0 引言

       乳腺癌已成为全球最常见的恶性肿瘤，严重威胁女性健康^[1]。新辅助治疗（neoadjuvant therapy, NAT）在当前乳腺癌综合治疗中承担重要作用^[2]，主要用于降期手术、降期保乳、降期保腋窝和观察肿瘤对化疗药物的敏感性。对NAT反应的准确评估进一步为乳腺癌后续系统治疗提供重要指导。病理完全缓解（pathological complete response, pCR）患者较病理非完全缓解（non-pathological complete response, non-pCR）患者有更长的总生存期和无病生存期^[3]。只有不足50%的乳腺癌患者行NAT后能达到pCR，部分患者在治疗期间疾病会出现进展^[4]。因此，寻找一种全面、无创、早期预测、准确评估患者对NAT反应的方法，筛选出对NAT敏感的患者，对指导临床选择合适的治疗方案，具有重要意义。

       目前，乳腺癌NAT疗效评估常用方法包括影像学评估和病理学评价，分别依据实体瘤客观疗效判定标准（response evaluation criteria in solid tumours, RECIST）和Miller-Payne（MP）系统进行评判。虽然RECIST 1.1广泛用于评估乳腺癌对NAT的反应^{[5, 6]}，但该方法具有一定局限性，如炎性乳腺癌等形状复杂、边缘不规则的肿块，表现为非肿块强化的乳腺癌、多灶性或多中心性癌灶，使用肿瘤径线测量进行评估的准确性将会降低。并且在纤维化或坏死组织存在的情况下，病灶大小测量也会存在偏差。特别是使用二维径线测量时，治疗后持续存在的无活性残余组织可能会低估乳腺癌对NAT反应^[7]。因此，这种基于治疗前、后图像的影像学评估有时可能与病理证实的结果存在差异，无法充分满足评估需求^[8]。除了术后病理评估外，尚未有一种可靠的方法精准判断乳腺癌患者对NAT敏感性。MP分级标准是一种合适的病理评估方法，它以肿瘤细胞密度和形态为基础^[9]，术后乳腺癌肿瘤细胞数量无变化或肿瘤细胞减少小于30%归为MP 1~2级。我们可以将MP 1~2级的肿瘤定义为药物不敏感，长期预后通常较差。但由于病理评估只能在手术后进行，因此对于乳腺癌NAT是否敏感的“早期预测”颇具挑战。

       乳腺MRI因其无辐射、高软组织分辨率、多方位、多序列及多功能成像等优势，在临床上广泛用于乳腺癌NAT的反应评估^[10]。先前研究表明^{[11, 12, 13]}，影像组学通过提取、分析并量化图像中肿瘤的纹理、强度、形态等肉眼无法识别的特征，从而定量分析乳腺癌肿瘤的异质性，有助于乳腺癌NAT疗效的精准评估及预测^[14]。动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）在评估及预测乳腺癌对NAT反应方面有较好的效果^{[15, 16]}。一项Meta分析^[17]表明扩散加权成像（diffusion weighted imaging, DWI）可以提供基于表观扩散系数（apparent diffusion coefficient, ADC）的早期反应生物标志物，并且在识别乳腺癌NAT后的pCR方面甚至可能优于传统的DCE-MRI。而包括DCE-MRI与DWI在内的多参数磁共振成像（multiparametric magnetic resonance imaging, mpMRI）在预测NAT治疗反应方面优于单独使用任何一种方法^[18]。最近发表的一项Meta分析^[19]表明，影像组学特征联合临床信息建立的联合模型对NAT的pCR预测会更精确，但对于大部分研究未探讨影像组学与乳腺癌对NAT敏感性的关系，这些研究多将雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、Ki-67增值指数作为二分类变量纳入研究，但有研究表明Ki-67、ER可以作为连续变量影响乳腺癌生物学行为及对系统治疗的敏感度^{[20, 21, 22]}，并且分类变量在实践中也不能完全满足临床需求。

       因此，本研究探讨基于mpMRI影像组学特征及临床病理变量构建的影像组学-临床联合模型对乳腺癌NAT敏感性的早期预测价值，以期早期预测及评估乳腺癌对NAT反应，为乳腺癌精准化治疗提供方向。

1 材料与方法

1.1 一般资料

       本研究遵守《赫尔辛基宣言》，通过了重庆医科大学附属第一医院伦理委员会的批准，免除受试者知情同意，伦理批号：2022-K312。回顾性分析重庆医科大学附属第一医院2018年至2022年经组织病理检查证实为浸润性乳腺癌且接受标准化NAT的248例患者资料。纳入标准：（1）首次NAT前接受mpMRI检查；（2）NAT后手术治疗；（3）临床病理资料完整。排除标准：（1）没有完成标准的NAT方案周期；（2）化疗前曾接受过其他乳腺癌相关治疗；（3）图像不完整或质量差难以评估。所有乳腺癌患者按照7∶3比例随机分成训练队列和验证队列。

1.2 仪器与方法

       使用3.0 T超导磁共振仪（美国，GE Singa HDx）及8通道乳腺专用相控阵表面线圈完成双侧乳腺扫描。患者取俯卧位，双侧乳腺自然悬垂在线圈内，并设置相关参数。依次扫描T1WI、T2WI、DWI（b=0或800 s/mm²）等多个序列以及DCE-MRI序列第一期（蒙片），注射对比剂后连续扫描6期图像。对比剂为钆喷酸葡胺（Magnevist, Bayer Health Care Pharma AG, Berlin, Germany）0.1~0.2 mmol/kg，注射流率2 mL/s，等速注射20 mL生理盐水冲管。各序列具体参数见表1。

点击查看表格

表1  各MRI序列主要参数
Tab. 1  Main parameters of each MRI sequence

1.3 临床病理信息及NAT疗效评价

       收集患者的临床和病理组织学资料，包括年龄、月经状态、ER、PR、人表皮生长因子2（human epidermal growth factor receptor 2, HER-2）和Ki-67的表达情况、分子分型及化疗方案。上述生物学标志物从NAT前获取的肿瘤标本中通过免疫组织化学（immunohistochemistry, IHC）和/或原位杂交检测（fluorescence in situ hybridization, FISH）确定。ER、PR作为连续定量变量纳入本研究。HER-2阳性定义为IHC评分为3+、或IHC评分为2+且FISH显示HER-2基因扩增^[23]。术后标本根据MP系统评估NAT后病理学反应^[24]：1级（G1），浸润癌细胞无改变或仅个别癌细胞发生改变，癌细胞数量总体未减少；2级（G2），浸润癌细胞轻度减少，癌细胞减少不超过30%；3级（G3），浸润癌细胞减少介于30%~90%；4级（G4），浸润癌细胞显著减少超过90%，仅残存散在的小簇状癌细胞或单个癌细胞；5级（G5），原肿瘤瘤床部位已无浸润癌细胞，但可存在导管原位癌。MP 3~5级的乳腺癌定义为对NAT敏感^[25]。

点击查看大图

图1  影像组学分析流程图。1A：原始图像获取；1B：肿瘤分割；1C：特征提取；1D：特征选择；1E：列线图构建。DCE：动态对比增强；DWI：扩散加权成像；ROI：感兴趣区；GLCM：灰度共生矩阵；GLDM：灰度依赖矩阵；GLRLM：灰度行程矩阵；GLSZM：灰度大小区域矩阵；NGTDM：相邻灰度差矩阵。
Fig. 1  Radiomics analysis flow chart. 1A: Raw image acquisition; 1B: Image segmentation; 1C: Feature extraction; 1D: Feature selection; 1E: Nomogram construction. DCE: dynamic contrast-enhanced; DWI: diffusion weighted imaging; ROI: region of interest; GLCM: gray level co-occurrence matrix; GLDM: grayscale dependence matrix; GLRLM: gray stroke matrix; GLSZM: gray size area matrix; NGTDM: neighbouring gray tone difference matrix.

1.4 影像组学分析

       影像组学分析流程包括图像获取和重建、图像分割、图像特征提取、特征分析及模型的建立和验证，具体的影像组学分析流程见图1。

1.4.1 图像分割及特征提取

       由1名放射科工作两年余的住院医师利用“达尔文智能研究平台”软件（https://arxiv.org/abs/2009.00908）在T2WI、DWI（b=800 s/mm²）、DCE图像上逐层勾画体积感兴趣区（volume of interest, VOI）；针对多发或多中心病灶，只勾画最大病灶。完后勾画后，由一名超过10年工作经验的医生进行审查，若意见不一致，则进行协商，直至达成一致的勾画结果。在矢状面、冠状面上观察VOI是否贴合肿瘤边缘，标记VOI时应尽量避免超出肿瘤外缘。完成病灶VOI勾画后，使用达尔文科研平台（Pyradiomics包3.0.1）进行特征提取，每个序列提取1781种特征。具体分为四类：（1）一阶特征，也称直方图特征，评估感兴趣区域VOI内的像素密度，不提供像素间的空间信息；（2）形状特征，描述VOI的几何特征，如肿瘤的表面积、体积、表面积等；（3）纹理特征，主要包括衡量不同像素灰度级在一定方向上的关联性和分布的灰度共生矩阵（gray level co-occurrence matrix, GLCM），描述连续像素具有相同灰度级的程度和分布的灰度游程矩阵（gray level run length matrix, GLRLM）、表示图像中具有相同灰度级的像素形成的不同大小的区域的分布情况的灰度大小区域矩阵（gray level size zone matrix, GLSZM），描述图像中相邻像素之间的灰度级别差异的相邻灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）等；（4）高阶统计，特征主要通过对原始图像进行一系列变换（如小波变换、对数变换、平方根变换等）获得，包括一阶统计特征和纹理特征。

1.4.2 特征选择及Rad-score构建

       本研究使用Z-score函数对所有影像组学特征进行标准化，采用Student's t检验或Mann-Whitney U检验，保留P<0.05的特征；采用Spearman相关性分析，保留相关系数大于0.9的特征。最后采用最大相关最小冗余（max-Relevance and Min-Redundancy, mMRM）算法及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法，通过调整，并进行10倍交叉验证，保留最佳特征。确定影像组学特征系数后，每个患者的Rad-score是所选特征按其系数加权的线性组合，可以用式（1）表示。

       Intercept和Feature是Lasso回归中产生的特征对应的截距和特征值，coefficient是逻辑回归中产生的特征回归系数。

1.4.3 列线图的构建

       进行单因素逻辑回归分析确定Rad-score、年龄、月经状态、ER、PR、HER-2表达情况、Ki-67指数、分子分型及化疗方案与NAT敏感性的相关性，将单因素分析结果中P<0.05的变量和Rad-score纳入多因素二元逻辑回归构建影像组学-临床联合模型。采用受试者工作特征（receiver operator characteristic, ROC）曲线评估联合模型的预测能力，并制作列线图将联合模型可视化。绘制校准曲线，进行Hosmer-Lemeshow拟合优度（GOF）检验，评估模型的校准能力，其中P>0.05表示模型检验拟合良好。使用决策曲线分析（decision curve analysis, DCA）评估模型的临床效用。

1.5 统计学分析

       所有统计学分析均在IBM SPSS Statistics version 27和R软件version 3.4.2（R统计计算基础，http://www.R-project.org，2017）中完成。比较训练队列和验证队列中疗效敏感组和不敏感组的临床病理特征差异。K-S检验用于确定连续数值变量的正态性。正态分布数据使用均值±标准差表示，非正态分布数据使用中位数（四分位数间距）表示。敏感组及不敏感组组间比较采用Student's t检验及Mann-Whitney U检验。卡方或 Fisher精确检验用于比较分类变量。采用单因素逻辑回归分析与乳腺癌敏感性相关的临床变量，将P<0.05的临床变量纳入后续分析。使用以下R包：glmnet包用于逻辑回归模型；rms包用于绘制列线图和校准曲线；Hmisc包用于比较C-index；Resource Selection包用于进行Hosmer-Lemeshow检验，rmda包用于进行DCA分析。

2 结果

2.1 临床特征

       共有248例乳腺癌患者纳入研究，其中敏感组168人，不敏感组80人，并按照7∶3比例随机分为训练队列（173例）和验证队列（75例）。在训练队列中，NAT敏感组及不敏感组间ER及PR表达状态差异有统计学意义（P=0.006、P=0.046），组间分子分型在验证队列中差异有统计学意义（P=0.028），组间化疗方案在训练队列及验证队列中差异均有统计学意义（P=0.034、P=0.022），其他临床特征差异均无统计学意义。而训练队列及验证队列之间的临床特征差异无统计学意义（P均>0.05），表明训练队列及验证队列分配方式合理（表2）。

点击查看表格

表2  训练队列及验证队列患者临床病理特征
Tab. 2  Characteristics of patients in the training and test group

2.2 特征选择及Rad-score评分

       图2显示了基于肿瘤区域的影像特征LASSO降维路径图及最佳特征。5343个特征经筛选后最终剩余11个特征，包括：一阶特征1个；纹理特征1个（GLSZM特征）；高阶特征9个（经平方根变换的GLSZM特征1个；经小波变换的GLCM特征2个；经小波变换的GLSZM特征2个；经对数变换的GLSZM特征3个；经对数变换的NGTDM特征1个）。采用线性回归分析对上述特征进行加权并计算其Rad-score。

点击查看大图

图2  LASSO算法筛选影像组学特征的过程。2A：均方误差图；2B：回归系数图；2C：最佳特征集合。LASSO：最小绝对收缩和选择算子；DCE：动态对比增强；DWI：扩散加权成像；GLCM：灰度共生矩阵；GLSZM：灰度大小区域矩阵；NGTDM：相邻灰度差矩阵。
Fig. 2  The LASSO algorithm selects the feature path map based on the lesion area and the best retained features. 2A: Mean square error diagram; 2B: Regression coefficient diagram; 2C: Best feature set. LASSO: least absolute shrinkage and selection operator; DCE: dynamic contrast-enhanced; DWI: diffusion weighted imaging; GLCM: gray level co-occurrence matrix; GLSZM: gray size area matrix; NGTDM: neighbouring gray tone difference matrix.

2.3 联合模型及列线图评价

       在单因素及多因素分析中，Rad-score、ER、化疗方案与乳腺癌对NAT敏感性显著相关（P<0.05），将以上变量纳入logistic回归建立影像组学-临床联合模型（表3）。在训练队列中该联合模型的AUC为0.845（95% CI：0.780~0.910），验证队列中AUC为0.820（95% CI：0.718~0.923）（图3）。基于联合模型构建的列线图对NAT敏感性具有良好的区分度（图4），训练队列的C指数为0.842，验证队列的C指数为0.822。如图5所示，1例ER表达为0.05（15分）的乳腺癌患者，化疗方案为蒽环联合紫衫类（11分），影像组学评分为3.73（78分），共得分104分，根据列线图提示对NAT反应敏感的概率>90%。同时，列线图的校准曲线显示预测结果与实际结果间具有良好的一致性（Hosmer-Lemeshow GOF检验，P=0.166）。临床决策曲线显示在每个阈值下，使用列线图具有较高的总体净效益，因此该列线图具有一定的临床应用价值（图5）。

点击查看大图

图3  训练队列及验证队列中联合模型的ROC曲线。ROC：受试者工作特征；AUC：曲线下面积；括号内数值为95%置信区间。
图4  联合预测模型的列线图、校准曲线和决策曲线分析。4A：联合预测模型的列线图；4B：校准曲线；4C：列线图的决策曲线。y轴表示净收益，x轴表示阈值概率。ER：雌激素受体。
Fig. 3  ROC curve of prediction model in training and test group. ROC: receiver operating characteristic; AUC: area under the curve; Values in parentheses are 95% confidence intervals.
Fig. 4  Nomogram, calibration curve and decision curve analysis (DCA) curve of prediction model. 4A: Nomogram of prediction model; 4B: Calibration curve of prediction model; 4C: DCA curve. The y axis measures the net benefit, the x axis measures the threshold probability. ER: estrogen receptor.

点击查看大图

图5  病理证实MP分级为3级的乳腺癌患者基线MRI、列线图预测概率、术前MRI图像。5A：乳腺病灶在DCE、DWI、T2WI序列上勾画示意图；5B：列线图预测该患者的敏感性概率；5C：患者术前MRI图像，病灶较基线图缩小、强化程度减低（箭）。MP分级：Miller-Payne分级；DCE：动态对比增强；DWI：扩散加权成像。
Fig. 5  The baseline MRI images, nomogram prediction probability and preoperative MRI images of a breast cancer patient with MP grade 3. 5A: Breast cancer lesions were mapped on DCE, DWI, T2WI sequences; 5B: The nomogram predicts the sensitivity probability of this patient; 5C: Preoperative MRI image of the patient, the lesion is smaller and less enhanced than the baseline image (arrow). MP grade: Miller-Payne grade; DCE: dynamic contrast-enhanced; DWI: diffusion weighted imaging.

点击查看表格

表3  影像组学标签和临床因素的单因素及多因素变量logistic回归结果
Tab. 3  Results of logistic regression of univariate and multivariate variables

3 讨论

       本研究利用mpMRI上基于完整肿瘤区域的影像组学联合临床变量建立的联合模型，评估联合模型早期预测乳腺癌对NAT反应的价值。结果发现影像组学、ER、化疗方案与乳腺癌对NAT敏感性显著相关，并且影像组学及临床变量建立的联合模型对早期预测乳腺癌NAT的反应有较好的效能，同时基于联合模型构建的列线图对NAT敏感性具有良好的区分度及临床应用价值，该模型有望为临床医生早期预测及评估乳腺癌对NAT敏感性提供参考依据。

3.1 基于影像组学预测NAT敏感性的价值

       NAT已被证明在局部晚期和不可手术的乳腺癌中具有重要临床价值^[26]，因此，预测最有可能从NAT中获益的患者，对其效果进行准确评价是决定治疗决策的关键问题。临床上常用的方法包括病理学和影像学评价。MP分级标准是目前国内最常用的病理学评估系统，它是基于治疗后原发肿瘤细胞密度减少程度来评估NAT疗效^[27]。并且MP分级标准也与乳腺癌NAT后患者无病生存期显著相关^[28]。由于病理评估具有滞后性，影像学评估可作为乳腺癌NAT疗效动态监测、早期预测、准确评估的一种有效手段。如果能准确预测出对NAT不敏感的患者，则可提醒医生需密切观察患者的治疗反应，以免错过最佳手术时机。同样，准确预测、筛选出对NAT敏感的患者对临床决策具有重要意义。

       乳腺X线检查、超声成像及MRI等是辅助诊断乳腺癌重要的影像检测方法。与前两种影像学方法相比，乳腺MRI更敏感、准确。影像组学可以从医学图像中提取和量化传统成像技术无法识别的高通量特征数据，反映乳腺癌在形态、遗传和分子水平上发生的改变^[29]。有研究表明MRI影像组学可以预测乳腺癌对NAT的病理反应，但这些研究^{[30, 31]}只选择了DCE序列或组学特征中的纹理特征，结果显示基于治疗前MRI影像建立的影像组学模型对乳腺癌pCR有较好的预测效能。mpMRI组学联合临床信息的研究^{[32, 33]}显示其可有效预测NAT后治疗反应，如LIU等^[34]探究了联合mpMRI影像组学特征和临床信息来预测乳腺癌pCR的可能性，结果表明联合模型的预测效能（AUC=0.86）较影像组学模型（AUC=0.79）更好。但上述研究侧重于预测乳腺癌NAT后pCR情况，对于预测对NAT不敏感乳腺癌的研究较少。本研究基于NAT前mpMRI影像组学Rad-score、ER表达情况和化疗方案构建了影像组学-临床联合模型，该模型预测治疗前乳腺癌的NAT敏感性有较高准确性，在训练队列（AUC=0.845）和验证队列（AUC=0.820）中均表现较好的预测性能，且具有良好校准度。最近发表的一项Meta分析^[19]表明，影像组学特征联合临床信息建立的联合模型对NAT后pCR预测较影像组学模型或临床模型更精确。这可能因为NAT疗效受患者的临床分期、组织学和基因信息等多种因素影响，mpMRI图像及临床数据则可提供更多信息，建立更加完善的预测模型，进而提高了联合模型的预测效能。此外，XIONG等^[25]的研究发现影像组学联合临床信息构建的联合模型能有效预测对NAT不敏感的患者，但他们的研究样本量与本研究相比相对偏小，同时本研究将ER、PR作为连续变量纳入分析，较激素受体阳性和阴性的二分类研究可能更有意义。列线图可将模型中所有变量对预测结果的影响程度用刻度线表示出来，使用直观的图表来量化疾病的风险^[35]。在本研究联合模型的列线图中，Rad-score得分最高，提示其预测乳腺癌对NAT反应敏感的权重最高。这与之前的研究^{[13, 25]}一致，因此，本研究进一步证实了MRI影像组学在预测乳腺癌对NAT的反应方面具有一定意义。

3.2 ER作为连续变量纳入研究的意义

       ER受体-α（ER-α）是一种细胞核性类固醇受体，约在75％的乳腺癌中表达^[36]，且ER-α的IHC定量检测用于指导乳腺癌的治疗方案^[37]。根据NCCN指南^[23]，IHC检测<1%肿瘤细胞表达ER视为ER阴性，ER阴性状态与乳腺癌局部复发和远处转移有关^[38]，而ER阳性染色的肿瘤细胞核≥1%视为ER阳性；在NAT中，ER阴性患者的肿瘤缓解率高于ER阳性^[39]。二分类ER状态（阳性与阴性）作为乳腺癌预测分子分型、治疗反应及预后的作用较为明确，但ER弱阳性（1%~10%）乳腺癌的生物学特征仍存在一定争议。一篇Meta分析表明^[39]，ER弱阳性的乳腺癌在预后方面更接近ER阴性乳腺癌，因此建议将ER弱阳性与ER阳性分开分析。ER可以作为连续变量影响乳腺癌生物学行为及对系统治疗的敏感度，不同的表达水平可能导致不同的反应和结果^[40]，将ER作为连续变量可能会更准确预测肿瘤对NAT反应。RAPHAEL等^[22]将ER表达状态作为连续变量纳入研究，以评估其与乳腺癌NAT后病灶缩小和pCR之间的关系，结果表明，ER定量状态与NAT后肿瘤反应呈负相关，并且ER分别达到60%和80%的临界值可以最好地预测肿瘤缩小和pCR，并且ER弱阳性乳腺癌更容易对NAT产生反应并达到pCR，这与本研究结果相似。不同研究得出的结果不同可能因为研究结论受ER病理穿刺活检结果的影响，而这与肿瘤体积大小、穿刺定位准确性及IHC检测规范性等相关。同时这些研究结果也可能受样本量大小影响，从而导致研究结果存在争议。本研究结果表明ER弱阳性及阴性乳腺癌对NAT敏感性更高，这也提示我们在对乳腺癌患者进行全身治疗时应考虑到ER状态。

3.3 化疗方案预测乳腺癌敏感性的作用

       本研究纳入标准化NAT方案和治疗周期以尽量减少其对研究结果的影响，部分患者接受SIBP-01联合多西他赛＋卡铂治疗，这是基于我院“比较注射用重组抗HER-2人源化单克隆抗体SIBP-01联合多西他赛和卡铂，与赫赛汀联合多西他赛和卡铂新辅助治疗早期或局部晚期的HER-2阳性乳腺癌患者的有效性、安全性和免疫原性的，多中心、随机、单盲、阳性药平行对照的等效性Ⅲ期临床研究”项目。TANG等^[41]研究表明，使用不同NAT方案完全缓解/部分缓解的患者生存率无显著差异，而对于患者，TAC、FAC、AC-T、AT、TCBP五种化疗方案比较，差异有统计学意义。本研究也表明NAT方案是乳腺癌NAT敏感性的独立预测因子，但除蒽环序贯紫衫方案外，其他几种方案差异并无统计学意义，这可能与样本量大小有关。

3.4 局限性

       本研究还存在一定局限性。首先，它是一项回顾性、单中心、样本量较小的研究，尚未进行外部验证，可能掩盖了PR、Ki-67、HER-2等临床变量的预测价值，影响结果的普遍性，未来需要进一步扩大样本量进行多中心研究。其次，本研究未单独分析肿瘤的分子亚型，若预测三阴性或HER-2阳性乳腺癌对NAT敏感性可能更凸显影像组学的预测能力。

4 结论

       综上所述，本研究基于NAT前mpMRI影像组学结合临床变量建立的影像组学-临床联合模型及联合模型列线图能有效预测NAT疗效敏感乳腺癌，为早期准确预测乳腺癌NAT敏感性提供了一种新的手段，有望为乳腺癌个性化治疗决策提供一定参考依据。