文献速递乳腺胸部MR

多区域MRI深度学习影像组学预测乳腺癌新辅助化疗后腋窝pCR

Multiregional MRI-based deep learning radiomics to predict axillary response after neoadjuvant chemotherapy in breast cancer patients.
PubMed 文献 · Insights Imaging · 2026-01-26

本研究开发并验证了基于MRI的多区域深度学习影像组学列线图(DLRN),用于预测乳腺癌新辅助化疗后腋窝病理完全缓解。研究纳入4个中心共1242例临床淋巴结阳性乳腺癌患者,比较了不同瘤周扩展范围模型的预测性能。DLRN模型在内部验证队列AUC为0.906,三个外部验证队列AUC为0.876至0.911,显著优于临床模型。

要点

  • GPTV5_DLR模型(瘤内加5 mm瘤周)在验证队列平均AUC为0.876,为最佳影像组学模型。
  • DLRN列线图整合临床N分期、ER、HER2与GPTV5_DLR评分,可无创预测腋窝pCR。
  • DLRN评分最佳截断值为0.435,可将不必要腋窝清扫比例从46.2%降至7.9%。

核心结论

  • DLRN模型基于GPTV5_DLR模型结合临床N分期、ER、HER2,对乳腺癌NAC后腋窝pCR具有高预测效能。
  • DLRN模型在不同年龄、月经状态、临床分期亚组中均表现稳健。

研究设计与样本

  • 回顾性多中心研究,纳入4个中心共1242例cN+乳腺癌NAC患者,分为TC(431例)、IVC(108例)、EVC1-3(703例)。
  • 基于DCE-MRI第三期图像进行半自动分割,采用Vision Transformer提取DL特征,PyRadiomics提取手工影像组学特征。
  • GTV分别向外扩展3、5、7、9 mm构建GPTV3、GPTV5、GPTV7、GPTV9区域。

关键影像表现/征象

  • GPTV5_DLR模型在IVC和EVC1-3中平均AUC为0.876,平均准确度为0.834。
  • DLRN列线图独立预测因子为临床N分期、ER、HER2和GPTV5_DLR模型。

诊断标准与关键数值

  • DLRN模型AUC:TC为0.958(95%CI:0.939-0.978),IVC为0.906(95%CI:0.843-0.970)。
  • DLRN模型外部验证AUC:EVC1为0.885、EVC2为0.911、EVC3为0.876,各验证队列间AUC无显著差异。
  • DLRN评分最佳截断值为0.435,据此分层可辅助判断是否可避免腋窝淋巴结清扫。
  • GPTV5_DLR模型验证队列平均AUC为0.876,高于其他瘤周扩展范围模型。

临床应用与阅片要点

  • DCE-MRI第三期图像上勾画肿瘤后向外扩展5 mm,可用于提取预测腋窝pCR的影像组学特征。
  • 在线计算器可输入临床N分期、ER、HER2及DLRN评分,计算NAC前腋窝pCR概率。
  • 结合DLRN评分分层,有助于筛选可能豁免腋窝淋巴结清扫的患者。

局限性

  • 本研究为回顾性设计,存在选择偏倚可能。
  • 各中心MRI扫描设备和序列参数存在差异,尽管采用了ComBat方法进行特征校正。
全文中译16 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:Insights Imaging. 2026 Jan 26;17:21. doi: 10.1186/s13244-025-02193-1

引言

乳腺癌是女性最常见的恶性肿瘤,也是女性癌症相关死亡的主要原因 [1]。新辅助化疗(NAC)是局部晚期和三阴性乳腺癌的主要治疗方式,其优势在于缩小肿瘤负荷、提高保乳手术及腋窝手术的可行性,并改善达到乳腺或腋窝病理完全缓解(pCR)患者的生存结局 [2]。研究表明,50–60%的腋窝淋巴结(ALN)转移患者在接受NAC后可达到腋窝pCR(apCR)[3]。对于达到apCR的患者,豁免腋窝淋巴结清扫术(ALND)可避免活动范围受限和手臂疼痛等相关并发症 [4, 5]。前哨淋巴结活检是ALND的一种创伤更小的替代方法;然而,其假阴性率(FNR)超过10%,尤其是当切除的前哨淋巴结少于3枚时 [4, 6]。此外,对于伴有ALN转移的乳腺癌患者,NAC后靶向腋窝清扫正日益受到关注。然而,在检出率和FNR方面仍存在挑战 [7–9]。因此,迫切需要一种可靠的无创模型来评估ALN对NAC的反应,并指导选择创伤更小的手术策略。

多种影像学方法(如超声、CT和乳腺X线摄影)被用于监测ALN对NAC的反应 [10–12]。此外,对比增强乳腺X线摄影已成为一种有前景的技术,在检测残余乳腺病灶方面具有独特优势 [13, 14]。尽管这些技术是无创的,但检测小淋巴结内的微转移仍然具有挑战性。MRI以其优越的空间分辨率,能够全面显示整个乳腺癌病灶,并可对ALN状态进行详细评估。然而,放射科医师之间显著的观察者间差异凸显了其在识别ALN转移方面的敏感性和特异性并不一致 [15–17]。

近年来,影像组学通过高通量提取影像特征来客观量化肿瘤异质性,从而拓展了传统影像学的应用范围 [18]。既往研究表明,基于MRI的影像组学标签是预测NAC后apCR的有前景的无创生物标志物 [19–21]。然而,这些研究主要集中于仅从大体肿瘤体积(GTV)中提取的特征,忽略了瘤周组织可能发生的改变,这可能影响诊断准确性。新出现的证据表明,瘤周区域蕴含与肿瘤进展和转移相关的重要生物学信息,包括淋巴细胞浸润、瘤周淋巴管侵犯和淋巴管生成 [22–24]。最近,结合GTV和大体瘤周肿瘤体积(GPTV)分析所得的影像组学特征已在乳腺癌的诊断 [25]、淋巴结转移预测 [26] 和分子亚型分类 [27] 中显示出应用前景,这强调了整合瘤周组织分析进行全面评估的重要性。然而,尽管已有数千种手工影像组学(HCR)特征可用,图像内纹理信息的全部深度仍未得到充分挖掘。

深度学习(DL)通过迭代学习和权重调制将输入信息转化为更高层次的表示。与手工特征(HCR)相比,DL特征能够捕捉更抽象的信息,并可能揭示额外的预测模式。Huang等[28]建立了一个有效的DL影像组学(DLR)框架,该框架从DL分割网络中自动提取病灶相关的深层语义特征,并通过特征选择模块将其整合。该DLR框架将影像组学与DL算法协同结合,减轻了过拟合,并在多项研究中表现出优异的性能[29–32]。然而,迄今为止,利用DLR特征预测腋窝病理完全缓解(apCR)尚未见报道。此外,基于大体肿瘤外周体积(GPTV)的DLR模型能否进一步提升新辅助化疗(NAC)后apCR的预测尚不清楚。本研究旨在评估从瘤内和瘤周区域提取的DLR特征预测NAC后apCR的潜力,并比较其在准确确定最佳瘤周区域大小方面的性能。

材料与方法

研究队列与参与者

本研究经中心1伦理委员会批准(批准号:2024-123)。鉴于研究的回顾性性质,免除了参与者的知情同意。根据纳入和排除标准(附录E1),共招募了在四个医疗中心接受NAC的1242例临床淋巴结阳性(cN+)乳腺癌患者,如图1所示。所有患者被分为五个队列:训练队列(TC;n=431,来自中心1(温州医科大学附属第五医院))、内部验证队列(IVC;n=108,来自中心1)和三个外部验证队列(EVC1–3;n=367,来自中心2(温州医科大学附属第六医院);n=201,来自中心3(温州医科大学附属第三医院);n=135,来自中心4(浙江大学附属第一医院))。NAC方案和临床病理数据收集详见附录E2。

图1 流程图,展示了本研究四个参与医疗中心的患者筛选过程 查看原图 ↗

MRI采集与肿瘤分割

MRI在四家参与医院使用不同的MRI扫描仪进行。MRI图像采集的详细信息见附录E3。表S1列出了不同MR扫描仪使用的动态对比增强(DCE)-MRI序列的具体参数。图像预处理的详细信息见附录E4。

两名经验丰富的放射科医师在DCE-MRI序列第三期图像上逐层独立勾画大体肿瘤体积(GTV)的感兴趣区(ROI),然后生成三维ROI。分割使用ITK-SNAP软件(版本3.8.0;itksnap.org)半自动完成。GTV定义为MRI可见边界内的肿瘤。所有分割均在不知晓病理结果的情况下进行。使用Python软件(版本3.7.6)中的Simple ITK模块,将GTV向外扩展3、5、7和9 mm,生成分别标记为GPTV3、GPTV5、GPTV7和GPTV9的GPTV。随后对这些肿瘤区域进行审查并手动调整,以排除皮肤、胸壁和空气等非肿瘤成分。分割过程如图S1所示。

图像特征提取

利用Python中的开源PyRadiomics(版本3.0.1;pyradiomics.readthedocs.io/en/v3.0.1)工具包提取HCR特征。对于每个3D感兴趣区(ROI),提取了1218个HCR特征,每位患者来自不同区域的五个ROI共计6090个特征。HCR特征提取的详细信息见附录E5。在本研究中,利用Dosovitskiy等人[33]提出的Vision Transformer提取DL特征。最终,每个3D ROI获得256个DL特征,每位患者共计1280个。DL特征提取的详细信息见附录E6。

DLR特征选择

为消除各特征维度间的尺度差异,所有HCR和DL特征均采用Z-score标准化和ComBat方法[34]进行标准化处理(附录E7)。HCR特征可重复性分析及所有特征的筛选方法在附录E8中有具体描述。最终,将筛选后的HCR和DL特征进行组合,并采用最小绝对收缩和选择算子(LASSO)方法选择纳入DLR模型的特征。该特征筛选过程用于识别与NAC后不同区域apCR相关的最具信息量的特征。

模型构建与可视化

采用多因素逻辑回归(LR)建立各区域特异性DLR模型。利用受试者工作特征(ROC)分析评估DLR模型的预测性能。在IVC和EVC1–3中平均曲线下面积(AUC)和准确率最高的最佳DLR模型被选中用于列线图开发。最佳DLR模型的特征可视化和分析详细信息见附录E9。随后,进行单因素和多因素LR分析以筛选显著的临床预测因子并建立临床模型。同时采用多因素LR分析,通过整合最佳DLR模型和临床预测因子构建DLR列线图(DLRN)。对DLR和DLRN模型中的LR系数进行加权,以获得相应的预测评分。我们的研究流程概述见图2。

图2 研究流程。四个主要阶段包括肿瘤分割、特征提取、特征选择以及模型开发与评估。 查看原图 ↗

影像组学方法学评分(METRICS)

METRICS工具由一个大型国际专家组开发,用于评估和提高影像组学研究的质量[35]。已开发了一个网络应用程序来辅助计算METRICS评分(https://metricsscore.github.io/metrics/METRICS.html)。我们研究的METRICS评分为97.7%,属于优秀质量类别。完整的核查表见附录E10。

统计分析

使用 R(4.2 版)和 Python(3.9.6 版)进行统计分析。连续变量组间比较采用 Student t 检验或 Mann–Whitney U 检验,分类变量组间比较采用卡方检验或 Fisher 确切概率法。采用 Delong 检验比较各模型的 AUC。通过 1000 次 bootstrap 重抽样生成校准曲线,以评估预测风险与实际风险之间的一致性。决策曲线分析(DCA)可提供更可靠的临床获益证据。此外,还根据年龄、绝经状态及临床 T 和 N 分期进行了亚组分析。所有统计检验均为双侧检验;p < 0.05 表示差异有统计学意义。

结果

患者特征与临床模型

所有队列的患者临床病理特征见表 1。入组患者的平均年龄为 52.0 ± 10.7 岁(范围 21–85 岁)。TC、IVC 和 EVC1–3 队列中 NAC 后腋窝淋巴结病理完全缓解(apCR)率分别为 192 例(44.5%)、48 例(44.4%)、172 例(46.9%)、97 例(48.3%)和 58 例(43.0%)。单因素和多因素 LR 分析显示,临床 N 分期、雌激素受体(ER)和人表皮生长因子受体 2(HER2)是临床模型中 NAC 后 apCR 的独立预测因素(表 S2)。

表 1 乳腺癌患者的临床病理特征 查看原表 ↗

DLR 模型的建立与评估

DLR 特征筛选结果见附录 E11 和表 S3。根据最优 λ 值,我们分别获得了 11、13、17、13 和 9 个 DLR 特征,用于进一步建立 DLR 模型(图 S2)。基于多因素 LR 的五个 DLR 模型预测评分公式见附录 E12。各模型 ROC 曲线、AUC 和性能指标的比较见表 2 和图 S3。在所有区域的 DLR 模型中,GPTV5 模型被选为最佳 DLR 模型,因为其在 IVC 和 EVC1–3 中的平均 AUC 为 0.876,平均准确率为 0.834。此外,DeLong 检验显示,GPTV5 模型在 TC 中显著优于其他 DLR 模型(均 p < 0.05),且在 IVC 和 EVC1–3 中表现良好(表 S4)。图 3 展示了两例乳腺癌患者的前三个 HCR 特征和梯度加权类激活映射热图。

表 2 不同 DLR 模型在 TC、IVC 和 EVC1–3 中预测腋窝淋巴结新辅助化疗病理完全缓解的性能 查看原表 ↗
图3 在(A)一名55岁新辅助化疗(NAC)后达到腋窝病理完全缓解(apCR)的女性患者和(F)一名67岁NAC后未达到apCR的女性患者中,排名前三的手工影像组学(HCR)特征的可视化及梯度加权类激活映射(Grad-CAM)热图。B–D、G–I 肿瘤的伪彩叠加图,显示像素强度及排名前三的HCR特征。红色和黄色区域表示较高的像素特征值,而蓝色和绿色区域表示较低的像素特征值。与apCR患者相比,非apCR患者肿瘤内的纹理模式表现出更高的复杂性,灰度分布存在显著差异,如灰度不均匀性(GLNU)所示(B、G)。大依赖性高灰度强调(LDHGLE)突出了灰度依赖性较大的区域,表明不同肿瘤区域之间存在高对比度(C、H)。此外,灰度分布更聚集的肿瘤表现出更明显的纹理变化,尤其是在对比度较高的区域,如聚类阴影所示(D、I)。E、J 两例患者的肿瘤与Grad-CAM热图叠加图。相应的热图表明,权重最高的深度学习特征——代表模型最感兴趣的区域——位于瘤内和瘤周区域内。 查看原图 ↗

DLRN模型构建

多因素logistic回归结果显示,临床N分期、ER、HER2和GPTV5_DLR模型是NAC后apCR的独立预测因素(图4A)。我们利用这些预测因素建立了DLRN模型,并绘制了列线图,如图4B所示。基于列线图的DLRN评分计算公式见表S5。根据约登指数,DLRN评分的最佳截断值为0.435,将所有患者分为低DLRN评分组和高DLRN评分组。各预测因素、DLRN评分与ALN状态之间的关联如图4C所示。我们创建了一个在线计算器,通过输入相关特征即可在NAC开始前确定apCR的概率(https://nomogrampredictionmodels.shinyapps.io/DynNomapp/)。

图4 深度学习影像组学列线图(DLRN)的构建。A 训练队列中独立预测因素的森林图。B DLRN,按每个独立预测因素的logistic回归系数进行标度。C 热图显示训练队列中NAC后腋窝淋巴结(ALN)状态与临床N分期、雌激素受体(ER)、人表皮生长因子受体2(HER2)、大体瘤周肿瘤体积(GPTV)5_深度学习影像组学(DLR)模型及DLRN评分之间的关联。 查看原图 ↗

不同模型的性能比较

apCR 组与非 apCR 组之间 GPTV5_DLR 和 DLRN 评分的显著差异见图 S4(均 p < 0.001)。临床模型、GPTV5_DLR 模型和 DLRN 模型在不同队列中的性能指标及 ROC 曲线见表 3 和图 5A、S5A。在三个模型中,DLRN 模型在训练队列(TC)中实现了最高的 AUC 0.958(95% 置信区间(CI):0.939–0.978),优于临床模型和 GPTV5_DLR 模型(DeLong 检验,p < 0.001 和 p = 0.042,表 S6)。DLRN 模型在内部验证队列(IVC)(AUC 0.906 [95% CI:0.843–0.970])、外部验证队列 1(EVC1)(AUC 0.885 [95% CI:0.851–0.919])、EVC2(AUC 0.911 [95% CI:0.867–0.954])和 EVC3(AUC 0.876 [95% CI:0.806–0.946])中也表现出优异的性能,各验证队列间的 AUC 无显著差异(p = 0.363–0.911),表明该模型具有稳健性。此外,根据 DeLong 检验,在所有验证队列中,DLRN 模型在乳腺癌新辅助化疗(NAC)开始前预测 apCR 方面均优于临床模型(p < 0.05,表 S6)。决策曲线分析(DCA)图显示,在所有队列中,DLRN 模型相比临床模型和 DLR 模型产生了更多的净获益(图 5B、S5B)。校准曲线显示,DLRN 模型预测的 apCR 概率与实际结果具有最佳一致性(图 5C、S5C)。

表 3 不同模型在 TC、IVC 和 EVC1–3 中预测腋窝淋巴结新辅助化疗病理完全缓解的性能 查看原表 ↗
图 5 模型在内部验证队列(IVC)和外部验证队列 1–3(EVC1–3)中的性能比较。A 临床模型、大体肿瘤周围体积(GPTV)5_深度学习影像组学(DLR)模型和 DLR 列线图(DLRN)模型的受试者工作特征曲线及曲线下面积(AUC)比较。B 临床模型、GPTV5_DLR 模型和 DLRN 模型的校准曲线比较。C 临床模型、GPTV5_DLR 模型和 DLRN 模型的决策曲线比较 查看原图 ↗

DLRN 模型在患者亚组中的性能评估

在 IVC 和 EVC1–3 中,DLRN 模型在 NAC 开始前预测 apCR 的 AUC 为:年龄 ≤ 45 岁患者为 0.865–0.909,年龄 > 45 岁患者为 0.868–0.919;绝经前患者为 0.876–0.902,绝经后患者为 0.873–0.924;临床分期 T1–2 患者为 0.870–0.925,T3–4 期患者为 0.885–0.915;临床分期 N1 患者为 0.868–0.922,N2–3 期患者为 0.865–0.903(图 S6),表明 DLRN 模型在所有患者亚组中均取得了稳健的性能。

DLRN 模型的临床获益

在我们的研究中,IVC 和 EVC1–3 中共有 811 例患者接受了腋窝淋巴结清扫术(ALND);NAC 后,375 例患者(46.2%)达到 apCR,436 例患者(53.8%)未达到。如果根据 DLRN 模型的预测结果对这些患者实施 ALND,不必要 ALND 的比例将从 46.2% 降至 7.9%(375–64),临床获益率将从 53.8% 提高至 83.7%(436–679);见图 S7。

讨论

准确预测腋窝病理完全缓解(apCR)是减少接受新辅助化疗(NAC)的乳腺癌患者腋窝手术过度治疗的一项关键临床需求。本研究通过对治疗前DCE-MRI图像进行定量分析,评估了来自瘤内和瘤周区域的深度学习影像组学(DLR)特征在预测乳腺癌NAC后apCR中的潜力。我们的结果表明,从GPTV5提取的DLR特征可作为稳定且准确的预测指标。DLRN模型表现出稳健的性能,提供了一种易于使用且个体化的apCR预测工具。

在本研究中,apCR率为45.7%,高于Boughey等[36]报道的41.1%。本队列中HER2+患者比例较高,且所有患者均接受了抗HER2靶向治疗,可能解释了这一升高。我们的发现与多项研究一致,这些研究表明腋窝淋巴结对NAC的反应与临床TNM分期和激素受体状态(包括HER2状态)相关[37–40]。尽管已构建了纳入这些变量的临床模型,但其性能仍不理想,AUC值在0.686至0.746之间。这凸显了临床病理特征在预测apCR方面的内在局限性,并强调了在NAC开始前可靠评估apCR对更稳健预测模型的迫切需求。

多项研究已报道了影像组学和深度学习(DL)方法在预测NAC后apCR方面的可行性。这些方法旨在为术前apCR预测提供更准确且无创的手段。例如,Lin等[19]基于多参数乳腺MRI特征开发了一种影像组学模型,AUC达到0.825。同样,Gan等[20]提出了一种基于乳腺肿瘤MRI特征的影像组学模型来预测NAC后apCR,在外部验证队列中AUC为0.751。Zhang等[41]引入了一种基于超声图像的影像组学模型用于apCR预测,其验证队列和外部测试队列的AUC值分别为0.761和0.723。Gu等[42]利用NAC前后的超声图像构建了一种DL模型,其测试队列和验证队列的AUC值分别为0.842和0.845。然而,这些模型的临床适用性受到样本量小、预测性能有限和可重复性低等限制的挑战。此外,这些研究主要关注从肿瘤中提取的特征,忽视了周围组织中可能存在的改变。

肿瘤及其周围区域的影像特征定量组合可以增强预测性能[43]。最近一项研究证实,在超声图像上整合瘤内和瘤周影像组学特征,可在HER2阳性乳腺癌患者新辅助化疗(NAC)前无创预测腋窝病理完全缓解(apCR)[44]。然而值得注意的是,该研究仅在3 mm边缘范围内提取瘤周特征,这可能无法捕获来自更广泛瘤周区域的鉴别性信息。在本研究中,为了比较不同区域的预测性能并确定最佳瘤周区域大小,我们将大体肿瘤体积(GTV)自动向外扩展3、5、7和9 mm。与既往研究不同,我们去除了瘤内掩膜,并从合并后的分割区域中提取特征。既往研究表明,大体肿瘤周围体积(GPTV)模型优于仅基于GTV或大体瘤周肿瘤体积的模型,表明瘤周特征为瘤内特征提供了补充信息[45]。因此,所构建的GPTV模型捕获了肿瘤内部及周围区域的生物学信息,并简化了临床应用。值得注意的是,我们使用了三个外部验证队列(EVC)来证明所构建模型的泛化性。我们的结果表明,包含瘤周区域的GPTV_DLR模型比GTV模型具有更高的预测准确性,验证了整合瘤内成分和增量瘤周信息可显著提高预测性能。通过比较不同GPTV模型的性能指标,我们确定GPTV5_DLR模型表现出最佳的预测性能,在验证队列中的平均AUC为0.876。一种可能的解释是,5 mm的瘤周扩展在捕获相关瘤周信号与避免无关背景噪声之间取得了最佳平衡。

此外,我们开发了一个DLRN模型,整合临床N分期、ER、HER2和GPTV5_DLR模型,用于预测乳腺癌新辅助化疗后腋窝病理完全缓解(apCR)。该模型表现出良好的性能,在EVC1–3中的AUC分别为0.885、0.911和0.876,显著优于临床模型。DLRN模型在基于年龄、绝经状态以及临床N和T分期的亚组分析中显示出稳定的预测性能。我们进一步将DLRN模型转化为一个开源应用工具,在输入相应的临床信息和DLRN评分后,可协助临床医生计算apCR的预测概率。该工具可帮助临床医生制定和优化治疗策略,潜在地为乳腺癌患者提供更个性化和创伤更小的治疗选择。通过有效区分高DLRN评分和低DLRN评分的乳腺癌患者,该模型可帮助临床医生确定是否需要行腋窝淋巴结清扫(ALND)。这种分层策略对于避免假阴性患者接受不必要的ALND尤其有价值,同时确保假阳性患者获得实现最佳治疗获益所需的治疗。

我们的工作存在一些局限性。首先,作为一项回顾性研究,不可避免地受到选择偏倚和固有误差的影响。其次,本研究中的所有感兴趣区(ROI)均为人工勾画,操作者间的差异不可避免,这可能影响特征的可重复性。为解决这些问题,未来的工作将侧重于实现和验证基于深度学习(DL)的自动分割方法,并与人工分割进行定量比较,以提高研究的方法学质量。第三,患者的分子亚型分布不均衡,某些亚型的样本量相对较小,这可能引入一定程度的统计学偏倚。为减少偏倚,我们打算进一步扩大样本量,并考察apCR预测模型在不同分子亚型患者中的表现。第四,由于纳入患者的随访时间相对较短,我们无法可靠地评估DLRN模型的预后价值。计划对本研究队列继续进行前瞻性随访,以明确其基于apCR的分层能否转化为持久的临床获益。

总之,从术前DCE-MRI图像中提取的GPTV5_DLR特征可作为预测乳腺癌患者NAC后apCR的可靠无创生物标志物。此外,将GPTV5_DLR模型与临床病理预测因素相结合的DLRN模型进一步提升了预测性能。DLRN模型对NAC后apCR的预测结果可协助医生优化治疗决策,并避免患者接受不必要的ALND。

补充信息

电子补充材料

引用

  1. Chen, Lin, Zhou, et al. Multiregional MRI-based deep learning radiomics to predict axillary response after neoadjuvant chemotherapy in breast cancer patients. Insights Imaging. 2026. PMID: 41586963. doi:10.1186/s13244-025-02193-1
  2. 全文:PMC12835486(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12835486/

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。