羅項(xiàng)超 林桂涵 陳煒越 陳春妙 應(yīng)海峰 紀(jì)建松

腋窩淋巴結(jié)（axillary lymph node，ALN）轉(zhuǎn)移情況是影響乳腺癌臨床分期、治療決策以及預(yù)后評估的重要因素[1]。近年來，隨著精準(zhǔn)微創(chuàng)診療理念的發(fā)展，前哨淋巴結(jié)活檢（sentinel lymph node biopsy，SLNB）已逐漸替代腋窩淋巴結(jié)清掃術(shù)（axillary lymph node dissection，ALND）成為早期乳腺癌腋窩分期的標(biāo)準(zhǔn)術(shù)式[2]。然而，對于前哨淋巴結(jié)陽性的患者常規(guī)進(jìn)行ALND 有可能導(dǎo)致上肢功能障礙和淋巴水腫等并發(fā)癥，嚴(yán)重影響患者的生活質(zhì)量[3]。既往研究證實(shí)，約30%～70%前哨淋巴結(jié)陽性患者并未從后續(xù)的ALND 中獲益[4]。此外，Z0011 臨床試驗(yàn)結(jié)果顯示，對于臨床T1～2期、擬行保乳手術(shù)和術(shù)后全乳放療的患者，若ALN 處于低負(fù)荷時，SLNB 可達(dá)到與ALND 相似的控制率[5]；而ALN 高負(fù)荷的患者通常是新輔助全身治療和ALND 的候選對象[6]。因此，術(shù)前無創(chuàng)識別早期乳腺癌ALN 負(fù)荷具有重要意義。在臨床上，MRI 檢查是術(shù)前評估乳腺癌侵犯范圍和ALN 轉(zhuǎn)移情況的主要檢查手段。然而，常規(guī)MRI 檢查主要依賴于放射科醫(yī)師的主觀經(jīng)驗(yàn)，缺乏客觀量化指標(biāo)。影像組學(xué)通過從影像圖像中提取肉眼不可見的定量特征，并利用機(jī)器學(xué)習(xí)算法進(jìn)行分析和預(yù)測，可以為乳腺癌的診斷、分型、分級和預(yù)后評估提供重要的參考[7]。本研究旨在探討基于機(jī)器學(xué)習(xí)的MRI 影像組學(xué)列線圖模型在術(shù)前預(yù)測早期乳腺癌患者ALN 負(fù)荷中的應(yīng)用價值，現(xiàn)報道如下。

1 對象和方法

1.1 對象 回顧2015 年1 月至2022 年6 月麗水市中心醫(yī)院經(jīng)手術(shù)病理檢查證實(shí)的早期乳腺癌女性患者（臨床T1或T2期）377 例，年齡31～84（52.09±10.40）歲。納入標(biāo)準(zhǔn)：（1）術(shù)前2 周內(nèi)進(jìn)行乳腺M(fèi)RI 檢查；（2）浸潤性乳腺癌；（3）ALN 觸診陰性患者；（4）接受SLNB或ALND，且病理檢查結(jié)果明確。排除標(biāo)準(zhǔn)：（1）腫瘤最大徑＞5 cm；（2）MRI 圖像質(zhì)量不佳；（3）既往有惡性腫瘤病史；（4）術(shù)前接受新輔助化療或放療。根據(jù)病理檢查結(jié)果分為低負(fù)荷組（陽性ALN≤2 枚）303 例和高負(fù)荷組（陽性ALN＞2 枚）74 例。將所有患者按7∶3的比例隨機(jī)分配至訓(xùn)練集264 例（低負(fù)荷組212 例，高負(fù)荷組52 例）和驗(yàn)證集113 例（低負(fù)荷組91 例，高負(fù)荷組22 例）。本研究經(jīng)本院醫(yī)學(xué)倫理委員會審查通過（批準(zhǔn)文號：科研醫(yī)倫審第2023-355 號）。

1.2 方法 收集所有患者的臨床病理資料，包括年齡、組織學(xué)分級、雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone recepeor，PR）、人表皮生長因子受體2（human epidermal growth factor receptor 2，HER-2）和Ki-67。

采用德國西門子公司Area 1.5 T MRI掃描儀及32通道乳房線圈。掃描序列主要包括（1）頻率衰減反轉(zhuǎn)恢復(fù)T2WI序列：重復(fù)時間（repetition time，TR）4 900 ms，回波時間（echo time，TE）57 ms，矩陣448×336，層厚4 mm；（2）彌散加權(quán)成像序列：TR 9 100 ms，TE1/TE2：89 ms/158 ms，矩陣192×192，層厚4 mm，b=0 和800 s/mm2；（3）動態(tài)對比增強(qiáng)MRI（dynamic contrast enhanced MRI，DCE-MRI）采用三維快速小角度激發(fā)序列，TR 4.5 ms，TE 1.75 ms，翻轉(zhuǎn)角10°，層厚1.5 mm，無間距，采集矩陣448×425，視野36 cm×36 cm。共采集6 期圖像，每期時相60 s，第1 期蒙片采集結(jié)束后，使用雙筒高壓注射器經(jīng)靜脈注射Gd-DTPA（中國廣州康臣藥業(yè)有限公司），劑量0.1 mmol/kg，注射速率2.5 mL/s，隨后用0.9%氯化鈉溶液20 mL 沖洗。

1.3 MRI 特征評估 由2 位分別具有8 年和14 年胸部影像診斷經(jīng)驗(yàn)的主治醫(yī)師和副主任醫(yī)師以雙盲法獨(dú)自評估MRI 特征。當(dāng)判讀結(jié)果存在分歧時，通過協(xié)商達(dá)成一致。分析MRI 特征包括（1）腫瘤最大徑：在DCE-MRI 第2 期圖像上選取顯示病灶的最大層面測量其最大徑；（2）乳腺影像報告與數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）分級：按照2016 年美國放射協(xié)會第五版將乳腺腫瘤分為4 級（包括4A、4B、4C）和5 級；（3）MRI 檢查報告淋巴結(jié)狀態(tài)：參照文獻(xiàn)[8-9]，陽性淋巴結(jié)應(yīng)至少滿足以下一種情況：①短徑增大（＞10 mm）；②淋巴門消失；③內(nèi)部壞死；④不均勻明顯強(qiáng)化；⑤相互融合等。

1.4 圖像分割及特征提取 將DCE-MRI 第2 期圖像上傳至Radcloud 平臺（版本7.1，http://Radcloud.cn/）進(jìn)行影像組學(xué)分析。由1 位具有8 年胸部影像診斷經(jīng)驗(yàn)的主治醫(yī)師沿著病灶內(nèi)緣逐層手動勾畫，最終通過融合生成全腫瘤感興趣容積（volume of interest，VOI）。隨后由另1 位具有14 年胸部影像診斷經(jīng)驗(yàn)的副主任醫(yī)師進(jìn)行復(fù)閱。對于VOI 范圍判讀不一致的患者，經(jīng)協(xié)商達(dá)成一致。提取特征的種類包括：一階統(tǒng)計量、形態(tài)特征和紋理特征。一階統(tǒng)計量是定量描述MRI圖像內(nèi)體素強(qiáng)度分布的常用指標(biāo)，形態(tài)特征是反映病灶區(qū)域形狀和大小的三維特征，紋理特征是評價區(qū)域的異質(zhì)性差異。

1.5 特征篩選及模型構(gòu)建 依次采用方差閾值、單變量選擇、最小絕對值收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）方法來減少冗余特征并選擇最優(yōu)影像組學(xué)特征。在方差閾值法中，剔除閾值≤0.8 的特征；單變量選擇法保留P＜0.05 的特征；LASSO 回歸采用十倍交叉驗(yàn)證法篩選出與ALN負(fù)荷高度相關(guān)的最優(yōu)特征子集，并繪制相關(guān)性熱圖?；谏鲜鎏卣鞣謩e構(gòu)建了5 種機(jī)器學(xué)習(xí)分類器，包括K 近鄰（K-nearest neighbo，KNN）、支持向量機(jī)（support vector machine，SVM）、邏輯回歸（logistic regression，LR）、隨機(jī)森林（random foresst，RF）和極端梯度提升決策樹（extreme gradient boosting，XGBoost），選擇驗(yàn)證集中AUC 最高的分類器作為最佳影像組學(xué)模型，并將其結(jié)果轉(zhuǎn)換為相應(yīng)的影像組學(xué)評分（radiomics score，Rad-score）。

1.6 統(tǒng)計學(xué)處理 采用R 4.1.2 統(tǒng)計軟件。計量資料以表示，組間比較采用兩獨(dú)立樣本t檢驗(yàn)；計數(shù)資料以例（%）表示，組間比較采用χ2檢驗(yàn)。將單因素分析中P＜0.05 的指標(biāo)進(jìn)一步行多因素logistic 回歸分析，并基于臨床危險因素和Rad-score 構(gòu)建列線圖模型。繪制ROC 曲線評價不同模型的診斷效能，計算AUC、靈敏度、特異度和準(zhǔn)確度，不同模型間AUC 的比較采用Delong 檢驗(yàn)。使用“rms”包進(jìn)行1 000 次重復(fù)抽樣繪制校準(zhǔn)曲線，以Hosmer-Lemeshow 檢驗(yàn)評價列線圖的穩(wěn)健性。為了進(jìn)一步驗(yàn)證其臨床實(shí)用性，使用“rmda”包進(jìn)行決策曲線分析（decision curve analysis，DCA），計算不同閾值概率下的凈效益。P＜0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 訓(xùn)練集和驗(yàn)證集患者臨床、病理及常規(guī)MRI 特征的比較 在訓(xùn)練集中，MRI 檢查報告淋巴結(jié)狀態(tài)在低負(fù)荷組和高負(fù)荷組間的差異有統(tǒng)計學(xué)意義（P＜0.01），并且在驗(yàn)證集得到驗(yàn)證（P＜0.01）；而年齡、組織學(xué)分級、ER、PR、HER-2、Ki-67、腫瘤最大徑及BI-RADS分級在低負(fù)荷組和高負(fù)荷組間的差異均無統(tǒng)計學(xué)意義（均P＞0.05），見表1、2。

表1 訓(xùn)練集患者臨床、病理及常規(guī)MRI特征的比較

表2 驗(yàn)證集患者臨床、病理及常規(guī)MRI特征的比較

2.2 影像組學(xué)特征篩選 在訓(xùn)練集中，從每例患者的DCE-MRI 圖像中提取1 688 個影像組學(xué)特征，方差閾值和單變量選擇法分別篩選得到615、527 個特征。最終，經(jīng)LASSO 回歸篩選得到16 個與ALN 負(fù)荷相關(guān)的影像組學(xué)特征，組成最優(yōu)特征子集。最優(yōu)特征與相應(yīng)的相關(guān)性熱圖顯示，最優(yōu)特征間相關(guān)性不強(qiáng)，可全部用于構(gòu)建機(jī)器學(xué)習(xí)分類器，見圖1。

圖1 LASSO 回歸篩選特征示意圖（A：系數(shù)路徑圖，表示隨著最佳權(quán)重參數(shù)λ 的變化，納入影像組學(xué)特征的數(shù)量和對應(yīng)的回歸系數(shù)；B：交叉驗(yàn)證圖，運(yùn)用10 折交叉驗(yàn)證確定參數(shù)λ 的最優(yōu)值，最終獲得16 個與ALN 負(fù)荷相關(guān)性最強(qiáng)的影像組學(xué)特征，構(gòu)成最優(yōu)特征子集；C：相關(guān)性熱圖，提示最優(yōu)特征之間存在弱相關(guān)性）

2.3 5 種機(jī)器學(xué)習(xí)分類器的診斷效能 ROC 曲線分析結(jié)果顯示，5 種機(jī)器學(xué)習(xí)分類器在訓(xùn)練集中的AUC范圍為0.703～1.000，在驗(yàn)證集中的AUC 值范圍為0.560～0.762，見表3、圖2。其中KNN 表現(xiàn)過擬合且效能最差，而SVM 效能最優(yōu)，選擇其作為最佳影像組學(xué)模型。驗(yàn)證集中不同機(jī)器學(xué)習(xí)分類器間的AUC 比較結(jié)果見表4。

圖2 不同機(jī)器學(xué)習(xí)分類器預(yù)測ALN 負(fù)荷的ROC 曲線（A：訓(xùn)練集；B：驗(yàn)證集）

表3 5種機(jī)器學(xué)習(xí)分類器在訓(xùn)練和驗(yàn)證集的診斷效能比較

表4 驗(yàn)證集中不同機(jī)器學(xué)習(xí)分類器間AUC的比較（P 值）

2.4 列線圖模型的構(gòu)建與驗(yàn)證 采用logistic 回歸構(gòu)建基于MRI 檢查報告淋巴結(jié)狀態(tài)的臨床模型；同時，基于多因素logistic 回歸分析建立聯(lián)合MRI 檢查報告淋巴結(jié)狀態(tài)和Rad-score 的列線圖模型，見圖3。在訓(xùn)練集中臨床模型、影像組學(xué)模型及列線圖模型的AUC分別為0.713、0.825、0.887；在驗(yàn)證集中臨床模型、影像組學(xué)模型及列線圖模型的AUC 分別為0.675、0.762、0.818，見表5。Delong 檢驗(yàn)顯示，在訓(xùn)練集和驗(yàn)證集中，列線圖模型的AUC 均明顯高于臨床模型（Z=5.920、4.580，均P＜0.01）。校準(zhǔn)曲線顯示列線圖模型對ALN高負(fù)荷的預(yù)測概率和實(shí)際結(jié)果有較好的一致性，Hosmer-Lemeshow 檢驗(yàn)顯示訓(xùn)練集及驗(yàn)證集均具有較好擬合度（均P＞0.05）。DCA 結(jié)果表明，當(dāng)訓(xùn)練集中閾值概率為0.03～1.00 和0.03～0.74、驗(yàn)證集中閾值概率為0.02～1.00 和0.02～0.61 時，列線圖模型的凈獲益優(yōu)于臨床模型和影像組學(xué)模型，見圖4。提示該列線圖模型在預(yù)測早期乳腺癌患者ALN 負(fù)荷方面具有更高的臨床應(yīng)用價值。

圖3 預(yù)測早期乳腺癌患者ALN 高負(fù)荷發(fā)生概率的列線圖

圖4 訓(xùn)練集和驗(yàn)證集中臨床模型、影像組學(xué)模型及列線圖模型的ROC 曲線、校準(zhǔn)曲線、DCA 結(jié)果（A：訓(xùn)練集ROC 曲線；B：驗(yàn)證集ROC 曲線；C：訓(xùn)練集校準(zhǔn)曲線；D：驗(yàn)證集校準(zhǔn)曲線；E：訓(xùn)練集DCA；F：驗(yàn)證集DCA）

表5 訓(xùn)練集和驗(yàn)證集中臨床模型、影像組學(xué)模型及列線圖的診斷性能比較

3 討論

在本研究中，筆者基于DCE-MRI 圖像的影像組學(xué)特征建立了5 種機(jī)器學(xué)習(xí)分類器用于術(shù)前預(yù)測早期乳腺癌患者的ALN 負(fù)荷情況。結(jié)果顯示，SVM、LR 和XGBoost 均展現(xiàn)出良好的預(yù)測效能，其中SVM 在驗(yàn)證集中的AUC 最高，因此選擇其作為最佳影像組學(xué)模型。為了構(gòu)建一個可視化且易于理解的預(yù)測模型，筆者構(gòu)建了一個包含Rad-score 和MRI 檢查報告淋巴結(jié)狀態(tài)的列線圖模型。結(jié)果證實(shí)，該列線圖模型在預(yù)測ALN 負(fù)荷方面具有較大的潛力，可用于輔助早期乳腺癌患者的臨床治療決策。

近年來，隨著乳腺外科治療理念逐步向個體化和精準(zhǔn)治療的發(fā)展，臨床上對于ALN 的管理方式也逐漸從單一狀態(tài)轉(zhuǎn)變?yōu)樨?fù)荷分類。盡管SLNB 具有創(chuàng)傷小、靈敏度高和特異度高等優(yōu)點(diǎn)，但其仍屬于有創(chuàng)手術(shù)，并存在9.8%的假陰性率[10]。因此，如何在術(shù)前無創(chuàng)準(zhǔn)確化評估ALN 負(fù)荷已成為當(dāng)前臨床實(shí)踐中亟待解決的熱點(diǎn)問題。影像學(xué)檢查在臨床淋巴結(jié)分期中扮演著至關(guān)重要的角色。羅海愉等[11]研究發(fā)現(xiàn)，腋窩超聲陽性的患者比腋窩超聲陰性的患者存在高淋巴結(jié)負(fù)荷的比例更高（P＜0.01），表明腋窩超聲檢查有助于識別ALN 負(fù)荷。本研究發(fā)現(xiàn)，ALN 高負(fù)荷組中MRI報告淋巴結(jié)陽性的比例明顯高于低負(fù)荷組[61.54%（32/52）比20.28%（43/212），P＜0.01]。然而，進(jìn)一步ROC 曲線分析顯示，基于MRI 檢查報告淋巴結(jié)狀態(tài)建立的臨床模型在預(yù)測ALN 負(fù)荷時的效能表現(xiàn)一般，訓(xùn)練集和驗(yàn)證集的AUC 分別為0.713 和0.675，這與此前Zhang等[12]研究結(jié)果相似。推測可能是由于炎性增生性淋巴結(jié)和轉(zhuǎn)移性淋巴結(jié)在形態(tài)學(xué)征象上存在諸多重疊所致[13]。因此，僅依靠常規(guī)MRI影像學(xué)特征可能難以鑒別早期乳腺癌患者的ALN 負(fù)荷情況，有必要在臨床實(shí)踐中尋找另一種更為客觀、準(zhǔn)確的方式彌補(bǔ)上述不足。

醫(yī)學(xué)圖像中的許多細(xì)微變化很難用肉眼觀察到，但它們可以通過影像組學(xué)特征的形式來呈現(xiàn)，從而表征和解釋腫瘤生物學(xué)中的細(xì)微變化，并為臨床實(shí)踐提供及時有效的信息[7]。此前已有幾項(xiàng)研究報道了影像組學(xué)在預(yù)測早期乳腺癌患者ALN 負(fù)荷方面的潛在價值。Wu 等[14]探討了基于對比增強(qiáng)X 線圖像的影像組學(xué)特征在評估ALN 負(fù)荷的可行性，結(jié)果顯示由6 個紋理特征建立的影像組學(xué)模型表現(xiàn)出較好的診斷效能，在訓(xùn)練集和驗(yàn)證集的AUC 分別為0.91、0.76。然而，X線圖像存在堆疊效應(yīng)，這可能會導(dǎo)致無法提取完整的腫瘤信息。Gao 等[15]表明基于超聲圖像的影像組學(xué)模型可較好地預(yù)測早期乳腺癌患者的ALN 負(fù)荷，在訓(xùn)練集和驗(yàn)證集中的AUC 分別為0.833、0.715。但是超聲圖像的采集容易受操作醫(yī)師經(jīng)驗(yàn)水平的影響，可能造成結(jié)果的可重復(fù)性較差。與X 線和超聲相比，MRI 具有高軟組織分辨率、無電離輻射以及不易受操作醫(yī)師個體差異干擾等優(yōu)勢。而DCE-MRI 是乳腺M(fèi)RI 檢查中最重要的序列之一，它可同時獲得腫瘤的血流動力學(xué)和形態(tài)學(xué)信息，因此更能體現(xiàn)乳腺癌的異質(zhì)性。在本研究中，筆者基于DCE-MRI 圖像提取了1 688 個影像組學(xué)特征，經(jīng)降維得到16 個與ALN 負(fù)荷高度相關(guān)的特征。進(jìn)一步基于上述特征建立了5 種機(jī)器學(xué)習(xí)分類器，結(jié)果顯示SVM 分類器的診斷效能最為穩(wěn)定，在訓(xùn)練集和驗(yàn)證集中的AUC 分別為0.825、0.762。一種可能的解釋是SVM 能夠在模型的復(fù)雜度和學(xué)習(xí)能力之間尋求最佳的平衡點(diǎn)，從而在有限樣本數(shù)據(jù)中實(shí)現(xiàn)最大的推廣能力，尤其在解決小樣本、高維和非線性等問題方面具有許多獨(dú)特的優(yōu)勢[16]。相比之下，盡管KNN 在訓(xùn)練集的AUC 高達(dá)1.000，但驗(yàn)證集的AUC 僅為0.560，即存在過擬合現(xiàn)象。分析可能是由于該分類器在訓(xùn)練時的復(fù)雜度過高，過度擬合了樣本集中的噪聲，忽略了真實(shí)數(shù)據(jù)的分布[17]。為了進(jìn)一步提升模型的診斷效能，筆者將Rad-score 和MRI 檢查報告淋巴結(jié)狀態(tài)相結(jié)合建立列線圖模型。結(jié)果顯示，在訓(xùn)練集和驗(yàn)證集中該列線圖模型均表現(xiàn)出良好的診斷效能（AUC 分別為0.887 和0.818），且明顯高于臨床模型（AUC 分別為0.713 和0.675），這表明該列線圖模型在評估早期乳腺癌患者ALN 負(fù)荷方面具有良好的應(yīng)用價值。

本研究仍存在一些局限性：（1）這是一項(xiàng)單中心回顧性研究，不可避免地存在部分偏倚，未來需擴(kuò)大樣本規(guī)模、設(shè)計多中心和前瞻性研究加以驗(yàn)證；（2）僅納入浸潤性乳腺癌這單一類型，列線圖在評估其余病理類型乳腺癌ALN 負(fù)荷的價值仍有待探索；（3）筆者僅分析了病灶強(qiáng)化最為明顯的DCE-MRI 第2 期圖像。

綜上所述，基于機(jī)器學(xué)習(xí)的MRI 影像組學(xué)列線圖模型在早期乳腺癌患者ALN 負(fù)荷中具有較高的預(yù)測價值，有望為乳腺癌患者的個體化診治提供重要依據(jù)。