0 引言

       乳腺癌是全球女性中发病率与死亡率最高的恶性肿瘤，严重威胁妇女的身心健康^[1]。腋窝淋巴结（axillary lymph node, ALN）是乳腺癌最常见的转移部位，且ALN转移与否对乳腺癌临床分期、治疗决策及预后评估至关重要^{[2, 3, 4]}。研究表明伴ALN转移的乳腺癌患者5年生存率较无转移的患者下降14%^[5]。目前，腋窝淋巴结清扫术（axillary lymph node dissection, ALND）仍是乳腺癌患者ALN评价的“金标准”，但易合并诸如患肢淋巴水肿、手臂麻木、疼痛等并发症^{[6, 7]}。前哨淋巴结（sentinel lymph node, SLN）是指原发肿瘤区域淋巴引流的第一站淋巴结，也是癌细胞最可能首先发生转移的淋巴结^[8]。前哨淋巴结活检（sentinel lymph node biopsy, SLNB）是临床触诊ALN阴性的早期乳腺癌患者的标准处理策略^[9]。SLN阴性患者可避免不必要的ALND^{[10, 11]}；对于SLN阳性患者，研究表明20%~60%的患者没有进一步的ALN转移，可能不需要 ALND^[12]。ACOSOG Z0011临床研究表明，在1~2个阳性SLN的乳腺癌患者中，接受放疗后局部复发率和总生存率与接受ALND的患者相当，但其有严格的限制条件^[13]。因此，为避免1~2个SLN阳性乳腺癌患者接受不必要的ALND手术，开发一种普适性、无创性的ALN转移预测方法具有重要临床意义。

       磁共振成像（magnetic resonance imaging, MRI）因具有较高的软组织分辨率及多参数成像能力，故被推荐为乳腺病变最常用的检查方法，但常因检查范围所限无法显示ALN的全貌^{[14, 15]}。影像组学能够从常规医学影像中高通量地提取并分析大量人眼无法识别的定量特征，进而解码肿瘤内部的异质性^{[16, 17, 18]}。既往研究表明基于乳腺增强MRI影像组学模型预测1~2个SLN阳性乳腺癌患者ALN转移与否是有价值的^{[19, 20]}，但影像组学依赖于手工制作的特征，可能无法充分捕捉隐匿在图像中的深层复杂模式。近年来，深度学习（deep learning, DL）方法凭借其自动提取深层影像特征的优势，已被用于乳腺癌ALN状态预测及新辅助治疗后腋窝反应评价等相关任务，展现出良好的预测潜力^{[21, 22, 23]}。然而，针对1~2个阳性SLN这一患者群体，目前尚缺乏基于多参数MRI并融合影像组学与DL特征预测此类患者ALN转移的研究报道。本研究旨在整合影像组学和DL特征，构建多参数MRI预测模型，以在术前评估1~2个阳性SLN乳腺癌患者ALN转移风险，并进一步探索融合临床特征的联合模型在该类患者SLNB术后ALN转移风险分层与综合评估中的应用价值，以期为此类患者的个性化风险评估及后续腋窝治疗决策优化提供参考。

1 材料与方法

1.1 研究对象

       回顾性分析2017年1月至2024年12月间由我院病理证实为浸润性乳腺癌患者的临床、病理及MRI数据资料。本研究遵守《赫尔辛基宣言》，经河南省人民医院伦理委员会批准，免除受试者知情同意，批准文号：（2022）伦审第（124）号。纳入标准：（1）术前两周内接受乳腺MRI检查的乳腺癌患者；（2）行ALND及SLNB手术，且病理结果为1~2个SLN阳性的乳腺癌患者；（3）MRI图像质量满足分析要求。排除标准：（1）MRI检查前曾接受过活检/手术、放疗、化疗等治疗的乳腺癌患者；（2）双侧乳腺癌患者。最终256例患者入组，其中ALN阳性组105例，阴性组151例。本研究以ALN状态为分层变量，采用分层随机抽样方法，按照8∶2比例将256例患者分为训练集（n=204）和验证集（n=52），患者入组流程图见图1。

点击查看大图

图1  本研究入组流程图。SLN：前哨淋巴结；ALND：腋窝淋巴结清扫；ALN：腋窝淋巴结；DL：深度学习；DLR：深度学习影像组学。
Fig. 1  Flowchart of patient enrollment. SLN: sentinel lymph node; ALND: axillary lymph node dissection; ALN: axillary lymph node; DL: deep learning; DLR: deep learning radiomics.

1.2 MRI图像采集

       采用GE Discovery 750 3.0 T MR仪，使用8通道双侧乳腺专用相控阵表面线圈。检查时患者取俯卧位，双乳自然悬垂，置于线圈中心，扫描前经12G静脉留置针建立静脉通道。乳腺MRI扫描序列包括T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）、动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）和扩散加权成像（diffusion-weighted imaging, DWI），本研究中仅使用DWI和DCE-MRI图像。其扫描参数如下：DWI采用单次激发平面回波成像技术，TR 3000 ms，TE 5 ms，层厚5 mm，层间距0.5 mm，扩散敏感系数b值为1000 s/mm²。DCE-MRI采用动态增强Vibrant 3D序列进行采集，TR 4 ms，TE 2.2 ms，层厚1.1 mm，扫描层数128层，共扫描8期。对比剂采用钆喷酸葡胺（北京北陆药业股份有限公司，中国），按0.2 mmol/kg体重剂量给药，第1期为不注射对比剂的蒙片扫描；第1期扫描结束后，使用高压注射器以2.0 mL/s的流率在10 s内快速注入对比剂，随后以相同的流率注入20 mL生理盐水冲管，依次再扫描7期，每期扫描时间约51 s。

       本研究选取DCE-MRI第三增强期相用于后续分析，原因在于该期相接近乳腺恶性病灶强化峰值，病灶与周围腺体背景对比度较高，边界显示相对清晰，有利于肿瘤分割；同时可反映肿瘤灌注、血管通透性、细胞外间隙及瘤内异质性等信息^{[24, 25]}。

1.3 临床病理资料、MRI特征评价

       临床病理资料：从医院电子病历系统中收集患者年龄、月经状态、病理分级、雌激素受体（estrogen receptor, ER）状态、孕激素受体（progesterone receptor, PR）状态、人表皮生长因子受体2（human epidermal growth factor receptor-2, HER-2）状态、Ki-67抗原表达情况、淋巴血管侵犯（lymphovascular invasion, LVI）、肿瘤T分期、SLNB、ALND等信息。根据美国临床肿瘤学会和美国病理学家学会《乳腺癌雌激素受体、孕激素受体免疫组化检测指南（2010版）》^[26]判定当≥1%的肿瘤细胞核呈现任何强度的阳性染色时，定义为ER/PR阳性。根据《乳腺癌HER2检测指南（2019版）》^[27]，HER-2阳性定义为3+免疫组化染色或2+且荧光原位杂交结果显示扩增。Ki-67≥20%则被认为是高表达，否则为低表达^[28]。

       MRI特征评价：由分别具有5年及10年乳腺诊断经验的2位放射科主治医师、主任医师在不知病理诊断及临床预后的前提下，分别独立评估每位患者的影像学特征，主要评价：肿瘤最长径（在DCE-MRI第三期图像肿瘤最大层面上测量，同侧多灶性病变仅测量最大病灶）、肿块数目（单灶/多灶）、肿块形态（圆形或椭圆形/不规则形）、肿块毛刺征（有/无）、时间-信号强度曲线（time-intensity curve, TIC）类型（流入型/平台型/流出型）。采用组内相关系数（intra-class correlation coefficient, ICC）评估两位医师对肿瘤最长径测量结果的观察者间一致性，采用Kappa系数评估两位医师对肿块数目、肿块形态、肿块毛刺征及TIC类型等分类影像特征判断的一致性，ICC/Kappa系数≥0.75为一致性良好。对于存在分歧的病例，由两位医师共同讨论后最终达成一致意见。

1.4 MRI图像分割

       从我院PACS（picture archiving and communication systems, PACS）系统获得DICOM格式的DWI图像及DCE-MRI第三期图像，使用ITK-SNAP 3.8.0软件进行肿瘤感兴趣区（region of interest, ROI）勾画（图2）。为提高特征的可重复性和稳定性，本研究对DCE-MRI及DWI图像进行了标准化预处理。首先，以DCE-MRI第三期图像作为参考，对DWI图像进行配准和重采样处理，并将图像体素间距统一重采样为1×1×1 mm³；随后，对图像灰度强度进行标准化处理，灰度值离散化采用固定箱宽法，箱宽设置为25。由两名分别具有5年、10年乳腺影像诊断经验的放射科主治、主任医师在不知晓患者临床病理资料结果的前提下勾画ROI。为确保特征的稳定性及可重复性，随机选取30例患者，由主任医师在不知晓另一位医师勾画结果的情况下，在DCE-MRI 第三期图像和DWI图像上重新勾画ROI，并计算ICC。对于同侧多灶性病变患者，仅勾画最大肿瘤病灶^[29]，这一处理方式旨在统一目标病灶选择及肿瘤最长径测量标准，从而提高后续建模分析的一致性和可比性。

点击查看大图

图2  乳腺病灶感兴趣区（ROI）分割示意图。2A：横断面动态对比增强MRI（DCE-MRI）图像；2B：DCE‐MRI图像上ROI的手工勾画过程；2C：DCE‐MRI图像上手动分割ROI效果3D模式图。
Fig. 2  Region of interest (ROI) segmentation of breast cancer lesion. 2A: The original cross-sectional dynamic contrast enhanced MRI (DCE-MRI) image; 2B: The manual delineation of ROI on DCE‐MRI image; 2C: The 3D representation of manual ROI segmentation on a DCE-MRI image.

1.5 特征提取与特征选择

       影像组学特征提取：采用PyRadiomics软件从每个序列的ROI中分别提取了1197个影像组学特征，包括一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程矩阵特征、灰度大小区域矩阵特征等。对于DL特征提取：我们选择ROI中最大横截面图像进行ROI裁剪，作为DL网络的输入；采用在ImageNet上预训练的Inception-v3模型作为特征提取器，移除其最后的全连接层，将倒数第二层输出作为DL特征。在训练过程中采用交叉熵损失函数优化模型参数，批次大小（batch size）=32，学习率（learning rate）=0.01，迭代次数（epoch）=50。从每个序列的ROI中分别提取了512个DL特征。为了降低过拟合风险，本研究采用主成分分析（principal component analysis, PCA）对DL特征进行降维分析，最终每个序列分别得到128个特征。

       对于特征选择，首先，将分别提取的DCE-MRI特征与DWI特征进行初步融合形成特征集，采用ICC初步筛选，保留ICC≥0.75的特征进入后续分析；其次，经Mann-Whitney U检验筛选P<0.05的特征；随后，使用最小冗余最大相关（minimum redundancy maximum relevance, mRMR）方法对候选特征进行排序和筛选；然后经Spearman分析剔除相关系数大于0.9的特征；最后采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）进行特征降维，通过十折交叉验证确定LASSO惩罚函数的最佳 λ 值，保留该模型下的非零系数特征，筛选出最佳特征子集，用于后续模型构建。

1.6 模型建立

       首先，将筛选后最终保留的影像组学特征、DL特征分别输入多层感知器（multilayer perceptron, MLP）分类器，构建影像组学模型、DL模型。其次，将影像组学特征和DL特征进行早期融合，形成深度学习影像组学（deep learning radiomics, DLR）特征集，筛选出最佳特征后输入MLP，构建DLR模型。随后，基于多因素logistic回归筛选出与ALN转移相关的临床病理独立危险因素，用于构建临床模型。最后，将临床病理危险因素与DLR特征集融合，形成融合临床特征的DLR特征集，构建融合临床特征的联合模型。本研究共建立了5个预测模型，分别为临床模型、影像组学模型、DL模型、DLR模型及融合临床特征的联合模型（图1、图3）。

点击查看大图

图3  本研究的工作流程图。ROI：感兴趣区；LASSO：最小绝对收缩与选择算子；MLP：多层感知器；ROC：受试者工作特征；DCA：决策曲线分析；ALN：腋窝淋巴结。
Fig. 3  Workflow diagram of this study. ROI: region of interest; LASSO: least absolute shrinkage and selection operator; MLP: multilayer perceptron; ROC: receiver operating characteristic; DCA: decision curve analysis; ALN: axillary lymph node.

1.7 统计学分析

       统计分析采用R 4.3.0和Python 3.8软件。采用Kolmogorov-Smirnov法检验计量资料正态性，符合正态分布者以x¯±s表示。对服从正态分布的变量，采用独立样本t检验进行比较。对于不符合正态分布的变量，以M（Q1，Q3）表示，采用Mann-Whitney U检验进行比较。分类变量比较采用卡方检验或Fisher确切概率法，用例数（%）表示。将单因素分析得到的有统计学意义的特征进行多因素logistic回归探讨乳腺癌患者ALN转移的独立危险因素。模型的最佳截断值在训练集中根据约登指数确定，并固定应用于验证集。所有特征筛选、降维及模型训练均仅在训练集中完成，验证集不参与特征选择和模型训练，仅用于模型性能评估。绘制受试者工作特征（receiver operating characteristic, ROC）曲线、计算曲线下面积（area under the curve, AUC）评估各模型的效能，并以DeLong检验比较不同模型的AUC。采用校准曲线评估模型拟合效果，并进一步通过逻辑校准分析计算校准截距和校准斜率。以决策曲线分析（decision curve analysis, DCA）评估其临床实用性。P<0.05被认为具有统计学意义。为评估模型预测性能的稳定性，本研究进一步采用Bootstrap重采样方法计算各模型AUC的95%置信区间（confidence interval, CI），在训练集和验证集中分别进行2000次Bootstrap重采样，每次采用有放回抽样，并基于重采样样本重新计算AUC值。各模型AUC的95% CI采用百分位数法计算。

1.8 模型可视化

       为提高DL模型的可解释性，本研究采用梯度加权类激活映射（gradient-weighted class activation mapping, Grad-CAM）对DL分支进行可视化分析。具体而言，选取DL特征提取网络中最后一个卷积层作为目标层，计算ALN阳性类别预测结果相对于该卷积层特征图的梯度权重，并将加权后的特征图进行线性组合，生成类别激活热图。随后将热图归一化至0~1范围，并叠加至原始MRI输入图像上，以显示模型在进行ALN状态预测时主要关注的影像区域。热图中红色及黄色区域表示模型关注度较高、对预测结果贡献较大的区域，蓝色区域表示模型关注度较低。

2 结果

2.1 一般资料

       本研究共入组患者256例，年龄21~79（49.4±10.2）岁，其中ALN阳性组105例（41.0%，105/256），阴性组151例（59.0%，151/256）。训练集ALN阳性率为41.2%（84/204），验证集ALN阳性率为40.4%（21/52），两组间ALN阳性率差异无统计学意义（P>0.05）。比较分析ALN阳性组和阴性组患者的临床病理及影像资料，结果表明肿瘤最长径、肿瘤T分期、LVI、阳性SLN个数在两组间差异有统计学意义（P均<0.05）（表1）。训练集与验证集之间的临床病理及影像特征均无显著差异（P均>0.05）（表2）。一致性分析结果显示，肿瘤最长径观察者间ICC为0.86（95% CI：0.75~0.92），分类MRI特征（肿块形态、毛刺征、TIC类型、肿块数目）Kappa系数为0.78~0.92，表明两位医师对MRI特征的评估具有良好的一致性。

点击查看表格

表1  临床病理及影像指标在ALN阳性组与ALN阴性组间的比较
Tab. 1  Comparison of clinicopathological and imaging indicators between ALN-positive and ALN-negative group

点击查看表格

表2  临床病理及影像指标在训练集和验证集中的比较
Tab. 2  Comparison of clinicopathological and imaging indicators between the training set and the validation set

2.2 ALN转移独立危险因素分析

       将单因素分析有意义的统计学变量纳入多因素logistic回归分析中，结果显示肿瘤最长径（OR=1.065，95% CI：1.005~1.128，P=0.034）、LVI（OR=4.209，95% CI：2.193~8.076，P<0.001）、阳性SLN个数（OR=4.770，95% CI：2.560~8.890，P<0.001）是预测ALN转移与否的独立危险因素，并基于上述变量构建临床模型。

2.3 特征筛选与模型建立

       经ICC分析、Mann-Whitney U检验、mRMR、Spearman相关性系数分析及LASSO算法从影像组学特征集、DL特征集、DLR特征集、融合临床病理特征的DLR特征集中分别筛出17、15、18、19个与1~2个阳性SLN乳腺癌患者ALN转移密切相关的特征，用于构建影像组学模型、DL模型、DLR模型及融合临床特征的联合模型。一致性分析结果显示，最终所有入选影像组学特征的ICC均≥0.75，表明病灶勾画具有良好的观察者间可靠性（表3）。

       比较以上五个模型的预测性能（表4），在验证集中，临床模型预测1~2个阳性SLN乳腺癌患者ALN转移的AUC值为0.713（95% CI：0.553~0.851）；影像组学模型的AUC值为0.734（95% CI：0.580~0.861）；DL模型较影像组学模型，预测效能有所提升（AUC值：0.774 vs. 0.734）；将影像组学及DL特征融合后得到的DLR模型效能达到进一步提升，其AUC值为0.800（95% CI：0.661~0.909）；进一步加入肿瘤最长径、阳性SLN个数、LVI临床病理指标后，融合临床特征的联合模型性能最优，其AUC值、敏感度、特异度、准确率与阈值分别为0.851、76.2%、90.3%、84.6%与0.410（图4, 图5）。

点击查看大图

图4  五种模型在训练集（4A）和验证集（4B）中的ROC 曲线。ROC：受试者工作特征；AUC：曲线下面积；CI：置信区间。Clinic：临床模型；Radiomics：影像组学模型；DL：深度学习模型；DLR：深度学习影像组学模型；Combine：融合临床特征的联合模型。
Fig. 4  ROC curves of the five models on the training set (4A) and validation set (4B). ROC: receiver operating characteristic; AUC: area under the curve; CI: confidence interval. Clinic: clinical model; Radiomics: radiomics model; DL: deep learning model; DLR: deep learning radiomics model; Combine: the combined model incorporating clinical features.

点击查看大图

图5  五种模型在训练集（5A~5E）和验证集（5F~5J）的混淆矩阵。混淆矩阵中数值表示患者例数，单位为例。0表示ALN阴性，1表示ALN阳性。MLP：多层感知器；LR：逻辑回归；Clinic Model：临床模型；Radiomics Model：影像组学模型；DL Model：深度学习模型；DLR Model：深度学习影像组学模型；Combine Model：融合临床特征的联合模型。
Fig. 5  Confusion matrices of the five models on the training set (5A to 5E) and validation set (5F to 5J). Values in the confusion matrices represent the number of patients, with the unit of cases. Class 0 indicates ALN-negative status, and class 1 indicates ALN-positive status. MLP: multilayer perceptron; LR: logistic regression; Clinic Model: clinical model; Radiomics Model: radiomics model; DL Model: deep learning model; DLR Model: deep learning radiomics model; Combine Model: the combined model incorporating clinical features.

点击查看表格

表3  筛选后影像组学特征的观察者间一致性分析
Tab. 3  Inter-observer agreement analysis of the screened radiomics features

点击查看表格

表4  不同模型在训练集和验证集预测效能及Bootstrap 95% CI
Tab. 4  Predictive performance and Bootstrap 95% CI of different models in the training and validation sets

2.4 模型评价

       DeLong检验显示，在训练集中，融合临床特征的联合模型AUC值显著高于临床模型、影像组学模型、DL模型及DLR模型（P均<0.05）；验证集中五个模型间AUC差异均未达到统计学显著性水平（均P>0.05）。DCA曲线分析显示，与其他模型相比，融合临床特征的联合模型在较宽的阈值范围内（训练集中约0.2~0.9、验证集中约0.3~0.9）提供了更大的临床净效益，提示该模型在SLNB术后ALN转移风险分层评估中具有较好的潜在临床应用价值（图6）。校准曲线显示，在验证集中，临床模型与影像组学模型的预测概率整体较接近实际发生率。进一步逻辑校准分析显示，影像组学模型的校准参数（斜率=1.051，截距=0.017）更接近理想值（图7）。

点击查看大图

图6  五种模型在训练集（6A）和验证集（6B）中的DCA曲线。DCA：决策曲线分析；Clinic：临床模型；Radiomics：影像组学模型；DL：深度学习模型；DLR：深度学习影像组学模型；Combine：融合临床特征的联合模型。
Fig. 6  DCA curves of the five models on the training set (6A) and validation set (6B). DCA: decision curve analysis; Clinic: clinical model; Radiomics: radiomics model; DL: deep learning model; DLR: deep learning radiomics model; Combine: the combined model incorporating clinical features.

点击查看大图

图7  五种模型在训练集（7A）和验证集（7B）中的校准曲线。Clinic：临床模型；Radiomics：影像组学模型；DL：深度学习模型；DLR：深度学习影像组学模型；Combine：融合临床特征的联合模型。
Fig. 7  Calibration curves of the five models on the training set (7A) and validation set (7B). Clinic: clinical model; Radiomics: radiomics model; DL: deep learning model; DLR: deep learning radiomics model; Combine: the combined model incorporating clinical features.

2.5 模型可视化结果

       Grad-CAM可视化结果显示，DL模型在进行ALN状态预测时，其高响应区域主要集中于肿瘤实质区域及肿瘤边缘强化不均匀区域。图中红色及黄色区域代表模型关注度较高的区域，蓝色区域代表模型关注度较低的区域（图8）。这表明，模型并非随机关注图像背景区域，而是主要聚焦于肿瘤相关区域，提示DL特征能够在一定程度上捕捉与ALN转移风险相关的影像信息，从而为模型预测结果提供一定可解释性。

点击查看大图

图8  DL模型的 Grad-CAM 可视化。红色及黄色区域表示模型关注度较高、对预测结果贡献较大的区域，蓝色区域表示模型关注度较低的区域。代表性病例显示，模型高响应区域主要集中于肿瘤实质及肿瘤边缘区域。DL：深度学习；Grad-CAM：梯度加权类激活映射。
Fig. 8  Grad-CAM visualization of the DL model. Red and yellow areas indicate regions with higher model attention and greater contribution to prediction, whereas blue areas indicate regions with lower model attention. Representative cases show that the high-response regions are mainly located within the tumor and its marginal areas. DL: deep learning; Grad-CAM: gradient-weighted class activation mapping.

3 讨论

       本研究旨在评价基于多参数MRI的影像组学、DL及DLR模型在术前预测1~2个阳性SLN乳腺癌患者ALN转移中的效能，并进一步探讨融合临床特征的联合模型在SLNB术后ALN转移风险分层评估中的应用价值。基于DCE-MRI和DWI序列，本研究构建了影像组学模型、DL模型和DLR模型，其中DLR模型在验证集中的AUC为0.800（95% CI：0.661~0.909），高于单独影像组学模型（AUC=0.734，95% CI：0.580~0.861）及DL模型（AUC=0.774，95% CI：0.632~0.903），在术前预测ALN转移方面表现更优。本研究进一步构建的融合临床特征的联合模型取得最高的性能，在验证集中AUC为0.851（95% CI：0.722~0.953），且具有较好的临床净获益，显示其在SLNB术后ALN转移风险分层评估中展现了较好的临床应用价值。经进一步多中心、前瞻性验证后，有望为1~2个阳性SLN乳腺癌患者的个体化腋窝处理决策提供依据。

3.1 临床病理特征预测ALN状态

       本研究通过多因素logistic回归分析发现，LVI、阳性SLN个数及肿瘤最长径是预测1~2个阳性SLN乳腺癌患者ALN转移与否的独立危险因素（P均<0.05）。其中，LVI是预测ALN是否转移的中等强度危险因素（OR=4.209，95% CI：2.193~8.076，P<0.001）。LVI阳性是指在乳腺肿瘤内部及其周围的淋巴管和/或血管腔内检测到肿瘤细胞^[30]，故临床上LVI阳性乳腺癌患者常常容易出现SLN和/或ALN转移^{[19, 31, 32]}，我们的研究也进一步验证这个推测。此外，阳性SLN个数与ALN转移风险亦存在较强的关联性（OR=4.770，95% CI：2.560~8.890，P<0.001），随着SLN转移数量的增加ALN发生转移的风险越高。肿瘤大小被认为是影响乳腺癌ALN转移的独立预测因素^{[19, 33]}，也即肿瘤越大，其发生脉管侵犯和淋巴管扩散的可能性越高。本研究中肿瘤最长径在预测ALN转移中亦显示出独立预测性能（OR=1.065，95% CI：1.005~1.128，P=0.034），与既往结论基本相符。

3.2 MRI影像组学及DL特征预测ALN状态

       既往研究表明基于MRI影像组学模型在术前预测SLN阳性乳腺癌患者ALN转移方面有一定的临床应用价值，模型AUC值范围在0.730~0.862^{[19, 20, 31]}。本研究构建的MRI影像组学模型的AUC值为0.734（95% CI：0.580~0.861），预测效能略低，这可能与分类器选择、样本量相对不足等有关，未来将进一步扩大样本量规模及优化分类器策略，以提升模型稳定性及改善模型效能。

       DL特征提取不依赖于手工设计，而是通过模拟人脑神经网络的层次化非线性结构，自动提取更深层、高维、更有利于分类任务的特征^[34]。多项研究表明DL模型在术前预测乳腺癌ALN转移方面，AUC范围可达0.660~0.913^{[21, 35]}。本研究构建的DL预测模型在验证集中AUC值为 0.774，低于部分高性能模型，这可能源于几个方面。首先，ZHANG等^[35]的研究在DCE-MRI、DWI序列的基础上纳入了T2WI序列。T2WI对组织含水量变化及瘤周水肿较敏感，可能提供更多ALN转移相关的影像信息^{[35, 36]}。其次，瘤周区域作为肿瘤微环境的重要组成部分，可能携带肿瘤浸润前沿、间质反应及淋巴播散相关信息，仅分析肿瘤实质区域可能遗漏部分瘤周转移相关特征。单独使用影像组学特征或DL特征，可能限制其捕获肿瘤多维性质的能力，融合DL及影像组学特征被多项研究认为是提升模型性能的有效策略^{[37, 38]}。LIU等^[38]基于DCE-MRI分别构建影像组学模型和DL模型，并采用模型层面后融合策略构建DLR列线图，以预测乳腺癌ALN状态。结果显示，验证集中DLR列线图的AUC为0.870，高于单独影像组学模型（AUC=0.830）及DL模型（AUC=0.770）。LI等^[37]建立的DLR融合模型在预测性能上同样超过仅采用影像组学或 DL 特征的模型。我们构建的DLR模型在验证集（AUC=0.800）性能有所提升，但提升幅度相对有限。这可能与本研究采用的特征融合策略有关。本研究采用影像组学特征与DL特征的早期特征融合方式，后输入MLP分类器建模；而LI等和LIU等均采用决策级或模型层面的后融合策略，即在模型输出层面整合不同模型的预测信息，可在一定程度上减少异质性高维特征直接拼接导致的冗余和过拟合风险，从而提高模型预测能力。此外，仅依靠影像特征分析可能无法全面反映肿瘤信息，将临床病理特征与影像特征融合有助于提升模型性能^{[37, 39]}。本研究将肿瘤最长径、阳性SLN个数、LVI等临床特征与DL、影像组学特征融合，构建了融合临床特征的联合模型，需要强调的是，这一联合模型纳入了阳性SLN个数及LVI等临床病理变量，其中阳性SLN个数来源于SLNB病理结果，LVI亦并非术前常规无创可获得指标，因此该联合模型适用于SLNB术后ALN转移风险分层评估，而非术前无创预测工具。在此应用场景下，其AUC值达到0.851（95% CI：0.722~0.953），展示出较高的效能。这表明临床特征与影像特征可从不同层面反映肿瘤及淋巴结转移相关信息，二者融合有助于提高对ALN转移风险的综合评估效能。

3.3 局限性

       本研究也存在一些局限性。首先，本研究的样本量相对较小，可能限制了模型的泛化能力，未来将进一步扩大样本量优化模型性能；其次，这是一项单中心的回顾性研究，缺乏外部独立队列验证，模型泛化能力无法证实，未来需要通过多中心、前瞻性的研究进一步验证模型的普适性；第三，虽然本研究已经使用了预先训练好的神经网络进行DL特征提取，但仍用传统的机器学习方法建模，预训练的DL特征并未与最终预测任务进行端到端协同优化，可能非最优。未来可以运用端到端的DL模型，在整个网络参数更新过程中，使特征学习直接服务于最终的分类目标，从而学习到更具判别力的特征。此外，本研究排除了双侧乳腺癌患者，目的在于保证原发肿瘤影像特征与同侧ALN病理状态之间具有明确对应关系。因此，本研究结果主要适用于单侧乳腺癌患者，未来仍需进一步探索该模型在双侧乳腺癌人群中的适用性。最后，对于有同侧多灶性病变的患者，我们仅分析最大病灶可能低估多灶性乳腺癌的整体异质性，未来研究可进一步采用多病灶整体分割或多病灶特征融合方法进行改进。

4 结论

       本研究开发的基于多参数MRI的影像组学模型、DL模型及DLR模型在预测1~2个阳性SLN乳腺癌患者的ALN转移方面具有一定价值，可为术前ALN转移风险评估提供参考。进一步构建的融合临床特征的联合模型在 SLNB术后分层评估ALN转移风险展现了较好的临床应用价值。在进一步多中心、大样本及前瞻性研究验证后，有望为1~2个SLN阳性乳腺癌患者的个体化腋窝处理决策提供辅助参考。