基于瘤内及瘤周超声影像组学术前预测HER2低表达乳腺癌:多中心回顾性研究
本研究纳入三家医院1257例浸润性乳腺癌患者,基于超声图像提取瘤内及瘤周(5、10、15、20 mm)影像组学特征,构建临床-影像组学联合模型区分HER2阳性、低表达和零表达三种状态。联合模型在训练、验证和测试队列的患者水平宏观AUC分别为0.988、0.915和0.862,提示基于超声的影像组学方法可无创识别三种HER2状态。
要点
- 联合模型在测试队列患者水平宏观AUC为0.862,训练和验证队列分别为0.988和0.915。
- 最佳影像组学模型整合了12个肿瘤特征和9个瘤周15mm特征。
- 年龄、肿瘤大小及7个超声定性特征被保留用于构建临床-影像组学联合模型。
核心结论
- 本研究构建了稳健且可解释的临床-影像组学模型,基于超声图像评估三种HER2状态。
- 超声影像组学方法可无创识别三种不同HER2状态,可能指导治疗决策及实施个体化HER2靶向治疗。
研究设计与样本
- 多中心回顾性研究,纳入三家医院共1257例浸润性乳腺癌患者。
- 中心1(广东省人民医院)940例,中心2(广州中医药大学第一附属医院)57例,中心3(中山大学孙逸仙纪念医院)260例。
- 使用15种不同设备采集乳腺超声图像,由两名5年经验放射科医生依据BI-RADS第五版评估定性特征。
- 以病理免疫组化及FISH结果为参考标准,将HER2状态分为阳性、低表达和零表达三类。
关键影像表现/征象
- HER2阳性组肿瘤更大、Ki-67指数更高、淋巴结转移和钙化比例更高。
- 无钙化倾向于预测HER2零表达,较小肿瘤倾向于预测HER2零表达和低表达,较大肿瘤和钙化倾向于预测HER2阳性。
- 水肿和平行位方向对HER2低表达结局有正向贡献,对HER2阳性结局有负向贡献。
诊断标准与关键数值
- HER2阳性定义为IHC 3+或IHC 2+且FISH阳性;HER2低表达定义为IHC 1+或IHC 2+且FISH阴性;HER2零表达定义为IHC 0。
- ER或PR阳性定义为至少1%肿瘤细胞核染色阳性,Ki-67指数以20%为截断值。
- 最佳影像组学模型为肿瘤+瘤周15mm模型,训练、验证和测试队列宏观AUC分别为0.891(95%CI: 0.882–0.899)、0.741(95%CI: 0.686–0.793)和0.746(95%CI: 0.710–0.777)。
- 患者水平联合模型训练、验证和测试队列宏观AUC分别为0.988(95%CI: 0.983–0.992)、0.915(95%CI: 0.851–0.965)和0.862(95%CI: 0.820–0.899),准确率分别为92.6%(95%CI: 90.9–94.0%)、73.7%(95%CI: 61.4–84.2%)和72.7%(95%CI: 67.3–78.1%)。
临床应用与阅片要点
- 联合模型在患者水平对三种HER2状态的判别能力优于单独影像组学模型和临床模型。
- SHAP方法可解释每个特征对个体患者预测的贡献,有助于理解模型预测依据。
- 瘤周15mm区域特征对区分三种HER2状态具有重要价值。
局限性
- 原文未报告局限性。
全文中译16 节 · 点击展开
引言
乳腺癌是女性中最常见的癌症之一,占女性癌症的31%[1]。人表皮生长因子受体2(HER2)表达在乳腺癌中的生物学和临床相关性对该疾病的治疗产生了重大影响[2]。目前,HER2阳性与阴性的二分法定义正经历一系列变化,其中包括引入“HER2低表达”类别,以识别适合接受德曲妥珠单抗治疗的患者。基于III期DESTINY-Breast04临床试验的有希望结果[3–6],该定义已获美国食品药品监督管理局和欧洲药品管理局批准。当前基于对通过活检或手术获得的乳腺癌组织进行免疫组织化学(IHC)和荧光原位杂交(FISH)检测的HER2评估昂贵、有创、耗时且滞后[7, 8]。此外,单一时间点的静态评估可能导致不可避免的采样偏倚,且难以代表疾病进展和新辅助化疗期间HER2状态的异质性和动态演变[3, 9, 10]。因此,有必要构建一种动态、全局且无创的标志物来评估HER2状态。
影像生物标志物可利用现有图像数据、无需额外检查,通过捕获与整个肿瘤及其周围环境相关的信息,以零成本无创地评估和监测HER2状态[10, 11]。与其他影像模态相比,超声具有若干独特优势,包括低成本、实时评估、更广泛的可用性和便携性、无需使用对比剂以及无电离辐射[12]。放射组学通过从数字图像中高通量生成并探查大量定量特征,在宏观尺度上表征肿瘤特性[13, 14]。既往若干研究已证明使用放射组学方法基于超声图像预测乳腺癌HER2低表达状态的可行性。值得注意的是,这些研究主要集中于区分HER2零表达与HER2低表达,或区分HER2零表达与HER2低表达及阳性表达[15–17],数据集相对较小[15–17],且缺乏独立的外部验证队列[17]。瘤周区域可能蕴含有关肿瘤生长、侵袭和转移的生物学信息,并可能是一种潜在生物标志物[18]。若干研究已表明瘤周特征不仅对于区分HER2阳性与阴性[19–21],而且对于区分HER2低表达与HER2零表达[22]均具有重要意义。然而,迄今为止,尚无研究聚焦于超声图像中的瘤周放射组学特征来预测HER2表达的三种类别。
在本研究中,我们首先探索了用于评估HER2三种不同状态的最佳瘤周区域,并构建了一个整合超声肿瘤异质性和最佳瘤周微环境信息的多区域影像组学特征(RS)。此外,通过纳入超声RS和重要的临床-超声预测因子,开发了一个可解释的机器学习模型。最后,我们在图像水平和患者水平上研究了该模型区分HER2三种不同状态的能力,这将有助于临床医生更好地对患者进行分类以实现精准治疗护理。
材料与方法
研究人群
回顾性纳入分别来自广东省人民医院(中心1,2018年5月至2022年12月)、广州中医药大学第一附属医院(中心2,2019年1月至2021年12月)和中山大学孙逸仙纪念医院(中心3,2019年1月至2023年12月)的1149例、75例和302例经病理诊断为浸润性乳腺癌的患者(图1)。本研究经三个中心的机构审查委员会批准,并豁免知情同意要求。本研究遵循《赫尔辛基宣言》的原则。纳入标准如下:(1)经切除标本或活检病理评估确诊为浸润性乳腺癌;(2)HER2状态经免疫组织化学(IHC)验证,对于HER2 IHC 1+、2+或3+的病例,HER2基因扩增状态经荧光原位杂交(FISH)验证;(3)在活检或切除前1个月内完成乳腺超声检查;(4)超声图像上病变明显。排除标准如下:(1)临床和病理数据不完整;(2)超声检查前接受过乳腺相关治疗,如化疗、放疗或激素治疗;(3)图像质量差(如运动伪影和速度传播伪影、折射伪影或低分辨率图像)。根据排除标准,269例患者被排除,原因包括临床和病理数据不完整(n = 74)、超声检查前接受乳腺相关治疗(n = 95)以及图像质量差(n = 100)。最终,来自中心1的3504幅超声图像(940名女性)、中心2的195幅(57名女性)和中心3的652幅(260名女性)分别分配至训练队列、验证队列和测试队列。
临床病理数据
对切除标本的医疗记录和病理报告进行回顾,以收集临床信息(年龄、肿瘤位置和远处转移的存在情况)和病理数据(组织学类型、组织学分级、雌激素受体(ER)状态、孕激素受体(PR)状态、HER2状态、Ki-67指数和淋巴结转移)。根据ASCO/CAP指南[4, 8, 23],采用免疫组织化学(IHC)或荧光原位杂交(FISH)检测ER、PR、HER2和Ki-67的表达。当至少1%的肿瘤细胞核ER或PR染色阳性时,样本分别被认为是ER阳性或PR阳性。以20%作为Ki-67指数评估的截断点。对于HER2表达,根据IHC和FISH获得的评分将患者分为三类:(1)如果HER-2染色强度评分为3+或2+且FISH阳性,则为HER2阳性;(2)如果评分为1+或2+且FISH阴性,则为HER2低表达;(3)如果评分为0,则为HER2零表达[8, 24]。
超声检查
乳腺超声图像使用十五种不同设备采集(补充表S1)。定性超声特征,包括肿瘤大小、形状、方向、边缘、回声模式、后方特征、钙化、水肿、皮肤改变、血管性和腋窝淋巴结转移(ALNM),由两名放射科医师(阅片者1,Y.Y.和阅片者2,Z.H.,均具有5年乳腺超声经验)根据第五版乳腺影像报告和数据系统进行评估。在意见不一致的情况下,由阅片者3(C.H.,具有20年经验)做出最终决定。阅片者对患者的临床和病理信息不知情。ALNM的超声评估标准见补充S1。
图像分割和特征提取
由阅片者4(S.L.,具有10年乳腺超声经验)使用ITK-SNAP软件(版本3.8.0;www.itksnap.org)在超声图像上沿肿瘤轮廓手动勾画瘤内感兴趣区(ROI)。阅片者4和阅片者5(M.Y.,同样具有10年乳腺超声经验)对随机选取的30例患者的ROI进行独立手动分割,以评估观察者内和观察者间信度。放射科医师审阅原始图像以确认肿瘤位置,且对病理结果和临床信息设盲。对于多灶性病变,仅使用最大的肿块进行图像分割和分析。所有图像和肿瘤ROI均采用线性插值方法重采样至1 × 1 × 1 mm3的体素大小,以标准化体素间距。接下来,使用Python 3.7版本的“SimpleITK”软件包自动生成5 mm、10 mm、15 mm和20 mm的瘤周ROI。如果扩张后瘤周区域的轮廓超出乳腺实质,则手动去除超出实质的部分。图像预处理方法包括原始图像、平方和小波变换。对于每幅图像的每个ROI,使用Python 3.7版本中的Pyradiomics软件包(版本2.1.0;https://pyradiomics.readthedocs.io/)从七个特征类别中提取944个特征(补充材料S2)。由于有五个ROI(肿瘤、瘤周5mm、瘤周10mm、瘤周15mm和瘤周20mm),因此每例患者的每幅图像同时提取了共计4720个影像组学特征。本研究的整体工作流程总结于图2。
特征选择
采用随机过采样技术以缓解模型对多数类的偏倚。考虑到不同中心使用不同仪器的问题较为显著,我们使用Z分数和ComBat方法以减少批次效应。采用多种特征选择方法以进一步减少过拟合并提高模型的稳健性。首先,使用组内相关系数(ICC)评估图像特征的稳健性,ICC > 0.75的稳定特征被认为具有良好的一致性并被选入进一步分析。接下来,进行Kruskal多组秩和检验以识别在三组间存在显著差异的特征(p < 0.05)。随后,使用Spearman相关分析评估特征之间的相关性并减少特征集之间的冗余。最后,我们采用最小绝对收缩和选择算子(LASSO)回归方法选择优化的影像组学特征子集(补充材料S3和图S1a、b)。保留系数非零的特征用于进一步的模型构建。为构建四种多区域影像组学模型(肿瘤+瘤周5mm、肿瘤+瘤周10mm、肿瘤+瘤周15mm和肿瘤+瘤周20mm),使用从瘤内ROI提取的影像组学特征分别与不同瘤周ROI(分别为瘤周5mm、瘤周10mm、瘤周15mm和瘤周20mm)生成的特征重复上述特征选择过程(补充图S1c、d)。
图像级多区域超声影像组学模型的构建
我们采用LightBoost算法推导影像组学模型。超参数通过GridSearch方法和五折交叉验证进行调优,设置如下:“estimators”:70,“depth”:5,“learning_rate”:0.15,“num_leaves”:20。为进行公平比较,我们在最大可能范围内固定了测试集、机器学习算法和超参数。我们构建了八个影像组学模型,包括五个单区域影像组学模型(肿瘤、瘤周5mm、瘤周10mm、瘤周15mm和瘤周20mm)和四个多区域影像组学模型(肿瘤+瘤周5mm、肿瘤+瘤周10mm、肿瘤+瘤周15mm和肿瘤+瘤周20mm)。最佳瘤周区域被确定为具有最高微观平均受试者工作特征曲线下面积(AUC)和宏观平均AUC的区域。
图像级临床-影像组学联合模型的构建
基于Brant-Wald检验的结果,进行多项逻辑回归分析以评估独热编码后临床和定性超声因素对HER2状态的预测价值。在单因素和多项逻辑回归中均满足p < 0.05的重要临床-超声特征被选中。所选因素随后用于使用LightBoost算法构建临床模型。此外,通过整合有鉴别力的临床-超声因素和使用最优RS计算的预测概率评分,构建了临床-影像组学联合模型。
患者级模型的构建
由于本研究的回顾性性质,并非所有患者的多视图超声图像数据都被完整保存,因为每位患者的超声图像数量不同。为充分利用每位患者的全部图像,并模拟放射科医师从多视图观察病灶的工作流程,我们采用数据拼接策略,对图像级预测概率取平均,形成最终的患者级预测概率评分[25]。
统计分析
所有统计分析均使用Python(v. 3.7.3)和R(v. 4.1.3)软件进行。我们采用Kruskal–Wallis检验、方差分析(ANOVA)或χ2检验比较三类患者的临床病理及定性超声特征。采用多项逻辑回归分析分析HER2状态与临床-超声特征之间的关联。采用AUC和混淆矩阵进行性能评估。在三分类任务的图像级和患者级分别计算模型的准确率、微观和宏观AUC。采用Shapley加法解释(SHAP)探讨HER2状态与建模特征之间的关系。双侧p < 0.05被认为具有统计学显著性。
结果
患者特征
本研究共纳入来自中心1(940例,52.24 ± 11.50岁)、中心2(57例,51.30 ± 9.69岁)和中心3(260例,53.40 ± 11.71岁)的1257例患者。详细的临床病理和定性超声特征分别见表1和表2。HER2-low是最常见的亚型,占病例的52.7%,HER2-zero最少见,占病例的21.2%,而HER2阳性肿瘤占病例的26.1%。PR阳性和ER阳性在HER2-zero和HER2-low组中更常见,而HER2阳性组在训练队列和测试队列中具有更大的肿瘤尺寸、更高的Ki-67指数以及更高比例的淋巴结转移和钙化。在训练队列中,组织学类型、组织学分级、方位和形状在三类之间也显示出显著差异,而在测试队列中,年龄和血供显示出显著差异(p < 0.05)。
最优多区域影像组学模型的构建与可解释性分析
肿瘤及四种多区域影像组学模型的性能见补充图S2。肿瘤+瘤周15mm(Tumor + Peri15mm)模型表现最佳,在训练队列、验证队列和测试队列中的宏平均曲线下面积(macro-AUC)和准确率分别为0.891(95% CI:0.882–0.899)和70.2%(95% CI:68.6–71.7%)、0.741(95% CI:0.686–0.793)和57.4%(95% CI:50.8–64.1%)、0.746(95% CI:0.710–0.777)和61.7%(95% CI:58.0–65.2%)。Tumor + Peri15mm模型的详细特征列于表3。SHAP汇总图展示了每个类别中排名前五位特征的贡献(图3)。Peri15mm_wavelet.LLL_ngtdm_Strength对HER2-zero和HER2-positive状态表现出相反的影响,Peri15mm_wavelet_HLH_glszm_Zone Entropy(ZE)对HER2-zero、HER2-low和HER2-positive状态亦表现出相反的影响。SHAP力场图可解释个体患者的评估结果,图4展示了三位具有不同HER2状态的代表性患者。
临床-影像组学模型的构建与可解释性分析
选择年龄、肿瘤大小及七项定性超声特征构建临床模型(补充表S2)。所有特征及其对预测结果的重要性程度按降序显示于补充图S3a。预测各HER2状态分类排名前五位的变量的影响见SHAP汇总图(补充图S3b–d)。若干特征对不同预测标签具有相反的影响。肿瘤内无钙化有助于HER2-zero结局,较小的肿瘤大小有助于HER2-zero和HER2-low结局,而较大的肿瘤大小和钙化有助于HER2-positive的高概率。当Tumor + Peri15mm影像组学模型的预测概率评分与临床模型的特征集整合以构建联合模型时,该评分为每个类别最重要的特征(补充图S4和S5)。
图像水平和患者水平的模型性能分析
与单独的放射组学模型和临床模型相比,联合模型在图像层面和患者层面识别HER2状态均显示出最佳的判别能力(表4、图5和补充图S6)。特别是在患者层面,联合模型在训练队列、验证队列和测试队列中分别达到了最高的宏平均AUC和准确率,分别为0.988(95% CI:0.983–0.992)和92.6%(95% CI:90.9–94.0%)、0.915(95% CI:0.851–0.965)和73.7%(95% CI:61.4–84.2%)、0.862(95% CI:0.820–0.899)和72.7%(95% CI:67.3–78.1%)。放射组学模型和联合模型在患者层面的宏平均AUC和准确率表现出优于图像层面模型的性能。这一趋势在临床模型中未观察到,甚至在训练队列和验证队列中,患者层面的准确率和宏平均AUC较图像层面略有降低。详细的模型分类结果通过混淆矩阵进行了可视化(图6和补充图S7)。
讨论
新型HER2靶向抗体偶联药物及其他类别药物的出现为HER2低表达乳腺癌领域带来了革命性变化[26]。在这项多中心研究中,我们构建了一个可解释的LightBoost临床–放射组学联合模型,用于区分HER2的三种不同状态。据我们所知,这是首次尝试使用基于超声的瘤内和瘤周放射组学评分(RSs)。我们使用Shapley算法对每位患者的每个特征的个体化贡献进行了可视化,这有助于解释该模型中特征的预测能力。我们开发的模型可以提供一种无创方法来评估不同乳腺恶性肿瘤个体的HER2水平,并作为有价值的工具帮助临床医生做出更精准和个性化的决策。
与既往研究一致,HER2阳性组的肿瘤体积更大、腋窝阳性淋巴结更多、增殖指数更高。此外,较大的肿瘤体积对HER2阳性状态的预测概率呈正向影响,而对HER2低表达和HER2零表达状态呈负向影响。HER2过表达上调内在激酶活性并激活多条信号级联通路,使该亚组癌症具有更强的侵袭性行为和更差的预后[27, 28]。在三组中,HER2低表达组的ER和PR阳性比例最高,这与既往报道一致[15, 29, 30]。尽管HER2低表达癌症可分布于管腔型和非管腔型亚型中,但根据基因表达分析,它们通常为激素受体阳性,并优先归属于管腔分子亚组[3, 31, 32]。此外,HER2受体网络与ER通路之间的交互作用是无潜在HER2基因扩增而出现HER2蛋白表达的 proposed 机制之一[33]。
我们的结果表明,钙化在预测HER2阳性状态中起主要正向作用,在预测HER2零表达状态中起负向作用,这与既往研究一致,即钙化在HER2阳性肿瘤中更为常见,并随HER2 IHC评分升高而增多[34–36]。此外,水肿和平行反向生长方式对HER2低表达结局有正向贡献[15],但对HER2阳性结局有负向贡献。这些结果可能归因于HER2低表达病例中存在三阴性乳腺癌,其中部分更常以圆形和病灶周围水肿为特征[36, 37]。本研究中保留用于建模的21个最优影像组学特征主要涉及肿瘤异质性(表3)。ZE用于衡量区域大小和灰度分布的不确定性,SHAP汇总图显示它是区分三种HER2状态最重要的特征变量(图3)。较高的ZE值表明超声图像中体素强度更不均匀,并对HER2阳性状态的预测概率呈正向影响,这与既往研究一致[35, 38]。
目前,HER2低表达肿瘤的形态学和影像组学分析主要集中于乳腺磁共振成像(MRI)。在他们的研究中,Bian等和Guo等首先区分HER2阳性与HER2阴性(HER2低表达和HER2零表达)乳腺癌,其模型在验证队列中达到的AUC为0.760至0.763,进一步区分HER2低表达与HER2零表达乳腺癌时,在验证队列中达到的AUC为0.711至0.750。Zheng等的影像组学模型在外部验证数据集中区分HER2阳性与其他类的AUC为0.725,区分HER2低表达与其他类的AUC为0.782,区分HER2零表达与其他类的AUC为0.813[39]。我们的研究包含比其他相关研究相对更大的数据集,我们开发的模型在使用超声图像对HER2状态三分法方面表现出更好的区分能力,尤其是在患者水平。
我们的研究表明,瘤周特征具有潜在的预测价值,可能包含关于HER2表达的额外信息,补充瘤内特征所提供的信息,这与既往的瘤周研究[19, 22, 40, 41]一致。肿瘤微环境包含重要的生物学信息,可能导致图像的细微变化,如血管生成、淋巴管生成活性、瘤周淋巴管和血管侵犯、瘤周淋巴细胞浸润、瘤周水肿以及瘤周细胞因子的释放[19, 40, 42]。然而,用于从超声图像预测HER2状态的最佳瘤周区域大小仍不清楚。在Zhang等人进行的研究中,8 mm被确定为动态对比增强MRI上HER2富集型与其他型分类的最佳瘤周大小[40]。在我们的研究中,基于15 mm ROI瘤内和瘤周区域的RS显示出良好的整体分类性能。这可能是由于5 mm和10 mm的环形瘤周区域太小,无法包含足够的信息,而病灶周围区域扩大至20 mm及更大时纳入了更多潜在的正常乳腺组织,这可能降低了诊断效能[43]。
本研究存在若干局限性。首先,研究的回顾性性质、不同机构超声机器的多样性以及参数设置可能影响了影像组学模型的性能。未来,需要设计良好的前瞻性队列研究来确定这些可能的混杂变量对模型性能的影响。其次,手动分割过程劳动强度大、耗时,且依赖于放射科医生的知识和经验。这些问题可能通过更自动化的分割方法(如深度学习框架)来克服。第三,既往研究表明多模态超声信息具有互补性,可以提高诊断准确性[44]。在进一步的研究中,应纳入多模态超声图像,如多普勒超声和弹性超声。
总之,这项多中心研究的结果表明,基于超声的可解释临床-影像组学模型能够无创且准确地预测乳腺癌三种HER2状态分类。因此,这些发现为识别可从HER2靶向治疗中获益的患者提供了一种潜在有效的术前预测工具。
补充信息
电子补充材料
引用
- Luo S, Chen X, Yao M, et al. Intratumoral and peritumoral ultrasound-based radiomics for preoperative prediction of HER2-low breast cancer: a multicenter retrospective study. Insights Imaging. 2025. PMID: 40053171. doi:10.1186/s13244-025-01934-6
- 全文:PMC11889314(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11889314/
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。