0 引言

       乳腺癌仍是全球重大的公共卫生挑战^{[1, 2]}。国际癌症研究机构发布的2022年全球癌症统计数据显示^[3]，全球乳腺癌年新增病例超过230万例，死亡人数超过67万人^{[4, 5]}。腋窝淋巴结（axillary lymph node, ALN）是乳腺癌淋巴转移的首站和主要途径^[6]，研究表明，发生腋窝淋巴结转移（axillary lymph node metastasis, ALNM）的乳腺癌患者，其5年生存率较无转移患者降低40%^[7]。因此早期预测ALN状态对于患者预后评估与个体化治疗方案的制订至关重要^{[8, 9]}。评估ALN状态的标准方法，如前哨淋巴结活检（sentinel lymph node biopsy, SLNB）和腋窝淋巴结清扫术（axillary lymph node dissection, ALND），具有侵入性，存在肩关节功能障碍、神经损伤、淋巴水肿和上臂麻木等并发症风险^[10]，此外，一些研究显示SLNB的假阴性率高达70%^[11]。因此，发展精准、无创的术前评估体系已成为临床实践的迫切需求。

       影像组学通过高通量提取并分析医学图像特征，为无创评估肿瘤生物学行为提供了新的研究视角^[12]。在多种影像模态中，动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）能够同时提供肿瘤病灶的精细形态学信息及血流动力学特征^[13]，是影像组学特征提取的理想数据来源。然而，现有综述多聚焦于影像组学的总体应用进展^[14]，而专门针对DCE-MRI影像组学在预测ALNM方面的演进脉络，仍缺乏系统性梳理。本文将在当前乳腺癌ALN无创评估的研究全景下，系统综述DCE-MRI影像组学在预测乳腺癌ALNM方面的发展趋势，旨在明确其演进逻辑与阶段特征，提出未来的发展方向，以期为推动乳腺癌ALN无创评估技术的标准化、临床转化与个体化诊疗策略的优化提供理论参考。

1 前沿影像学技术与人工智能在ALN评估中的研究全景

       目前，多种前沿影像技术与人工智能算法相结合的研究方式已在ALN无创评估领域得到了广泛探索与应用。结合乳腺原发病灶及ALN的常规超声与双模态弹性成像特征构建的无创预测模型在识别乳腺癌ALNM方面显示出较高的诊断效能，为良恶性淋巴结的鉴别提供了重要参考^[15]。正电子发射断层成像/计算机断层成像（positron emission tomography/computed tomography, PET/CT）可反映肿瘤的代谢活性，基于其的影像组学或深度学习模型在乳腺癌术前淋巴结负荷评估及远处转移检测方面具有重要价值^{[16, 17]}。

       磁共振成像（magnetic resonance imaging, MRI）多参数序列为ALN评估提供了更为丰富的影像信息^[18]。其中，扩散加权成像（diffusion weighted imaging, DWI）及其衍生的表观扩散系数（apparent diffusion coefficient, ADC）图能够描述组织中水分子的扩散状态，从而反映细胞密度与微结构信息。基于DWI与ADC的影像组学特征已在多项研究中显示出对ALNM具有预测价值^{[19, 20]}。DCE-MRI可提供有关肿瘤形态与血流动力学的详细信息，基于该序列的影像组学模型在预测乳腺癌ALNM方面同样展现出良好的诊断性能^[21]。近年来，将多序列MRI特征与临床病理参数相结合的临床-影像组学融合模型，因其能够有效整合多维互补信息，已成为提升乳腺癌相关预测准确性的重要研究方向^{[22, 23]}。此外，基于卷积神经网络（convolutional neural network, CNN）的端到端深度学习模型能够直接从原始影像中自动学习深层特征，无需人工分割与特征提取步骤，在预测乳腺癌ALNM方面同样展现出优异的性能^{[24, 25]}。这些研究方法各有侧重，共同构成了当前乳腺癌ALN无创评估的研究全景。

       在上述研究背景下，多参数MRI功能序列在乳腺癌术前评估中的作用日益凸显，其中DWI与DCE-MRI已成为预测ALNM的关键技术^[26]。DWI通过量化水分子扩散受限程度来反映组织细胞密度，其影像组学模型因无需注射对比剂且扫描时间短而具备独特优势。研究表明，基于ADC图的影像组学特征与ALNM具有显著相关性，DWI单序列影像组学标签在验证组中的曲线下面积（area under the curve, AUC）为0.724，而DCE-MRI单序列影像组学标签的AUC为0.723^[27]。进一步说明单独基于DWI的模型与单独基于DCE-MRI的模型预测效能相当。然而，DWI在区分肿瘤内部坏死、纤维化等非细胞密度因素方面存在一定的局限性。相比之下，DCE-MRI所提供的信息维度更为丰富，能够综合评估乳腺肿瘤的形态学特征与血流动力学功能信息，在乳腺癌诊断中表现出优异的敏感度与特异性^{[28, 29]}。因此，在乳腺癌术前评估及ALNM预测领域，DCE-MRI始终处于不可替代的核心地位。

2 DCE-MRI影像组学在预测乳腺癌ALNM方面的三个发展阶段

       基于DCE-MRI的影像组学在预测乳腺癌ALNM方面的研究发展，可依据其内在逻辑与演进脉络划分为三个关键阶段：第一阶段的研究主要致力于可行性验证，证实了DCE-MRI影像组学特征与ALNM的关联；第二阶段随着研究的逐步深入，研究者认识到肿瘤内部异质性并非唯一相关信息，瘤周微环境同样关键，研究焦点从单纯的瘤内特征扩展至瘤内与瘤周联合分析；第三阶段研究进展到多参数融合模型，将影像组学特征与临床病理参数及MRI报告的淋巴结状态等相结合。

2.1 DCE-MRI影像组学模型的预测性能

       目前已有多项研究证实，DCE-MRI影像组学模型在预测乳腺癌ALNM方面具有显著优势^{[30, 31]}。王贇霞等^[32]在一项涵盖356名乳腺癌患者的回顾性研究中探讨了DCE-MRI影像组学特征在预测ALNM方面的价值。该研究从DCE-T1WI第三期图像的肿瘤区域中提取影像组学特征，并通过LASSO回归等方法筛选出18个与ALNM强相关的特征，然后采用多种预处理器和分类器算法组合构建模型，其中预测效能最佳的模型在训练集和验证集中的AUC分别为0.929和0.803。另一项纳入24项研究（涵盖5588名患者）的Meta分析为此提供了更高等级的循证医学依据，其汇总敏感度、特异度及AUC分别为81%、85%、0.90^[21]。这些大样本研究一致证实，基于DCE-MRI的影像组学在预测乳腺癌ALNM方面具有良好的性能和应用潜力。

       随着DCE-MRI影像组学模型的预测性能得到广泛证实，当前的研究焦点逐步转向通过优化特征提取策略来进一步提升模型性能。其中，在期相选择方面，已有研究虽采取不同策略，但均显示出了良好的预测能力，说明各增强期相的影像组学特征均包含具有诊断意义的信息。例如，ZHANG等^[33]研究选取最强增强期相进行特征提取，而WANG等^[34]的研究和SONG等^[35]的研究则采用了第二增强期相。这种期相选择上的差异表明，整合多期相特征可能更全面地反映肿瘤的血流动力学特性，进而为模型性能的提升提供更丰富的依据。

       综上所述，基于DCE-MRI的影像组学模型在预测乳腺癌ALNM方面已展现出良好的诊断效能，而通过多期相特征融合等特征提取优化策略可更为全面地提取肿瘤血流动力学信息，从而有望显著提升该模型的预测性能。然而，现有研究多为单中心回顾性研究，存在选择偏倚风险，且不同研究在图像采集参数、建模方法等方面存在差异，导致模型的泛化性能不佳。未来研究应致力于推动多中心前瞻性数据验证并加强影像组学流程的标准化，以期促进模型的临床转化与应用。

2.2 瘤周区域影像组学在预测乳腺癌ALNM中的应用价值

       既往乳腺癌影像组学的研究视角主要集中于瘤内区域的形态及纹理特征，然而，瘤周区域特征对预后同样具有重要价值^{[36, 37]}，相关研究对其探索却明显不足^[38]。近年来，研究重点从瘤内特征扩展至瘤周区域。研究表明，联合瘤内与瘤周影像组学特征可进一步提升预测性能^[39]。一项针对乳腺癌术前ALNM预测的研究显示，在基于DCE-MRI的影像组学分析中，与瘤内影像组学模型相比，瘤内联合瘤周影像组学模型具有更高的敏感度（72.7% vs. 60.6%）和特异度（72.6% vs. 71.0%）^[26]。宋亚博等^[40]的研究进一步验证了瘤内联合瘤周影像组学模型的优越性能，该研究采用LASSO算法筛选基于DCE-MRI的影像组学特征，之后通过逻辑回归方法分别建立瘤内模型及瘤内联合瘤周5 mm区域的影像组学模型。研究结果显示，在训练集和验证集中，瘤内联合瘤周模型的AUC分别为0.861和0.802，均高于单独瘤内模型（AUC分别为0.745和0.741）。

       在确定了瘤周区域影像组学特征对于乳腺癌ALN状态的预测价值后，瘤周范围的选择问题逐渐成为此类研究的研究重点。例如，WU等^[41]系统性地探讨了不同瘤周范围（2 mm、4 mm、6 mm、8 mm）对ALNM预测性能的影响。该研究回顾性分析了426名乳腺癌患者的DCE-MRI数据，通过LASSO回归方法提取瘤内和瘤周特征构建预测模型。研究结果显示，Peri4mm模型在Peri2mm、Peri4mm、Peri6mm和Peri8mm四个模型中展现出最佳的预测性能，其在训练集与测试集中的AUC分别达到0.871与0.773。该结果不仅再次验证了瘤周区域在预测ALNM方面的关键作用，也为后续研究中瘤周范围的选择提供了重要依据。不过目前关于最佳瘤周范围的选择尚未达成共识，不同研究结果存在差异。谢汉民等^[42]系统比较了2 mm、4 mm、6 mm和8 mm瘤周区域的影像组学模型，发现瘤周2 mm区域构建的模型预测效能最佳（验证集AUC为0.737），而随着瘤周范围扩大至8 mm，模型AUC反而下降至0.693，提示瘤周区域并非越大越好，过多微环境信息可能会干扰关键特征的提取。YANG等^[43]的研究结果同样印证了这一观点。该研究系统比较了3 mm、5 mm和7 mm瘤周区域的影像组学模型，发现3 mm瘤周模型诊断性能最高（训练集AUC达到0.704），显著优于更大范围的瘤周模型（5 mm模型的AUC为0.633，7 mm模型的AUC为0.579）。这一发现为确定最佳瘤周范围提供了新的循证依据。

       以上研究均证实了包含瘤周区域的影像组学特征在预测ALNM方面具有重要价值，凸显了其辅助临床决策，减少不必要有创检查的应用潜力。然而，现有研究对于瘤周区域的最佳范围结论不一，这可能与影像分辨率及分割方法等因素有关，当然，肿瘤形态的不规则性及周围解剖结构的不同对研究结果也有一定的影响。未来应探索更精准、个性化的瘤周区域定义方法，如结合肿瘤生物学行为或采用深度学习自动分割技术，并进一步开展多中心大样本研究以明确最佳瘤周范围，推动瘤周影像组学向标准化、临床应用化方向发展。

2.3 多参数融合模型的进展

       最新的研究趋势是构建融合预测模型，将原发肿瘤与ALN的影像组学特征、瘤周区域的影像组学特征以及临床病理参数相结合。这种多参数、多特征的融合模型通常能够提供更高的预测准确率。一项纳入2019年至2024年20项研究（涵盖5072名患者）的Meta分析显示，与单纯影像组学模型相比，临床因素与影像组学的结合显著提高了特异性（0.83 vs. 0.79）^[44]。赵楠楠等^[45]的研究也证实了多参数融合模型在预测乳腺癌ALNM方面的优越性。该研究将基于DCE-MRI提取的瘤内及瘤周6 mm区域的影像组学特征与临床高危因素（如ALN触诊和MRI报告的ALN状态等）结合构建列线图模型。结果显示，该列线图模型在训练集和测试集中均表现出卓越的预测性能，AUC分别达到0.945和0.942，显著高于瘤内组学模型、瘤周组学模型、瘤内+瘤周组学模型及临床预测模型。CHEN等^[46]的研究也是多参数融合的典范，通过支持向量机方法将来自原发肿瘤与ALN的影像组学特征以及临床独立预测因子（Ki-67、多灶性、MRI报告的ALN状态）进行整合，最终融合模型在训练集与验证集中的AUC分别高达0.92与0.90。2025年，DONG等^[47]针对早发性乳腺癌患者构建的一种基于DCE-MRI的临床-影像组学列线图再一次验证了多参数融合模型的优越性。该研究通过逻辑回归方法将MRI报告的ALN状态、分子亚型、肿瘤大小等关键临床预测因子与从DCE-MRI中筛选出的最具预测价值的影像组学特征进行整合，最终融合模型展现出卓越的预测性能（训练集AUC达到0.892，验证集AUC达到0.877），显著高于单一的临床模型或影像组学模型。

       在将影像组学特征与不同临床病理参数相结合的研究中，其特异性和敏感性表现存在显著差异，甚至有研究表明将影像组学特征与分子生物标志物整合时特异性可达到1^[48]。

       与此同时，近年来的其他研究也广泛探索了基于DCE-MRI的影像组学特征与多种临床病理参数的融合方案^{[49, 50, 51]}。例如，在CHEN等^[52]的一项研究中，将DCE-MRI第二期增强图像的影像组学特征与临床指标（如肿瘤大小、BI-RADS分类和MRI报告的ALN状态）相结合，该融合模型不仅能有效区分有无ALN转移（N+ vs. N0），还能进一步区分低负荷[N+(1~2)]与高负荷[N+(≥3)]转移。

       上述研究结果共同表明，基于临床因素、病理特征及分子生物标志物等多类信息构建的多参数融合模型，展现出差异化的应用潜力。然而，当前融合模型的构建方式多样，所整合的参数类型与权重设置不一，致使其敏感性与特异性存在较大波动。未来的研究重点应侧重于通过大样本、前瞻性研究系统比较不同融合模型的效能，以明确哪些临床病理参数与影像组学相结合时会产生最优的多参数融合预测模型。

3 小结与展望

       DCE-MRI影像组学在术前无创预测乳腺癌ALNM方面已展现出卓越的应用前景，为现有评估体系提供了有价值的补充，有望发展成一种理想的术前无创评估工具。然而，该领域在迈向广泛临床转化与应用的过程中仍面临着诸多挑战：（1）当前研究大多为单中心回顾性设计，且图像采集、重建与特征提取流程缺乏统一标准，这导致模型在不同机构间的可重复性与泛化能力有限。未来应积极推进大规模、多中心的前瞻性临床研究，并通过建立全流程标准化体系来提升模型稳健性。具体包括制订涵盖DCE-MRI图像采集、病灶分割、特征提取与分析等环节的共识指南或技术规范，从源头上降低技术异质性，以增强模型的临床适用性。（2）瘤周区域在预测乳腺癌ALNM方面具有重要价值，然而其最佳界定范围目前尚未达成共识，且现有定义方法多基于几何扩展，未能充分反映肿瘤生物学行为的空间异质性。未来研究可融合肿瘤生物学特征（如分子亚型、Ki-67表达水平等）或应用深度学习自动分割技术，以实现对瘤周区域的个性化与精准化界定。（3）多参数融合模型虽已展现显著的预测能力，但由于所整合的参数类型及权重设置各异，模型性能尚不稳定，且与现有临床诊疗流程结合不足。未来研究应通过系统比较不同融合策略以明确最优方案，并着重构建具备良好可用性与可解释性的临床决策支持系统，以促进该模型在临床实践中的规范整合与应用。