707(Δ=0.0083)近无乐观偏倚;ECE 0.036(保守低估概率)。泄漏审计见钙化形态与DCIS强关联(Cramer's V>0.4)属已知影像-病理相关而非泄漏;剔“可疑DCIS”放射字段后AUROC仅由0.977降至0.969。SHAP主导为可疑钙化形态(0.77)、放射疑诊(0.38)、钙化深度。
3.5 次终点多灶性:CatBoost AUROC 0.810(95% CI 0.749–0.862),logistic回归0.834;ECE 0.029最佳;DCA全阈值正净获益但低阈值增益小。SHAP顶征为肿块中带深度(0.70)、后带深度(0.40)、外上象限、前带深度、局灶不对称——反映2D投影对多灶空间分辨固有局限。
3.6 亚组:LABC非致密乳(BI-RADS A/B)0.915略高于致密(C/D)0.898;DCIS各亚组AUROC>0.97不随密度/检查类型衰减;多灶性致密乳0.840优于非致密0.753(纤维腺体组织遮掩)。
3.7–3.8 解释与敏感性:SHAP无结局衍生特征入围;LABC模型在30%训练量AUROC仍0.896,类权重方案σ=0.0027,剔肿瘤尺寸单征降0.0190证实其主导。
讨论浓缩
研究人员指出,LABC全特征模型AUROC 0.906部分源自影像征与T/N分期标准的解剖重叠(纳入偏倚),故0.739应作独立术前预测之保守估计,全特征模型价值更在自动化统合BI-RADS分期相关描述、减读者间变异;DCIS模型0.979高判别源于钙化-病理强相关而非新规律,校准斜率0.684示概率保守、宜Platt标定后入临床;多灶性0.810受2D叠影限制,未来需结合数字乳腺体层合成(DBT)或MRI。局限含回顾性选择偏倚、无独立外部队列(机构标识未留故未能留一院验证)、缺ER/PR/HER2受体状态致不能替代分子分型决策、诊断性摄影亚组事件少。意义在于以常规BI-RADS结构化字段+CatBoost达成可解释、低资源消耗的三结局同步术前分层,DCA证阈值为0.20–0.40时净获益峰值契合NAC决策区间。
结论翻译
本多中心研究基于结构化乳腺X线摄影特征构建并验证机器学习模型,术前同步预测LABC(主终点)、DCIS成分与多灶性。LABC模型区分度强(AUROC 0.906)且全阈值临床净获益为正;因顶部预测因子与结局定义解剖标准重叠,专设敏感性分析排除后平均AUROC留0.739,证实非定义性BI-RADS描述符具真实独立预测值——全特征模型可作分期相关描述自动统合工具,精简模型为独立贡献之较稳妥估计。DCIS模型判别极高(0.979)且嵌套验证稳定(0.9707);多灶性预测较受限(0.810)。全面验证(bootstrap、嵌套CV、敏感性、校准、DCA)支撑可靠性,但外部验证与前瞻性研究仍待补以确证泛化与临床影响。