多模态MRI影像组学在乳腺癌组织学分级与预后评估中的应用

除了TNM分期外，当前乳腺癌的治疗管理基于传统的病理学特征，将疾病分为三种具有显著临床预后意义的分子亚型：人表皮生长因子受体2（HER2）阳性型、管腔型（激素受体阳性且HER2阴性）以及三阴性乳腺癌。 在10-15%的乳腺癌病例中观察到HER2的过表达或扩增。 这一现象通常与更具侵袭性的肿瘤行为相关，同时也显示出对HER2靶向治疗更高的反应性。 然而，使用高效抗HER2药物可以显著改善这些患者的生存结局。 此外，HER2的表达状态对于确定是否需要靶向治疗至关重要。 因此，术前评估HER2表达状态具有重要的治疗意义。 目前，术前评估乳腺癌HER2状态的临床方法包括对穿刺活检标本进行的免疫组织化学（IHC）检测和荧光原位杂交（FISH）测量。 然而，这些活检取样技术存在固有的局限性，包括取样偏差以及无法完全代表肿瘤内异质性。 此外，活检过程可能给患者带来不适并存在一定风险。 肿瘤异质性通常指肿瘤间在血管生成、代谢、基因表达和其他生物学特征方面的差异。 肿瘤内异质性（ITH）可以在宏观层面表现为影像学图像中的信号差异。 研究者假设，HER2阳性（HER2+）与HER2阴性（HER2-）乳腺癌之间存在显著的生物学特征和行为差异，从而可以通过识别反映ITH的特定影像学特征来区分这两种类型的肿瘤。

动态对比增强磁共振成像（DCE-MRI）是一种有效的成像方式，能够在保持可接受空间分辨率的同时，提供关于可疑病灶中对比剂动态变化的时间信息。 它在检测乳腺癌病灶，尤其是致密乳腺组织中的病灶方面特别敏感。 DCE-MRI可以通过病灶的血流动力学特征间接反映异常的肿瘤血管增殖。 影像组学是一项新兴技术，涉及使用高通量、复杂的方法从医学图像中提取定量且可重复的特征，这些特征通常难以通过视觉识别或量化。 这些可能与特定疾病相关的特征，通过统计或机器学习（ML）算法进行分析，以创建用于肿瘤诊断、分级、疗效评估和预后预测的预测模型。 与传统统计模型相比，ML具有两个重要优势。 其目标是减少诊断过程中的决策时间，并通常实现更高的诊断准确性。 正如在乳腺癌诊断中所展示的，ML可以通过识别大量临床数据中的复杂模式，显著改善癌症风险预测。 尽管ML具有巨大潜力，但其在临床应用中仍面临一些障碍。 一个主要挑战是缺乏可解释性——许多ML模型像“黑匣子”一样运行，使得临床医生难以理解和信任其决策过程。 此外，模型的性能在很大程度上取决于训练数据的质量和代表性。 ML方法通常比传统临床研究需要更大的数据集。

因此，本研究旨在开发一种基于影像组学的ML模型，能够利用DCE-MRI图像以非侵入性方式预测乳腺癌的HER2状态。 此外，研究采用了沙普利加性解释（SHAP）算法来分析模型中包含变量的贡献，为制定更准确的乳腺癌患者术前治疗计划提供了宝贵的见解。