文献速递乳腺技术与安全MR

多机构MRI四维卷积神经网络机器学习预测乳腺癌淋巴结转移

Machine Learning Prediction of Lymph Node Metastasis in Breast Cancer: Performance of a Multi-institutional MRI-based 4D Convolutional Neural Network.
PubMed 文献 · Radiol Imaging Cancer · 2024-01-01

本回顾性研究基于两所医院350例新诊断浸润性乳腺癌患者的动态增强乳腺MRI,构建整合肿瘤及腋窝像素的四维卷积神经网络模型,联合临床病理特征预测临床与病理腋窝淋巴结转移。模型区分病理淋巴结阳性与阴性的AUC为0.87、敏感度89%、特异度76%,区分临床淋巴结阳性与阴性的AUC为0.79、敏感度80%、特异度62%,展示出作为临床决策支持工具的潜力。

要点

  • 四维混合模型预测病理腋窝淋巴结阳性的AUC为0.87、敏感度89%、特异度76%。
  • 在特异度71%时,模型预测病理淋巴结转移的敏感度为91%,假阴性率9%。
  • 模型遗漏的17例病理阳性患者中,12例(70.5%)放射科医师也未识别。

核心结论

  • 基于肿瘤动态增强MRI的四维深度学习模型在识别乳腺癌淋巴结转移中表现出高敏感度,显示出作为临床决策支持工具的潜力。

研究设计与样本

  • 回顾性研究,纳入2013年7月至2016年6月同一医疗网络内大学医院与安全网医院连续350例新诊断原发性浸润性乳腺癌女性患者。
  • 全部乳腺MRI使用1.5-T扫描仪(Optima MR450w或Intera),采用八通道或七通道专用线圈,行动态增强序列。
  • 模型采用五折嵌套交叉验证,性能在未用于训练或模型选择的测试数据上评估。

关键影像表现/征象

  • 显著性图显示模型从原发肿瘤及瘤周体素学习预测无转移或高转移概率的重要特征,更远端体素重要性较低。
  • 模型未显式提供非线性肿瘤边界,显著性图结果提示模型自行学习近似肿瘤边界。

诊断标准与关键数值

  • 四维混合模型区分pN0与pN+的AUC为0.87(95%CI:0.83,0.91),敏感度89%(95%CI:79%,93%),特异度76%(95%CI:68%,88%)。
  • 四维混合模型区分cN0与cN+的AUC为0.79(95%CI:0.76,0.82),敏感度80%(95%CI:77%,84%),特异度62%(95%CI:58%,67%)。
  • 在特异度71%时,模型预测病理淋巴结转移的敏感度为91%,假阴性率9%;在特异度51%时,敏感度95%,假阴性率5%。
  • 仅用临床病理特征模型预测pN状态的AUC、敏感度、特异度、假阴性率分别为0.63、75%、52%、25%。
  • 安全网医院训练模型测试于大学医院的AUC、敏感度、特异度分别为0.84(95%CI:0.75,0.91)、73%(95%CI:58%,86%)、91%(95%CI:78%,98%)。

临床应用与阅片要点

  • 模型在特异度71%时敏感度91%、假阴性率9%,原文称可帮助避免超过一半(51%)的良性前哨淋巴结活检,同时正确检出95%的腋窝转移患者。

局限性

  • 原文在讨论中未设局限性段落,但在结论中提出该模型「显示出作为临床决策支持工具的潜力」(shows promise for potential use),并指出需进一步研究。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Imaging Cancer. 2024 Apr 12;6(3):e230107. doi: 10.1148/rycan.230107

摘要

一个高度灵敏的基于MRI的四维卷积神经网络模型在预测乳腺癌患者腋窝淋巴结转移方面表现出高性能,可能有助于减少不必要的介入和外科手术操作所带来的并发症。

要点

■ 一个整合临床与乳腺MRI的四维(4D)卷积神经网络模型用于预测腋窝淋巴结病理状态,显示出高诊断性能,受试者工作特征曲线下面积(AUC)、灵敏度和特异度分别为0.87、89%和76%。

■ 仅使用临床病理特征的机器学习模型对淋巴结病理状态的预测性能较低(AUC、灵敏度、特异度和假阴性率分别为0.63、75%、52%和65%)

■ 该4D混合模型在来自患者和癌症特征各异的机构的两组独立数据集上显示出相似的诊断性能(P = .68);当在安全网医院的数据上训练时,模型达到AUC为0.84(95% CI:0.75,0.91),而当在大学医院数据上训练时,模型达到AUC为0.81(95% CI:0.73,0.87)。

引言

乳腺癌是女性癌症死亡的主要原因,在美国每年导致约40 000例死亡。大多数死亡由转移性疾病引起,其首发部位通常为同侧腋窝淋巴结(1,2)。淋巴结状态是决定疾病预后并指导新辅助化疗、放疗和腋窝淋巴结清扫等治疗决策的最重要因素之一(3,4)。识别腋窝淋巴结转移有两种策略:(a)临床检查、影像学检查和影像引导活检相结合,确定临床淋巴结(cN)分期;或(b)通过前哨淋巴结活检(SLNB)或腋窝清扫进行手术分期,以确定病理淋巴结(pN)分期(3)。术前超声联合引导下针刺活检有助于在SLNB前识别中位50%的腋窝淋巴结转移患者(5,6)。扫描技术和活检标准的变化以及无法检测和取样微小转移,限制了超声的可重复性(7–12)。部分患者接受乳腺MRI检查,可进行腋窝评估,但其检测pN分期的平均灵敏度仅为60%(范围33.3%–97%),阴性预测值为80%(范围1.9%–99.5%)(13)。因此,腋窝影像学或活检结果为良性的患者常规接受手术SLNB。与影像学相比,SLNB具有更高的灵敏度,范围为86%至92%(14),但它是一种诊断性操作,涉及与麻醉、手术和因使用放射性药物识别前哨淋巴结而导致的辐射暴露相关的并发症(4,15,16)。据报道,SLNB的永久性不良后果包括24.4%的患者出现亚临床淋巴水肿(17)、临床淋巴水肿(平均5.6%[范围0%–11%])(18)、16%的患者出现慢性腋窝疼痛、感觉障碍包括感觉异常(2%–22%)以及手臂活动受限(0%–9%)(19)。淋巴结阳性状态的临床预测主要集中于非前哨淋巴结阳性,且不允许省略SLNB(20,21)。然而,这些方法并未解决大量患者(52%–82%)在接受腋窝手术诊断时被过度治疗的问题(22,23)。因此,一个基于影像学的稳健预测模型,能够以高灵敏度评估淋巴结转移的存在,将有助于选择可能避免SLNB的患者,并促进乳腺癌患者的治疗决策,而无需侵入性操作。识别cN分期很重要,因为cN+状态可能是决定患者接受新辅助治疗还是直接手术的关键因素。近十年来针对早期乳腺癌患者的研究表明,使用超声或MR图像训练的深度学习模型在预测同侧淋巴结转移方面可产生可接受的诊断性能(24,25)。然而,这些基于较低分期类别T1或T2乳腺癌开发的模型是否适用于所有乳腺癌尚不清楚。此外,这些模型使用单机构和单一MRI设备的数据集进行训练,妨碍了其统一应用(26–29)。这些模型还受到黑箱优化超参数调优任务固有假设的影响,妨碍了其稳健应用于其他机构的影像数据集。

在本研究中,我们旨在开发一种深度学习算法,利用来自两个不同MRI设备和机构、具有种族多样化人群数据集的乳腺MR图像数据,在不考虑肿瘤大小的情况下预测cN和pN分期。异方差进化贝叶斯优化(HEBO)在超参数优化方面优于传统贝叶斯优化和超带优化,因为它对复杂多样的问题具有更强的适应性,类似于放射科医生处理多样化病例的方式。它能够高效探索超参数空间,从而更快地找到最优设置,就像用有限的图像进行高效诊断一样。此外,HEBO在数据有限的情况下表现出色,并能很好地处理不确定性,提供更个性化和灵活的优化,这在数据可能含有噪声或不完整的实际应用中至关重要。这使得HEBO在各种场景中成为更通用、更可靠的选择,很像放射科医生对每位患者采取的量身定制方法。我们旨在确定,基于动态肿瘤MR图像和精选的临床病理变量构建的预测模型——该模型还整合了基于图像块的学习和能够弥补小样本数据不足的超参数优化技术(HEBO)——是否能在无创诊断腋窝转移方面产生高诊断性能,超越目前临床标准诊疗中可用的诊断成像技术。

材料与方法

患者队列

本机构审查委员会批准、符合《健康保险可携性与责任法案》的回顾性分析豁免了书面知情同意。回顾性审查了2013年7月至2016年6月期间在同一医疗网络内一所大学医院和一所安全网医院接受动态对比增强(DCE)乳腺MRI作为初始疾病范围评估一部分的连续原发性浸润性乳腺癌患者。患者的纳入和排除标准总结于图1。排除复发性癌症和替代整个乳腺组织的炎性(cT4b)乳腺癌。从电子健康记录中收集年龄、种族、肿瘤大小、临床区域淋巴结转移(cN1–3)、肿瘤分期和新辅助化疗史。分级(Nottingham组织学分级)、雌激素受体(ER)和人表皮生长因子受体2(HER2)状态(阳性 vs 阴性)以及Ki-67指数取自采用既往已发表标准的标准化美国病理学家学会病理报告(图S1)。

图1:Consort流程图。cN = 临床淋巴结分期,NAC = 新辅助化疗,pN = 病理淋巴结分期。 查看原图 ↗

DCE MRI技术与图像分割

所有乳腺MRI检查均采用1.5-T扫描仪(Optima MR450w,GE HealthCare;或Intera,Philips Healthcare),患者俯卧位,使用专用八通道(Invivo Sentinelle;Siemens)或七通道(dSTream;Philips Healthcare)线圈。在快速静脉团注钆喷酸葡胺对比剂(Magnevist;Bayer Healthcare Pharmaceuticals)0.1 mmol/kg体重(注射速率3 mL/秒,使用高压注射器Spectris Solaris MR Injector;Medrad)之前及之后立即获取一组平扫和四组连续双侧轴位动态图像集,平均动态时间分辨率为90秒/期。原发肿瘤由一名经过专科培训、具有15年乳腺MRI研究判读经验的乳腺放射科医师(B.E.D.)使用Horos及OsiriX插件(Pixmeo)在第二期增强后采集图像上进行勾画。对于多灶或多中心病变,勾画用于临床分期的指标病灶。由于这种精细勾画肿瘤的方法需要时间和专业知识,我们使用现有分割结果衍生出粗略边界框。我们的模型使用这些边界框,其绘制可在不到一分钟内完成。

腋窝分期

cN分期根据临床和影像学评估以及影像引导空心针活检确定,依照美国癌症联合委员会分期系统(30)。从肿瘤治疗计划记录中收集cN信息。基于临床检查或结合MRI、腋窝超声(US)及US引导穿刺活检结果判定为cN阴性的患者标记为cN0,而经临床检查和影像引导空心针活检确诊为阳性的患者(cN1–3)标记为cN+。pN状态的确定首先排除所有cN0状态且在接受新辅助化疗后才进行手术腋窝分期的患者。术前活检证实腋窝转移的患者,以及cN0状态但在前哨淋巴结活检(SLNB)中发现转移的患者,标记为pN+。SLNB结果为良性的患者构成pN0组。

数据预处理、模型构建及机构间模型性能比较测试

所有图像重采样至一致的1-mm3各向同性分辨率,并使用直方图均衡化进行协调。定义以勾画肿瘤为中心并包含瘤周体积的立方体边界框,将每幅图像裁剪为一致大小的体积。我们使用120×120×120体素的立方体边界框。模型同时利用肿瘤和腋窝像素。对于腋窝像素,我们在同侧腋窝使用相同的立方体边界框来提取像素信息。图2提供了数据预处理步骤的全面概述。关于图像强度协调和体素分块的进一步细节请参见附录S1,这些步骤用于辅助提取对模型贡献最大的像素。

我们假设原发肿瘤和腋窝图像像素会包含与腋窝转移状态相关的信息。为验证这一点,我们开发了多个基于卷积神经网络(CNN)的模型(31),这些模型学习识别图像中的模式。在DCE MRI序列中,各时间期相被指定为时间0至时间5。时间0被确定为对比剂增强前的期相,而时间1至时间5代表初始非增强序列之后的连续对比增强期相。消融实验通过以下方式进行:测试仅使用临床特征的模型、仅使用时间2至时间0容积的三维(3D)模型、利用所有DCE时间点的仅图像模型(四维[4D]模型),以及最后整合差异容积和临床病理数据的4D混合模型。比较了各模型的诊断性能结果。图3展示了详细流程图,说明各模型数据输入的整合情况。更多模型开发和构建细节请参见附录S1。

分别训练了两个二分类器,以预测cN0 vs cN+和pN0 vs pN+目标,并使用嵌套五折交叉验证对患者数据进行划分。因此,所有数据被分为五组,每组约70例患者。每一折包含三个训练组、一个验证组和一个测试组,并在轮换测试数据集的同时进行一次迭代。报告的结果为五折的平均值。有关CNN模型开发的更多信息请参见附录S1。

模型性能在测试数据上测量,测试数据未用于训练或模型选择。为进一步了解最重要的体素,使用梯度类激活映射(32)生成体素显著性图。

为测试我们模型的泛化能力,用于pN预测的4D混合模型还每次使用一个机构的数据从头训练——大学医院 vs 安全网医院——并在一个机构数据上训练的模型在另一机构数据上测试诊断性能。

图2:容积动态对比增强MR图像的预处理。(A)原发肿瘤由放射科医师在每个切面的时间3勾画(绿色轮廓),尽管所提出的方法仅需要肿瘤周围的边界框。(B)MR图像被裁剪为肿瘤周围的立方体容积。(C)矢状面视图显示时间1的乳腺。(D)通过计算差异图像增强肿瘤,此处显示为:时间3–时间1。 查看原图 ↗
图3:流程图描绘了构建临床模型、基于3D容积成像的模型和基于4D成像的模型以及混合4D + 临床模型的数据输入。值得注意的是,用于模型开发的数据未用于测试数据集。ER = 雌激素受体,4D = 四维,HER2 = 人表皮生长因子受体2,3D = 三维。 查看原图 ↗

统计分析

统计分析使用IBM SPSS Statistics for Windows 27版进行。作为初步分析,采用Fisher精确检验比较cN0与cN+组以及pN0与pN+组之间的ER状态、HER2状态、肿瘤分级、肿瘤分期和种族。年龄采用独立样本t检验比较组间差异,Ki-67指数采用Mann-Whitney U检验比较。这些变量的正态性采用Shapiro-Wilk检验、Q-Q图和偏度-峰度评估,P值小于.05为显著性标准。

模型性能通过受试者工作特征曲线下面积(AUC)、灵敏度和特异度来衡量。AUC采用DeLong检验进行比较(33)。在选择灵敏度和特异度截断点时,我们优先考虑灵敏度。

结果

患者特征

在接受乳腺MRI检查的390例浸润性乳腺癌患者中,350例女性患者(平均年龄51.7岁±11.9[标准差];范围:21-90岁)(图1)为新诊断且乳腺完整的乳腺癌患者,符合我们的cN分析标准。淋巴结和肿瘤分期及临床病理特征总结于表1。

在350例患者中,97例(27.7%)经影像学和穿刺活检确定为cN0期疾病并接受了术前新辅助化疗的患者被排除在pN预测和灵敏度分析之外。在剩余253例患者中,152例有病理学证据显示转移,其中118例通过影像学加影像引导下穿刺活检确诊,真阳性率为77.6%。在其余34例影像学或影像引导下穿刺活检结果为阴性的患者中,前哨淋巴结活检(SLNB)显示有转移证据,假阴性率为22.4%(152例中34例)。

表1:用于开发临床和病理同侧淋巴结转移状态预测模型的新诊断浸润性乳腺癌患者 查看原表 ↗

临床病理因素与cN和pN状态的关联

临床病理因素的相关性分析显示,T分类与cN+和pN+状态患病率增加呈显著相关。检测转移的影像学灵敏度随肿瘤增大而显著增加(表2)。灵敏度的增加在T1与T2期癌症之间尤为显著(27.8% vs 81.7%)。与T1期癌症相比,T2期癌症与显著更高的cN+疾病几率相关(92% vs 7.5%,比值比:13.6 [95% CI:5.2,35.4];P < .001),以及更高的影像学假阴性结果(72.2% vs 18.3%)(表S3)。cN+疾病患者显著年轻于cN0疾病患者(平均年龄40.0 vs 52.7岁;P = .04)。cN+组不仅3级肿瘤(P < .001)和HER2阳性肿瘤比例更高(55.8% vs 44.2%,比值比:2.8 [95% CI:1.7,4.6];P < .001),其平均Ki-67指数也更高(46.9 vs 37.4,P < .001)。无证据表明种族和ER阳性与cN状态存在显著关联(表3)。

我们发现与pN状态存在类似的关联。虽然pN+疾病患者比pN0疾病患者更年轻(平均年龄,50.0 vs 56.8岁;P < .001),但他们也表现出更高的T2–T4肿瘤发生率(P < .001)。当仅比较T1和T2肿瘤时,pN+的T2癌症发生率更高。HER2阳性率(83.6% vs 16.4%,比值比:7.6 [95% CI:3.6,16.1];P < .001)和平均Ki-67指数(43.2 vs 25.3,P < .001)在pN+组中也更高(表3)。pN阳性与肿瘤分级升高相关(1级为38.6%,2级为55.7%,3级为78.9%;P < .001)。没有证据表明种族和ER阳性与pN状态之间存在显著关联。

表2:按临床肿瘤分期分层的临床和病理淋巴结分期分布 查看原表 ↗
表3:临床病理因素与同侧临床和病理淋巴结状态的相关性 查看原表 ↗

消融试验

我们仅使用临床病理指标(即使用年龄、种族、ER状态、HER2状态、Ki-67指数和肿瘤分级)的机器学习模型预测cN状态的AUC、敏感性、特异性和假阴性率分别为0.55、35%、77%和65%,预测pN状态的相应值分别为0.63、75%、52%和25%。

基于成像的3D模型对cN的AUC、敏感性、特异性和假阴性率分别为0.67、67%、66%和33%,对pN分别为0.69、77%、53%和23%。纳入时间数据的4D模型对cN的相应值分别为0.70、81%、41%和19%,对pN分别为0.71、77%、51%和23%。

所提出的成像联合临床病理混合4D CNN模型的性能

对于cN0与cN+状态的预测,4D混合模型在主要AUC性能指标上表现出比3D模型更高的性能,其AUC为0.79(95% CI:0.76,0.82)(P = .004)(表4)。此外,该模型产生了80%的高敏感性(95% CI:77%,84%)、62%的特异性(95% CI:58%,67%)和20%的低假阴性率(95% CI:16%,23%)(表4)。

对于pN0与pN+状态的预测,4D混合模型在主要AUC性能指标上表现出比3D模型更高的性能,其AUC为0.87(95% CI:0.83,0.91)(P < .001)(表4)。此外,该模型产生了89%的高敏感性(95% CI:79%,93%)、76%的特异性(95% CI:68%,88%)和11%的低假阴性率(7%,21%)(表4)。表5总结了混合4D模型在测试数据集上不同特异性截断点的性能。在71%特异性下,模型的敏感性为91%,假阴性率为9%。在51%特异性下,敏感性为95%,假阴性率为5%。4D混合模型的训练和验证性能见表S4。仅使用肿瘤像素的4D混合模型AUC为0.85,敏感性、特异性和假阴性率分别为90%(95% CI:85.5%,94.7%)、64%(95% CI:56.2%,73%)和9%(95% CI:5.3%,14.5%)。因此,使用腋窝像素改善了模型性能,但不显著(P = .12)(图4)。比较预测cN状态的最佳性能模型与预测pN状态的模型,我们发现对于每个特异性,预测pN状态的模型均达到更高的敏感性(图5)。

在4D混合模型漏诊的17例pN+疾病患者中,有12例pN+疾病(70.5%)也被放射科医师漏诊,这些患者在SLNB中被识别为单个转移淋巴结,均为T1期ER阳性、HER2阴性癌症患者。其余5例(30.5%)通过腋窝影像学检查被识别,分别为ER阳性(n = 3)或阴性(n = 2)疾病患者(cT1 = 3例,cT2 = 2例)。

表4:临床模型与基于图像的深度学习模型预测同侧临床和病理淋巴结状态的性能 查看原表 ↗
表5:混合深度学习与临床模型在不同特异度截断点预测乳腺癌淋巴结转移状态的性能 查看原表 ↗
图4:四维混合模型预测同侧转移性与良性临床和病理淋巴结状态(阳性 vs 阴性)的诊断性能。AUC = 受试者工作特征曲线下面积。 查看原图 ↗
图5:使用肿瘤加腋窝像素与仅使用肿瘤像素的两种四维混合模型预测病理淋巴结状态(阳性 vs 阴性)的诊断性能。P值由DeLong检验确定。AUC = 受试者工作特征曲线下面积,cNode = 临床淋巴结,pNode = 病理淋巴结。 查看原图 ↗

模型的泛化性:机构间比较

为检验模型的泛化性,用于pN预测的4D混合模型还分别使用单一机构的数据从头训练:一所大学医院与一所安全网医院。在安全网医院训练的模型于大学医院测试的AUC、灵敏度和特异度值分别为0.84(95% CI:0.75,0.91)、73%(95% CI:58%,86%)和91%(95% CI:78%,98%);在大学医院训练的模型于安全网医院测试的值分别为0.81(95% CI:0.73,0.87)、0.83%(95% CI:0.6%,0.97%)和0.7%(95% CI:0.49%,0.9%)。

显著性映射

我们的显著性图显示,模型从原发肿瘤和瘤周体素中学习重要特征,以预测无转移(图6A)或高转移概率(图6B)。更远端的体素重要性较低。由于算法未明确提供非线性肿瘤边界,该显著性图结果提示模型自行学会了近似肿瘤边界。

图6:显著性映射。通过显著性映射揭示重要体素。使用梯度加权类激活映射的显著性映射(左列)表明,MRI上的主要活跃肿瘤体素(右列)是对预测(A)非转移性癌症和(B)腋窝转移性癌症最有价值的体素。 查看原图 ↗

讨论

我们开发了一个基于无创成像的CNN模型,有助于确定乳腺癌患者的腋窝淋巴结状态。我们基于MRI的混合模型显示的AUC、灵敏度和特异度分别为0.87、89%和76%,这相较于我们数据集中放射科医师77.6%的灵敏度有所提高。我们模型的优势之一是其可扩展性。在特异度略低至71%的情况下,我们的模型产生了91%的灵敏度和9%的假阴性率,这与用于定义大多数前哨淋巴结活检(SLNB)研究成功的90%灵敏度和低于10%假阴性率的基准一致,同时保持了高于腋窝超声、DCE MRI形态学评估或其他预后列线图的诊断性能(34–36)。仅使用肿瘤像素的模型与我们的模型(同时使用乳腺和腋窝像素)性能相当,灵敏度为90%,特异度为64%,假阴性率为9%。因此,将我们的模型整合到临床实践中,可以帮助以高灵敏度对相当比例的低转移概率患者进行分诊,减少额外的诊断或有创操作及相关风险。我们的模型本可以帮助避免超过一半(51%)的良性前哨淋巴结活检,同时正确检测出95%的腋窝转移患者。这是一个重要的获益,因为一些接受SLNB的患者会出现永久性并发症,包括淋巴水肿、血清肿、伤口感染和疼痛,尽管其阳性结果概率较低,这可能对她们的治疗产生重大影响(37)。

我们模型的诊断性能相较于Arefan等人(26)有所提高,后者的灵敏度、特异度和AUC分别为82%、78%和0.82。在一项使用肿瘤和腋窝淋巴结的DCE MR图像(24,26)开发用于腋窝转移检测的预测性临床-影像组学算法的类似研究中,Yu等人(24)达到了0.9的AUC。然而,仅原发癌像素数据产生的诊断性能要低得多(AUC:0.6)。如他们研究中所进行的腋窝淋巴结分割和勾画是一个耗时的过程,在日常临床实践中既不实用也不适用。相比之下,我们的模型产生了相似的诊断性能,但仅需要在肿瘤周围绘制粗略的边界框,无需精确的肿瘤勾画。将腋窝图像区域添加到我们仅使用肿瘤像素的4D混合模型中,将其性能从0.85提高到0.87,尽管不显著(P = .12),特异度提高(76% vs 64%),灵敏度无显著变化(89% vs 90%),表明我们的模型主要从肿瘤图像中学习。这是一个重要优势,因为在标准乳腺MRI中,整个腋窝可能并不总是被一致地包含在成像视野内。此外,这消除了分割腋窝图像的需要,该过程涉及大量手动勾画,从而提高了我们模型在日常临床中的适用性。

2020年,我们证明4D CNN可以在原发性乳腺癌中实现高诊断准确度来预测临床淋巴结分期(cN)(38)。那项初步研究使用的是单家医院、一台MRI扫描仪和一种MRI协议获得的数据。在我们当前的工作中,我们纳入了来自多家医院、多台扫描仪和多种协议的数据。样本多样性的增加可能提高我们模型对临床中未见数据的泛化能力。此外,在我们当前的工作中,我们引入了多项算法架构改进,包括受视觉Transformer启发的基于图像块的方法(39),以及使用HEBO(40)而非传统贝叶斯优化和超频带(41)改进的超参数优化。这提高了模型在cN预后方面的性能,并使我们能够开发出当前工作所独有的高性能pN预后方法。

在最近的一项研究中,Wang等(42)使用扩散加权成像以及T1和T2加权图像开发了一个CNN模型,该模型产生了优异的诊断性能(AUC:0.996)。在他们的研究中,作者纳入了不具有转移潜能的“前驱病变”,并且与我们的研究不同,他们没有排除接受新辅助治疗的cN0疾病患者。这一点很重要,因为这些患者中已有的腋窝转移可能在治疗过程中被清除,从而使参考标准病理不可靠。此外,他们的结果基于单折,因此可能因偶然的数据划分而被高估。虽然未提供种族信息,但由于数据来源于单一MRI设备和机构,缺乏多样性可能是普遍存在的。此外,未提供有关数据预处理的信息。

与既往模型相比,我们的模型具有若干优势:(a)我们通过嵌套交叉验证将数据划分为三部分(训练、验证和测试),我们报告的结果针对的是留出的测试划分,该划分在训练和模型选择期间未使用。报告验证性能往往会高估模型将达到的性能,而我们报告测试性能这一更严格的方法提供了对真实世界临床性能更现实的估计。(b)我们的结果使用嵌套五折交叉验证报告。因此,所有数据都进入测试划分一次。与文献中使用的单一留出方法相比,我们的方法不受有利或不利划分结果的影响。(c)我们采用的深度学习方法不受手动特征选择偏倚的影响,而是直接学习 imaging 数据的最优特征,这很可能就是我们的模型在仅肿瘤像素上优于Yu等(24)开发的模型的原因。我们的模型与使用US的已发表结果相比也表现良好,其中原始研究(25)显示,在US图像上训练的模型可以产生分别为0.89、85%和73%的AUC、敏感度和特异度。然而,US乳腺换能器的覆盖范围仅约4 cm,这使得基于US图像训练此类模型对于大肿瘤存在问题。我们的结果表明,使用DCE MRI判断腋窝受累的机器学习模型可能是评估乳腺癌的一种安全高效工具,从而避免进一步的腋窝成像或诊断/手术干预。

我们观察到,使用一系列3D差异图像而非单个3D差异图像,将cN预测(cN0 vs cN+)的AUC从0.67提高到0.70,并将pN预测提高了相似幅度(从0.69到0.71)。因此,模型学到的大部分信息包含在强度差异的空间模式中(时间2 − 时间0),并进一步包含在临床和影像数据的组合中,这将cN和pN预测的性能分别提升至0.79和0.87 AUC。

我们的数据集在患者种族方面具有良好平衡的代表性,36.3%的患者为非西班牙裔白人,35%为西班牙裔,26%为黑人,这是在开发适用于不同种族和民族患者的CNN模型时的重要考虑因素。虽然在更多民族和潜在遗传异质性的数据集上进行预测更具挑战性,但它能很好地代表在异质性人群中的真实世界性能。

我们的研究存在一些局限性。我们的模型在临床采用方面的主要局限性是目前需要放射科医生在肿瘤区域周围手动绘制粗略边界框。开发和实施基于机器学习的全自动边界框工具可以实现对更大数据集的时间高效分析。另一个潜在局限性是,目前我们的数据来源包括两家附属医院,使用两个不同的供应商。虽然在大学医院与安全网医院上的整体模型性能相似,但在安全网医院训练并在大学医院测试的模型,与在大学医院训练并在安全网医院数据上测试的模型相比,具有更高的AUC和特异性(AUC 0.84 vs 0.81,敏感性 73% vs 83%,特异性 91% vs 71%)。这说明纳入来自更多机构和不同类型MRI设备的影像数据以进一步增加数据变异性并增强结果泛化能力的重要性。此外,所使用的扫描来自两台1.5-T MRI设备,这些设备在我们机构用于常规乳腺MRI;这可能限制我们的数据对在3 T下扫描的患者的适用性。正如预期,pN2和pN3肿瘤的患病率远低于N0和N1,因为我们排除了接受新辅助化疗的患者。因此,我们使用了二分类,即N0 versus N+(包括N1、N2和N3),以防止任何偏倚和偏斜。此外,虽然我们提出了性能最佳的模型供进一步分析,但独立的前瞻性外部验证将受到欢迎。最后,乳腺癌患者常规使用乳腺MRI仍存在争议。致密乳腺、激素受体阴性病变或适合新辅助治疗的不利肿瘤亚型患者可能从所提出的模型中获益更多,因为腋窝转移对其治疗具有更高的重要性和潜在影响。

在本研究中,我们开发并验证了一种结合临床与4D MRI的混合模型,该模型无需专门的腋窝成像或有创操作即可提供腋窝转移的个体化预测。我们的模型是一种安全且省时的工具,与现有方法相比取得了值得注意的结果。未来,我们期待进一步优化图像分析流程并纳入更多变量数据,以进一步增强所提出模型的实用性。

引用

  1. Polat DS, Nguyen S, Karbasi P, et al. Machine Learning Prediction of Lymph Node Metastasis in Breast Cancer: Performance of a Multi-institutional MRI-based 4D Convolutional Neural Network. Radiol Imaging Cancer. 2024. PMID: 38607282. doi:10.1148/rycan.230107
  2. 全文:PMC11148663(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11148663/

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。