元医生智能体/影像医生/知识库
文献速递乳腺US

瘤内及瘤周超声组学预测乳腺癌新辅助化疗病理完全缓解

Intratumoral and Peritumoral Ultrasoundomics Models for Preoperative Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy in Breast Cancer.
PubMed 文献 · Acad Radiol · 2026-10-05

本研究纳入333例接受新辅助化疗的乳腺癌患者，分别提取瘤内、瘤内+3mm瘤周、瘤内+5mm瘤周超声组学特征，构建8种机器学习模型预测病理完全缓解。结果显示基于AdaBoost算法的瘤内+5mm瘤周模型(R5)预测效能最佳，内部训练集AUC为0.871，外部验证集AUC为0.779，优于单纯瘤内模型。

要点

  • 纳入5mm瘤周区域的超声组学模型预测pCR效能最优(外部验证AUC 0.779)，优于单纯瘤内模型(外部验证AUC 0.632)
  • 333例患者中119例(35.7%)达到病理完全缓解，AdaBoost算法在8种机器学习算法中表现最佳
  • 瘤周区域分割方法：以肿瘤ROI边缘为基线向外扩展3mm和5mm

核心结论

  • 整合瘤内和瘤周超声组学特征的机器学习模型可有效评估乳腺癌新辅助化疗疗效
  • 纳入5mm瘤周区域的模型(R5)具有最高预测准确性和临床获益

研究设计与样本

  • 回顾性研究，纳入333例接受新辅助化疗的乳腺癌患者，来自两家不同医院分别作为内部训练集和外部验证集
  • 基于超声图像提取瘤内、瘤内+3mm瘤周、瘤内+5mm瘤周三组超声组学特征
  • 使用Z-score归一化，通过Spearman相关分析和LASSO进行特征筛选
  • 比较8种机器学习算法：支持向量机、K近邻、随机森林、朴素贝叶斯、逻辑回归、AdaBoost、多层感知机、轻量梯度提升机
  • 采用决策曲线分析评估临床效用，SHAP分析量化特征重要性并实现模型可视化解释

诊断标准与关键数值

  • R0模型(仅瘤内)基于AdaBoost算法AUC为0.811(内部训练集)和0.632(外部验证集)
  • R3模型(瘤内+3mm瘤周)AUC为0.830(内部训练集)和0.699(外部验证集)
  • R5模型(瘤内+5mm瘤周)AUC为0.871(内部训练集)和0.779(外部验证集)，预测准确性最高
  • 333例患者中119例(35.7%)达到病理完全缓解，214例(64.3%)未达到

临床应用与阅片要点

  • 超声评估新辅助化疗疗效时应关注瘤周5mm区域，而非仅观察瘤内变化
  • 可通过SHAP瀑布图进行单样本预测以辅助临床决策
  • 决策曲线分析显示R5模型结合瘤内和5mm瘤周区域可提供更优的临床获益

局限性

  • 回顾性研究设计
  • 外部验证集与内部训练集来自不同医院，可能存在设备和扫描方案差异

以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。

引用

  1. Zhou, Yang, He, et al. Intratumoral and Peritumoral Ultrasoundomics Models for Preoperative Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy in Breast Cancer. Acad Radiol. 2026. PMID: 42833974. doi:10.1016/j.acra.2026.09.038
在智能体中追问阅读原文 ↗

供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。