Vision Transformer预测乳腺癌新辅助化疗病理完全缓解的多中心DCE-MRI研究
Vision Transformer for Pretreatment Prediction of Pathologic Complete Response in Multi-center Breast DCE-MRI.
PubMed 文献 · Acad Radiol · 2026-10-05
本研究使用BreastDCEDL公共多中心数据集（2070例患者，来自I-SPY1、I-SPY2和Duke队列）评估Vision Transformer从乳腺DCE-MRI预测新辅助化疗病理完全缓解（pCR）的能力。ViT在测试集上AUC为0.72（95% CI 0.64-0.80），特异度0.96（95% CI 0.92-0.99），但敏感度仅0.27（95% CI 0.15-0.40）。在I-SPY2队列中，结合临床变量（年龄、HR/HER2状态、肿瘤体积、基因组评分、治疗方案）后AUC提升至0.85，但差异无统计学意义（DeLong P=0.06）。
要点
- ViT模型在乳腺DCE-MRI预测pCR的特异度高达0.96（95% CI 0.92-0.99），可辅助识别无缓解患者
- 不同队列间性能差异显著（AUC：I-SPY2 0.78，I-SPY1 0.68，Duke 0.54），提示现实世界异质性挑战
- 结合临床变量（年龄、HR/HER2状态、肿瘤体积等）可提高预测性能但未达统计学显著性
核心结论
- ViT模型在多中心乳腺DCE-MRI数据集上预测pCR的AUC为0.72（95% CI 0.64-0.80），特异度0.96（95% CI 0.92-0.99），但敏感度仅0.27（95% CI 0.15-0.40）
- 不同队列间性能存在显著差异（AUC：I-SPY2 0.78，I-SPY1 0.68，Duke 0.54），反映真实世界异质性对模型泛化能力的挑战
- 高特异度支持该模型在识别无缓解患者方面的潜在价值，可辅助早期调整治疗策略
- I-SPY2队列中结合临床变量后AUC提升至0.85，但与单独影像学模型差异无统计学意义（DeLong P=0.06）
研究设计与样本
- 多中心回顾性研究，使用BreastDCEDL公共数据集，纳入2070例患者，来自I-SPY1、I-SPY2和Duke三个队列，预定义数据分割
- 使用乳腺DCE-MRI的增强前期、早期增强期和晚期增强期三个时相，映射至RGB通道用于ImageNet预训练模型的迁移学习
- 在I-SPY2队列中，ViT评分与临床变量（年龄、HR/HER2状态、肿瘤体积、基因组评分、治疗方案）通过随机森林分类器联合建模
诊断标准与关键数值
- ViT模型预测pCR的AUC为0.72（95% CI 0.64-0.80），敏感度0.27（95% CI 0.15-0.40），特异度0.96（95% CI 0.92-0.99）
- I-SPY2队列AUC为0.78（95% CI 0.68-0.86），I-SPY1队列AUC为0.68（95% CI 0.46-0.89），Duke队列AUC为0.54（95% CI 0.27-0.80）
- I-SPY2队列中结合临床变量后AUC为0.85（n=99），与单独ViT模型比较DeLong检验P=0.06
临床应用与阅片要点
- 模型高特异度（0.96）特性适合用于排除无缓解患者，辅助早期识别需要调整治疗方案的病例
- 不同中心/队列间性能差异显著，实际应用时需警惕跨中心泛化能力受限，建议结合本地数据验证
- 结合临床信息（激素受体/HER2状态、肿瘤体积等）可能提高预测性能，报告时应综合临床病理信息
局限性
- 模型在不同队列间性能差异显著，Duke队列AUC仅0.54，反映跨中心泛化能力受限
- 整体敏感度较低（0.27），对pCR阳性患者的检出能力有限
- I-SPY2队列中加入临床变量后虽AUC提升但未达统计学显著性（P=0.06），可能与样本量有关
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Fridman, Solway, Fridman, et al. Vision Transformer for Pretreatment Prediction of Pathologic Complete Response in Multi-center Breast DCE-MRI. Acad Radiol. 2026. PMID: 42833970. doi:10.1016/j.acra.2026.09.024
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。