0 引言

       乳腺癌是全球最常见的恶性肿瘤之一，其发病率与死亡率持续位居女性恶性肿瘤首位^{[1, 2]}，对国际公共卫生安全构成重大威胁。目前，乳腺X线摄影和超声检查是乳腺癌筛查的主要方式，而磁共振成像（magnetic resonance imaging, MRI）凭借其无辐射、多参数成像及高软组织分辨率的优势，在病灶精准评估方面更具潜力^[3]。动态对比增强MRI（dynamic contrast enhanced MRI, DCE-MRI）可进一步提供灌注及血流动力学信息^[4]，显著提升了诊断效能（特异性达75%~85%）^[5]。然而，当前乳腺MRI结构及功能成像存在一定的假阳性及假阴性，并且放射科医生对乳腺病变的分类、分级及疗效评价有主观差异，这些因素共同影响了临床决策的准确性。

       影像组学通过高通量提取医学影像的深层特征，可量化表征肿瘤生物学特性及瘤内异质性（intratumoral heterogeneity, ITH）^[6]，已被广泛应用在乳腺肿瘤的临床诊疗方面^[7]。影像组学结合人工智能（artificial intelligence, AI）技术实现了更精准、高效的研究^[8]。然而，现有影像组学及影像基因组学多将肿瘤视为均质整体，未能充分解析其空间异质性特征。生境分析，又称生境成像，它是一种基于多参数影像的功能亚区分割技术，可识别具有相似生物学特征的空间域^[9]。在乳腺癌的精准诊疗中，基于生境分析构建的模型具有较高的诊断效能^{[10, 11]}，其定量表征各功能亚区的影像特征（如动态增强参数、纹理特征等）与乳腺癌分子分型、基因特征、淋巴结转移状态、新辅助治疗疗效评估及预后预测存在显著相关性。例如，多b值扩散加权成像（diffusion weighted imaging, DWI）序列中，同时表现为较低平均峰度（mean kurtosis, MK）（提示组织微观结构复杂性较低）与较低表观扩散系数（apparent diffusion coefficient, ADC）（提示细胞密度较高）的区域，更有可能达到病理完全缓解（pathological complete response, pCR）^[11]。DCE-MRI中，呈现高灌注（平均K^trans为0.18 min^-1）和高细胞密度（平均ADC为1.2×10^-3 mm²/s）的区域，往往呈现Ki-67高表达^[12]，进一步证实这些影像特征可有效反映肿瘤生物学特性。但是，当前研究多为单中心小样本回顾性分析，且缺乏标准化的亚区分割方法，所以有必要对基于MRI生境分析在乳腺癌临床诊疗中的发展现状和不足进行总结。

       目前，乳腺癌MRI生境分析已成为国内外学者的研究热点，并已有相关的文献综述对此进行了系统性的探讨与总结^{[13, 14, 15]}。但既往综述多集中于生境分析的定义、建模方法及临床预测价值，而对其标准化工作流程，尤其是基于深度学习的自动分割技术，仍鲜有关注。本文系统综述了当前肿瘤生境分析技术及其在乳腺癌MRI中的研究进展，评析了现有研究的不足，探讨其临床转化潜力并提出了未来研究方向，旨在推动该技术赋能临床诊断与精准治疗策略的优化，为改善患者预后提供新思路。

1 乳腺癌异质性与生境分析概述

       乳腺癌是一种具有高度时空异质性的疾病，其肿瘤间及肿瘤内异质性特征与组织病理学分型、治疗敏感性差异及临床预后转归密切相关^[16]。时间异质性表现为肿瘤演变过程中，从原位乳腺癌进展为浸润性癌，进一步发展为转移性疾病时，原发灶与转移灶之间或不同转移灶之间的分子分型和生物学行为差异^[17]，也反映在接受治疗后肿瘤内部区域随时间发生的异质性重塑^[18]。空间异质性则反映为肿瘤内部不同的区域在细胞表型、转录组图谱、表观遗传和基因突变等分子层面的差异^[19]，这种异质性可直接导致不同肿瘤区域的灌注和代谢出现显著差别^[20]。目前研究证实，乳腺癌时空异质性的形成机制与乳腺干细胞的异常分化、肿瘤微环境的动态调控、克隆进化过程中基因突变等因素有关^[21]。我们可以将乳腺癌视为一个动态的细胞生态系统，其中异质性肿瘤细胞亚群通过达尔文选择和克隆进化获得适应能力，并通过代谢协作等机制促进肿瘤进展和治疗抵抗。另外，肿瘤微环境（tumor microenvironment, TME）中各种免疫细胞和基质细胞亚群的组成、空间分布和功能网络调控也会影响疾病的进程^[22]。因此，深入解析乳腺癌不同栖息地的时空异质性将有助于实现对患者分层，预测治疗反应及开发新型治疗靶点，为个体化治疗提供科学依据。

       生境分析是在影像组学的基础上衍生的一种研究技术，其核心在于将肿瘤分割成几个与病理生理密切相关的不同亚区，通过识别具有相似环境适应能力及进化特征的肿瘤细胞集群，实现肿瘤异质性的可视化及定量表征^[23]。该方法采用有监督或无监督的聚类算法，对医学影像中的体素点进行特征聚类，通过提取各亚区的定量异质性参数，解析影像组学特征与微观遗传生物信息之间的关联。目前，该技术已广泛应用于多种癌症研究，其中胶质瘤和乳腺癌是研究较为集中的领域^[24]。

2 生境分析的核心技术

       生境分析标准化工作流程可分为四个阶段：数据收集、亚区分割、特征提取及模型建立^[25]。其中，选取可靠的影像学标志物及精细的亚区分割是提高生境分析准确性的关键。

2.1 选择影像学标志物

       生境分析的首要环节是筛选具有明确病理生物学意义的影像学标志物。当前乳腺癌生境分析相关的研究中，影像学生物标志物主要采用多参数MRI（multiparametric MRI, mpMRI），如DCE提供血流动力学参数，DWI反映细胞密度^[26]等。通过提取这些定量生理参数，为评估乳腺癌的异质性和微环境特征提供客观依据。

2.2 亚区分割

       目前生境亚区分割方法主要有以下几种：（1）手动分割，通过人工识别图像像素的差异来划分瘤内不同子区域，如肿瘤强化区域、坏死区域及水肿区域。既往研究证实，基于手动分割构建的胶质母细胞瘤（glioblastoma, GBM）总生存期（overall survival, OS）预测模型展现出优异的诊断效能（AUC=0.93）^[27]。但这种方法可能更适用于影像学特征异质性较为显著的肿瘤类型。此外，手动分割过程效率较低，且人为干扰因素大。（2）阈值分割，通过在某些维度中定义一个或多个阈值，进而对病灶进行分割。ZHANG等^[28]根据不同区域达到强化峰值的时间差异，将病灶划分为早期、中期和晚期三个亚区，并基于这些亚区的纹理特征分析，实现了对乳腺良恶性肿瘤的鉴别。大津法，又称最大类间方差法或Otsu，它的核心是通过最大化类间方差选择一个合适的阈值，使得图像前景和背景之间的差异最大，对应的类内方差最小。这种分割方法计算简单，不受图像亮度和对比度的影响，适用性广^[14]。有研究^[29]采用扩散峰度成像进行肿瘤生境分析，基于Otsu阈值法将肿瘤分为四个子区域，能够有效区分成人型弥漫性胶质瘤的异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）野生型和突变型。此外，还有一些阈值定义的不同方法，如高斯混合模型（gaussian mixture model, GMM）^[10]，ADC的肿瘤/正常皮质（T/N）比值^[30]等。（3）聚类，K-means是目前使用最广泛的一种无监督聚类算法，通过迭代优化将样本划分为K个簇，使每个样本点归属于最近的簇中心，最终实现簇类平方误差和（sum of squared errors, SSE）最小化。XU等^[31]使用K-means聚类，将对比增强的病灶分为3个空间生境，发现富血供细胞栖息地分数及其分形维数（fractal dimension, FD）可以作为预测三阴性乳腺癌（triple-negative breast cancer, TNBC）的有效影像学生物标志物。K-means聚类法原理简单，参数较少，适用于大规模生境数据的快速分割，但其分类结果依赖于预设的K值，可能影响分析的客观性。除此之外，K-means++^[32]、分层聚类^[33]和围绕中心点聚类（partition around medoids, PAM）^[34]等都是常用的聚类方法。

       综上所述，基于不同分割方法的生境分析已在肿瘤研究中展现出重要价值。然而，目前尚缺乏关于不同方法在运算效率与结果准确性方面的系统性比较。

       近年来，深度学习驱动的分割技术在生物医学领域快速发展，通过端到端的全自动处理流程，展现出优异的跨模态及跨中心泛化性能^[35]。然而，如何实现深度学习模型与传统生境分析方法的技术融合，并准确量化表征肿瘤异质性特征，现有研究相对有限。TANG等^[36]开发并验证了一种基于时空交互（spatiotemporal interaction, STI）的深度学习模型，通过整合乳腺癌患者新辅助化疗（neoadjuvant chemotherapy, NAC）前后DCE-MRI图像的纵向生境分析，实现了早期非侵入性预测肿瘤治疗反应。该模型使用Siamese网络架构处理NAC前（T0）和NAC早期（T1）的DCE-MRI图像，并结合肿瘤生境分割，实现对肿瘤空间异质性的表征。同时，模型通过Transformer多头注意力机制整合两个时间点的特征，捕捉肿瘤生物学行为的时序变化。结果表明，STI模型的预测性能显著优于单时间点模型（T0或T1）、单时间点加空间信息模型（T0+Spatial、T1+Spatial）以及仅使用双时间点但未建模时空交互的T0+T1模型（AUC=0.981），且在多中心和前瞻性数据上性能稳定（AUC为0.892~0.923），具备良好的泛化能力。该研究体现出深度学习框架在整合肿瘤空间异质性和时序动态变化特征方面的独特优势。由此可见，基于深度学习的自动分割技术在量化表征ITH方面具有巨大潜力，未来的研究需要在多中心、多模态的大规模临床试验中进一步验证该技术的鲁棒性。另外还可以整合多组学数据，构建更可靠的预测模型，以提升临床实用价值。

3 生境分析在乳腺癌诊疗方面的临床应用

3.1 生境分析在预测乳腺癌分子分型方面的应用

       从分子生物学角度，乳腺癌被划分为四个关键亚型：ER和/或PR阳性的Luminal A型、增殖指数较高的Luminal B型、HER-2扩增型以及缺乏ER/PR/HER-2表达的TNBC，各亚型在预后特征和治疗敏感性方面均存在显著差异^[37]。CHEN等^[37]对两个机构的614名乳腺癌患者进行回顾性研究，他们采用K-means聚类方法将DWI及DCE-MRI图像生成3个肿瘤生境，随后基于影像组学特征和生境影像组学特征构建了影像组学标签及ITH标签。研究显示，ITH标签在区分HER-2阳性与阴性、HER-2低表达与零表达的两个任务中均表现出更优的诊断效能（AUC为0.81~0.94），有助于精准筛选适合抗HER-2靶向治疗的患者群体。在另外一项研究中，HUANG等^[38]回顾性纳入113名乳腺癌患者，通过整合乳腺癌患者正电子发射计算机断层显像（positron emission tomography, PET）和MRI多模态影像组学特征，采用无监督共识聚类算法将肿瘤分为三个异质性亚群。结果发现基于这些亚群所提取的影像组学特征与乳腺癌分子分型之间存在显著相关性（P=0.008 5）。鉴别Luminal型乳腺癌是实施内分泌靶向治疗、实现精准医疗的基础。程卫群等^[39]回顾性分析了216例乳腺癌患者的多参数MRI（T2WI、DWI、DCE）图像，采用GMM聚类方法将肿瘤划分为3个生境亚区，随后提取影像组学及生境影像组学特征，通过标准化处理筛选出最优特征，分别构建临床模型、影像组学模型、生境影像组学模型和各自的联合模型，结果表明联合生境影像组学、ITH-score与临床特征的预测模型在鉴别Luminal型和非Luminal型乳腺癌方面效能最佳，训练集及验证集AUC分别为0.969、0.910。

       以上研究表明，基于定量MRI的生境分析方法可准确识别与乳腺癌分子亚型显著相关的肿瘤功能亚区，结合影像组学特征分析进一步提升了研究结果的生物学解释能力。整合MRI与PET的多模态生境影像组学模型，为乳腺癌分子表型的解析及预后评估提供了新的研究方向。然而，现有研究构建的预测模型效能存在较大差异，主要原因包括以下几点：（1）样本量差异较大，小样本量往往导致模型过拟合；（2）研究人群在地域分布、年龄及组织病理学特征等方面存在差异；（3）所选用的影像学生物标志物存在单序列、多序列及多模态等不同策略；（4）目前生境分析亚区分割方法呈现多样性。这些因素均可能影响模型效能的稳定性。未来研究应当扩大多中心样本量，建立标准化工作流程，并结合先进的自动化分割技术优化肿瘤特征提取，进而提高模型的可重复性。

3.2 生境分析在揭示乳腺癌基因特征表达方面的应用

       乳腺癌是一种高度异质性的疾病。研究表明，BRCA1、BRCA2和TP53等关键基因的致病性突变是遗传性乳腺癌的重要分子基础^[40]，这些基因变异不仅驱动肿瘤的发生发展，还通过影响肿瘤生物学特性导致临床预后的差异^[41]。因此，深入解析乳腺癌的基因特征，对于揭示其异质性本质、开发精准治疗策略及改善患者生存结局至关重要。DU等^[41]基于术前增强MRI数据进行肿瘤生境分析，他们使用了两步聚类法：先基于体素层次进行马尔可夫随机场（markov random field, MRF）聚类，然后对新的图像进行K-means聚类，最终将每个肿瘤划分为3个特征性亚区。通过提取5个聚类参数构建独立/联合预测模型以识别BRCA1突变。结果显示，Calinski-Harabasz指数与Inertia的联合模型诊断效能最优（训练组AUC=0.903，验证组AUC=0.845）。放射基因组学搭建了影像特征与基因特征的桥梁，为乳腺癌的精准诊疗提供关键依据。FAN等^[42]回顾性分析癌症基因组图谱-乳腺浸润性癌（the cancer genome atlas-breast invasive carcinoma, TCGA-BRCA）队列的DCE-MRI及匹配的基因表达数据，最终纳入87例患者。他们采用混合凸分析（convex analysis of mixtures, CAM）对肿瘤影像进行分解，提取出代表血浆输入、快流动力学和慢流动力学三个特征成分。通过放射基因组学分析，探究肿瘤及肿瘤亚区预后相关影像特征与基因模块的关联。同时确定了与影像特征显著相关的基因标签，进一步分析这些基因标签与无复发生存期（recurrence-free survival, RFS）及OS的相关性。结果表明，肿瘤亚区影像特征的方差和四分位数间距显著低于全肿瘤影像特征，表明其数据更稳定、异质性更低，具有更高的预后预测价值。

       以上研究表明，来源于肿瘤亚区域的影像特征与肿瘤发展的基因模块显著相关，能为乳腺癌患者的生存差异提供潜在的分子影像学依据。尽管这些研究均使用了术前DCE-MRI作为影像生物学标志物，但其设备型号、扫描协议（如场强、序列参数等）存在差异。未来研究应建立多中心标准化成像协议，确保不同设备采集的影像数据具有可比性。另外，未来可以充分利用TCGA等公共数据库，其整合了乳腺MRI、肿瘤生物学信息和生存结局资料，为放射基因组学外部验证提供了理想平台，将显著提升研究结果的泛化能力。

3.3 生境分析在预测乳腺癌腋窝淋巴结转移方面的应用

       乳腺癌腋窝淋巴结转移（axillary lymph node metastasis, ALNM）是评估患者预后、指导治疗方案及判断复发风险的重要指标^[43]。目前，淋巴结转移状态的临床评估主要依赖超声引导细针穿刺细胞学或前哨淋巴结活检等方法，然而此类方法存在假阴性率过高及潜在过度治疗等问题^[44]。因此，开发一种无创、准确且能充分解析肿瘤微环境变化的预测方法，对于改善乳腺癌患者预后具有重要意义。CHAUDHURY等^[45]通过回顾性分析34例乳腺癌患者治疗前DCE-MRI数据（含蒙片、早期强化峰值及延迟图像），构建了预测NAC后淋巴结转移状态的模型。他们基于肿瘤在早期和延迟期相减蒙片后的强化变化图，应用二分类Otsu分割方法，将肿瘤划分为四个子区域：快速初始摄取、慢速初始摄取、持续延迟洗脱及快速延迟洗脱。研究表明，快速洗脱子区域的纹理动力学特征对于预测淋巴结转移诊断效能最高，其AUC值达到0.88。此外，有研究者^[46]基于DCE-MRI提取瘤内及瘤周区域（2 mm、4 mm、6 mm、8 mm）的影像组学特征，同时采用K-means聚类方法将肿瘤划分为三个生境亚区。随后分别构建模型以比较其ALNM预测效能。研究表明，整合了临床病理特征、4 mm瘤周影像组学特征及生境特征的列线图模型诊断性能最佳，其在训练集和测试集中的AUC分别高达0.977和0.873。

       以上研究表明，生境分析技术在预测乳腺癌ALNM方面展现出巨大潜力与应用前景。但不同研究在预测同一临床结局时，肿瘤感兴趣区的界定存在差异，尤其在是否纳入瘤周区域方面存在异质性。因此，未来的研究应致力于建立针对不同临床结局的标准化影像分析流程，规范区域选择与数据处理方法，以提升结论的泛化性与可比性。

3.4 生境分析在评估乳腺癌新辅助化疗疗效方面的应用

       在乳腺癌治疗中，NAC可有效降低肿瘤分期，使部分患者达到pCR，从而提高手术可切除率及保乳机会^[47]。由于乳腺癌存在广泛异质性，个体之间反应率各不相同^[48]。SHI等^[10]回顾性分析了多中心（训练集：335例，验证集：1254例）乳腺癌患者治疗前的MRI数据，他们先后采用了简单的线性交互聚类法及高斯混合模型对肿瘤内部亚区域进行划分。通过提取传统影像组学（conventional radiomics, C-Radiomics）及ITH组学特征，并结合临床病理变量构建了7种不同的模型。结果表明，结合了ITH指数、C-Radiomics分数和临床病理变量的联合模型在训练集中表现出优异的区分能力（AUC=0.90），在三个外部测试集中保持稳健性能（AUC分别为0.87、0.85和0.83），显著优于单一特征模型。在另外一项前瞻性研究中，XU等^[11]对143例乳腺癌患者（训练集：100例，测试集：43例）进行了多b值DWI。他们采用K-means聚类方法在ADC图上将肿瘤划分成3个亚区，随后提取全肿瘤及各亚区的一阶特征，基于筛选后的特征分别构建肿瘤整体（ModelWH）和栖息地模型（ModelHabitats），以预测NAC后的pCR。通过将上述模型与基于传统MRI特征构建的模型（ModelCF）及组合模型（ModelHabitats+CF）进行比较发现，ModelHabitats+CF的诊断效能最优（训练集AUC：0.756，测试集：0.824）。

       上述研究表明，基于MRI图像的生境分析可通过定量评估肿瘤异质性，实现无创性预测乳腺癌NAC后的pCR状态，助力临床制订乳腺癌患者的个体化治疗策略，从而改善患者预后并降低复发风险。然而，现有研究在肿瘤亚区特征的定量表征方面存在差异，部分研究采用肿瘤亚区域的高阶影像组学特征进行分析，而另一些则仅提取分割图像的一阶特征，未来研究应系统评估并明确最优定量特征组合，或采用AI和机器学习（machine learning, ML）技术实现自动化特征提取^[33]，提升模型的临床推广价值。

3.5 生境分析在预测乳腺癌临床预后及复发风险方面的应用

       癌症时空异质性通过复杂的分子机制影响治疗应答和临床预后，是当前精准医学面临的主要挑战。在HER-2阳性乳腺癌的临床前模型中，KAZEROUNI等^[49]基于治疗前MRI确定了三种生理生境，并依据血管和细胞密度的体积百分比将肿瘤划分为两种影像学表型（Type 1和Type 2），Type 1表现为高血管高细胞性（high-vascularity high-cellularity, HV-HC），Type 2表现为低血管高细胞性（low-vascularity high-cellularity, LV-HC）及低血管低细胞性（low-vascularity low-cellularity, LV-LC）。通过监测不同生境在生理盐水、曲妥珠单抗或紫杉醇治疗后的动态变化，研究发现两种表型的肿瘤体积及生理组成均发生显著改变。其中，Type 1表型对靶向或细胞毒性治疗的敏感性更高，表现为治疗后肿瘤LV-LC生境体积的纵向扩大（紫杉醇或曲妥珠单抗），同时HV-HC生境体积百分比的下降（紫杉醇）；而Type 2表型在曲妥珠单抗治疗后表现出显著的肿瘤微环境重塑，其特征是LV-HC生境的肿瘤体积百分比较基线明显减少。这些结果表明，不同生境具有独特的治疗反应。由此可见，生境分析可定量表征乳腺癌内部异质性的时空动态变化及其治疗响应，为临床精准治疗方案的制订和预后预测提供关键依据。

       乳腺癌的高度异质性导致个体水平的肿瘤复发预测准确性仍不理想，因此，目前亟需开发可靠的非侵入性生物标志物，以实现更精准的患者风险分层。WU等^[50]基于DCE-MRI基线图像的多区域相互作用矩阵量化瘤内空间异质性，通过在独立的外部验证集中测试，得到3个具有不同灌注特征的瘤内亚区。研究发现这种多区域的图像特征在预测NAC后5年复发风险低危组和高危组之间存在差异表达（P=0.002），使其成为一种除临床病理和基因表型之外，能够独立预测RFS的因素（P=0.022）。还有研究者^[51]通过在DCE-MRI中提取定量成像表型，使用无监督共识聚类的方法识别并验证了3种不同的影像特征亚型，分别是均匀的瘤内强化、微小的实质强化和显著的实质强化。接下来，他们在一组发现队列中评估聚类后的影像亚型标签预测RFS的能力，在单因素和多因素分析中，影像学亚型是RFS的唯一独立预测因素（P=0.016）。随后，他们在另外5个有公开基因表达数据但没有影像学数据的乳腺癌队列上测试了影像学亚型的预后相关性，在所有5个数据集中均显示出显著不同的RFS（P<0.000 1~0.008）。

       以上研究表明，基于定量成像表型的生境分析能够揭示乳腺癌内部及其周围实质的生物学特征，并显著提升治疗反应及RFS的预测效能。目前，多项研究已证实年龄、ER/PR/HER-2状态、肿瘤分期及组织学分级等临床病理特征对预后情况具有预测价值。然而，在实际预测模型的构建过程中，这些关键预测因子常因数据采集标准不统一或分析方法的局限性而被遗漏。未来研究应规范临床病理数据的采集和判读标准，并引入机器学习等先进算法评估临床病理变量对预测模型的增量价值，以提升预测模型的准确性和完整性。

4 小结与展望

       综上所述，基于MRI的生境分析是一种将影像组学与多参数图像相结合的新兴研究方法，该技术通过精准量化肿瘤内部及其周围时空异质性，为鉴别乳腺癌分子分型、基因特征分析、腋窝淋巴结转移判断、疗效监测及预后评估等方面提供了重要依据。但当前该技术仍处于探索阶段，普遍存在以下几个方面的局限性：（1）大多数的研究是回顾性性质，存在选择偏倚，未来的研究需要前瞻性分析及更大的多中心数据集进一步验证其可推广性。（2）当前研究主要利用DCE-MRI进行乳腺癌微环境分析，重点关注ITH表型的评估。未来可探索结合DWI、磁共振波谱（magnetic resonance spectroscopy, MRS）等多参数MRI技术，结合精确的图像配准和重采样技术，实现更精准、有效的肿瘤亚区划分和表征。（3）当前生境分析的图像分割方法和亚区分类数量缺乏共识，不仅限制了不同研究间的可比性，也影响了异质性特征的可靠性。未来需通过建立标准化分割流程，包括影像标注的专家共识或多模态自动分割算法等，从而提升生境分析的稳健性。（4）目前大多数研究中，MRI生境特征缺乏病理组织学验证，未来需加强对影像生境亚区与病理标本之间的空间配准，并充分结合基因组、转录组、蛋白组等多组学数据^[52]，以建立更具生物学意义的肿瘤异质性表征体系，全面推动精准诊疗发展。