与乳腺癌纵向TNM降期相关的影像组学特征用于预后分层

引言

新辅助化疗（NACT）通过缩小术前肿瘤体积、改善手术结局、降低复发率及提高总生存期（OS），在乳腺癌管理中发挥关键作用[1, 2]。病理完全缓解（pCR）和残余肿瘤负荷（RCB）是已被确立的预后生物标志物，与良好的长期生存结局密切相关[3, 4]。此外，NACT通过显著降低远处转移的发生率展现出全身性疗效[5]。早期、准确地评估治疗反应对于指导治疗策略和促进个体化患者管理至关重要。

与pCR提供二分类结局（有无残余病灶）不同，肿瘤-淋巴结-转移（TNM）分期系统通过评估肿瘤大小（T）、淋巴结受累（N）和转移（M），对肿瘤负荷提供更细致且定量的评估[6]。这种分层不仅描绘疾病进展模式，还能生成用于生存预测的预后指数。新辅助治疗后TNM分期进一步支持序贯性肿瘤负荷量化，为治疗升级或降级决策及长期生存建模提供可操作的数据[7, 8]。

NACT通常涉及多个周期，因此对TNM分期进行纵向分析对于评估治疗反应至关重要[9]。TNM降期（dTNM）以肿瘤特征消退为特征（例如，T、N或M类别从较高值降至较低值），是良好结局的关键预后标志物，对于纵向评估和治疗优化必不可少[10]。因此，dTNM是治疗效果的重要指标[11]。 consequently，癌症研究中纵向时间重要性日益受到认可[12–14]，进一步凸显了dTNM分析在预后评估和治疗优化中的价值。

动态对比增强磁共振成像（DCE-MRI）能够无创评估肿瘤形态学特征（如大小和形状）和功能特性（如血流和血管通透性），这些特征反映 underlying 肿瘤生物学，并可作为NACT反应和长期临床结局的预测性生物标志物[15–17]。新兴的影像组学方法将术前MRI衍生特征（如瘤内异质性（ITH）指数和影像组学评分）与临床病理因素相结合，以优化乳腺癌患者的pCR预测[18]。此外，MRI驱动的精准肿瘤学模型利用三维空间肿瘤特征预测无进展生存期（PFS）和OS，从而增强个体化治疗策略[19]。

尽管既往研究采用结合纵向影像特征的数据驱动方法预测NACT反应，但在整个治疗过程中获取序贯影像数据在操作上仍具挑战性。尽管TNM分期对乳腺癌预后至关重要，但影像学在术前预测纵向治疗变化的潜力仍未得到充分探索。本研究旨在分析DCE-MRI预测的纵向TNM分期，并评估其在新辅助化疗患者中的预后意义。

材料与方法

数据集

杭州电子工业学院的机构审查委员会（IRB）批准了本研究（IRB-2019001），并且由于本研究的回顾性设计而豁免知情同意。所有数据均获取自癌症影像档案（TCIA）的公开可用数据集。

预后开发数据集（Duke-Breast-Cancer-MRI）包含922例经活检确诊并接受新辅助化疗（NACT）的浸润性乳腺癌患者[20]。该数据集包含临床信息，包括患者年龄、种族、雌激素受体（ER）状态、孕激素受体（PR）状态、人表皮生长因子受体2（HER2）状态以及TNM分期。术前动态对比增强磁共振成像（DCE-MRI）在活检前进行。NACT前的M分期来源于病理活检报告。通过第二次随访期间的病理评估，根据对NACT的病理反应评估NACT后的M分期。该数据集仅包含复发数据，不包含生存时间信息。

两个独立数据集用于预后验证：ISPY1数据集（n = 222）[21]和NACT-Pilot数据集（n = 64）[22]，均来自TCIA。ISPY1和NACT-Pilot数据集均包含接受NACT的乳腺癌患者，以及活检后进行的术前DCE-MRI、临床数据和随访信息。ISPY1数据集包含总生存期（OS）和无复发生存期（RFS），而NACT-Pilot数据集仅包含RFS。

两个预后验证数据集的随访数据均获取自电子病历。RFS定义为从NACT开始至局部或远处进展，或任何原因死亡的时间。各数据集的随访方法一致。

排除标准如下：术前DCE-MRI数据缺失或不完整的患者、未接受NACT的患者、图像质量差的患者（例如，存在大量活检后伪影）以及影像序列不完整的患者。根据上述排除标准，Duke数据集包含292例样本，被指定为预后开发集。ISPY1数据集经筛选后包含180例样本，标记为预后验证1。此外，NACT-Pilot数据集包含61例样本，也被指定为预后验证2。三个数据集的详细数据收集如图1所示。

框架概览

本研究的框架如图2所示。为了研究治疗期间TNM分期的纵向变化，我们开发了一种名为dTNM的预后指标。从开发数据集的DCE-MRI中提取放射组学特征，并用于构建多任务学习模型，以同时预测预后指标（复发、pCR和dTNM状态）。

我们的模型设计为仅从治疗前MRI预测dTNM，反映了在治疗开始前仅有基线影像可用的临床相关场景。在两个预后验证数据集中，从开发数据集选定的影像特征和训练的模型参数被应用于预测三个预后指标。

预后dTNM指标分析

在NACT期间，达到pCR的患者通常表现为肿瘤（T）、淋巴结（N）和/或转移（M）分期的降低。本研究评估了NACT期间dTNM分期的意义。如果T、N和M分期中有任意两个降低，则患者被归类为dTNM = 1。

图3展示了dTNM定义的三个具体场景，包括一例患者从T2N1M0转变为T1N0M0的示例，以及患者无显著分期变化或疾病进展的情况，例如从T3N1M0转变为T0N1M1。首先，肿瘤缩小（如从T2缩小至T1）、淋巴结转移消退（如经影像学或病理学证实的从N1降为N0）以及无远处转移（仍为M0）共同提示dTNM = 1。其次，dTNM = 0定义为T、N或M分期无变化，或肿瘤缩小（如从T3缩小至T0）、淋巴结转移无变化（仍为N1）且出现远处转移（如从M0变为M1）。dTNM还反映临床分期的变化（如从III期转变为I期对应dTNM = 1）[23]。补充图1展示了四例dTNM患者示例。图中显示TNM分期从T3N1M0变为T0N0M0以及从T3N2M0变为T1N0M0，两者均提示显著降期（补充图1a、c）。此外，其他示例包括TNM分期从T4N1M0降至T1N1M1以及从T2N1M0降至T2N0M0，进一步说明非dTNM情况。

图像预处理

详细的成像方案见补充方法。为尽量减少不同扫描仪参数对图像特征的影响，对DCE-MRI图像进行标准化处理，将体素重采样至各向同性尺寸0.8 mm。为校正磁场不均匀性，应用了N4偏场校正算法。随后进行强度归一化，将灰度值统一映射至0–800范围内，以确保后续特征提取的一致性。

对于预后开发数据集，肿瘤标注框由6名或4名经过专科培训的放射科医师提供并绘制。在我们既往工作的基础上[12]，采用半自动分割方法：首先应用空间模糊C均值（FCM）算法分割肿瘤感兴趣区（ROI），随后手动修正肿瘤边界以确保准确性。对于预后验证数据集1和2，由两名各自拥有10年以上经验的资深放射科医师通过共识对图像进行标注。ROI从第一次增强后序列（S1）中识别，该序列在造影剂注射后约2分钟采集，此时图像显示峰值强化，有利于最佳肿瘤可视化。值得注意的是，ROI包括肿瘤坏死区域。

放射组学特征从增强前（S0）、增强后（S1、S2和S3）及减影图像（S1–S0、S2–S0和S3–S0）中提取，减影图像通过将增强前图像从增强后图像中减去以获得，以突出造影剂引起的组织变化。此外，还进行图像减影（S2–S1、S3–S1和S3–S2）以量化对比增强各阶段组织特征的动态变化，与此前方法一致[24]。详细的特征提取（n = 107）见补充方法。

生存分析

采用Kaplan‒Meier曲线比较生存结局，采用log-rank检验评估所观察到的任何差异的显著性。在多变量Cox回归分析中，调整临床病理因素（包括年龄、种族、ER状态、PR状态和人HER2状态）后，确定dTNM影像特征是否与生存结局独立相关。在10年随访期结束时仍无事件的患者在该时间点进行删失。

统计分析

为解决放射组学特征之间的共线性问题，我们根据每个高度相关特征对（r > 0.9）中某一特征与其余特征的平均相关性，从每对中移除一个特征。采用卡方检验评估组间分类人口学变量的差异。

预后开发数据集被分为训练集（70%）和内部验证集（30%）用于模型评估。模型性能在内部验证集上使用曲线下面积（AUC）指标进行评估。为识别跨任务的共享特征，采用了多任务随机森林模型[25]。该模型学习任务特异性特征（与单个任务相关）和共享特征（与多个任务相关）。这是通过联合优化所有任务的分裂来实现的，使模型能够捕捉任务间的共性和差异。

特征重要性由节点分裂过程中的AUC确定。随后，采用带交叉验证的递归特征消除（RFECV）优化特征子集。在每个验证周期中通过网格搜索对超参数进行微调，直至确定最优模型。所有预测任务中排名最高的特征构成共享特征子集，在捕捉任务特异性相关性的同时增强模型性能。采用Shapley加性解释（SHAP）分析每个特征对模型的影响，从而增强模型的可解释性。进行了功效分析以评估研究的统计功效（补充方法）。

结果

患者特征

表1展示了预后开发数据集（n = 292）和两个预后验证数据集（n = 180和n = 61）中患者的临床特征。临床病理变量包括年龄、绝经状态、复发、死亡、ER、PR和HER2状态、治疗反应以及TNM分期。

预后开发数据集由27–74岁女性的数据组成，平均年龄为48岁。具体而言，预后验证1数据集包括26.7–68.8岁女性（平均年龄42.9岁）。在该队列中，OS的中位数为3.897年（范围：0.512–6.761年），而RFS的中位数为3.778年（范围：0.490–6.904年）。预后验证2数据集包括29.7–72.4岁女性（平均年龄48.1岁）。在该队列中，RFS报告的中位数为5.720年（范围：0.276–9.846年）。虽然OS验证受数据可用性限制，但RFS为模型预测生存结局的能力提供了有意义的补充证据。

纵向TNM分期的预后分析

我们分析了纵向TNM状态与复发之间的关联（表2），结果显示，TNM指标以及从治疗前到治疗后的变化（dT、dN）均与复发显著相关（p < 0.05）。值得注意的是，治疗前淋巴结状态与复发的关联最为显著（p = 0.001）。此外，纵向TNM变化（dTNM）与复发的关联更强（p < 0.001），且该指标与pCR相关（p = 0.0219）。这些发现表明，达到dTNM的患者更有可能获得pCR并获得良好的预后。

用于预测预后指标的多任务学习模型

我们建立了一个模型，利用临床特征（包括年龄、种族、ER、PR和HER2）作为基线来预测复发、pCR和dTNM指标。该模型的AUC分别为0.602、0.583和0.557（表3）。

此外，我们评估了一个基于影像组学的模型来预测这些预后指标，采用了单任务和多任务学习框架。在内部验证中，基于影像组学的多任务模型预测复发的AUC为0.905，预测pCR的AUC为0.795，预测dTNM的AUC为0.818，显著优于基线模型和单任务模型（图4a、c和e）。在整合临床特征和影像组学特征后，模型对复发、pCR和dTNM的预测性能进一步增强，AUC值分别为0.916、0.806和0.829（补充表1）。

我们计算了多任务学习模型中所有样本每个特征的SHAP值。对于复发和pCR预测任务，大多数特征的SHAP值聚集在负值区域。这表明模型主要学习了与无复发和无pCR结局相关的特征。这一发现与开发数据集中观察到的分布模式一致。

值得注意的是，复发和pCR预测之间的共享特征（如逆方差和大面积高灰度强调）对模型性能有显著贡献。同样，复发和dTNM分期之间的共享特征（差值方差）也发挥了关键作用。

这些结果强调了基于多任务的影像组学特征在提升所有三项预测任务的预测性能和分类准确性方面优于单独使用临床变量或单任务模型。

影像组学特征用于生存分层的外部验证

在开发数据集上建立的影像衍生指标的预后意义在独立验证数据集中进行了外部验证。在预后验证1数据集中，预测复发率与OS和RFS均呈强正相关（均p < 0.001）（补充图2a、b）。然而，预测pCR与OS无显著相关性（p = 0.158），但与RFS呈正相关（p = 0.008）（补充图2c、d）。此外，dTNM相关影像组学特征与更好的OS（p < 0.001）和RFS（p = 0.004）呈强正相关（补充图2e、f），且优于pCR指标。对于预后验证2数据集，影像模型衍生的复发、pCR和dTNM特征与RFS均呈强正相关（均p < 0.001）（分别为补充图3a、c和e）。

我们根据肿瘤亚型进行了亚组分析：激素受体（HR）阳性（ER和/或PR阳性）、三阴性和HER2过表达（ER阴性、PR阴性、HER2阳性）（补充图4）。在预后验证1数据集中，dTNM相关影像组学特征与OS和RFS均显示显著相关性（均p < 0.05）。在预后验证2数据集中未观察到显著关联，可能是由于亚组内样本量较小（例如，HR阳性组n = 25）。

亚组分析中影像预测预后指标的外部验证

在预后验证1数据集中，根据影像模型衍生的复发、pCR和dTNM对患者进行分层，并评估其预后意义。预测达到pCR且无复发的患者，其生存结局显著优于预测未达到pCR且有复发的患者（OS和RFS均p < 0.001）（图5a、b）。同样，预测有复发且非dTNM的患者，其生存结局差于无复发但有dTNM的患者（OS和RFS均p < 0.001）（图5c、d）。

此外，按与pCR和dTNM相关的影像组学特征进行分层，显示生存差异显著（OS和RFS均p < 0.001）（图5e、f）。分类为非pCR且非dTNM的患者生存结局最差。dTNM组的OS无论pCR状态如何均相似；然而，非dTNM组的中位生存期较低，其中非pCR患者预后最差。这些发现强调，在预后验证1数据集中，纳入影像模型衍生的dTNM可提高OS和RFS患者分层的精确度。

在仅包含RFS数据的预后验证2数据集中，基于预测复发和pCR的分层显示RFS差异显著（p < 0.001）（补充图3b）。预测有复发且不太可能达到pCR的患者生存结局最差。同样，按与复发和dTNM相关的影像组学特征分层显示RFS差异显著（p < 0.001）（补充图3d）。分类为非dTNM的患者生存率较低，尤其是复发且非dTNM组。非dTNM患者的生存率较差，尤其是非pCR且非dTNM组（p < 0.001）（补充图3f）。结果与预后验证1数据集的发现一致。

基于影像的dTNM指标的多因素生存验证

在预后验证1数据集中，评估了预测影像指标的预后价值（表4和补充图5）。复发被排除在该分析之外，因为它是公认的预后因素。结果显示，在调整临床病理变量（即年龄、种族、ER状态、PR状态和HER2状态）后，影像衍生的dTNM状态与OS（HR=0.230；95% CI=0.110–0.486；p<0.001）和RFS（HR=0.416；95% CI=0.228–0.758；p=0.004）均显著相关。纳入RCB的多因素Cox回归分析表明，影像衍生的dTNM状态仍与OS（HR=0.243；95% CI：0.113–0.525；p<0.001）和RFS（HR=0.454；95% CI：0.238–0.867；p=0.017）独立相关（补充图6）。

在预后验证2数据集中，影像模型预测的dTNM状态与RFS显著相关（HR=0.137；95% CI=0.022–0.879；p=0.034）（补充图7）。作为独立预后因素，该影像组学特征是比临床病理指标（如HER2、PR）更强的预测因子，突显了其在乳腺癌预后中的临床价值。

与预后指标相关的影像组学特征分析

补充图8显示了在预后验证1数据集中对pCR相关影像模型有显著贡献的四个影像特征，包括逆方差、10百分位数、伸长率和聚类阴影。此外，还显示了对dTNM相关影像模型有显著贡献的六个影像特征，包括球形度、差异方差、灰度非均匀性、小依赖、高灰度强调和聚类阴影。在预后验证1数据集中，结果显示pCR相关的逆方差特征与OS和RFS显著相关（补充图8a、c），dTNM相关的灰度非均匀性特征也与患者生存结局显著相关（补充图8b、d）。这些影像组学特征已被报道为肿瘤异质性（ITH）的影像生物标志物[26, 27]。

预后指标相关影像特征的病例研究

来自预后验证1数据集中不同预后患者的特征值示例见图6。被预测为无复发且pCR的患者比被预测为复发且pCR的患者具有更高的逆方差值。同样，模型推断预后指标为无复发和dTNM的患者比被预测为复发和非dTNM的患者具有更高的逆方差值。此外，与其他患者相比，模型推断预后指标为复发和非dTNM的患者的逆方差最低。该特征衡量图像内灰度变化的均匀性，其中较高的值表示更平滑的纹理和更低的异质性。

值得注意的是，pCR且复发患者以及复发且非dTNM患者的灰度非均匀性显著更高（图6f）。该纹理特征衡量灰度强度的变异性，较高的值表示由于灰度分布不规则而导致的更大异质性。这些发现表明，dTNM在识别与预后信息相关的影像特征方面比pCR更有效。

讨论

在本研究中，我们开发了一种基于定量纵向TNM评估的新型预后指标，并以影像学作为替代手段评估其在预测乳腺癌生存中的效力。所提出的指标具体反映患者在新辅助化疗（NACT）期间是否达到dTNM。我们的研究结果表明，dTNM相关影像组学特征标签是预后验证1数据集中总生存期（OS）的独立预测因子，并在两个预后验证数据集中均为无复发生存期（RFS）的独立预测因子，支持其在乳腺癌预后中的潜在应用价值。

既往研究表明，NACT开始前后肿瘤大小、淋巴结转移状态和肿瘤标志物的变化可作为最终治疗反应的有效预测因子[28]。基于此，我们的模型利用术前动态对比增强磁共振成像（DCE-MRI）预测NACT期间TNM分期的纵向变化。这增强了预后影像组学特征标签的临床实用性，补充了残余肿瘤负荷（RCB），支持实时肿瘤反应监测并促进及时、个性化的干预。

既往研究已证实TNM分期与pCR及复发均存在关联[29, 30]。同样，我们与dTNM相关的影像组学特征与这两种结局均显著相关。具体而言，被预测为dTNM的患者更有可能获得pCR。这是因为发生dTNM的患者通常对新辅助化疗（NACT）表现出更好的应答，导致肿瘤更快缩小、淋巴结减少，从而提高获得pCR的可能性[31]。他们还表现出更低的复发风险和更好的生存，这可能是由于肿瘤负荷降低，从而增强了治疗效果[32]。此外，dTNM在pCR和RCB之外还具有额外的预后价值；例如，Duke乳腺MRI数据集中的部分患者获得了pCR但未发生dTNM，却出现了复发。我们的分析证实，影像模型预测的dTNM在校正RCB和临床病理变量后是一个独立的预后因素。

在外部预后验证中，被预测为dTNM的患者的生存结局优于获得pCR的患者。在指标外部验证的亚组分析中，在被预测将获得pCR的患者中，预测为dTNM的患者与未发生降期（non-dTNM）的患者相比，生存结局显著更好。最高的生存率见于被预测为dTNM且无复发状态的患者。在高风险患者（预测复发或未能获得pCR）中，预测的dTNM与更好的生存结局显著相关。将影像衍生的dTNM纳入传统预后指标（如pCR），能够实现更细致的患者分层，并突显TNM分期的增强预后价值。

我们分析了影像特征（包括逆方差和灰度不均匀性）在基于预测pCR和dTNM的乳腺癌患者预后评估中的重要贡献。具体而言，较高的逆方差值表明图像中纹理异质性更大、肿瘤异质性程度更高，提示治疗应答较差。因此，逆方差值较高的肿瘤通常更难获得pCR[33]。较高的灰度不均匀性通常表明内部组织结构更复杂，导致治疗应答较差。这与既往研究报道一致，即灰度水平更均匀的肿瘤在治疗期间往往显著缩小，从而发生dTNM[34]。

本研究存在若干局限性。第一，尽管评估了dTNM相关影像组学特征的预后价值，但外部验证数据集缺乏TNM分期信息，无法对该模型进行直接验证，从而限制了对其外部适用性的评估。第二，尽管我们整合了多种影像数据和临床指标，但样本量相对较小可能限制模型的泛化能力，可能影响其在不同人群中的准确性和适用性。第三，不同中心间扫描仪和采集参数的差异导致图像质量不一致，损害了影像组学特征提取的一致性，并削弱了预测模型的稳健性和可重复性。这一局限性凸显了需要更大、更多样化的数据集，更重要的是，需要实施国际标准化的成像方案。第四，本研究使用的公共数据集缺乏活检标记夹信息，无法准确定位术后瘤床。这一缺失可能导致瘤床定位错误，进而为pCR判定和治疗后TNM分期标签引入不确定性。此类标签噪声可能损害基于影像的预测模型的准确性和泛化能力，尤其是对于纵向TNM评估。

在本研究中，我们开发了dTNM相关影像组学特征并评估了其在乳腺癌中的预后意义。将影像衍生的dTNM状态与pCR等既定预后指标相结合，有助于更准确地进行患者分层。在临床实践中，作为一种无创的、基于影像的工具，预后影像组学特征可通过提供额外的风险分层来补充传统病理评估。因此，所提出的影像组学特征有望作为一种生物标志物，促进个体化治疗规划。综上所述，所提出的纵向预后影像模型为评估乳腺癌结局和个性化治疗策略提供了一种替代方法。

补充信息

电子补充材料