0 引言

       乳腺癌是全球第二大恶性肿瘤，严重影响女性健康^[1]。人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）表达状态不仅是其重要的预后指标，更是靶向治疗的关键决策依据^[2]。随着新型抗体-药物偶联（antibody-drug conjugate, ADC）类药物，如德曲妥珠单抗（Trastuzumab Deruxtecan, T-DXd）的问世，HER-2靶向治疗的获益人群已从传统定义的HER-2过表达型扩展至HER-2低表达型患者^{[3, 4, 5]}。目前，HER-2表达的术前评估仍依赖于有创性病理活检，但乳腺癌在遗传、表观遗传及表型等多维度的显著异质性，不仅影响肿瘤的临床行为与治疗反应，更导致有限的活检组织难以全面覆盖肿瘤整体的分子特征改变^{[4, 6, 7]}。单次活检的基因分析亦无法捕捉肿瘤在治疗期间或治疗后动态演变的生物学特性^[8]。因此，亟需建立简单无创的HER-2表达评估方法。

       影像组学作为一种新兴的无创性定量分析方法，通过深度挖掘医学影像中的高通量特征，从细微和空间视角反映肿瘤的分子特性与肿瘤异质性^[9]。当前，MRI影像组学在乳腺癌HER-2表达评估中优势显著，尤以在传统二分法（阳性 vs. 阴性）中较为成熟^{[10, 11]}。近年来，随着HER-2表达三分法（过表达、低表达、零表达）的提出，不少学者据此开发MRI影像组学模型^[12]。例如，RAMTOHUL等^[13]构建T2WI+动态对比增强（dynamic contrast-enhanced, DCE）影像组学模型区分HER-2零表达与HER-2低表达和HER-2阳性肿瘤。ZHENG等^[14]和LIU等^[15]将三分类拆解为二分类，建立了区分HER-2零表达、过表达、低表达与其他表达的模型；另有研究采用分步策略，先区分HER-2阳性与阴性，再细分零表达与低表达^{[16, 17, 18]}。然而，上述研究均未进一步区分HER-2过表达和低表达。此外，NGUYEN等^[19]通过乳腺癌分子分型与MRI特征关联分析发现，HER-2过表达型乳腺癌表现为非肿块强化（non mass enhancement, NME）的风险是其他亚型的20.498倍，进一步凸显区分该亚型乳腺癌HER-2表达状态的临床必要性^[19]。因此，精准预测该亚型的HER-2过表达与低表达，对优化传统靶向药物与新型ADC药物的分层应用、最大化治疗效益、拓宽获益人群边界具有不可替代的临床价值。

       基于此，本研究拟构建基于多参数MRI影像组学模型并结合常规MRI特征，系统评估其对NME型乳腺癌HER-2过表达和低表达的预测价值，以期为这一特殊亚型乳腺癌的个体化治疗提供可靠的影像学依据。

1 材料与方法

1.1 研究对象

       回顾性分析本院2023年1月至2024年5月经病理证实的乳腺癌患者资料。纳入标准：（1）术前DCE-MRI表现为NME；（2）DCE-MRI检查前未经治疗，包括手术、放疗、化疗或假体植入；（3）患者病理及HER-2表达资料完整。排除标准：（1）病灶小于5 mm；（2）图像质量差，运动伪影大。最终纳入156例女性患者，按8∶2随机划分为训练集（124例）和测试集（32例）。患者的临床资料包括年龄、体质量指数（body mass index, BMI）、是否绝经、癌胚抗原（carcinoembryonic antigen, CEA）、糖类抗原125（carbohydrate antigen 125, CA125）、雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）、Ki-67表达状态、肿瘤的病理类型。本研究遵守《赫尔辛基宣言》，经兰州大学第一临床医学院伦理委员会批准，免除受试者知情同意，批准文号：LDYYLL2025-899。

1.2 仪器与方法

       患者采取俯卧位，双手自然悬垂于线圈内，检查采用3.0 T MRI系统（Signa Architect, GE Healthcare），配备专用16通道乳腺阵列线圈。MRI扫描方案包括轴位T1WI、轴位脂肪抑制T2WI、轴位短时反转恢复（short time inversion recovery, STIR）扩散加权成像（diffusion-weighted imaging, DWI）及轴位脂肪抑制DCE-MRI。DCE-MRI扫描：在静脉注射对比剂之前和之后的8个时间点获取图像，注射对比剂钆-喷酸葡胺（Gd-DTPA，德国拜尔先灵公司），剂量为0.2 mL/kg，随后冲洗20 mL生理盐水。扫描参数：TR 4.3 ms，TE 2.1 ms、FOV 350 mm×320 mm、矩阵320×320、层厚1.4 mm。每个相位捕获时间约为60 s，共112个单相扫描层。

1.3 病理标准

       ER和PR表达阳性为免疫组化核染色≥1%；Ki-67表达以≥20%划分为高表达；HER-2表达通过免疫组织化学（immunohistochemistry, IHC）或原位杂交（in situ hybrization, ISH）检测确定，HER-2过表达（IHC评分3+或IHC评分2+且ISH检测呈扩增）、HER-2低表达（IHC评分1+或IHC评分2+但ISH检测无扩增）^{[12, 20, 21]}。

1.4 图像分析

       在对病理结果不知情的情况下，一名住院医师（3年乳腺诊断经验）和另一名主治医师（5年乳腺诊断经验）分别对所有图像进行独立分析。当评估结果不一致时，则与另一位副主任医师（10年乳腺诊断经验）进行讨论来获取最终结果。MRI影像学特征包括：（1）背景实质强化（background parenchymal enhancement, BPE）；（2）乳腺纤维组织类型（fibroglandular tissue, FGT）；（3）分布模式：线样（沿分支或不分支的线样强化）、局灶（强化范围<1/4象限）、段样（尖端指向乳头，呈三角形或锥形强化）、区域（≥1个象限的强化，且不沿导管走行方向分布）、多发区域（≥2个区域的强化）或弥漫（强化范围广泛，累及整个乳腺）；（4）强化特点：均匀、不均匀、簇环或集簇样；（5）时间-信号强度曲线（time-intensity curve, TIC）：Ⅰ型（流入型）、Ⅱ型（平台型）、Ⅲ型（流出型）；（6）肿瘤最大径；（7）腋窝淋巴结状态；（8）扩散加权系数（apparent diffusion coefficient, ADC）值，ADC值需在ADC图像上识别肿瘤低信号区域，手动绘制二维感兴趣区（region of interest, ROI）（避开正常乳腺组织及囊变、坏死、出血区，测量面积≥5 mm²），测量3次取平均值后，记录ADC的最大值（ADCmax）、平均值（ADCmean）、最小值（ADCmin）。

1.5 图像分割与特征的提取、筛选

       使用ITK-SNAP软件，首先导入患者的DCE-2期、DCE-8期及DWI图像，以DCE-2期图像为固定基准序列，采用刚性配准算法将DCE-8期与DWI图像与之进行空间对齐；同时放射科医师通过肉眼观察解剖结构对应关系进行手动校正，进一步确保各序列间空间位置的精准匹配。配准校正后，一名住院医师（3年乳腺诊断经验）和另一名主治医师（5年乳腺诊断经验）分别独立对肿瘤区域进行手动逐层勾画。若两人勾画的ROI存在不一致，则与1名具有10年乳腺影像诊断经验的副主任医师进行商讨，若商讨结果仍不一致，则与另1名具有20年乳腺影像诊断经验的主任医师协商以确定肿瘤边界，并生成肿瘤三维感兴趣区（volume of interest, VOI）（图1）。随后，使用基于Python（3.7.6）的FeAture Explorer（FAE）软件提取影像组学特征，提取的特征类型包括一阶统计特征值、形状特征、灰度共生矩阵等纹理特征以及经过小波变换得到的特征。

       随机选取25张患者的MRI图像重复上述肿瘤分割过程，计算组内相关系数（intra- class correlation coefficient, ICC）用于评价观察者间及观察者内的一致性，ICC>0.75的特征被纳入后续分析。特征的筛选及降维：（1）使用Z-score对训练集的影像组学特征进行标准化；（2）计算每对特征的Pearson相关系数（Pearson correlation coefficient, PCC），对其中PCC>0.90的特征进行剪枝；（3）利用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）结合10折交叉验证降低特征空间维度。

点击查看大图

图1  ROI的勾画。女，51岁，非肿块强化型乳腺癌患者。1A：增强早期（DCE-2）；1B：增强延迟期（DCE-8）；1C：扩散加权成像。红色曲线为病灶ROI。DCE：动态对比增强；ROI：感兴趣区。
Fig. 1  ROI delineation of the region of interest. Female, 51 years old, patient with non-mass enhancement breast cancer. 1A: Early enhancement phase (DCE-2); 1B: Delayed enhancement phase (DCE-8); 1C: Diffusion-weighted imaging. Red curve indicates the lesion ROI. DCE: dynamic contrast-enhanced; ROI: region of interest

1.6 影像组学模型和融合模型的构建

       采用Enet算法分别构建DCE-2、DCE-8、DWI模型以及三者联合模型。之后，使用公式（1）计算联合模型的rad-score。采用logistic回归分析筛选预测HER-2表达的独立影响因素。最后，将计算得到的rad-score与独立影响因素联合以构建融合模型。

       其中，Xi代表选择的特征值，Ci代表特征值的回归系数，b代表截距。

1.7 统计学分析

       统计学分析采用R 4.4.3软件和SPSS 27.0软件进行分析。计量资料先进行Kolmogorov-Smirnov检验，并以均值±标准差或中位数（上下四分位数）表示，组间比较采用t检验或Mann-Whitney U检验。计数资料使用频数（百分比）表示，组间比较采用χ²或Fisher精确检验。采用DeLong检验对进行模型间的比较。采用Bootstrap法对列线图进行验证和校准。采用受试者工作特征（receiver operating characteristic, ROC）曲线、校准曲线、决策曲线评估模型的效能、一致性和临床应用价值。P<0.05表示差异具有统计学意义。

2 结果

2.1 患者基线特征以及独立影响因素的筛选

       本研究共纳入156例患者，训练集124例，其中HER-2低表达72例、过表达52例；测试集32例，其中HER-2低表达18例、过表达14例。训练集和测试集的临床资料及影像学特征组间比较见表1。在训练集和测试集中，年龄、BMI、是否绝经、CA125、CA153、Ki-67 表达、BPE、FGT、TIC、腋窝淋巴结状态差异无统计学意义（P>0.05）。训练集中，CEA、ER、PR、病理类型、肿瘤最大径、分布模式、强化特点、ADCmean、ADCmax、ADCmin差异有统计学意义（P<0.05）。将训练集中有统计学意义的变量纳入logistic回归分析（表2），结果显示，肿瘤最大径是HER-2过表达和低表达的独立影响因素（P<0.05）。

点击查看表格

表1  训练集和测试集HER-2过表达和低表达临床资料及影像特征对比
Tab. 1  Comparison of clinical data and imaging features between HER-2 overexpression and low expression in the training set and test set

点击查看表格

表2  单因素及多因素分析
Tab. 2  Univariate and multivariate analyses

2.2 影像组学模型的效能

       两名医师勾画ROI的ICC为0.78~0.89（P均<0.05），不同序列特征提取的组间一致性良好。通过FAE软件特征提取模块，从DCE-2、DCE-8、DWI序列中分别提取了851个特征，共2553个特征。最终，DCE-2、DCE-8、DWI及三者联合保留的特征数分别为3、11、7和9（图2）。基于筛选出的特征采用Enet算法分别构建单序列及联合序列共4个影像组学模型。结果显示，DCE-2、DCE-8、DWI模型的AUC值在训练集和测试集分别为0.746和0.714、0.768和0.714、0.721和0.635；三者联合时预测效能最佳，其训练集AUC为0.823、准确度为72.9%、敏感度为69.4%、特异度为76.4%，测试集AUC为0.734、准确度为65.6%、敏感度为61.1%、特异度为71.4%（表3、图3）。

点击查看大图

图2  DCE-2+DCE-8+DWI联合模型的影像组学特征降维筛选示意图。2A：LASSO交叉验证结果；2B：LASSO回归系数途径图；2C：联合模型最终筛选得到的特征。DCE-2：增强早期；DCE-8：增强延迟期；DWI：扩散加权成像；LASSO：最小绝对收缩和选择算子。
Fig. 2  Schematic diagram of dimensionality reduction and screening of radiomics features for the combined DCE-2 + DCE-8 + DWI model. 2A: Results of LASSO cross-validation; 2B: Path diagram of LASSO regression coefficients; 2C: Features finally screened by the combined model. DCE-2: early enhancement phase; DCE-8: delayed enhancement phase; DWI: diffusion-weighted imaging; LASSO: least absolute shrinkage and selection operator.

点击查看大图

图3  各模型在训练集（3A）和测试集（3B）的ROC曲线。DCE-2：增强早期；DCE-8：增强延迟期；DWI：扩散加权成像。
Fig. 3  ROC curves for each model in the training set (3A) and test set (3B). DCE-2: early enhancement phase; DCE-8: delayed enhancement phase; DWI: diffusion-weighted imaging.

点击查看表格

表3  训练集和测试集中不同模型的诊断效能结果
Tab. 3  Diagnostic performance results of different models in the training and test sets

2.3 融合模型的效能及可视化

       将联合模型的rad-score结合肿瘤最大径构建融合模型，并以列线图的形式展示（图6）。结果显示，融合模型在训练集AUC为0.844、准确度为76.4%、敏感度为74.3%、特异度为78.4%，测试集AUC为0.808、准确度为68.8%、敏感度为70.6%、特异度为66.7%（表3、图3）。Bootstrap法内部验证的校正一致性指数（concordance index, C-index）为0.766，说明模型的预测效能较好。DeLong检验显示联合模型和融合模型之间差异无统计学意义（P=0.316）。校准曲线显示融合模型的预测结果和实际结果基本相符（图4）。DCA显示融合模型净收益良好，具有一定的临床应用价值（图5）。SHAP结果分析显示（图6），患者的rad-score值对融合模型的预测效能贡献度最大。

点击查看大图

图4  融合模型在训练集（4A）和（4B）测试集的校准曲线。
Fig. 4  Calibration curves of the fusion model in the training set (4A) and test set (4B).

点击查看大图

图5  融合模型在训练集（5A）和测试集（5B）的决策曲线。
Fig. 5  Decision curves of the fusion model in the training set (5A) and test set (5B).

点击查看大图

图6  融合模型可视化。6A：融合模型的列线图；6B：依据SHAP值排序的特征重要性；6C：根据SHAP值特征贡献度的热图分布图。
Fig. 6  Visualization of the fusion model. 6A: Nomogram of the fusion model; 6B: Feature importance ranked by SHAP values; 6C: Heatmap distribution of feature contribution based on SHAP values.

3 讨论

       本研究首次聚焦于NME型乳腺癌，基于多参数MRI影像组学及常规MRI特征构建预测模型，系统评估其在HER-2过表达和低表达状态中的预测效能。结果表明，融合模型对NME型乳腺癌HER-2表达水平具有良好的预测性能，可为临床早期、无创地评估HER-2状态及精准指导靶向治疗提供重要参考依据。

3.1 MRI影像组学在HER-2过表达和低表达中的应用

       HER-2作为乳腺癌的原癌基因，其过表达与乳腺癌复发、转移及不良预后密切相关^[22]。既往曲妥珠单抗等传统HER-2靶向治疗在HER-2过表达患者中疗效明确且应用广泛^{[23, 24]}。而随着新型ADC药物（如T-DXd）在HER-2低表达人群中的突破性进展，该群体成为这类药物（如T-DXd）的适用对象，因此精准区分过表达与低表达成为优化靶向治疗策略的关键。目前，虽有少数学者探索HER-2过表达与低表达的预测，但研究多集中于肿块型乳腺癌，对NME型这一特殊亚型的关注仍相对匮乏^{[25, 26, 27, 28]}。为此，本研究针对NME型乳腺癌系统分析DCE-2、DCE-8和DWI序列的影像组学特征，构建了单序列及多序列联合预测模型。结果显示，在单序列模型中，DCE-2与DCE-8期相表现出相近的预测效能（测试集AUC均为0.714），均优于DWI序列（测试集AUC=0.635），这一结果与陈贤飞等^[25]基于DCE-2构建的模型（测试集AUC=0.77）相印证，证实了动态增强早期相的基础价值。值得注意的是，特征选择结果显示DCE-8期相保留了最多的特征数（11个），显著多于DCE-2期相（3个）和DWI序列（7个），这一发现与丁敏溪等^[26]强调的多期相动态增强价值高度呼应，提示延迟期可能蕴含独特生物学信息：DCE-2反映早期血流灌注差异，而DCE-8捕捉的对比剂廓清特征可体现HER-2过表达相关的血管通透性延迟变化。此外，采用三序列联合策略（DCE-2+DCE-8+DWI）后模型效能进一步提升，训练集和测试集的AUC达到0.823和0.734，不仅优于各单序列模型，还优于WANG等^[27]报道的DCE+T2WI+ADC多参数模型（AUC=0.816）。这一结果不仅支持多参数融合优势理论，还通过特征选择揭示了多序列融合的互补机制：联合模型最终保留9个特征，远少于单序列特征总和（21个），提示多序列融合并非简单的信息叠加，而是通过筛选具有互补性的关键特征提升模型特异性，这也解释了为何联合模型效能优于单序列模型。尽管本研究测试集AUC（0.734）略低于PENG等^[28]报道的DCE+DWI+ADC模型（外部验证AUC=0.75-0.77），但考虑到本研究聚焦的NME型乳腺癌常混杂正常乳腺组织、肿瘤异质性更强的特殊性，这一结果仍凸显了针对该亚型研究的临床价值。

3.2 MRI特征的筛选及融合模型的评价

       关于乳腺癌HER-2表达的独立影响因素，现有研究结论存在差异。沈梦伊等^[29]发现强化方式是区分乳腺癌HER-2阳性与阴性表达的独立影响因素，这与本研究结果不一致。分析原因，一方面是研究样本差异（此研究中NME病灶仅占15.4%）；另一方面，影像设备参数、建模策略等的不同也可能导致结果偏差。值得注意的是，丁敏溪等^[26]发现HER-2过表达乳腺癌的肿瘤最大径整体大于HER-2低表达乳腺癌，且肿瘤最大径是区分两者的独立影响因素，这与本研究结果一致。从生物学机制看，HER-2过表达可增强肿瘤细胞增殖活性、提升侵袭能力，并可上调血管内皮生长因子（vascular endothelial growth factor, VEGF）等促血管生成因子的表达，诱导肿瘤血管新生，从而为肿瘤的生长提供营养支持^{[30, 31]}；此外，HER-2过表达可潜在激活人表皮生长因子受体（epidermal growth factor receptor, EGFR）信号通路，进一步协同促进肿瘤细胞增殖、血管生成，最终共同导致肿瘤不断增大^[32]。

       本研究发现，将rad-score与肿瘤最大径联合构建的融合模型预测效能最佳，这得益于“微观定量+宏观定性”的多维整合优势：rad-score量化肿瘤微观异质性^[9]，肿瘤最大径反映宏观侵袭范围，二者协同更全面捕捉HER-2表达相关的生物学差异。同时，弹性网络算法通过自适应赋权平衡参数贡献，规避过拟合，优化多源数据整合效率，支撑模型测试集AUC达0.808，泛化能力良好。此外，本研究通过列线图直观呈现融合模型对NME型乳腺癌HER-2表达的预测概率，并结合SHAP算法解析特征贡献度与重要性，结果显示rad-score的重要性显著高于肿瘤最大径，且其SHAP值分布范围更广，其值越高对模型正向输出的影响越大，进一步提升了模型的可解释性。

3.3 局限性

       （1）本研究样本量较小，且为单中心、回顾性研究，样本的选择可能存在偏倚，缺乏外部数据集的验证，未来需开展多中心研究扩大样本量以提升模型稳健性；（2）本研究未纳入HER-2零表达，主因目前收集到的NME型乳腺癌中HER-2零表达较少（15例），样本量较小影响模型稳定性，后续可通过扩大样本完善HER-2表达的三分类预测；（3）本研究只选择瘤内影像组学模型，未来可考虑扩展瘤周区域以及深度学习在NME型乳腺癌HER-2表达方面的预测效能。

4 结论

       本研究基于多参数MRI影像组学联合MRI特征构建的融合模型，在无创预测NME型乳腺癌HER-2过表达和低表达方面展现出良好的应用潜力，为临床个体化分层靶向HER-2治疗提供了可靠的影像学依据。