2024年8月《癌症》杂志最新发布2022年全球癌症统计数据显示当数据按性别划分时，乳腺癌是女性癌症发病与死亡的第一位[1]。2024年赫捷院士在《国家癌症中心杂志》在线发布了“2022年中国恶性肿瘤疾病负担情况”,2022年我国乳腺癌新发35.72万例[2]。乳腺癌的治疗包括手术、化疗、内分泌治疗、放疗等[3]。乳腺癌新辅助治疗(neoadjuvant therapy, NAT)是指未发现远处转移的乳腺癌患者在术前进行的一系列全身治疗，包括新辅助化疗、新辅助靶向治疗及新辅助内分泌治疗，通过NAT可有效降低临床分期，提高保乳率，指导治疗方案的制定，改善患者预后[4]。目前NAT已经成为局部晚期乳腺癌的标准治疗方式[5]。准确评估乳腺癌NAT的疗效、确定残留肿瘤大小及边界，对乳腺癌治疗方案的调整、手术方式的选择及预后判断意义重大。目前，手术切除标本的组织病理学仍是评价NAT是否获得病理完全缓解(pathologic complete response, pCR)的金标准[6]。然而，组织病理学检查有创且不能动态监测疗效，具有滞后性。

超声影像组学可通过自动化数据特征化算法将超声图像转化为定量特征值，可详细、量化分析病灶内部异质性[7]。目前已经有一些研究利用单相医学组学图像对乳腺癌进行评估或预测，虽然有一定价值，却忽略了治疗中的肿瘤变化[8]。反映影像组学特征纵向变化的Delta超声组学是组学研究中的一个新概念，可量化肿瘤治疗引起的异质性改变，可能提供更好的临床决策支持[9]。本研究旨在比较Delta超声组学模型与传统影像模型用于预测乳腺癌NAT后pCR的效能，另外将Delta超声组学结合有意义的临床病理指标构建综合模型以提供一种早期无创性评估NAT疗效的手段。

1、资料与方法

1.1 研究对象

回顾性分析2019年4月至2023年11月在江西省肿瘤医院接受NAT的乳腺癌患者的临床及超声资料。纳入标准：①最初穿刺活检病理证实为原发性浸润型乳腺癌患者，之前没有接受任何治疗；②NAT前及NAT2疗程后均行乳腺超声检查。排除标准：①临床、病理资料不完整；②NAT治疗结束与手术日期之间的间隔超过30天；③超声图像不合格。

1.2 收集资料

收集所有纳入研究的乳腺癌患者资料，包括一般资料、病理免疫组化指标、超声图像等。所有纳入的患者NAT前均通过穿刺活检确定病理类型、雌激素受体(estrogen receptor, ER)、孕激素受体(progesterone receptor, PR)、人类表皮生长因子受体2(human epidermal growth factor receptor2,HER2)和肿瘤增殖细胞核抗原-67(tumor expression of the proliferation antigen-67,Ki-67)的状态。患者NAT结束后根据术后病理Miller-Payne分级系统评价NAT疗效：Ⅰ级表示肿瘤细胞经过新辅助治疗后，并没有出现明显减少，Ⅱ级表示肿瘤细胞减少不超过30%,Ⅲ级表示肿瘤细胞减少30%～90%,Ⅳ级指肿瘤细胞减少在90%以上，Ⅴ级表示病理切片基本找不到浸润细胞成分；其中Ⅴ级定义为pCR,Ⅰ～Ⅳ级定义为non-pCR(non pathological complete response, non-pCR)。

1.3 超声组学方法

本研究超声检查使用多台国际领先的超声仪，包括配有VL13-5三维容积探头的Philips EPIQ7,具备业内首创的生物声学CPS造影技术的SIEMENS Healthineers ACUSON Sequoia Silver, 均为超高端彩色多普勒诊断系统。超声医师留取乳腺肿瘤最大径截面，图像保存于PACS,由1名具有10年以上工作经验的主治医师(Dr.Fu)在不知病理结果的情况下分析图像。在NAT前、NAT2疗程后的超声图像上测量肿瘤最大径，然后计算其相对退缩量(Diameter%)。Diameter%=(Diameter治疗基线-Diameter治疗2个疗程后)/Diameter治疗基线*100。

影像分割与特征提取：所有影像图像分割与特征提取均在3Dslicer软件(version 4.11)上进行。选取患者NAT前及2疗程后的乳腺肿块最大径截面的超声图像以DICOM格式导入3Dslicer软件。对所有图像都进行N4ITK偏差校正预处理，以减少不同仪器技术参数带来的误差。所有图像分割都是在不知病理结果及分组情况下进行。由1名具有10年工作经验的主治医师(Dr.zhong)使用软件自带半自动勾画方式对瘤体进行勾画，得到ROI。勾画完成由另一名具有16年工作经验的医师(Dr.Liu)进行核对。随机选择30例患者进行观察者组内及组间相关系数的测量。对所有ROI采用3Dslicer软件自带的PyRadiomics模块进行特征提取，包括一阶特征、纹理特征、形状特征及小波特征。特征处理及筛选：在提取NAT前及2疗程后的超声组学特征后，根据下面的公式计算特征相对变化量即Delta组学特征(RFDelta)。RFDelta=(RF治疗基线-RF治疗2个疗程后)/RF治疗基线*100。

Delta超声组学特征筛选流程：首先，提取所有特征中组内相关系数与组间相关系数大于0.8的影像特征，以提高研究的稳定性与可重复性。然后对特征进行标准化处理；再通过冗余性分析去除系数大于0.9的特征；最后采用最小绝对收缩和选择算子及十折交叉验证法进一步特征降维，参数λ选择最小二项式偏差1个标准误时对应的值，筛选出合适的变量及其对应的权重系数。

1.4 模型构建及统计方法

根据筛选出的Delta组学特征及其系数构建Delta超声组学模型并计算影像组学得分(Radscore);基于Diameter%构建传统影像Diameter%模型。从训练集的临床病理特征中通过多因素分析筛选出有意义的特征，再结合Radscore构建综合模型并勾画其列线图。采用受试者工作特征曲线(receiver operating characteristic curve, ROC)评估不同模型在训练集及验证集中对pCR的诊断效能，比较它们的曲线下面积(area underthe curve, AUC)、准确度、灵敏度、特异度。使用临床校正曲线与临床决策曲线对模型进行评估与对比。

使用R软件(Version 4.1.2)进行统计分析。计量资料首先由Shapiro-Wilk检验判断是否为正态分布，正态分布数据用均数±标准差表示；非正态分布用中位数和四分位数表示；计量资料的组间比较采用t检验或Mann-Whitney U检验。计数资料用频数和百分比表示，组间比较使用卡方检验或Fisher's确切概率性检验。P<0.05时认为差异具有统计学意义。

2、结果

2.1 一般资料

共纳入140例乳腺癌患者，均为女性，年龄22～74岁。将140例患者按照软件中的随机种子数以7∶3比例分为训练集(98例)及验证集(42例),其中65例(46.43%)在NAT结束后达到乳腺肿块pCR,75例(53.57%)为乳腺肿块non-pCR。训练集和验证集的一般资料，见表1。

表1 训练集与验证集乳腺肿块pCR组与non-pCR组患者的一般资料比较

2.2 影像组学特征筛选

基于NAT治疗前、NAT2疗程后的超声影像组学特征计算得出了1550个Delta超声组学特征，经上述筛选方法，最终得到8个最优特征，包括lbp_3D_m2_ngtdm_Busyness, square_glcm_Idmn, squareroot_glcm_Imc1,wavelet_HHH_glcm_SumEntropy, wavelet_HHH_glrlm_GrayLevelVariance, wavelet_HLL_glcm_ClusterShade, wavelet_LHL_ngtdm_Strength, wavelet_LLH_glrlm_RunEntropy。其LASSO筛减图见图1,最终特征系数见图2。

2.3 模型的构建与对比

基于最终筛选出的Delta超声组学特征使用机器学习方法的K-近邻算法构建Delta超声组学模型并计算其Radscore。基于肿瘤NAT治疗前、2个疗程后的最大径退缩值Diameter%构建传统影像模型。在训练集pCR组与non-pCR组间有统计学差异的指标有治疗早期肿瘤最大径、Diameter%、分子分型、ER、PR、HER2,使用R语言逐步回归法，选择最小AIC=99.16,筛出Diameter%、分子分型、HER2,加入Radscore构建综合模型，其列线图见图3。

图1 LASSO法筛选delta超声组学特征

图2 delta超声组学特征系数图

图3 综合模型列线图

传统影像模型、Delta超声组学模型、综合模型在训练集与验证集中的表现见图4、表2。在上述模型中，综合模型预测pCR的效能最佳，其AUC值在训练集与验证集分别达0.92、0.85;其次为Delta超声组学模型，AUC分别为0.80、0.82;传统影像模型效能最低，AUC分别为0.67、0.72。临床校准曲线显示综合模型预测值与实际值一致性较高(图5),临床决策曲线显示综合模型优于其他两种模型(图6)。在训练集中，Delta超声组学模型、综合模型的AUC值显著高于传统影像模型(P均<0.05);在验证集中，综合模型显著优于传统影像模型(P<0.05)。以上所有模型的Hosmer-Lemeshow检验显示P>0.05,其表示模型拟合度较好。

图4 所有模型在训练集与验证集的受试者操作特征曲线

3、讨论

乳腺癌新辅助治疗是局部晚期乳腺癌的标准治疗方式，可有效降低临床分期，提高保乳率，改善乳腺癌的长期生存[10]。然而目前还缺乏一种公认的准确预测乳腺癌新辅助治疗病理完全缓解的评估手段。本研究通过收集乳腺癌患者NAT前及NAT后(治疗2个疗程)的基线资料及超声影像资料，旨在比较Delta超声组学与传统影像评估指标用于预测乳腺癌NAT后pCR的效能，另外将超声组学结合有意义的临床病理指标构建综合模型以提供一种早期无创性评估乳腺癌新辅助疗效的手段。研究结果证实Delta超声组学模型相对传统影像模型对乳腺癌NAT后的pCR更有预测价值，另外将Delta超声组学结合有意义的临床病理指标构建综合模型可以最大化提高预测效能(AUC:0.920;95%CI:0.869～0.972)。

图5 所有模型的临床校准曲线

图6 所有模型的临床决策曲线

表2 各个模型预测乳腺癌新辅助治疗后疗效的效能

乳腺癌NAT后达到pCR的患者预后较好，较non-pCR患者具有更长的无病生存时间及总生存时间[11]。手术后组织病理学检查是评估乳腺癌NAT后疗效的金标准，但其存在时间滞后性，无法更为早期反应肿瘤治疗的变化情况并实时监测治疗过程。现阶段临床实践中评估乳腺癌NAT的疗效主要依赖于传统的影像学检查，按照RECIST 1.1标准执行，并根据肿瘤最大径的变化分为完全缓解、部分缓解、疾病稳定和疾病进展[12],存在一定的局限性。乳腺癌NAT后的病理表现也显示有两种肿瘤退缩模式，一种为向心性退缩，形成较原来肿块体积缩小的病灶；另一种为非向心性退缩，大体上病灶大小与治疗前无明显差异或稍缩小，但肿瘤的内部细微结构却发生了明显的改变[13]。这些均提示仅依靠乳腺肿块最大径的变化来评估NAT疗效存在片面性，临床上影像学缓解与病理的缓解存在很大程度的不一致。

影像组学作为无创性的诊断方法，在预测乳腺癌新辅助治疗的疗效有一定的价值。曾乔等[14]研究发现，基于乳腺动态增强MR的Delta影像组学具有预测乳腺癌新辅助治疗后pCR的价值，且在传统影像模型的基础上，加入有意义的临床病理指标及代表肿瘤异质性纵向变化的Delta影像组学得分，能改善对pCR的预测能力。超声检查相对磁共振、CT有方便、经济、可重复性强等特点[15]。因此关注超声组学在乳腺癌中的应用更有其价值。目前超声组学在乳腺癌中的诊断及应用均取得一定的成果。孙梅等[16]对乳腺肿瘤超声图像进行预处理，获取病灶区形状，提取病灶区图像形态、纹理特征，应用数据挖掘算法进行图像特征属性选择，形成优化的乳腺肿瘤超声图像混合特征。结果显示利用混合特征结合随机森林算法对图像进行分类，其AUC为0.7914,平均准确率达到了79%。Daoud等[17]使用概率方法融合多ROI纹理分析和形态分析，用于分类110个乳腺肿瘤超声图像，包括64个良性肿瘤和46个恶性肿瘤，获得的准确性、特异度和敏感度分别为98.2%、98.4%和97.8%。同样超声组学也能用于腋窝淋巴结转移的评价及预测乳腺癌雌激素受体的表达。索静峰等[18]通过回顾性分析158位乳腺癌患者161个腋窝淋巴结的弹性与B型超声图像，得出弹性与B 型双模态超声影像组学定量特征具有较高的分类性能，有望应用于腋窝淋巴结转移的临床诊断。刘桐桐等[19]利用影像组学的方法预测乳腺肿瘤分子标记物ER,他们对104例临床乳腺肿瘤超声图像数据进行实验，结果表明超声影像组学对乳腺癌分子标记物ER的预测准确性最高可达到75.96%。

本研究显示Delta超声组学对乳腺癌NAT后pCR具有很好的预测效能，在训练集中，AUC值达到0.80,灵敏度0.44,特异度0.94,优于传统模型；Delta超声组学结合有意义的临床病理指标构建的综合模型的预测效能更佳，AUC值达到0.92,灵敏度0.87,特异度0.83。在验证集中，得出相同的结果，Delta超声组学模型优于传统影像模型；Delta超声组学结合有意义的临床病理指标构建的综合模型能使对乳腺癌NAT后pCR的预测价值最大，AUC值0.85,灵敏度0.6,特异度0.95。此外，本研究显示，ER、PR、HER2及lumina分型等在pCR及Non-pCR组间是有统计学差异的，提示这些病理指标也影响了乳腺癌NAT治疗的预后。这也提示综合模型的构建可能能最大化的提高模型的预测效能。

本研究还具有一定的局限性：(1)为单中心回顾性研究，样本量较小，下一步将扩大样本，纳入多中心数据进行验证。(2)研究的超声设备有所差异性，操作的超声科医生并非同一位，操作手法存在一定差异，因此可能带来一定的异质性。

综上所述，在乳腺癌新辅助治疗过程中，Delta超声组学对其疗效有望发挥重要的预测作用。Delta超声组学结合有意义的临床病理指标构建的综合模型能使对乳腺癌NAT后pCR的预测价值最大化。

参考文献:

[8]陈煌婧,陈秀华,何英.多模态超声和基于超声深度学习的影像组学在预测乳腺癌患者新辅助化疗疗效中的研究进展[J].中国临床医学影像杂志,2023,34(8):593-596.

[12]中国乳腺癌新辅助治疗专家组.中国乳腺癌新辅助治疗专家共识(2019年版)[J].中国癌症杂志,2019,29(5):390 400.

[14]曾乔,柯梦梦,钟林花,等.基于乳腺动态增强MR的delta影像组学预测乳腺癌新辅助治疗后病理完全缓解的价值[J].中华放射学杂志,2023,57(2):157-165.

[15]孙鑫,韩优莉,王乐,等.超声检查用于亚洲女性乳腺癌筛查卫生经济学研究的系统评价[J].中国肿瘤,2018,27(7):553-560.

[16]孙梅,严传波,张雨,等.数据挖掘算法对乳腺肿瘤超声图像特征的优化及良恶性分类研究[J].科技通报,2017,33(10):67-72.

[18]索静峰,张麒,常婉英,等.依托弹性与B型双模态超声影像组学的腋窝淋巴结转移评价[J].中国医疗器械杂志,2017,41(5):313-316.

[19]刘桐桐,李佳伟,胡雨舟,等.基于影像组学预测乳腺癌雌激素受体表达情况的可行性分析[J].生物医学工程学杂志,2017,34(4):597-601.

基金资助:江西省卫生健康委科技计划(编号:202410387);

文章来源:钟晓情,曾乔,刘义钢,等.Delta超声组学对早期乳腺癌新辅助治疗疗效的预测价值[J].实用癌症杂志,2024,39(11):1805-1810+1818.