0 引言

       乳腺癌（breast cancer, BC）作为全球女性发病率最高的恶性肿瘤，其致死率在女性癌症中高居第二位^[1]，预计至2040年全球新增病例将突破400万^[2]。其中，Luminal型与非Luminal型BC在治疗方案选择和预后方面存在显著差异^[3]，准确鉴别这两类亚型对个体化治疗方案的制定具有决定性意义。然而，目前依赖的免疫组化、原位杂交的分子分型方法存在侵入性强、组织取样偏差等问题^[4]，亟需发展一种无创、精准的术前分型技术。多参数磁共振成像^[5]（multi-parameter magnetic resonance imaging, mpMRI）凭借其无创性、高敏感性、高软组织分辨率以及无电离辐射等优势，已成为BC分子分型研究的重要工具，其中，小视野扩散加权成像（ZOOMit-DWI）通过缩小成像视野并结合相位编码方向显著减少运动伪影和磁敏感伪影，提高空间分辨率和信噪比，尤其适用于乳腺等小器官或局部病灶的精细成像。然而，多数基于mpMRI的分子分型方法过度依赖单一序列特征^{[6, 7, 8]}，如动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）的强化模式或扩散加权成像（diffusion-weighted imaging, DWI）的信号强度。近年来，影像组学^{[9, 10]}作为一项突破性技术，通过深度解析mpMRI序列图像的纹理、形态及功能特征，推动了医学影像分析的革新，并成为医学影像领域的研究热点。然而，其在临床转化中仍面临严峻挑战。例如，传统影像组学模型常将肿瘤视为均质化整体进行特征提取^[11]，这一简化假设忽略了肿瘤内部异质性（如细胞密度、代谢活性等的空间分布差异），导致分子分型判别、预后预测等关键临床评估的准确性受到显著制约。生境成像（habitat imaging, HI）^{[12, 13]}是一种基于影像数据的肿瘤微环境分析方法，通过空间分割技术将肿瘤划分为不同生物学特征的亚区（如高血管区、坏死区、浸润区等），反映肿瘤内部异质性（intratumor heterogeneity, ITH）。而现有生境研究多依赖单一模态或简单多模态数据，缺乏对T2WI、DCE-MRI、ZOOMit-DWI等多序列的深度融合，导致微环境特征提取不全面。

       本研究基于mpMRI与HI构建并验证生境影像组学联合模型在BC分子亚型鉴别中的诊断效能。通过对比单模态模型与联合模型的性能差异，探究跨模态特征融合对Luminal型与非Luminal型BC的鉴别价值，旨在解决传统单一影像学方法诊断特异性不足的临床问题，帮助临床无创鉴别BC的亚型。

1 材料与方法

1.1 研究对象

       回顾性地分析2019年12月至2024年5月在马鞍山市人民医院就诊的216例BC患者的影像及临床资料，经穿刺活检或手术病理证实，其中Luminal型147例，非Luminal型69例，年龄26~85（54.8±10.9）岁。纳入标准：（1）在MRI检查前未进行任何穿刺和放化疗；（2）有完整的MRI及临床资料；（3）乳腺病灶图像清晰，没有失真变形，可用于后续图像分析；（4）病理结果证实为BC，且免疫组化结果完整；（5）在同一MRI扫描仪上行乳腺mpMRI检查。排除标准：乳腺病灶体积过小（直径<5 mm），不利于病灶勾画。本研究遵守《赫尔辛基宣言》，经马鞍山市人民医院伦理委员会批准，免除受试者知情同意，批准文号：医学伦审（2024）第11（01）号。

1.2 扫描方法

       所有乳腺MRI检查均使用3.0 T磁共振系统（MAGNETONPrisma; SiemensHealthineers, GERMANY），使用专用18通道乳腺阵列线圈进行。患者取俯卧位，呼吸平稳，躯体和扫描床呈平行状态，手臂上举过头顶，双乳自然下垂于线圈内，脚先进入机器，再常规定位后行下列序列和参数进行扫描。（1）轴位T1TSE序列：FOV 340 mm×340 mm，TR 5.3 ms，TE 2.46 ms，层厚1.5 mm；（2）轴位T2TSE序列：FOV 340 mm×340 mm，TR 6000 ms，TE 63 ms，层厚4 mm，层间距0.8 mm；（3）轴位ZOOMit-DWI序列：FOV 186 mm×186 mm，TR 6000 ms，TE 67 ms，层厚4 mm，层间距0.8 mm，b值为0、20、40、80、120、160、200、400、800、1000、1500、2000、2500 s/mm²，激励次数分别为1、1、1、1、1、1、1、4、8、10、10、12、14；（4）DCE-MRI序列：增强扫描注射使用高压注射器（欧力奇，德国，TennesseeXD2003），动态增强扫描共9期（1期平扫及8期增强），每期扫描时间60 s，第1期平扫结束时注入20 mL钆喷酸葡胺对比剂（北京北陆药业股份有限公司，中国），流速是2.5 mL/s，注射结束后按照上述流速进行冲管，冲管材料是40 mL氯化钠注射液（安徽丰原药业股份有限公司，中国），扫描时间总计584 s。扫描主要视野包括双乳、前胸壁及两侧腋窝。

1.3 图像分析

       所有图像由两名主治医师（分别具有8年及10年乳腺疾病影像诊断工作经验）在双盲情况下进行分析，严格按照乳腺影像报告和数据系统（breast imaging reporting and data system, BI-RADS）（2023年第6版）进行标准化描述，如记录病灶的位置、类型（肿块、非肿块）、形态（圆形、类圆形、不规则形）、边缘（规则、不规则）、最大径、乳腺背景实质强化（极少、轻度、中度、显著）、T2WI和DWI信号强度、瘤周水肿情况。使用医学图像处理软件（Siemens Syngo.via; SiemensHealthineers, GERMANY）的DCE四维组织高分辨成像（Tissue 4D）功能处理动态增强图像，得到反映血流动力学特征的时间-信号强度曲线（time-intensity curve, TIC）类型，包括流入型、平台型及流出型。

1.4 HI分析

1.4.1 肿瘤分割

       由一名具有8年工作经验的影像科主治医师从PACS工作站中导出DICOM图像，使用ITK-SNAP软件（http://www.itk-snap.org）进行BC病灶的分割，在增强第2期图像上逐层手动勾画感兴趣区（region of interest, ROI），无需避开囊变及坏死区，最终形成肿瘤三维体积（volume of interest, VOI），另一名具有10年工作经验的影像科副主任医师对勾画结果进行审核。如果两名医师在分割过程中遇到分歧，则由另一名具有15年以上工作经验的影像科主任医师进行定夺。

       为确保观察者内和观察者间获取特征的一致性，随机抽取60例患者图像。一周后，由另外两名分别具有8年和10年乳腺疾病影像诊断经验的副主任医师重新逐层勾画BC病灶，并计算组内相关系数（intra-class correlation coefficient, ICC）。根据参考文献^[14]，ICC>0.75表示一致性良好。为保证基于增强第2期图像获取的VOI与其他期相匹配，采用SPM软件中的刚体变换，将其他期相的图像与第2期图像对齐。对齐完成后，将VOI和对齐图像导入ITK-SNAP软件中，评估VOI的位置是否准确，若存在不准确的情况，则手动进行修正。

点击查看大图

图1  女，49 岁，病理诊断为左乳浸润性乳腺癌，分子分型为非Luminal 型。1A~1F 分别为该患者的T2WI、DWI、PEI、WASHIN、TTP、WASHOUT序列原始图像，其中红色箭头指示病灶位置；1G~1L：分别为该患者的T2WI、DWI、PEI、WASHIN、TTP、WASHOUT序列相对应的肿瘤生境亚区分割图像，其中红色箭头指示含生境亚区的病灶位置；1M：病灶逐层手动勾画形成的ROI；1N：肿瘤生境亚区分割三维图像。彩色区域代表肿瘤生境，其中包含3 种颜色（即3 种生境亚区）。PEI、WASHIN、TTP、WASHOUT为基于动态对比增强图像生成的4 个序列图像。DWI：扩散加权成像。
Fig. 1  A 49-year-old female was pathologically diagnosed with left breast invasive breast cancer with molecular classification of non-Luminal.1A-1F: The original images of T2WI, DWI, PEI, WASHIN, TTP, WASHOUT sequence, where the red arrow indicates the lesion location; 1G-1L: the T2WI, DWI, PEI, WASHIN, TTP, WASHOUT of the tumor habitat subregion corresponding to the sequence,where the red arrows indicate the focal location in the habitat-containing subregions; 1M: ROI formed by lesion layer by layer; 1N: 3D images of tumor habitat subregion. The colored areas represent the tumor habitat, which contains three colors (i. e., three habitat subregions). PEI, WASHIN, TTP and WASHOUT: four sequence images generated based on dynamic contrast enhancement images. DWI: diffusion-weighted imaging.

1.4.2 生境亚区生成

       选择mpMRI中的T2WI序列、ZOOMit-DWI序列（b值为1000 s/mm²）以及基于DCE-MRI序列分析所得到的不同参数或阶段特征的图像，具体包括PEI、TTP、WASHIN、WASHOUT图像，来进行后续生境亚区的生成操作（图1）。把上述各类图像与相应的ROI进行匹配，从而精准定位每幅图像中的肿瘤区域，并且以肿瘤区域内的各个像素为中心，往各个方向扩展2个像素，得到一个5×5×5大小的滑动窗口。使用开源Python软件包Pyradiomics（https://pyradiomics.readthedocs.io/en/latest/index.html，版本3.0.1，计算成像生物信息学实验室，哈佛医学院）提取窗口中每个像素的影像组学特征，并将所有特征缩放至0到1的范围内。虽然较大的窗口、更多的影像组学特征会增加抗噪声能力，但是本研究需要对肿瘤内的每个像素进行特征提取，而窗口内每增加一个像素或特征，计算量将会呈指数级别增长，故最终将特征数量设定为5组。上述特征均是来自灰度共生矩阵（gray-level co-occurrence matrix, GLCM），分别是Contrast、DifferenceEntropy、JointEnergy、JointEntropy、Correlation，这些特征在图像分析中被视作具备良好区分能力的指标，能够清晰直观地展现不同肿瘤图像的特征差异。在BC相关研究^{[15, 16, 17]}中，这一特性均有不同程度的体现。GLCM^[18]能够捕捉微小的纹理变化，反映图像的不规则性与复杂性，对研究肿瘤图像异质性有重要价值。通过高斯混合模型（gaussian mixture model, GMM）进行聚类分析以识别相似亚区，将k值范围设置为2至10，使用Silhouette系数^[19]评估聚类结果并选择出最佳聚类数目（k=3）（图2），给各个聚类赋予不同颜色标签生成3种生境亚区。以上生境亚区的生成均通过PixelMedAI平台完成。

点击查看大图

图2  Silhouette 系数评估聚类结果并选择出最佳聚类数目（k=3）。
Fig. 2  The Silhouette coefficient evaluates the clustering results and selects the best number of clusters (k=3).

1.4.3 特征提取

       在特征提取之前将所有图像和相应的ROI通过重采样到3 mm×3 mm×3 mm的像素大小和离散化到25个箱宽进行归一化。 应用小波滤波、高斯拉普拉斯滤波、返回局部梯度大小等滤波器，使用Pyradiomics软件提取未滤波（原始图像、生境亚区图像）的影像组学特征和滤波特征进行分析。图像预处理后，原始图像、生境亚区图像分别提取影像组学特征，并分类为一阶（firstorder）特征、形状（shape）特征、GLCM特征、灰度尺寸区域矩阵（gray-level size zone matrix, GLSZM）特征、灰度游程矩阵（gray-level run length matrix, GLRLM）特征、相邻灰度-色调差分矩阵（neighbourhood gray-tone difference matrix, NGTDM）特征、灰度依赖矩阵（gray-level dependence matrix, GLDM）特征。Pyradiomics软件遵守成像生物标志物标准化倡议（Imaging Biomarker Standardisation Initiative, IBSI）。

1.4.4 建立异质性分数

       提出了2个可以量化的主要因素来评估生境亚区的异质性：连通区域的数量（记为ni）和最大连通区域面积（记为Si, max）。每个亚区中更多的连通区域和更小的最大面积对应于更大的异质性。因此，设计了一个新的指数异质性分数（ITH-score），来衡量生境亚区的异质性水平。计算公式见式（1）：

       其中V表示生境亚区中的聚类数，Stotal表示肿瘤面积。

       ITH-score的范围从0到1，较高的ITH-score表示更分散的标签，进一步提示更不均匀的细胞组成和空间分布。LI等^[20]开发的ITH-score可定量测量ITH，结果表明，ITH-score与非小细胞肺癌的肿瘤表型、基因型及患者预后相关。在Ⅰ期非小细胞肺癌中，它能反映肿瘤进展、捕捉恶性程度，区分有无淋巴血管浸润、胸膜浸润，以及不同生存条件的患者组；在Ⅰ期和Ⅱ期非小细胞肺癌中，其水平与异质性相关通路有关。同时，ITH-score测量稳定，还可用于头颈部癌症^[21]的ITH量化。

1.4.5 特征选择及模型构建

       将216例病例按7∶3的比例随机分为训练集和验证集。为筛选具有良好再现性和低冗余的特征，首先对训练集、验证集中的特征进行Z-Score标准化，再进行F检验，将P>0.05的特征去除。其次，对于高重复性的特征，计算Pearson相关系数表达特征之间的关系，保留相关系数>0.9的任何一对特征中的一个。最后，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法，构造惩罚函数λ收缩部分回归系数使一些特征变为0，从而得到稳定的特征。基于scikit-learn机器学习库交叉验证得分，进行10折交叉验证以确定最佳λ值。根据最佳λ值对应的模型，筛选非零系数的特征，通过稳健归一化，对筛选特征进行标准化，根据LASSO回归算法筛选出的特征及其对应的系数，绘制特征系数条形图，以评估各特征重要性。

       经过各特征融合和筛选，分别建立临床模型、影像组学模型和生境影像组学模型。对于影像组学部分，用逻辑回归对影像组学模型与临床特征进行筛选，建立联合模型；对于生境影像组学部分，用逻辑回归对生境影像组学模型、ITH-score与临床特征进行筛选，建立联合模型。

       使用scikit-learn机器学习库构建机器学习分类模型。机器学习分类模型包括逻辑回归（logistic regression, LR）、朴素贝叶斯（naive bayes, NB）、线性核支持向量机（linear support vector machine, liner_SVM）、多项式核支持向量机（polynomial kernel support vector machine, poly_SVM）、sigmoid核支持向量机（sigmoid kernel support vector machine, sigmoid_SVM）、径向基函数核支持向量机（radial basis function kernel support vector machine, rbf_SVM）、决策树（decision tree, DT）、随机森林（random forest, RF）、极端随机树（extremely randomized trees, ExtraTree）、极致梯度提升（xtreme gradient boosting, XGBoost）、自适应增强算法（adaptive boosting, AdaBoost）、多层感知机（multilayer perceptron, MLP）、梯度提升机（gradient boosting machine, GBM）和轻量级梯度提升机（light gradient boosting machine, LightGBM）。为了降低过拟合，进行5折交叉验证以选择训练序列中的分类模型的最佳参数。

1.5 组织病理学分析

       BC标本常规行HE染色及免疫组织化学染色，记录雌激素受体（estrogen receptor, ER）、孕激素受体（progestern receptor, PR）、人类表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）和增殖指数Ki-67的表达情况。如果超过10%的细胞核染色呈阳性，则认为ER或PR状态为阳性。CerbB-2为3+或荧光原位杂交技术扩增比值≥2.0，则为HER-2表达阳性。Ki-67表达≥14%为阳性。BC组织分子分型包括：LuminalA型（ER和/或PR阳性、HER-2阴性、Ki-67<14%）、LuminalB型（ER和/或PR阳性、HER-2阴性、Ki-67≥14%或ER和/或PR阳性、HER-2阳性，Ki-67表达不限）、HER-2阳性（ER和PR阴性、HER-2阳性）和三阴型（ER阴性、PR阴性、HER-2阴性），并记录术后淋巴结转移情况。

1.6 统计方法分析

       使用R语言（版本4.2.1，https://cran.r-project.org/）进行统计检验，当连续变量服从正态分布时，数据采用平均值±标准差格式，否则采用中位数（上下四分位数）格式，连续变量的组间比较采用独立样本t检验或Kruskal-Wallis检验，分类变量采用卡方检验。采用单因素和多因素逻辑回归法中的进入法分析各临床特征指标。绘制受试者工作特征（receiver operating characteristic, ROC）曲线并计算曲线下面积（area under the curve, AUC）、阈值、敏感度、特异度、准确度、阴性预测值和阳性预测值分析各个模型的诊断效能。采用DeLong检验两两比较各组间的差异，进一步使用决策曲线分析（decision curve analysis, DCA）评估模型的净获益。P<0.05表示差异具有统计学意义。

2 结果

2.1 临床特征因素分析

       训练集及验证集Luminal型与非Luminal型的ER、PR、Ki-67及WHO分级的差异有统计学意义（P均<0.05，表1）。

点击查看表格

表1  训练集及验证集中的Luminal与非Luminal患者临床特征比较
Tab. 1  Comparison of the clinical characteristics of Luminal and non-Luminal patients in the training set and validation set

2.2 特征的选择与模型构建

       对于临床部分，通过稳健归一化、F检验筛选临床特征，发现在λ=0.002时，肿瘤最大径、WHO分级、瘤周水肿和T2WI信号强度等特征的系数不为0且绝对值相对较大，表明这些特征在区分Luminal型和非Luminal型BC中具有重要作用，是BC的独立危险因素（P<0.05），最终建立临床模型。

       对于影像组学部分，从T2WI、ZOOMit-DWI和PEI、TTP、WASHIN、WASHOUT图像中共提取1197个特征，其中firstorder特征234个、shape特征14个、GLCM特征286个、GLSZM特征208个、GLRLM特征208个、NGTDM特征65个、GLDM特征182个。再去除冗余特征，上述6组图像最终各筛选出4、5、10、6、11、9个特征，分别建立6组图像的影像组学模型。再筛选6组影像组学模型与临床特征，发现Histological_grades、T2WI、DWI_rad_sign、PEI_rad_sign、TTP_rad_sign和WASHIN_rad_sign是BC的独立危险因素（P<0.05），最终建立联合模型。

       对于生境影像组学部分，从6组图像聚类生成的生境亚区中提取了3591个特征，包括firstorder特征702个、shape特征42个、GLCM特征858个、GLSZM特征624个、GLRLM特征624个、NGTDM特征195个、GLDM特征546个。经过与前文相同的处理步骤，分别筛选出14、13、19、4、14、13个特征，建立6组亚区图像的生境影像组学模型。再筛选6组生境影像组学模型、ITH-score与临床特征，发现maximum、Histological_grades、Edema、T2WI_hab_sign、T2WI_ith_score是BC的独立危险因素（P<0.05），最终建立联合模型。

2.3 各个模型预测效能的评估

       影像组学部分结果显示联合模型预测效果最佳，其训练集的AUC值为0.967，验证集的AUC值为0.798，最优模型为联合模型中的MLP模型（图3、表2）；生境影像组学部分的结果也显示联合模型预测效果最佳，其训练集的AUC值为0.969，验证集的AUC值为0.910，最优模型为联合中的linear_SVM模型（图3、表3）。利用DeLong检验两两比较各组间AUC值的差异，结果显示影像组学联合模型与生境影像组学联合模型、影像组学联合模型与T2WI影像组学模型、影像组学联合模型与WASHOUT影像组学模型、生境影像组学联合模型与T2WI生境影像组学模型间差异无统计学意义（P>0.05）。DCA中各模型的阈值概率在0.1~1.0范围内，对临床有净获益。训练集与验证集中均以联合模型诊断效能较高，尤其以生境影像组学模型中的linear_SVM模型效果最佳（图4）。

点击查看大图

图3  各模型的ROC曲线。3A~3B：影像组学模型在训练集（3A）和验证集（3B）中的ROC曲线。3C~3D：生境影像组学模型在训练集（3C）和验证集（3D）中的ROC曲线。ROC：受试者工作特征；Clinic：临床模型；Combine：联合模型；Rad_DWI：扩散加权成像的影像组学模型；Rad_T2WI：T 2加权成像的影像组学模型；Rad_PEI/TTP/WASHIN/WASHOUT：基于动态对比增强图像生成的各序列的影像组学模型；Hab_DWI：扩散加权成像的生境影像组学模型；Hab_T2WI：T2加权成像的生境影像组学模型；Hab_PEI/TTP/WASHIN/WASHOUT：基于动态对比增强图像生成的各序列的生境影像组学模型；AUC：曲线下面积。
Fig. 3  ROC curves of each model. 3A-3B: ROC curve of the radiomics model in the training set (3A) and the test set (3B). 3C-3D: ROC curve of the habitat radiomics model in the training set (3C) and the test set (3D). ROC: receiver operating characteristic; Clinic: Clinical model; Combine: Joint model; Rad _ DWI: an radiomics model for diffusion-weighted imaging; Rad_T2WI: radiomics model for T2-weighted imaging; Rad_PEI/TTP/WASHIN/WASHOUT: radiomics model of each sequence generated based on dynamic contrast-enhanced images; Hab_DWI: habitat radiomics model for diffusion-weighted imaging; Hab_T2WI: habitat radiomics model for T2-weighted imaging; Hab_PEI/TTP/WASHIN / WASHOUT: habitat radiomics model of each sequence based on dynamic contrast-enhanced images; AUC: area under the curve.

点击查看大图

图4  影像、生境影像组学最优模型的特征及效能评估，最优模型分别为MLP、linear_SVM。4A~4B：MLP、linear_SVM的ROC曲线图；4C~4D：MLP、linear_SVM的校准曲线图；4E~4F：MLP、linear_SVM的阈值概率图；AUC：曲线下面积。
Fig. 4  Characteristics and performance evaluation of the optimal model of radiomics and habitat radiomics are MLP and linear_SVM. 4A-4B: ROC plots for MLP, linear_SVM; 4C-4D: Calibration plots for MLP, linear_SVM; 4E-4F: Threshold probability plots for MLP, linear_SVM; AUC: area under the curve.

点击查看表格

表2  训练集及验证集中的各影像组学模型的诊断效能
Tab. 2  Diagnostic efficacy of each radiomics model in the training set and validation set

点击查看表格

表3  训练集及验证集中的各生境影像组学模型的诊断效能
Tab. 3  Diagnostic efficacy of each habitat radiomics model in the training set and validation set

3 讨论

       本研究基于多模态影像序列图像，通过GMM模型聚类生成生境亚区，构建6组生境影像组学模型，并构建联合模型，评估各模型在预测Luminal型和非Luminal型BC中的应用价值。研究结果表明，Luminal型和非Luminal型BC在Ki-67及WHO分级上存在显著差异，Luminal型BC通常表现为Ki-67指数较低、WHO分级较低的特点。此外，生境影像组学联合模型在Luminal型和非Luminal型BC的预测优于单一影像序列模型。本研究首次提出将T2WI、DCE-MRI、ZOOMit-DWI与HI技术相结合构建生境影像组学模型，并将生境影像组学特征、ITH-score与临床特征相结合构建联合模型，以提高BC分子分型的诊断准确性。这一方法具有重要的临床价值，为Luminal型和非Luminal型BC的早期诊断和精准治疗提供了新的影像学依据。

3.1 GMM模型算法应用于BC的价值

       GMM是一种强大的统计模型，能识别数据中的高斯分布进行硬性或软性聚类，不仅弥补既往模型中存在的一些问题，还能更准确地描述肿瘤复杂的空间异质性^[22]，被广泛应用于医学图像处理等领域。当前实现HI较为常见的模型算法还有K-means聚类法、大津阈值法和马尔可夫随机场模型（Markov random field, MRF）。JEONG等^[23]通过K-means聚类法将81例原发性中枢神经系统淋巴瘤患者治疗前的功能磁共振成像（functional magnetic resonance imaging, fMRI）图像生成3个生境亚区，然而使用生境评分和其他影像参数构建的模型预测指数不高，仅为0.70。不难得出K-means聚类法虽然能对肿瘤图像进行初步聚类，但由于其不够精确，可能导致对肿瘤异质性的理解不够深入，在诊断时可能遗漏一些重要信息，影响治疗决策的准确性。BAILO等^[24]通过大津阈值法将17例恶性胶质瘤患者的PET、灌注加权成像（perfusion weighted imaging, PWI）、DWI 图像生成8个生境亚区，在研究过程中发现大津阈值法因其阈值的限制性不能识别肿瘤ROI中的所有组织，忽略了某些重要组织体素，导致图像分割出现“灰色地带”。相比而言，GMM适用于肿瘤图像异质性复杂，需要精确描述不同区域概率分布的场景。本研究选择GMM进行聚类分析生成生境亚区，就是因为GMM建模能力的优越性和对复杂数据分布的适应性，能够有效处理HI分析中的模糊性和异质性，与此前研究结果大致相符，进一步验证了本研究的可信性。如DONG等^[25]通过GMM对80名BC患者引导放射治疗图像的误差数据开发预测模型，结果显示GMM能用于定量描述和预测BC患者引导放射治疗中设置误差的分布，可有效避免辐射风险、更简单快速进行定量分析、减少设置错误并提高治疗准确性，为BC不被常规影像引导放疗的设置误差控制和扩展肿瘤规划靶区提供重要参考意义。而传统的单一模型在处理复杂多变的肿瘤图像时往往难以精确捕捉肿瘤内部的细微结构和病理生理变化，混合模型算法恰恰弥补了这一缺点。ELOYAN等^[26]在探索预测癌症生存方法的过程中，发现MRF-GMM程序在标记、聚类体素方面比K-means聚类法更有优势。JUAN-ALBARRACÍN等^[27]将GMM与连续MRF融合成一种混合算法，开发了一种用于描述胶质母细胞瘤的解剖学特性和血管生成相关异质性的图像分割技术。未来HI模型将进一步整合多模态影像数据（如功能MRI、分子影像）和基因组学、代谢组学、病理组学等多组学数据，探索BC生境亚区背后的生物学意义，构建更全面的肿瘤生境图谱，从而实现精准化诊疗。

3.2 基于mpMRI的HI预测BC的价值

       HI等独特生理学信息可以通过MRI影像信息来表征^[28]。例如，DWI可以对组织微观结构进行无创评估^[29]，根据DWI数据计算的表观弥散系数（apparent diffusion coefficient, ADC）与肿瘤细胞膜通透性相关，ADC值的增加已被证明是BC治疗反应的早期标志物；DCE-MRI可以测量血管灌注、细胞通透性及组织体积分数，从DCE-MRI数据中得出的药代动力学参数、体积转移常数（volume transfer constant, K^trans）和速率常数（rate constant, Kep）可用于量化治疗后血管的改变，并可作为治疗反应的早期标志物^[30]。上述数据虽能组成ROI的平均参数，但会丢失重要空间信息^[31]。借助HI，这些数据可形成不同生境地图，充分展现肿瘤内异质性。因此，本研究将mpMRI与HI技术相结合，探索生境影像组学模型在Luminal型与非Luminal型BC中的价值。并且既往研究都是关于三阴性乳腺癌（triple-negative breast cancer, TNBC），如XU等^[32]使用K-means聚类法将26个TNBC和122个非TNBC的148个肿瘤增强病灶分为3种生境亚区，并计算亚区的分形维数（the fractal dimension, FD），研究表明高血管细胞生境（OR=0.88）和FD1（OR=1.35）与TNBC独立相关（所有P<0.001），结合高血管细胞生境和FD1的诊断模型对TNBC具有出色的诊断能力，其AUC为0.951，准确率为91.9%。CHEN等^[33]从MRI中提取BC影像组学特征、生境影像组学特征、ITH特征，开发了一个整合重要临床病理变量、影像组学和ITH特征的组合模型，组合模型实现了更好的性能，三个队列的AUC分别为0.83、0.84和0.83。在区分HER-2阳性和阴性BC方面取得了出色的表现，并能进一步区分HER-2低和零BC。而本研究是将生境影像组学特征、ITH-score与临床特征相结合，开发了一个联合模型用于区分Luminal型和非Luminal型BC。相较于既往研究，本研究的创新性体现在以下两方面：首先，在数据整合层面，通过融合多模态影像数据并引入生境影像组学分析框架，系统集成了生境影像组学特征、ITH-score及临床特征多维度指标，构建出特征信息更全面的联合预测模型；其次，在方法验证层面，该模型展现出优越的泛化能力，训练集与验证集的AUC分别达到0.969和0.910，较传统单模态模型显著提升，为临床决策提供了可靠的量化支持。当前，针对Luminal型和非Luminal型BC的生境相关研究相对匮乏，而本研究成果有望为该领域提供有价值的参考与助力，填补部分研究空白，为后续深入探索两种BC亚型的生境特征及临床应用提供一定的理论依据和实践支持。

3.3 临床特征结合HI模型的诊断价值分析

       BC是一种生物学异质性疾病，不同的分子分型对应不同的治疗方式。Luminal型^[34]的特征是ER、PR的高表达，可通过激素进行有效治疗；非Luminal型（包括HER-2过表达型和三阴型）更具侵袭性，相对Luminal型而言预后较差，但是它对新辅助治疗更敏感，病理完全缓解率为20%~40%，达到病理完全缓解的患者一般预后较好。因此，术前识别早期BC患者的分子分型将有助于治疗决策。HUANG等^[35]研究显示如年龄、肿瘤最大径、肿瘤位置等临床特征不是Luminal型与非Luminal型的独立预测因子，这一结果与本研究相符，因为仅通过人口统计学和MRI影像学特征很难区分BC的分子分型。本研究显示，Ki-67在Luminal型与非Luminal型中差异具有统计学意义，这与既往研究结果一致^{[36, 37]}。Ki-67与肿瘤细胞增殖密切相关，在预测BC结果和评估新辅助化疗的疗效方面发挥着至关重要的作用，尤其是对于Luminal型^{[38, 39]}。Ki-67与WHO分级具有一定的一致性，高分级（如3级）的BC往往伴有较高的Ki-67表达，因为低分化的肿瘤细胞通常具有更强的增殖能力，Ki-67指数也就更高；而低分级（如1级）的BC，Ki-67表达往往较低^[40]，这与本研究基本一致。QI等^[41]发现WHO分级在三阴型与非三阴型BC中差异具有统计学意义，而本研究结果显示，即使将BC划分为Luminal型与非Luminal型，WHO分级也同样具有统计学意义。基于临床特征在BC诊断中的可解释性和易获取性优势，将临床特征与生境影像组学特征进行多模态融合，这种多维度特征融合策略不仅强化了BC诊断的生物学解释基础，更重要的是通过整合影像组学的深层信息与临床表型数据，为术前精准评估提供了可靠的双重验证依据，有助于临床医生制定更符合个体化治疗需求的决策方案。比如，对于Luminal型且低WHO分级的患者，可能以内分泌治疗为主；而对于非Luminal型尤其是高WHO分级的患者，可能需要更强化的综合治疗，如化疗、靶向治疗等。

3.4 本研究的局限性

       本研究存在的不足：（1）本研究属于回顾性单中心研究，缺少外部验证环节。后续计划逐步扩大样本量，确保数据分布更为均衡，并引入多中心研究数据，以提升研究结果的普适性与可靠性。（2）研究过程依赖医生的经验与技能，在手动勾画病灶时，不可避免地会产生主观性偏差。未来，将采用人工与半自动化相结合的勾画方式，力求最大程度降低主观性偏差，提高病灶勾画的准确性。（3）HI在提取ITH时，精确度仍有待大幅提升。当前利用HI建立的生境地图，需要与后续组织病理学、基因学和生物化学等多领域数据进行大样本对照研究，以此深入阐释每个亚区的生物学意义，为进一步理解肿瘤特性提供更坚实的理论基础。

4 结论

       综上所述，mpMRI联合HI技术的生境影像组学模型在预测Luminal型和非Luminal型BC中具有重要的潜在价值。与传统的单序列、影像组学相比，mpMRI联合HI技术的生境影像组学模型可以在术前无创、有效地预测Luminal型和非Luminal型BC，有助于临床对BC的诊断、早期治疗及改善预后。