《Frontiers in Oncology》:Intratumoral heterogeneity derived from synthetic MRI for characterization of HER2 subtypes in breast cancer
编辑推荐:
背景:人表皮生长因子受体2(HER2)在决定乳腺癌患者的预后和治疗策略中起着关键作用。本研究旨在开发一种基于合成磁共振成像(MRI)的栖息地模型,以定量评估瘤内异质性(ITH),并评估其在预测HER2表达状态中的价值。
方法:研究人员对2023年9月至202
背景:人表皮生长因子受体2(HER2)在决定乳腺癌患者的预后和治疗策略中起着关键作用。本研究旨在开发一种基于合成磁共振成像(MRI)的栖息地模型,以定量评估瘤内异质性(ITH),并评估其在预测HER2表达状态中的价值。
方法:研究人员对2023年9月至2025年9月期间收治的233例经病理证实的浸润性乳腺癌患者进行了回顾性分析。研究分为三项关键任务:区分HER2阳性与HER2阴性肿瘤;鉴别HER2-low与HER2-zero/阳性病例;以及区分HER2-zero与HER2-low/阳性病例。在合成MRI图像上识别肿瘤区域并进行聚类分析。所得聚类结果连同全局像素分布模式被用于计算ITH评分——具体为ITHT1、ITHT2和ITHPD。患者按7:3比例随机分配至训练集或验证集。通过多变量逻辑回归确定临床独立预测因子,随后与ITH特征整合构建综合预测模型。研究人员评估了九种不同的机器学习算法,以确定最有效的方法。使用受试者工作特征曲线下面积(AUC)和决策曲线分析(DCA)评估模型性能。其他评估指标包括Kolmogorov-Smirnov(KS)统计量和校准曲线,以评价临床实用性。
结果:采用随机森林算法开发的整合模型在全部三项任务中均表现出优越的预测能力。在任务1中,模型在训练集和验证集的AUC分别为0.855和0.835。任务2的AUC为0.905和0.801,而任务3在训练集和验证集的AUC分别为0.825和0.814。值得注意的是,模型的临床效用通过良好的Brier评分以及KS统计量和DCA验证得以证实。
结论:将临床预测因子与源自合成MRI的ITH特征相结合,产生了稳健、无创的模型,可用于术前预测乳腺癌患者的HER2表达状态。
乳腺癌是全球女性最常见的恶性肿瘤和主要死因之一。人表皮生长因子受体2(HER2)阳性约占乳腺癌的15%~20%,靶向治疗显著改善了患者生存。随着抗体药物偶联物的进展,HER2-low已被提出为一种新亚型,因而准确评估HER2亚型至关重要。目前HER2状态依赖免疫组织化学(IHC)和荧光原位杂交(FISH)等组织学检测,存在有创性和采样偏倚。磁共振成像(MRI)可无创评估肿瘤,但既往影像学研究常将肿瘤视为均质整体,忽视其内部异质性。瘤内异质性(ITH)指肿瘤内存在遗传、表型或行为不同的细胞亚群,在乳腺癌中常见,且与HER2状态相关。基于合成MRI(SyMRI)的栖息地影像组学可量化ITH,但尚无研究结合临床独立预测因子与SyMRI衍生的ITH评分来预测HER2亚型。因此,研究人员开展此项研究,旨在构建并验证基于SyMRI的ITH模型,用于区分HER2-zero、HER2-low和HER2阳性乳腺癌。该研究发表在《Frontiers in Oncology》。
研究人员回顾性收集了2023年9月至2025年9月邢台市人民医院233例经病理证实为浸润性乳腺癌的患者,按7:3随机分为训练集和验证集。关键技术方法包括:使用GE 3.0T MRI获取SyMRI(MAGiC)定量T1、T2和质子密度(PD)图;在合成T2加权图像上手动勾画肿瘤感兴趣区(ROI),并采用ITK-SNAP软件分割;利用PyRadiomics提取局部影像组学特征,通过K-means聚类将肿瘤分解为不同栖息地亚区域,计算ITH评分(ITHT1、ITHT2、ITHPD)。随后采用多变量逻辑回归筛选独立预测因子,与ITH特征结合,应用九种机器学习算法(随机森林、逻辑回归、XGBoost等)构建预测模型,使用AUC、校准曲线、决策曲线分析(DCA)和Kolmogorov-Smirnov(KS)统计量评估模型性能。
研究结果按照原文小标题总结如下:
3.1 患者特征:233例患者中,HER2-zero 78例(33.5%),HER2-low 72例(30.9%),HER2-positive 83例(35.6%)。统计分析显示HER2表达与雌激素受体(ER)、孕激素受体(PR)状态呈负相关;HER2-low患者的ITHPD、ITHT2、ITHT1平均评分显著低于HER2-positive和HER2-negative组,提示ITH水平与HER2表达之间存在非线性关系。
3.2 训练数据集中的特征选择:通过单因素和多因素逻辑回归,任务1筛选出ITHT1评分、ADC值、年龄和边缘特征作为独立预测因子;任务2筛选出ITHT1评分、ADC值、ITHPD评分和瘤周水肿;任务3筛选出ITHPD评分、ADC值、初始期、边缘和瘤周水肿。这些特征分别用于构建三个预测模型。
3.3 区分HER2阳性与HER2阴性肿瘤的模型构建与验证:九种机器学习模型中,随机森林(RF)模型表现最佳。整合四项特征后,RF模型在训练集和验证集的AUC分别为0.855和0.835,Brier评分为0.154;DCA和KS统计量(KS=0.560)验证了模型的临床效用。SHAP分析显示ADC值对预测贡献最大。
3.4 区分HER2-low与HER2-zero/阳性肿瘤的模型构建与验证:RF模型整合四项特征后,训练集和验证集AUC分别为0.905和0.801,Brier评分为0.168;SHAP分析显示ITHT1和ITHPD评分是影响预测的主要特征。
3.5 区分HER2-zero与HER2-low/阳性肿瘤的模型构建与验证:RF模型整合五项特征后,训练集和验证集AUC分别为0.825和0.814,Brier评分为0.151;SHAP分析显示初始期特征对预测贡献最大。
讨论部分总结:研究人员发现,SyMRI可同时定量T1、T2和PD,结合基于K-means聚类的栖息地分析,无需依赖大样本即可稳定评估ITH。本研究中T1、T2和PD值在三组间无显著差异,而源自这些参数的ITH评分与HER2状态显著相关,提示ITH评分比传统MRI特征更客观。SHAP分析显示不同任务中特征贡献各异,说明模型整合了组织异质性和生理学特征等互补信息。与既往基于MRI预测HER2的研究相比,该研究同时构建了三个分类任务,模型性能与现有研究相当,且相对简单;但栖息地分解