整合肿瘤内与肿瘤周围影像组学及多参数MRI深度迁移学习用于乳腺癌HER2状态术前预测:一项多中心研究

《Frontiers in Oncology》:Integrating intratumoral and peritumoral radiomics with deep transfer learning from multiparametric MRI for preoperative prediction of HER2 status in breast cancer: a multicenter study

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Oncology 3.4

编辑推荐:

  目的:开发并验证一个整合肿瘤内与肿瘤周围影像组学特征、多参数MRI(DCE-MRI、T2WI和DWI)深度迁移学习特征及临床指标的联合模型,并评估其在乳腺癌HER2表达状态术前预测中的诊断性能与临床实用性。 方法:研究人员回顾性收集了来自三个中心的411例乳腺

  
目的:开发并验证一个整合肿瘤内与肿瘤周围影像组学特征、多参数MRI(DCE-MRI、T2WI和DWI)深度迁移学习特征及临床指标的联合模型,并评估其在乳腺癌HER2表达状态术前预测中的诊断性能与临床实用性。
方法:研究人员回顾性收集了来自三个中心的411例乳腺癌患者数据(训练集:212例;内部验证集:91例;外部测试集1:50例;外部测试集2:58例)。获取了多参数MRI(DCE/T2WI/DWI)。本研究利用多参数MRI,从肿瘤内部和肿瘤周围区域提取了人工构建的影像组学特征和基于ResNet50的深度迁移学习特征。通过多重特征选择步骤,如组内相关系数计算、Spearman相关性检验和LASSO逻辑回归,构建了深度学习与影像组学融合特征集(DLR)。最后,将DLR特征集与独立的临床预测因子相结合,建立了联合预测模型。使用受试者工作特征曲线、校准曲线和决策曲线分析评估模型性能,并使用Grad-CAM和SHAP方法进行视觉可解释性分析。
结果:联合模型具有最佳的准确性和预测能力,在训练集和内部验证集中的AUC值分别为0.965(95% CI:0.939–0.990)和0.904(95% CI:0.843–0.966)。在外部测试集1和2中,其AUC分别为0.844(95% CI:0.724–0.964)和0.846(95% CI:0.743–0.949)。
结论:通过整合多参数MRI的肿瘤内/肿瘤周围特征、影像组学和深度迁移学习,并结合临床指标,所开发的模型能够精确预测乳腺癌中的HER2状态。这为精准诊断和治疗决策提供了一个可靠的评估工具。
乳腺癌是全球女性最常见的恶性肿瘤,也是导致女性癌症死亡的主要原因之一。人表皮生长因子受体2(HER2)是乳腺癌重要的预后及治疗靶点,HER2阳性亚型约占所有病例的15%–20%,具有恶性程度高、复发风险显著的特点。抗HER2靶向治疗(如曲妥珠单抗和帕妥珠单抗)可显著提高患者5年生存率。因此,精准评估HER2状态对于实施靶向治疗至关重要。然而,目前临床常规采用的免疫组织化学(IHC)和荧光原位杂交(FISH)等检测方法存在有创、耗时等局限性,且由于乳腺肿瘤的异质性,穿刺活检存在取样偏倚。因此,临床上亟需一种无需有创组织取样即可准确评估肿瘤整体HER2表达水平的方法。

多参数磁共振成像(MRI)具有软组织分辨率高、无创、能提供多参数信息等优势,已广泛用于乳腺癌的诊断和预后预测。影像组学能够非侵入性地从医学图像中提取人眼无法识别的高维数据,评估肿瘤异质性。然而,现有研究存在以下局限:①模态单一:部分研究仅使用DCE-MRI,忽略了反映肿瘤水肿的T2WI和评估细胞密度的DWI,导致结果差异较大;②区域特征受限:传统影像组学仅关注瘤内特征,而瘤周区域(肿瘤微环境)的血管生成和炎症反应等生物学信息与HER2表达高度相关;③模型泛化性不足:既往研究多为小样本、单中心研究,缺乏标准化图像预处理流程,外部验证时AUC显著下降。

深度迁移学习(DTL)为克服影像组学的瓶颈提供了新方法。与依赖专家人工定义特征的影像组学不同,DTL利用卷积神经网络(CNN)自动学习并提取原始图像数据中的特征,减少了对人工特征的依赖,提高了预测模型的准确性。同时,多模态融合策略(DCE-MRI+ T2WI+ DWI)能够全面捕获肿瘤的“代谢-结构-功能”特征。

针对上述问题,研究人员开展了一项多中心研究,旨在整合多参数MRI影像组学与深度迁移学习策略,同时提取肿瘤内和肿瘤周围区域的影像特征,并结合临床指标,构建多源数据融合模型,以无创评估乳腺癌HER2状态。该模型在训练集和内部验证集中的AUC分别达到0.965和0.904,在外部测试集中也保持了较高的性能(AUC分别为0.844和0.846),证明了其良好的泛化能力和临床实用价值。该研究成果发表在《Frontiers in Oncology》上,为乳腺癌的精准诊断和治疗决策提供了可靠的评估工具。

研究人员回顾性收集了2022年1月至2025年1月期间来自三个三级医院的411例经手术病理确诊的乳腺癌患者数据(训练集:212例;内部验证集:91例;外部测试集1:50例;外部测试集2:58例)。主要技术方法包括:①使用ITK-SNAP软件进行图像预处理与感兴趣区分割,由两名放射科医师手动分割肿瘤实质层,并自动勾画瘤周区域(5mm边缘);②使用Pyradiomics软件包提取影像组学特征,并使用预测性能最佳的预训练ResNet50模型提取深度迁移学习特征;③通过组内相关系数(ICC)、Spearman相关性检验和LASSO逻辑回归等多步特征选择方法,构建深度学习与影像组学融合特征集(DLR);④结合独立临床预测因子,建立联合预测模型,并使用受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)评估性能,通过梯度加权类激活映射(Grad-CAM)和SHapley加性解释(SHAP)方法进行可视化解释。

研究结果部分包括以下内容:①临床基线特征:多因素逻辑回归分析显示,肿瘤密度、肿瘤微钙化和腋窝淋巴结转移是乳腺癌HER2表达的独立预测因素。②特征选择与模型构建:共提取了来自3个序列、6个感兴趣区(VOI)的7,182个影像组学特征和14,336个深度学习特征。经过多步筛选,保留了46个最具预测性的特征,最终通过逻辑回归算法融合形成包含12个特征的DLR特征集(其中包含5个影像组学特征和7个深度迁移学习特征)。③模型性能比较:DLR_Sig在训练集、内部验证集、外部测试集1和2中的AUC分别为0.953、0.879、0.834和0.828,均优于单独的临床、影像组学及深度学习模型。将DLR_Sig与3个临床显著特征整合后,联合模型在训练集和内部验证集中的AUC提升至0.965和0.904,外部测试集1和2的AUC也提升至0.844和0.846,为所有模型中最优,且校准曲线和决策曲线分析显示其具有良好的校准度和临床净获益。④模型解释性:SHAP分析量化了各特征对模型预测的贡献度。Grad-CAM可视化热图结合SHAP力图揭示,HER2阳性病例的瘤周区域激活范围更广,表明深度学习能够识别与HER2状态相关的肉眼不可见的微环境变化。

讨论部分指出,基于多参数MRI的影像组学-深度学习融合模型能够准确预测乳腺癌HER2状态。研究结果表明,多模态融合策略优于传统单一模态模型,与既往研究(如Huang等,AUC=0.840)结果相当或更优。研究强调了瘤周区域特征的重要性,在最终筛选出的12个DLR特征中,有5个为瘤周特征(其中4个为深度学习特征),Grad-CAM热图也直观展示了瘤周区域与HER2水平的相关性,提示深度学习能识别肉眼无法观察到的微环境改变,这为理解HER2阳性乳腺癌的生物学行为提供了新视角。此外,研究验证了FFDM图像中的微钙化与HER2过表达之间的密切联系,微钙化不仅提示肿瘤恶性程度,还与HER2信号通路激活引起的钙磷代谢异常有关,为理解HER2阳性乳腺癌的生物学特性提供了补充。影像组学特征(如纹理和小波特征)具有高度可解释性,能直观关联影像特征与肿瘤生物学行为;而深度学习特征则能捕捉传统特征无法识别的细微图像变化,如肿瘤边缘的轻微浸润和瘤周结构的细微改变,二者的结合实现了性能和可解释性的平衡。

研究结论:本研究通过多参数序列的互补整合、瘤周微环境特征的深入探索、FFDM微钙化特征的评估,以及影像组学与深度学习优势的有机融合,创建了一个高性能且广泛适用的MRI-FFDM整合模型。该模型可作为无创、精准预测乳腺癌患者HER2状态的有效方法,为精准诊断和治疗决策提供可靠依据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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