分享自:

深度学习影像组学预测早期乳腺癌腋窝淋巴结状态的临床研究

期刊:Nature CommunicationsDOI:10.1038/s41467-020-15027-z

深度学习影像组学预测早期乳腺癌腋窝淋巴结状态的研究报告

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》。

学术背景

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。

研究流程

1. 患者招募与数据采集

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)。

2. 深度学习模型构建

  • 基础模型选择:对比ResNet50、ResNet101、Inception V3和VGG19的性能,最终选择ResNet50作为特征编码器。
  • 多模态特征融合:将常规超声和SWE图像输入并行ResNet50网络,提取深层特征后与临床参数(如ER、PR状态)融合。
  • 分类器优化:采用支持向量机(SVM)对融合特征进行分类,并通过交叉验证调整超参数。

3. 模型验证

  • 训练与测试队列:按4:1比例随机分配数据,训练集(466例)用于模型优化,独立测试集(118例)验证性能。
  • 性能指标:通过受试者工作特征曲线下面积(AUC)、准确性(Accuracy)、敏感性(Sensitivity)等评估模型。

主要结果

  1. ALN转移预测(N0 vs. N+(≥1))

    • 临床参数联合DLR模型的AUC达0.902(95% CI: 0.843–0.961),显著高于单纯超声(AUC 0.735,p<0.001)和临床病理模型(AUC 0.727,p=0.002)。
    • 特异性(Specificity)为83.6%,敏感性为81.6%,表明模型能有效区分无转移和转移患者。
  2. 转移负荷分层(N+(1–2) vs. N+(≥3))

    • 模型AUC为0.905(95% CI: 0.814–0.996),优于单纯影像特征(AUC 0.777,p=0.04),为手术方案选择(如SLNB或ALND)提供依据。
  3. 模型可解释性

    • 通过梯度加权类激活映射(Grad-CAM)可视化发现,肿瘤边界和内部低回声区域是预测ALN状态的关键特征区域。

结论与意义

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。

研究亮点

  • 多学科协作:整合超声影像、弹性成像和临床病理数据,提升模型鲁棒性。
  • 高性能验证:独立测试队列的AUC超过0.9,达到临床实用标准。
  • 前瞻性设计:严格排除新辅助治疗患者,确保数据可靠性。

局限性

  1. 单中心研究需多中心验证。
  2. 未纳入多灶性乳腺癌患者,未来需扩展模型适用性。
  3. 基因标记(如BRCA1/2)未纳入分析,可能影响预测精度。

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。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com