文献速递乳腺技术与安全MR

影像组学结合机器与深度学习分析T2加权及动脉期T1加权MRI无创检测乳腺癌转移性腋窝淋巴结

Radiomics integrated with machine and deep learning analysis of T2-weighted and arterial-phase T1-weighted Magnetic Resonance Imaging for non-invasive detection of metastatic axillary lymph nodes in breast cancer.
PubMed 文献 · Radiol Med · 2025-09-23

本研究回顾性分析100例乳腺癌患者的MRI影像组学特征,比较T2加权与动脉期T1加权序列对腋窝淋巴结转移的预测效能。T2加权影像的神经网络模型AUC达0.978、准确率91.1%;动脉期T1加权影像的单变量分析最佳AUC为0.787,多变量逻辑回归模型AUC为0.853。结果表明T2加权影像组学结合深度学习模型诊断效能最高。

要点

  • T2加权影像组学联合神经网络模型预测腋窝淋巴结转移的AUC为0.978、准确率91.1%。
  • 动脉期T1加权影像单变量分析最佳AUC为0.787;多变量逻辑回归模型AUC为0.853。
  • T2加权模型敏感度53.3%、特异度83.3%;动脉期T1加权模型敏感度93.3%、特异度70.0%。

核心结论

  • T2加权MRI影像组学经深度学习神经网络分析对转移性腋窝淋巴结预测诊断效能最高,AUC为0.978、准确率91.1%。
  • 动脉期T1加权影像组学特征在单变量分析中表现更优,最佳AUC为0.787。
  • 作者认为研究结果支持将影像组学特征尤其来自T2加权序列的特征整合入多变量模型以增强无创术前评估。

研究设计与样本

  • 回顾性分析100例乳腺癌患者,共155个淋巴结区域(52个转移淋巴结、103个非转移淋巴结)。
  • 使用1.5T高场MRI扫描仪及16通道乳腺线圈,分析T2加权TSE STIR序列及DCE-MRI减影动脉期(注射对比剂后120秒)T1加权图像。
  • 从每个感兴趣体积提取851个影像组学特征,采用弹性网络正则化逻辑回归筛选特征,数据集按70%训练集(n=109)和30%测试集(n=46)划分。
  • 比较逻辑回归、随机森林、LASSO、梯度提升机、神经网络和分类回归树等分类器,以病理组织学(H&E染色及免疫组化细胞角蛋白)为参考标准。

诊断标准与关键数值

  • T2加权影像逐级逻辑回归模型测试集AUC为0.796、准确率73.3%、敏感度53.3%、特异度83.3%、阴性预测值78.1%。
  • T2加权影像神经网络模型AUC为0.978、准确率91.1%;LASSO模型AUC为0.980。

临床应用与阅片要点

  • 作者认为T2加权MRI影像组学特征尤其经神经网络分析可作为术前无创评估腋窝淋巴结转移的影像生物标志物。
  • 作者认为动脉期T1加权影像组学特征在单变量分析中表现较好,多变量模型具有高敏感度和高阴性预测值。
  • 作者认为研究结果支持将影像组学特征整合入多变量模型以增强无创术前评估。

局限性

  • 原文指出既往研究存在成像协议异质性、缺乏不同MRI序列间的比较评估以及深度学习策略整合有限等局限。
  • 原文提到T2加权模型敏感度相对有限,可能降低检测所有转移淋巴结的临床效用。
全文中译8 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 Med. 2025 Sep 23;130(12):2000–11. doi: 10.1007/s11547-025-02090-z

引言

乳腺癌是全球女性中最常被诊断的癌症,淋巴结状态仍然是乳腺癌管理中预后和治疗决策的关键决定因素[1]。

转移性淋巴结的存在与更差的临床结局相关,包括更高的复发率和更低的生存率[2–4]。与淋巴结阴性患者相比,淋巴结阳性乳腺癌患者的5年生存率显著更低(84% vs. 98%)[5]。

准确评估腋窝淋巴结(ALN)状态仍然是乳腺癌分期的重要方面,因为淋巴结受累显著影响预后和治疗决策。传统分期方案依赖于侵入性操作,如前哨淋巴结活检(SLNB)和腋窝淋巴结清扫术(ALND),这些操作虽然有效,但与淋巴水肿、血清肿、神经损伤和手臂活动受限等显著风险相关。此外,近期试验[6, 7]已表明,在选定的早期乳腺癌患者中,可不进行ALND而不影响生存结局,这对所有患者均进行侵入性分期的必要性提出了挑战。

然而,这些操作具有侵入性,并与淋巴水肿、神经损伤和肩部活动度下降等潜在并发症相关[8, 9]。虽然SLNB比ALND侵入性更小,但它仍存在并发症风险,且可能并非总是必要,尤其是在淋巴结受累风险低的患者中。近期临床试验表明,在某些情况下,省略ALND而仅行SLNB不会对总生存产生负面影响[10]。

尽管影像学取得了进展,但超声、钼靶和CT等传统 modality 在敏感性和特异性方面仍然有限,尤其是在检测微转移或形态上表现正常的淋巴结方面。MRI已成为术前分期中有价值的工具,具有检测腋窝淋巴结转移受累的潜力[3, 11–24]。

与其他成像技术相比,MRI提供更优越的软组织对比度,并已被证明在评估原发乳腺肿瘤和区域淋巴结方面有效[4]。

在MRI序列中,T2加权成像和动态对比增强(DCE)T1加权成像已被广泛用于评估乳腺病变和淋巴结状态。T2加权图像提供高解剖细节,可揭示组织结构 and 液体含量的变化,而T1加权图像,尤其是使用对比剂增强时,可提供关于肿瘤血管性和灌注的动态信息[16]。然而,这些序列在检测淋巴结转移中的诊断准确性可通过应用影像组学分析来提高。

影像组学已成为一种有前景的工具,能够从标准影像中提取定量特征,以捕捉人类观察者无法识别的潜在组织异质性和表型差异。通过分析纹理、形状和强度等高维影像特征,影像组学可以揭示仅通过视觉检查可能不明显的组织特征细微差异[2, 11, 17–30]。

既往研究已证实,使用基于MRI的影像组学模型预测ALN转移取得了令人鼓舞的结果。Song等[5]已证明,从DCE-MRI中提取的影像组学特征能够准确预测腋窝淋巴结(ALN)转移,显示出作为无创生物标志物辅助术前决策的潜力。他们的研究开发了一种结合影像特征和临床因素的影像组学列线图,在预测ALN转移方面达到曲线下面积(AUC)0.874,表明其在减少不必要手术和优化治疗方案方面具有临床实用性[5]。

Wang等最近的一项研究证明了结合MRI、乳腺X线摄影和临床特征的多模态影像组学模型在预测乳腺癌患者腋窝淋巴结转移方面的潜力。他们的模型达到了高诊断准确率(训练集AUC高达0.964,外部验证集为0.892),优于单模态模型和传统影像学评估。这些发现凸显了整合互补影像数据的附加价值,并支持影像组学作为腋窝分期无创工具的临床相关性[31]。

Gong等[11]的一项综合系统综述和荟萃分析评估了影像组学在预测乳腺癌腋窝淋巴结转移中的诊断性能。通过分析25项研究,作者报告合并敏感度为82%、特异度为83%,证实基于影像组学的模型——尤其是源自MRI的模型——能够提供可靠、无创的淋巴结受累预测。这些发现支持了越来越多倡导将影像组学作为术前腋窝分期补充工具的证据,并强调了其在临床决策中的潜在作用[11]。

尽管既往研究和荟萃分析,如Gong等[11]和Wang等[31]的研究,已证实影像组学在无创腋窝分期中的前景,但仍存在若干局限性,包括成像方案的异质性、缺乏不同MRI序列间的比较评估以及深度学习策略整合有限。

在本研究中,我们旨在通过比较从T2加权和动脉期T1加权MRI序列中提取的影像组学特征来检测乳腺癌患者的转移性淋巴结。对这些模态的比较分析可能为检测淋巴结转移的最有效成像序列提供见解,有望改善术前评估并促成更个性化的治疗策略。通过利用先进的机器学习模型分析影像组学特征,我们力求识别能够提高转移性淋巴结检测准确率、减少侵入性操作需求并增强临床决策的稳健影像生物标志物。此外,我们的研究通过系统比较从T2加权和动脉期T1加权MRI序列中提取的影像组学特征的诊断性能,并整合传统机器学习和深度学习方法,提供了新的贡献,增强了方法学稳健性。

方法

数据集特征

本研究经当地伦理委员会批准(批件号1177,日期2022年12月2日,由那不勒斯帕斯卡尔国家癌症研究所基金会出具),并按照最新版《赫尔辛基宣言》及国际人用药品注册技术协调会《药物临床试验质量管理规范》指南进行。所有受试者均签署知情同意书。

本研究的纳入标准为:(i)年龄18岁及以上、经病理活检确诊为浸润性乳腺癌的女性患者;(ii)无多灶性或双侧乳腺癌;(iii)M分期为M0;(iv)既往无其他肿瘤病史。本研究的排除标准为:(i)术前接受过放疗、化疗或任何其他治疗组合的患者;(ii)手术或活检前两周内未进行MRI检查的患者;(iii)缺乏腋窝淋巴结状态的病理诊断。

MR成像方案

使用配备16通道乳腺线圈的1.5 T高场MRI扫描仪获取高分辨率MR图像。成像方案包括T2加权 turbo spin echo 序列(STIR TSE)和多组T1加权梯度回波序列,分别在静脉注射0.1 mmol/kg阳性顺磁性对比剂之前和之后进行。对比剂以2 mL/s的速率注入,随后以相同速率用40 mL生理盐水冲洗,使用自动注射器完成。

乳腺MRI方案包括基线T1加权图像,随后进行六次对比增强T1加权采集,每次采集间隔约60秒。对每位患者,使用T2加权图像和DCE-MRI减影动脉期图像进行图像分析。动脉期(对比剂注射后120秒)用于放射组学分析。详细序列参数见表1。

病灶的手动分割由两名经验丰富的放射科医师完成,每位医师在乳腺MRI方面具有20至25年的专业经验。使用3D Slicer图像计算平台,放射科医师首先独立分割图像,然后对每个病灶的逐层勾画达成共识。分割掩膜用于生成DCE-MRI动脉期图像和TSE STIR T2加权序列的感兴趣体积。

对每个感兴趣体积,通过3D Slicer平台使用PyRadiomics Python软件包提取851个放射组学特征,取中位值。这些特征遵循影像生物标志物标准化倡议(IBSI)指南[32, 33],包括一阶统计量、基于形状的特征(2D和3D),以及纹理特征,如灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)、灰度依赖矩阵(GLDM)和邻域灰度差矩阵(NGTDM)。该软件包还支持小波滤波。

表1 磁共振成像扫描设置 查看原表 ↗

组织学分析

在前哨淋巴结活检(SLNB)或腋窝淋巴结清扫术(ALND)切除后,将淋巴结切片并使用苏木精-伊红(H&E)染色以检查是否存在癌细胞。病理学家评估肿瘤大小、结外侵犯和正常淋巴结结构破坏等关键特征。还采用免疫组织化学(IHC)使用细胞角蛋白标志物检测微转移或孤立肿瘤细胞,这有助于识别常规染色可能遗漏的较小转移灶。

统计分析

计算组间和组内相关系数(ICC)以评估观察者之间和观察者内部放射组学特征的可重复性。组间和组内ICC值大于0.75的特征被认为具有良好的可重复性,适合用于模型构建。

使用z分数对特征进行归一化,将强度分布标准化为零均值和单位方差,使用以下公式:其中zi是第i个特征的归一化强度,xi是第i个特征的原始强度,x̅和σ分别是感兴趣体积内特征的均值和标准差。

使用带有弹性网络惩罚的正则化逻辑回归模型进行特征选择,该模型结合了L1(LASSO)和L2(Ridge)惩罚[28]。这种方法平衡了变量选择和收缩,降低了存在多重共线性时过拟合的风险。正则化参数(lambda)的最优值通过十折交叉验证确定,而混合参数alpha设置为0.5以等权重分配LASSO和Ridge的贡献。所有特征在模型拟合前均经过标准化,在最优lambda处具有非零系数的变量被保留用于进一步分析。

对稳健特征进行受试者工作特征(ROC)分析,计算ROC曲线下面积(AUC)、灵敏度(SENS)、特异度(SPEC)、阳性预测值(PPV)、阴性预测值(NPV)和准确率(ACC)。

纳入分析的分类器包括逻辑回归(Logit)、随机森林(RF)、LASSO、梯度提升机(GBM)、神经网络(NN)和分类与回归树(CART)。数据集分为训练集(70%)和测试集(30%)。在训练集上进行交叉验证(十折)以调整模型并评估性能指标。根据训练集交叉验证获得的最高AUC和准确率评分选择表现最佳的模型。然后在测试数据集上评估最佳分类器的性能。

为每个模型绘制ROC曲线,并使用DeLong检验对ROC曲线进行两两比较。

使用R语言的caret、pROC和glmnet包进行统计分析。

结果

我们回顾性纳入了100例乳腺癌患者(年龄50.6 ± 11岁),并使用T2加权和动脉期T1加权图像从MRI上的155个淋巴结区域(52个转移性淋巴结和103个转移阴性淋巴结)提取了影像组学特征。病例被随机分为两组:训练队列(n = 109,70%)和测试队列(n = 46,30%)。训练集用于开发和验证机器学习模型,通过十折交叉验证进行参数调优以确保最佳性能。

使用弹性网络正则化逻辑回归从T2加权图像中筛选出70个稳健的影像组学特征。在这70个特征中,15个表现出良好的判别性能,ROC曲线下面积(AUC)值范围为0.705至0.768。特征LargeDependenceLowGrayLevelEmphasis(来自小波LLL gldm类)获得了最高的AUC(0.768),其次是原始一阶熵(AUC = 0.754)和原始glcm JointAverage(AUC = 0.752)。敏感性和特异性值因特征而异,反映了真阳性检测与假阳性减少之间的平衡(表2和图1)。

使用基于LASSO的降维方法筛选的特征构建了逐步逻辑回归模型。最终模型包括七个预测因子:original.gldm.SmallDependenceEmphasis;original.shape.Elongation;wavelet.LLH.gldm.LargeDependenceLowGrayLevelEmphasis;wavelet.HLL.glcm.Correlation;wavelet.LLL.glrlm.RunLengthNonUniformityNormalized;original.firstorder.Entropy和wavelet.LLL.gldm.LowGrayLevelEmphasis。

估计的回归方程为:

其中,SmallDependenceEmphasis、Elongation和Correlation是具有统计学意义的预测因子(p < 0.05)。具体而言,较高的Elongation和Entropy值与阳性结局(转移性淋巴结)的可能性增加相关,而较高的SmallDependenceEmphasis和Correlation则与其呈负相关。该模型拟合良好,残差偏差为85.4(自由度为102),AIC为101.4。这些结果表明,一阶和基于纹理的影像组学特征均对分类任务有实质性贡献。逐步逻辑回归模型在测试集上达到了AUC为0.796,准确率为73.3%,敏感性为53.3%,特异性为83.3%,阴性预测值(NPV)为78.1%。

对基于T2加权提取的影像组学特征训练和测试的机器学习分类器进行比较,结果显示性能存在差异(表3,图2a)。

LASSO和神经网络(NN)模型的AUC最高,分别为0.980和0.978。随机森林(RF)模型的AUC为0.839,其他模型表现较低。

DeLong检验对ROC曲线的两两比较显示以下p值:NN vs LASSO:0.9116(无显著差异);NN vs GBM:0.0120(显著差异);NN vs RF:0.0503(边缘显著差异);NN vs CART:0.0031(显著差异);NN vs LOGIT:0.0089(显著差异)。这些结果表明,虽然NN模型表现出优越的性能,准确率为91.1%,优于其他模型。

神经网络模型识别出的前20个最具影响力特征(图2b)主要是来自小波变换图像的基于纹理的影像组学描述符。最重要的特征是wavelet.LLH.glcm.InverseVariance,表明特定频率分解图像中的局部均匀性在分类中起关键作用。其他排名较高的特征包括来自GLSZM的LargeAreaLowGrayLevelEmphasis和LargeAreaHighGrayLevelEmphasis,提示低强度和高强度区域的空间分布对模型预测有显著贡献。一阶统计量如Entropy和TotalEnergy也具有相关性,突显了整体图像强度分布的作用。

使用弹性网络正则化从对比增强动脉期T1加权图像中识别出32个稳健的影像组学特征。其中,9个特征表现出中等至良好的判别能力,AUC值范围为0.712至0.787。性能最高的是GrayLevelVariance(wavelet LLL gldm),AUC为0.787,其次是LargeDependenceLowGrayLevelEmphasis(wavelet LLH gldm,AUC = 0.778)和GrayLevelVariance(original gldm,AUC = 0.779)。各特征的敏感性和特异性值有所不同,其中若干特征实现了平衡的权衡,如Entropy(original first order)和JointAverage(original gldm)(表4,图3)。

使用基于LASSO的降维方法筛选出的特征构建了逐步逻辑回归模型。最终模型包括七个预测因子:wavelet.LLL.gldm.GrayLevelVariance、wavelet.HLH.glcm.InverseVariance、original.shape.Flatness、wavelet.LLH.glszm.SmallAreaEmphasis、wavelet.LHH.ngtdm.Busyness、wavelet.LHH.glszm.LargeAreaLowGrayLevelEmphasis和wavelet.HLL.gldm.HighGrayLevelEmphasis。

估计的回归方程为:

模型在测试集上的性能显示出良好的判别能力,AUC为0.853,准确率为0.778,敏感性为0.933,特异性为0.700。阳性预测值(PPV)为0.609,阴性预测值(NPV)达到0.955,表明具有较强的排除假阴性能力。

在所有分类器中(表5和图4a),NN获得了最高的AUC(0.864)和准确率(0.800),同时在敏感性(0.600)和特异性(0.900)之间具有良好的平衡。梯度提升(GBM)和LASSO回归均达到较高的AUC值(分别为0.831和0.833),尽管敏感性略低。随机森林(RF)模型获得了较高的特异性(0.933)但敏感性较低(0.467),表明在检测阳性病例方面存在保守倾向。决策树(CART)模型的AUC最低(0.691),但仍保持了合理的准确率和类别平衡。总体而言,神经网络和逐步逻辑回归在诊断准确性方面是最有效的模型。与LASSO回归模型(p = 0.027)和CART模型(p = 0.002)相比,NN模型在AUC上显示出显著差异,表明在两种情况下均具有更优的性能。相比之下,NN与GBM(p = 0.418)、RF(p = 0.052)或逐步逻辑回归(p = 0.693)模型之间未观察到AUC的统计学显著差异。

神经网络模型的特征重要性分析(图4b)显示,纹理相关特征和小波变换特征在分类性能中发挥了突出作用。影响最大的变量为wavelet.LHH.glszm.LargeAreaLowGrayLevelEmphasis,其次为original.gldm.DependenceVariance和wavelet.HHL.glcm.InverseVariance。值得注意的是,若干源自小波分解的特征,包括与灰度强调和空间变异性相关的特征(如LargeDependenceLowGrayLevelEmphasis、HighGrayLevelEmphasis),始终位列最重要的贡献特征之中。此外,形状描述符如Flatness和Elongation,以及NGTDM类别中的Busyness,也出现在前20位中,尽管其重要性评分相对较低。

表2 基于T2加权图像提取的特征的性能 查看原表 ↗
图1 基于T2加权图像提取的显著且稳健特征的ROC曲线 查看原图 ↗
表3 使用T2加权图像提取的影像组学特征进行训练和测试的机器学习方法的性能 查看原表 ↗
图2 使用T2加权图像提取的影像组学特征进行训练和测试的机器学习方法的ROC曲线(a)以及最佳神经网络分类器获得的前20位变量重要性特征(b) 查看原图 ↗
表4 基于动脉期T1加权图像提取的特征的性能 查看原表 ↗
图3 基于动脉期T1加权图像提取的显著且稳健特征的ROC曲线 查看原图 ↗
表5 使用动脉期T1加权图像提取的影像组学特征进行训练和测试的机器学习方法的性能 查看原表 ↗
图4 使用动脉期T1加权图像提取的影像组学特征进行训练和测试的机器学习方法的ROC曲线(a)以及最佳神经网络分类器获得的前20位变量重要性特征(b) 查看原图 ↗

讨论

我们的研究结果证实,从T2加权和动脉期T1加权MRI序列中提取的影像组学特征可作为可靠的影像生物标志物,用于检测乳腺癌患者的转移性腋窝淋巴结(ALNs)。特别是,当独立分析时,若干影像组学特征表现出中等至良好的判别能力。例如,从T2加权图像中提取的性能最佳的单一特征为wavelet.LLL.gldm.LargeDependenceLowGrayLevelEmphasis,AUC为0.768,其次为original firstorder Entropy(AUC = 0.754)和original glcm JointAverage(AUC = 0.752)。这些反映组织复杂性和异质性的特征与既往研究结果一致,后者强调熵和基于纹理的指标是恶性肿瘤的强指示因子[4, 11, 17]。

当检查动脉期T1加权序列的特征时,诊断性能进一步提高。表现最佳的特征包括wavelet.LLL.gldm.GrayLevelVariance(AUC = 0.787)、original gldm GrayLevelVariance(AUC = 0.779)和wavelet.LLH.gldm.LargeDependenceLowGrayLevelEmphasis(AUC = 0.778)。这些结果提示,动脉期成像,尤其是在对比增强后,可能更好地捕捉转移性与非转移性淋巴结之间的结构和灌注相关差异。

我们的研究结果强调了从T2加权和动脉期T1加权(减影)MRI序列中提取的影像组学特征在腋窝淋巴结(ALN)转移分类中具有不同的诊断贡献。在T2加权图像分析中,基于通过LASSO筛选的特征建立的分步逻辑回归模型确定了七个预测因子,包括SmallDependenceEmphasis、Elongation和Correlation等。该模型在测试集上达到AUC 0.796,准确率73.3%,敏感度53.3%,特异度83.3%,阴性预测值(NPV)78.1%。尽管性能指标表明具有中等诊断能力,尤其是在正确排除阴性病例方面,但敏感度仍相对有限,这可能降低其在检测所有转移淋巴结方面的临床效用。

相比之下,使用动脉期T1加权减影图像建模产生了更优的结果。纳入GrayLevelVariance、InverseVariance、Flatness、SmallAreaEmphasis、Busyness、LargeAreaLowGrayLevelEmphasis和HighGrayLevelEmphasis的多变量分步逻辑回归模型表现出显著增强的分类性能:AUC 0.853,准确率77.8%,敏感度93.3%,特异度70.0%,NPV 95.5%,表明其正确识别和排除转移受累的能力明显更强。

此外,在比较基于各成像序列特征训练的机器学习分类器时,神经网络(NN)模型在使用从T2加权图像提取的影像组学特征时达到最佳性能,AUC为0.978,准确率为91.1%,在敏感度(80.0%)和特异度(96.7%)之间表现出良好平衡。相比之下,当应用于动脉期T1加权图像的特征时,NN模型的AUC略低,为0.864,准确率为80.0%。

这些发现强调,T2加权影像组学特征为预测建模提供了最强的输入,尤其是在通过神经网络等深度学习方法加以利用时。

综上所述,结果表明,虽然T2加权和动脉期T1加权减影序列均为腋窝淋巴结(ALN)评估提供了有意义的影像组学特征,但T2加权成像特征在用于先进机器学习模型尤其是神经网络(NN)时显示出更强的预测能力。NN模型使用T2加权特征达到最高性能,AUC为0.978,准确率为91.1%,证实了非增强MRI序列在此背景下具有较强的诊断潜力。这表明T2加权影像组学可能足以甚至更适合用于ALN分类,尤其是在使用对比剂受限或存在禁忌的情况下。

相反,在单独分析影像组学特征时(即不进行多变量建模或深度学习),动脉期T1加权特征表现出更优的个体性能。例如,来自小波变换T1图像的灰度方差(GrayLevelVariance)达到了0.787的AUC,优于T2加权图像中最佳的单个特征。这些发现表明,对比增强动脉期序列在单变量分析中可能提供更具信息量的生物标志物,而T2加权特征则更多受益于整合建模方法。这种互补行为强调了基于分析背景选择序列的价值,其中T1加权图像提供更强的单变量预测因子,而T2加权图像在多变量或深度学习框架中表现更优。

这些结果与先前支持影像组学用于乳腺癌腋窝淋巴结(ALN)评估的文献一致。

Liu等[4]证明了术前MRI在ALN检测中的价值,影像组学特征通过量化肿瘤异质性和淋巴结内结构破坏有助于提高诊断准确性。例如,Song等[5]发现将DCE-MRI的影像组学特征与临床因素整合后,构建的预测模型AUC为0.874,表明结合影像数据和患者特征有望提高诊断准确性。

同样,Gong等[11]对30项研究进行了荟萃分析,得出结论:基于MRI特征的影像组学模型在预测淋巴结转移方面表现出较强的诊断性能,总体AUC为0.90,敏感性为86%,特异性为79%。

此外,Shan等[17]证明将影像组学特征与DCE-MRI的动力学曲线模式相整合可进一步提高ALN检测的准确性。他们的联合模型在训练队列中AUC达到0.91,在验证队列中为0.86。

在我们的研究结果中,从减影动脉期T1加权图像中提取的特征在单变量分析中表现更好,其中灰度方差、熵和联合平均值等单个描述符表现出中等至良好的区分能力(AUC范围为0.712至0.787)。这表明动脉期成像提供的影像组学生物标志物具有强大的独立预测价值,即使在多变量建模之外也是如此。例如,仅wavelet.LLL.gldm.GrayLevelVariance一项就达到了0.787的AUC。这些结果与先前研究[5, 11, 34]一致,这些研究强调了动态对比增强成像在淋巴结表征中的额外诊断价值。动脉期成像的强劲表现,特别是通过动态对比增强,与Kim等[34]的研究一致,他们强调了早期动力学参数在使用DCE-MRI预测乳腺癌预后方面的重要性。

总体而言,这些结果表明两种成像序列具有互补作用:动脉期T1加权特征在单独分析时信息量很大,而T2加权特征在通过机器学习和多变量建模利用时获得更强的诊断效力。这支持在未來基于影像组学的ALN转移检测诊断策略中整合两种图像类型。

NN 模型的特征重要性分析进一步强调了纹理衍生特征的预测作用,例如大面积低灰度强调(LargeAreaLowGrayLevelEmphasis)、依赖性方差(DependenceVariance)和逆方差(InverseVariance),尤其是来自小波分解图像的特征。这些指标可能捕捉了淋巴结内细微的空间和强度变化,反映了与转移性浸润相关的微观结构改变。基于形状的特征如伸长率(Elongation)和扁平度(Flatness)以及高阶统计量如熵(Entropy)也作为相关贡献因素出现,表明几何和纹理异质性对于准确分类均至关重要。

虽然我们的研究展示了影像组学在检测转移性腋窝淋巴结(ALN)方面的潜力,但它并非没有局限性。首先,研究的回顾性设计可能引入选择偏倚,因为仅纳入了术前两周内接受 MRI 检查的患者。此外,我们的样本量虽然足以进行初步探索性分析,但与更大规模的多中心研究相比相对较小,这可能限制了我们研究结果的可推广性。我们在讨论部分末尾添加了这句话:尽管存在这些局限性,内部验证程序产生了 consistent 且有希望的结果:我们实施了稳健的统计方法,包括通过弹性网络(Elastic Net)正则化进行特征选择、十折交叉验证和独立测试集评估,这些增强了我们模型的内部有效性。这些程序有助于提高分析的统计功效并降低过拟合风险。因此,模型在不同机器学习方法之间性能的一致性强化了研究结果的可靠性和稳健性。未来的工作将侧重于纳入多中心外部队列,以提高所提出的影像组学模型的可重复性和临床适用性。另一个局限性是我们仅关注 MRI 序列(T2 加权和动脉期 T1 加权成像),而未整合其他成像模态如超声或 PET-CT,这些可能提供互补的诊断信息 [34–48]。

结论

总之,本研究强调了基于 MRI 的影像组学分析的潜力,特别是当通过神经网络等深度学习方法实施时,可作为无创工具用于准确检测乳腺癌患者的转移性腋窝淋巴结。观察到的强诊断性能强调了基于纹理和形态学成像生物标志物在临床决策中的价值。未来的研究应侧重于在更大规模的多中心人群中验证这些发现,并考虑纳入额外的成像模态和临床参数,以增强影像组学驱动的淋巴结转移预测模型的稳健性和可推广性。

引用

  1. Fusco R, Granata V, Mattace Raso M, et al. Radiomics integrated with machine and deep learning analysis of T2-weighted and arterial-phase T1-weighted Magnetic Resonance Imaging for non-invasive detection of metastatic axillary lymph nodes in breast cancer. Radiol Med. 2025. PMID: 40986134. doi:10.1007/s11547-025-02090-z
  2. 全文:PMC12669315(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12669315/

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。