作者及机构
本研究由Xueyi Zheng、Zhao Yao、Yini Huang等来自中山大学肿瘤防治中心超声科(Department of Ultrasound, Sun Yat-sen University Cancer Center)、复旦大学电子工程系(Department of Electronic Engineering, Fudan University)以及中国科学院深圳先进技术研究院(Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences)的多学科团队合作完成。研究成果于2020年发表在《Nature Communications》期刊上,标题为《Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer》。
乳腺癌是全球女性最常见的恶性肿瘤,腋窝淋巴结(Axillary Lymph Node, ALN)转移状态是决定治疗方案和预后的关键因素。传统评估方法包括前哨淋巴结活检(Sentinel Lymph Node Biopsy, SLNB)和腋窝淋巴结清扫(Axillary Lymph Node Dissection, ALND),但存在创伤性高、并发症多(如上肢水肿、感觉异常)和假阴性率(7.8%-27.3%)等问题。超声(Ultrasound, US)和剪切波弹性成像(Shear Wave Elastography, SWE)虽用于术前评估,但诊断性能有限(AUC 0.585–0.719)。因此,本研究旨在开发一种基于深度学习影像组学(Deep Learning Radiomics, DLR)的非侵入性方法,结合临床参数和影像特征,精准预测早期乳腺癌患者的ALN状态。
研究纳入2016年1月至2019年4月期间的1342名女性患者,最终筛选584例单灶恶性乳腺癌患者(平均年龄50岁)。根据ALN病理结果分为三组:无转移(N0,337例)、低转移负荷(N+(1–2),150例)和高转移负荷(N+(≥3),97例)。所有患者术前接受常规超声和SWE检查,并记录临床病理数据(如年龄、肿瘤大小、激素受体状态等)。
ALN转移预测(N0 vs. N+(≥1))
转移负荷分层(N+(1–2) vs. N+(≥3))
模型可解释性
本研究首次将深度学习影像组学与临床参数结合,实现了早期乳腺癌ALN状态的精准预测。其科学价值在于:
1. 方法学创新:通过多模态特征融合和小样本学习策略,解决了医学影像分析中的样本限制问题。
2. 临床转化潜力:模型可避免43–65%不必要的腋窝手术,降低医疗成本和并发症风险。
3. 技术普适性:框架可扩展至其他癌症的淋巴结转移预测,如结直肠癌或膀胱癌。
该研究为乳腺癌个体化治疗提供了非侵入性决策工具,有望改变临床实践。