分享:
分享到微信朋友圈
X
• 临床研究 •
基于MRI生境分析与瘤内微生物的堆叠模型预测乳腺癌新辅助治疗缩退方式
周晓平 杨蔚 张宁妹 张朝林 尹清云 刘召弟

本文引用格式 周晓平, 杨蔚, 张宁妹, 等. 基于MRI生境分析与瘤内微生物的堆叠模型预测乳腺癌新辅助治疗缩退方式[J]. 磁共振成像, 2026, 17(11): 78-90. DOI:10.12015/issn.1674-8034.2026.11.010.


[摘要] 目的 探讨整合磁共振成像(magnetic resonance imaging, MRI)瘤体生境、瘤周放射组学、瘤内微生物及临床病理特征的多模态堆叠机器学习模型预测乳腺癌新辅助治疗(neoadjuvant therapy, NAT)缩退方式的价值。材料与方法 本研究为多中心回顾性-前瞻性队列研究,纳入285例乳腺癌患者,分为训练集(178例)、内部验证集(77例)与外部验证集(30例)。以术后病理为参考标准将缩退方式分为向心性与非向心性。经生境亚区划分提取瘤体放射组学特征[含亚区间交互特征:体积比(volume ratio, VR)、空间分散度(spatial dispersion, SD)和过渡带异质性(transition-zone heterogeneity, TZH)],并结合瘤周放射组学、临床病理及衍生的4类微生物特征,构建4个基学习器,以逻辑回归为元学习器进行堆叠集成。以DeLong检验、净重分类指数(net reclassification improvement, NRI)及综合判别改善指数(integrated discrimination improvement, IDI)评估微生物模块的增量价值,以Spearman相关分析生境-微生物关联。结果 元模型在三集合的受试者工作特征曲线下面积(area under the curve, AUC)分别为0.872(训练集)、0.846(内部验证集)及0.839(外部验证集),均优于单一基学习器;纳入微生物模块后AUC增量依次为0.061(P<0.001)(训练集)、0.054(P=0.004)(内部验证集)及0.058(P=0.003)(外部验证集)。瘤内菌负荷高者易向心性缩退,标准化菌群总负荷(normalized bacterial burden, NBB)为独立预测因素[比值比(odds ratio, OR)=2.68,P<0.001];瘤内菌分布失衡、内毒素聚集者易发生非向心性缩退。向心性缩退预测病理完全缓解(pathological complete response, pCR)的阳性预测值稳定在76.5%~78.4%。结论 该模型可无创预测NAT缩退方式,为瘤内微生物提供了独立且可跨人群复现的增量价值,为个体化保乳决策提供依据。
[Abstract] Objective To investigate the value of a multimodal stacking machine-learning model integrating MRI tumor habitat, peritumoral radiomics, intratumoral microbiota, and clinicopathological features for predicting the tumor shrinkage pattern (TSP) after neoadjuvant therapy (NAT) in breast cancer.Materials and Methods This multicenter ambispective cohort study included 285 patients with breast cancer, who were divided into a training set (n = 178), an internal validation set (n = 77), and an external validation set (n = 30). Using postoperative pathology as the reference standard, TSP was classified as concentric or non-concentric. Tumor radiomic features, including inter-subregion interaction features [volume ratio (VR); spatial dispersion (SD); transition-zone heterogeneity (TZH)], were extracted after habitat subregion partitioning. Together with peritumoral radiomics, clinicopathological features, and four derived microbial features, they were used to construct four base learners, which were integrated by stacking with logistic regression as the meta-learner. The incremental value of the microbial module was assessed using the DeLong test, net reclassification improvement (NRI), and integrated discrimination improvement (IDI), and habitat-microbiota associations were analyzed by Spearman correlation.Results The meta-model achieved AUCs of 0.872 in the training set, 0.846 in the internal validation set, and 0.839 in the external validation set, outperforming all individual base learners. After incorporation of the microbial module, the AUC increased by 0.061 (P < 0.001), 0.054 (P = 0.004), and 0.058 (P = 0.003) in the training, internal validation, and external validation sets, respectively. A higher normalized bacterial burden (NBB) was independently associated with concentric shrinkage (OR = 2.68, P < 0.001), whereas an imbalanced intratumoral bacterial distribution accompanied by endotoxin accumulation was associated with non-concentric shrinkage. The positive predictive value of concentric shrinkage for pathological complete response (pCR) remained stable at 76.5% to 78.4%.Conclusions This model enables noninvasive prediction of the NAT shrinkage pattern; the intratumoral microbiota provides an independent and reproducible incremental value across populations, offering a basis for individualized breast-conserving decision-making.
[关键词] 乳腺肿瘤;新辅助治疗;缩退方式;预测诊断;生境分析;瘤内微生物;机器学习;磁共振成像
[Keywords] breast cancer;neoadjuvant therapy;tumor shrinkage pattern;prediction;habitat analysis;intratumoral microbiota;machine learning;magnetic resonance imaging

周晓平 1   杨蔚 2*   张宁妹 3   张朝林 4   尹清云 5   刘召弟 6  

1 宁夏医科大学第一临床医学院,银川 750004

2 宁夏医科大学总医院放射科,银川 750004

3 宁夏医科大学总医院病理科,银川 750004

4 宁夏医科大学总医院肿瘤外科,银川 750004

5 宁夏医科大学总医院肿瘤内科,银川 750004

6 石嘴山市第一人民医院放射科,石嘴山 753000

通信作者:杨蔚,E-mail: yangwei_0521@163.com

作者贡献声明:杨蔚设计本研究的方案,对稿件重要内容进行了修改,获得宁夏自然科学基金项目(重点项目)、银川市科技局科技支撑项目资助;周晓平起草和撰写稿件,获取、分析本研究的数据;张宁妹、张朝林、尹清云、刘召弟获取、分析或解释本研究的数据,对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 宁夏自然科学基金项目(重点项目) 2024AAC02070 银川市科技局科技支撑项目 2025SF04
收稿日期:2026-07-17
接受日期:2026-09-24
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.010
本文引用格式 周晓平, 杨蔚, 张宁妹, 等. 基于MRI生境分析与瘤内微生物的堆叠模型预测乳腺癌新辅助治疗缩退方式[J]. 磁共振成像, 2026, 17(11): 78-90. DOI:10.12015/issn.1674-8034.2026.11.010.

0 引言

       新辅助治疗(neoadjuvant therapy, NAT)已成为局部晚期及部分可手术乳腺癌患者治疗的标准策略[1]。既往研究多以病理完全缓解(pathological complete response, pCR)作为NAT疗效评价的主要终点。然而,pCR主要反映NAT后的病理缓解状态,难以表征未达到pCR患者残留病灶的空间分布及肿瘤缩退方式(tumor shrinkage pattern, TSP)[2]。肿瘤缩退方式可反映残留病灶的空间分布特征,是评估保乳手术可行性的重要依据[3]:向心性缩退时残留病灶向瘤床中心集中、切缘易阴性,适宜保乳[4];非向心性缩退呈多灶或弥漫分布,局部复发风险升高[5]。相关指南亦强调NAT后残留病灶范围、分布及影像-病理一致性对术式决策的价值[6],但迄今缺乏可靠的术前预测标志物。

       MRI是监测NAT反应的重要手段[7, 8],但传统放射组学将肿瘤视为均质整体,忽略了决定治疗反应的瘤内异质性[9]。生境分析通过多参数体素无监督聚类将肿瘤划分为微环境各异的亚区,可定量刻画空间异质性[10, 11];瘤周区域则蕴含浸润前沿与间质反应信息[12]。近年研究进一步提示,肿瘤内微生物是影响肿瘤进展、免疫状态及治疗反应的新兴因素[13]:乳腺癌瘤内细菌可呈肿瘤类型特异性分布[14],并可能参与转移定植及治疗反应调控[15];革兰阴性菌相关内毒素及模式识别受体通路可参与炎症和免疫微环境重塑[16]。若影像生境能映射其空间分布,则有望为无创评估微生态、并赋予模型生物学可解释性提供新途径[17]。

       近年来,乳腺癌NAT后缩退方式的MRI预测研究逐渐增多。WANG等[18]采用治疗前MRI放射组学联合临床特征预测HR阳性/HER-2阴性乳腺癌的缩退方式,但该研究为单中心回顾性研究,且仅纳入特定分子亚型;HUANG等[4]在多中心队列中融合NAT前及治疗中动态对比增强MRI(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)的生境放射组学、深度学习与瘤内微生物相关信息,取得了较好的预测效能,但其模型依赖双时点DCE-MRI,未纳入扩散加权成像(diffusion-weighted imaging, DWI)、脂肪抑制T2WI及瘤周信息;WANG等[5]基于多时点多参数MRI刻画治疗过程中的缩退轨迹,其主要目标是确定快速缩退的评估时间窗,而非利用治疗前信息预测术后残留病灶的空间分布。现有研究仍缺少同时整合治疗前多参数MRI瘤内生境、瘤周特征、临床病理及瘤内微生物信息的肿瘤缩退方式预测框架,且尚未区分菌群负荷、内毒素相关失衡及免疫-微生态耦合等不同维度,也未充分评价微生物信息相对于临床病理及影像特征的独立增量价值。

       基于此,本研究旨在融合临床病理、NAT前多参数MRI瘤体生境与瘤周放射组学,以及瘤内微生物多维特征,构建多模态堆叠机器学习模型预测NAT后肿瘤缩退方式,并通过生境-微生物关联验证影像表型对瘤内微生态的映射,以期为个体化保乳决策提供兼具预测效能与机制内涵的无创工具。

1 材料与方法

1.1 研究对象

       本研究为多中心回顾性-前瞻性队列研究,遵守《赫尔辛基宣言》,已获宁夏医科大学总医院医学科研伦理审查委员会(批准文号:KYLL-2026-0411)及石嘴山市第一人民医院医学伦理委员会(批准文号:2024-1226)批准。回顾性队列免除受试者知情同意;前瞻性外部验证队列所有受试者均签署书面知情同意书。

       回顾性收集2020年1月至2024年12月于宁夏医科大学总医院接受标准NAT并手术的乳腺癌患者。纳入标准:(1)初诊且经穿刺活检证实为浸润性乳腺癌;(2)在NAT前1个月内完成乳腺MRI检查;(3)已完成全程NAT及手术并获得完整的术后病理评估。排除标准:(1)既往有乳腺癌或放化疗史;(2)双侧乳腺癌;(3)关键临床或病理资料不完整;(4)MRI图像质量欠佳,包括明显运动伪影、脂肪抑制不均、信噪比或空间分辨率不足、病灶覆盖不全,导致病灶边界无法准确识别或勾画;(5)未完成全程NAT。共筛选291例,排除36例后纳入255例,按7∶3随机分为训练集(n=178)和内部验证集(n=77)。前瞻性于2025年1月至2025年7月在石嘴山市第一人民医院招募患者。纳入标准:(1)初诊且经穿刺活检证实为浸润性乳腺癌;(2)拟接受标准NAT及后续手术;(3)在NAT前1个月内完成乳腺MRI检查。排除标准:(1)既往有乳腺癌或放化疗史;(2)双侧乳腺癌;(3)关键临床或病理资料不完整;(4)MRI图像质量欠佳,包括明显运动伪影、脂肪抑制不均、信噪比或空间分辨率不足、病灶覆盖不全,导致病灶边界无法准确识别或勾画。共筛选43例,排除13例;余30例均完成全程NAT、手术及术后病理评估,作为外部验证集进入最终分析。研究流程与数据分层见图1。

图1  研究对象纳入、数据集划分以及模型构建与验证流程图。NAT:新辅助治疗;LR:逻辑回归;XGBoost:极端梯度提升;SVM-RBF:采用径向基函数核的支持向量机;RF:随机森林;OOF:折外预测;ROC:受试者工作特征;DCA:决策曲线分析;NRI:净重新分类改善;IDI:综合判别改善;SHAP:Shapley加性解释。
Fig. 1  Flowchart of patient enrollment, dataset partitioning, model development, and validation. NAT: neoadjuvant therapy; LR: logistic regression; XGBoost: extreme gradient boosting; SVM-RBF: support vector machine with a radial basis function kernel; RF: random forest; OOF: out-of-fold; ROC: receiver operating characteristic; DCA: decision curve analysis; NRI: net reclassification improvement; IDI: integrated discrimination improvement; SHAP: SHapley Additive exPlanations.

1.2 扫描方法

       患者均于有创检查前接受乳腺MRI检查。宁夏医科大学总医院使用GE SIGNA HDxt 1.5 T和GE SIGNA HDxt 3.0 T MRI设备(GE Healthcare,美国),石嘴山市第一人民医院使用Philips Ingenia 3.0 T MRI设备(Philips Healthcare,荷兰),均配备乳腺(8通道)专用相控阵线圈。患者取俯卧位,扫描范围覆盖双侧乳腺及腋窝。扫描序列包括脂肪抑制T2WI、DWI(b=0、1000 s/mm²),并生成表观扩散系数图(apparent diffusion coefficient, ADC)及DCE-MRI T1加权序列。DCE-MRI连续采集8期,使用钆喷酸葡胺注射液(gadopentetate dimeglumine, Gd-DTPA)(Bayer AG,德国),剂量0.1 mmol/kg,经肘前静脉以2.0~2.5 mL/s注射。

1.3 缩退方式的病理学评估与分组

       以手术标本为术后病理参考标准。由2名分别具28年、9年经验的病理科医师(分别为副主任医师、住院医师)盲法独立判读。NAT后肿瘤表现分为6类[19]:(1)pCR,乳腺内无残余浸润癌,定义为ypT0/is;(2)单灶性缩退,仅有1个残余浸润性病灶,且病灶最大径较治疗前缩小≥30%;(3)多灶性缩退,存在2个及以上相互分离的残余浸润性病灶;(4)主要残留病灶伴卫星病灶;(5)疾病稳定,病灶最大径较治疗前缩小<30%且增大<20%;(6)疾病进展,病灶最大径较治疗前增大≥20%或出现新病灶。将pCR和单灶性缩退归为向心性缩退组,将多灶性缩退、主要残留病灶伴卫星病灶、疾病稳定及疾病进展归为非向心性缩退组。瘤床取材依残余肿瘤负荷(residual cancer burden, RCB)标准化理念连续取材[20]。判读不一致时经协商统一,一致性以Cohen Kappa评估[21],0<Kappa≤0.20为一致性差,0.20<Kappa≤0.40一致性较差,0.40<Kappa≤0.60一致性中等,0.60<Kappa≤0.80一致性良好,0.80<Kappa≤1.00一致性好。

1.4 肿瘤内微生物检测与特征衍生

       共285例完成16S核糖体RNA(16S ribosomal RNA, 16S rRNA)荧光原位杂交(fluorescence in situ hybridization, FISH)、脂多糖(lipopolysaccharide, LPS)免疫组织化学染色及CD8阳性肿瘤浸润淋巴细胞(CD8-positive tumor-infiltrating lymphocytes, CD8+TILs)评估。为控制外源污染及非特异性染色,实验在清洁操作区域内完成,实验台面及器具在操作前后进行消毒,试剂使用无菌水配制,并采用一次性无菌耗材,不同样本分别处理。每批次均设置阴性对照。16S rRNA FISH采用通用细菌16S rRNA探针检测细菌信号,并采用无特异性靶序列的阴性对照探针作为阴性对照;LPS免疫组化采用磷酸盐缓冲液(phosphate-buffered saline, PBS)替代一抗,其余处理步骤与实验组一致。阴性对照未见明确特异性荧光或显色信号后,该批次结果方纳入分析。图像判读时排除组织边缘、折叠、坏死碎屑及非特异性背景信号,仅记录与肿瘤组织结构具有明确空间对应关系的信号。在此基础上衍生4类微生物特征:标准化菌群总负荷(normalized bacterial burden, NBB)由FISH信号值经Z-score标准化获得,用于反映瘤内菌群总负荷;标准化内毒素负荷(normalized lipopolysaccharide burden, NLB)由LPS染色强度经Z-score标准化获得,用于反映瘤内内毒素负荷;标准化革兰阴性偏移指数(normalized Gram-negative ratio, NGR)由LPS染色强度与FISH信号值的比值经Z-score标准化获得,即NGR=Z-score(LPS/FISH),用于反映单位菌量对应的内毒素负荷及革兰阴性偏移程度;标准化免疫-微生态耦合指数(normalized immune-microbiota coupling index, NIC)由CD8⁺TILs测定值与FISH信号值的比值经Z-score标准化获得,即NIC=Z-score(CD8⁺TILs/FISH),用于反映单位菌量的免疫浸润强度。

1.5 图像预处理、配准与分割

       从医院影像归档和通信系统(picture archiving and communication system, PACS)导出NAT前乳腺MRI原始图像,图像采用医学数字成像和通信(digital imaging and communications in medicine, DICOM)格式,包括脂肪抑制T2WI、DWI和DCE-MRI。原始DICOM行信号归一化、体素重采样至1 mm3及N4偏置场校正;DCE取末期(第8期)。以T2WI为参考,对DCE、DWI先行刚性配准,再以基于互信息的B样条形变配准校正,逐例目视核验后行Z-score标准化。肿瘤的三维感兴趣体积(volume of interest, VOI)由1名6年经验的住院医师半自动逐层勾画;随机抽取100例经一名具有25年影像诊断经验的主任医师及原医师间隔2周重复勾画,以组内相关系数(intra-class correlation coefficient, ICC)评估重复性,并参考影像组学生物标志物标准化要求保留ICC≥0.75的特征[22]。

1.6 生境亚区划分、瘤周区域生成及特征提取

       影像组学特征采用Python 3.12.7(https://www.python.org/)环境下的PyRadiomics 3.1.0工具包提取,包括形状、一阶、纹理(灰度共生、游程、大小区域、邻域灰度差和灰度依赖矩阵)及小波特征。所有序列均采用一致的重采样、滤波和灰度离散化参数,固定箱宽设为25。对Z-score标准化后DCE-MRI第8期强化率、DWI(ADC)及T2WI体素信号逐例进行k-means聚类,根据k=2~5时的Silhouette系数,确定最优聚类数为3(最高值为 0.52)。为统一簇标签,按各簇末期DCE-MRI平均强化率由高至低依次定义为H1(高强化/富血供区)、H2(过渡区)和H3(低强化/坏死样区);并结合T2WI与ADC聚类中心验证亚区属性(H1均较低提示细胞致密,H3均较高提示坏死或囊变样,H2介于二者之间)。除提取各亚区的形状、一阶、纹理及小波特征外,还计算:① 亚区体积比(volume ratio, VR),表征高风险微环境主导程度;② 亚区空间分散度(spatial dispersion, SD),以各亚区质心间欧氏距离均值表征聚集或碎片化程度,SD越小提示集中/同心分布;③ 亚区间过渡带异质性(transition-zone heterogeneity, TZH),以过渡带标准化信号熵表征交界稳定性,TZH越高提示交界越不稳定。另于VOI外扩3 mm形成瘤周区域[23],提取同序列瘤周放射组学特征。生境分区及特征筛选流程见图2。

图2  女,39岁,浸润性癌(三阴性)。2A~2G为初诊MRI图像、生境分区及特征筛选。2A:T2WI;2B:DWI;2C:DCE-MRI;2D:生境亚区划分图,红、绿、蓝色分别代表H1、H2、H3亚区;2A~2C中白色箭头指示原发肿瘤,2D中白色箭头指示完成生境分区的肿瘤区域;2E:LASSO系数路径;2F:LASSO交叉验证;2G:LASSO特征权重。DWI:扩散加权成像;DCE:动态对比增强;H1:高强化/富血供区;H2:过渡区;H3:低强化/坏死样区;LASSO:最小绝对收缩和选择算子;λmin:使交叉验证误差最小的惩罚参数;λ1se:最小误差1个标准误范围内的最大惩罚参数;CV:交叉验证;MSE:均方误差;VR:亚区体积比;SD:亚区空间分散度;TZH:亚区间过渡带异质性。
Fig. 2  A 39-year-old woman with triple-negative invasive breast carcinoma. 2A to 2G show the baseline MRI images, habitat partitioning, and feature selection. 2A: T2WI; 2B: DWI; 2C: DCE-MRI; 2D: Habitat subregion map, with red, green, and blue indicating H1, H2, and H3, respectively; white arrows indicate the primary tumor in 2A to 2C and the habitat-partitioned tumor region in 2D; 2E: LASSO coefficient paths; 2F: LASSO cross-validation; 2G: LASSO feature weights. DWI: diffusion-weighted imaging; DCE: dynamic contrast enhancement; H1: high-enhancement/hypervascular subregion; H2: transition subregion; H3: low-enhancement/necrosis-like subregion; LASSO: least absolute shrinkage and selection operator; λmin: penalty parameter minimizing the cross-validation error; λ1se: largest penalty parameter within one standard error of the minimum error; CV: cross-validation; MSE: mean squared error; VR: volume ratio; SD: spatial dispersion; TZH: transition-zone heterogeneity.

1.7 特征筛选、堆叠模型与可解释性

       各特征矩阵经ICC(≥0.75)筛除低重复性特征,最终以最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)筛选降维。研究表明不同机器学习算法在影像组学任务中的相对表现具有数据依赖性,尚不存在适用于所有数据集的统一最优分类器[24]。异质性集成学习可在建模前预先设置具有不同归纳偏置的基学习器,再由元学习器整合其预测信息[25, 26, 27]。本研究根据不同数据模块的特征结构预先设置4个基学习器:临床病理变量数量相对有限且强调可解释性,采用逻辑回归(logistic regression, LR)(模型P1);生境影像组学包含亚区及亚区间交互特征,采用能够处理非线性关系和变量交互的极端梯度提升(extreme gradient boosting, XGBoost)(模型P2);瘤周影像组学具有高维、相关性较强及潜在非线性等特点,结合既往乳腺癌瘤周DCE-MRI影像组学的应用基础[28, 29],采用径向基函数核支持向量机(support vector machine with a radial basis function kernel, SVM-RBF)(模型P3);微生物指标可能存在非线性关系及阈值效应,采用随机森林(random forest, RF)(模型P4)。上述设置旨在获得具有互补决策结构的预测结果,而非根据单一模型性能筛选某一种普遍最优算法。采用堆叠集成[30, 31]、以逻辑回归为元学习器;各基学习器均以5折交叉验证生成折外(out-of-fold)预测概率作为元模型输入以避免信息泄露。采用沙普利加性解释(SHapley Additive exPlanations, SHAP)评估特征贡献[32]。

1.8 统计学分析

       采用IBM SPSS Statistics 27.0 软件(IBM Corp., Armonk, NY, USA)和 Python 3.12.7 软件(Python Software Foundation, Wilmington, DE, USA)。连续变量经Shapiro-Wilk检验判断分布,正态分布者以x¯±s表示、非正态分布者以M(Q1,Q3)表示,组间比较分别用独立样本t检验/Mann-Whitney U检验;分类变量以频数(%)表示,用χ2或Fisher检验。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)及其95%置信区间(confidence interval, CI),报告准确度、敏感度、特异度、阳性预测值(positive predictive value, PPV)、阴性预测值(negative predictive value, NPV)和F1分数(F1 score, F1);以DeLong检验比较各模型AUC差异,以净重分类改善指数(net reclassification improvement, NRI)、综合判别改善指数(integrated discrimination improvement, IDI)评估微生物模块的增量价值,并通过减法模型进行消融实验。生境-微生物关联用Spearman相关并行错误发现率(false discovery rate, FDR)校正。以P<0.05为差异有统计学意义。

2 结果

2.1 三大队列基线特征比较

       两名病理科医师对向心性/非向心性缩退组的初始独立判读Cohen Kappa为0.89(95% CI:0.87~0.91),提示一致性较好,判读不一致的经协商后达成最终结论。最终共纳入285例,其中向心性缩退157例(55.1%)、非向心性缩退128例(44.9%)。训练集、内部验证集和外部验证集的缩退方式构成、临床病理特征、MRI表现及核心微生物特征差异均无统计学意义(均P>0.05,表1)。

表1  总队列、训练集、内部验证集及外部验证集临床病理、MRI影像及瘤内微生物特征比较
Tab. 1  Comparison of clinicopathological, MRI, and intratumoral microbiome features among the overall, training, internal validation, and external validation cohorts

2.2 影像特征筛选

       初始获得候选影像特征12 726个,经观察者内及观察者间一致性分析后保留6582个。经训练集内进一步筛选,生境模块和瘤周模块分别有23个和12个特征进入LASSO分析;在λ_min下,最终分别保留8个和6个非零系数特征。生境模块保留的8个特征包括5个亚区影像组学特征及3个亚区间交互特征(VR、SD和TZH),其筛选过程见图2E~2G。

2.3 向心性与非向心性缩退组的特征比较

       向心性缩退组人表皮生长因子受体2(human epidermal growth factor receptor 2, HER-2)阳性、Ki-67高表达及组织学Ⅲ级比例较高,分子分型以HER-2过表达型与三阴性为主;非向心性组雌激素受体(estrogen receptor, ER)、孕激素受体(progesterone receptor, PR)阳性及临床肿瘤-淋巴结-转移分期(clinical tumor-node-metastasis, cTNM)较晚的比例较高,分子分型以Luminal B型为主(均P<0.001)。MRI表现方面,非向心性缩退组NAT前肿瘤最大径较大(P=0.041);向心性缩退组平均、最小及最大ADC较高(P分别为0.004、0.003、0.008);其余常规MRI指标差异均无统计学意义(P>0.05)。

       瘤内微生物特征呈菌负荷与菌分布两维度分离:向心性组NBB和NLB更高(P<0.001);而反映菌群失衡的NGR在非向心性组更高(P=0.003),向心性缩退组的NIC高于非向心性缩退组(P=0.008),提示两组免疫-微生态耦合程度存在一定差异(表2)。两种缩退方式的代表性MRI见图3。

图3  两种缩退方式的代表性MRI图像。3A~3B:病例1,女,54岁,右乳非特殊型浸润性癌(I级),NAT后手术病理判定为向心性缩退。3A为NAT前DCE-MRI,示原发肿瘤(白箭)呈局限性强化;3B为NAT后DCE-MRI,原瘤床区域(白箭)强化消失。3C~3D:病例2,女,55岁,右乳非特殊型浸润性癌(Ⅱ级),NAT后手术病理判定为非向心性缩退。3C为NAT前DCE-MRI,白色箭头指示原发肿瘤;3D为NAT后DCE-MRI,白色箭头指示代表性残留强化,残留强化呈散在、多灶性分布。NAT:新辅助治疗;DCE-MRI:动态对比增强MRI。
Fig. 3  Representative MRI images of the two types of atrophy. 3A to 3B: Case 1, a 54-year-old woman with grade I invasive carcinoma of no special type in the right breast. Post-NAT surgical pathology demonstrated concentric regression. 3A: Pre-NAT DCE-MRI shows localized enhancement of the primary tumor (white arrow). 3B: Post-NAT DCE-MRI shows disappearance of enhancement in the original tumor bed (white arrow). 3C to 3D: Case 2, a 55-year-old woman with grade Ⅱ invasive carcinoma of no special type in the right breast. Post-NAT surgical pathology demonstrated non-concentric regression. 3C: Pre-NAT DCE-MRI shows the primary tumor (white arrow). 3D: Post-NAT DCE-MRI shows representative residual enhancement (white arrow), with a scattered, multifocal distribution. NAT: neoadjuvant therapy; DCE- MRI: dynamic contrast enhancement MRI.
表2  向心性缩退组与非向心性缩退组临床病理、MRI影像、影像组学及瘤内微生物特征比较
Tab. 2  Comparison of clinicopathological, MRI, radiomics, and intratumoral microbiome features between the concentric and non-concentric regression groups

2.4 向心性缩退的独立预测因素

       多因素向后逐步回归显示,cTNM分期、ER状态、HER-2状态及NBB为向心性缩退的独立预测因素,其比值比(odds ratio, OR)分别为0.25(P=0.001)、0.19(P<0.001)、26.27(P<0.001)和2.68(P<0.001)(表3)。NBB在校正分子分型后仍独立显著,提示瘤内菌负荷是免疫-微生态活跃度的独立无创代理指标,携带传统临床病理信息之外的预测信号。

表3  训练集中向心性缩退预测因素的单因素和多因素logistic回归分析
Tab. 3  Univariate and multivariate logistic regression analyses of predictors of concentric regression in the training cohort

2.5 各基模型与元模型的预测效能

       堆叠元模型在训练集、内部及外部验证集的AUC(95% CI)分别为0.872(0.819~0.925)、0.846(0.756~0.936)、0.839(0.696~0.982),均高于任一单一基学习器(表4)。基学习器中,又以生境XGBoost(P2)最优,三队列AUC分别为 0.833、0.801、0.794;元模型较最优基学习器提升AUC分别为0.039、0.045、0.045。元模型在三队列准确度分别为81.5%、80.5%、80.0%,F1为0.829、0.823、0.824,敏感度与特异度均衡(差值<0.06),从训练集至外部集仅轻微渐进衰减,未经过拟合,泛化稳健。各模型在三队列的ROC、校准及决策曲线见图4。

表4  各基础学习器及元学习器在训练集、内部验证集和外部验证集中的诊断效能
Tab. 4  Diagnostic performance of base learners and the meta-learner in the training, internal validation, and external validation cohorts

2.6 瘤内微生物特征增量价值的消融分析

       以剔除微生物模块的减法模型为对照,纳入微生物模块后元模型AUC在训练集由0.811升至0.872 [曲线下面积差值(ΔAUC)=0.061,P<0.001],内部集由0.792升至0.846(ΔAUC=0.054,P=0.004),外部集由0.781升至0.839(ΔAUC=0.058,P=0.003)(表5)。NRI、IDI在三队列区间下限均>0。外部集ΔAUC(0.058)与训练集(0.061)几近相当,表明该增量并非训练集过拟合的假象,而是独立于影像与临床信息、可跨人群复现的稳定预测价值。各队列的ROC对比、ΔAUC及NRI/IDI结果见图5。

图4  三队列各模型的预测效能。4A~4C:ROC 曲线;4D~4F:校准曲线;4G~4I:决策曲线分析。ROC:受试者工作特征;LR:逻辑回归;XGBoost:极端梯度提升;SVM-RBF:采用径向基函数核的支持向量机;RF:随机森林;AUC:曲线下面积;Brier score:布里尔评分;DCA:决策曲线分析。
Fig. 4  Predictive performance of the models in the three cohorts. 4A to 4C: ROC curves; 4D to 4F: calibration curves; 4G to 4I: decision curve analysis. ROC: receiver operating characteristic; LR: logistic regression; XGBoost: extreme gradient boosting; SVM-RBF: support vector machine with a radial basis function kernel; RF: random forest; AUC: area under the curve; Brier score: mean squared difference between predicted probabilities and observed outcomes; DCA: decision curve analysis.
图5  瘤内微生物模块的增量价值。5A~5C:训练集、内部验证集和外部验证集的基础模型与元模型ROC对比;5D:DeLong 检验及ΔAUC;5E:NRI 和IDI。ROC:受试者工作特征曲线;LR:逻辑回归;AUC:曲线下面积;ΔAUC:曲线下面积差值;CI:置信区间;NRI:净重分类改善指数;IDI:综合判别改善指数。
Fig. 5  Incremental value of the intratumoral microbiome module. 5A to 5C: ROC comparisons between the base model and meta-model in the training, internal validation, and external validation cohorts; 5D: DeLong test and ΔAUC; 5E: NRI and IDI. ROC: receiver operating characteristic; LR: logistic regression; AUC: area under the curve; ΔAUC: difference in area under the curve; CI: confidence interval; NRI: net reclassification improvement; IDI: integrated discrimination improvement.
表5  基于ΔAUC、NRI和IDI评价瘤内微生物特征的增量预测价值(消融分析)
Tab. 5  Incremental predictive value of intratumoral microbiome features assessed by ΔAUC, NRI, and IDI (ablation analysis)

2.7 瘤内菌群与影像生境的关联

2.7.1 向心性缩退组的瘤内微生物特征

       组间比较结果显示,向心性缩退组的NBB、NLB和NIC均高于非向心性缩退组(NBB、NLB均P<0.001,NIC P=0.008),NGR低于非向心性缩退组(P=0.003)(表2)。

2.7.2 瘤内菌在亚区及亚区间的空间映射

       相关性分析结果显示,反映菌负荷的NBB与富细胞/血供区(H1,ρ=+0.22)及VR正相关(ρ=+0.30,q<0.05),总体表现出“高灌注-高负荷”特征。反映菌分布的指标与亚区间失衡密切相关:随着SD、TZH升高,内毒素偏移越重(NGR随TZH升高ρ=+0.46,q<0.01),免疫协同减弱(NIC随TZH下降ρ=-0.41,q<0.01),且集中于过渡区(H2,对NLB ρ=+0.39、NGR ρ=+0.34)与坏死区(H3,对NLB ρ=-0.34)。NLB同时表现出与菌负荷及亚区间失衡相关的特征,且与TZH呈较强正相关(TZH ρ=+0.52,q<0.001)(表6),上述相关性热图见图6。

图6  生境亚区影像组学特征及亚区间交互指标与瘤内微生物特征的Spearman相关热图。每个单元格上行为Spearman ρ,下行为经Benjamini-Hochberg法校正的q值;*表示q<0.05,**表示q<0.01。FDR:错误发现率;NBB:标准化菌群总负荷;NLB:标准化内毒素负荷;NGR:标准化革兰阴性偏移指数;NIC:标准化免疫-微生态耦合指数;VR:亚区体积比;SD:亚区空间分散度;TZH:亚区间过渡带异质性;H1:高强化/富血供区;H2:过渡区;H3:低强化/坏死样区;DWI:扩散加权成像;DCE:动态对比增强。
Fig. 6  Spearman correlation heatmap of tumor habitat radiomic features, inter-subregion interaction indicators, and intratumoral microbiological features. The upper and lower lines in each cell show Spearman ρ and the Benjamini-Hochberg-adjusted q value, respectively; * q < 0.05 and ** q < 0.01. FDR: false discovery rate; NBB: normalized bacterial burden; NLB: normalized lipopolysaccharide burden; NGR: normalized Gram-negative ratio; NIC: normalized immune-microbiota coupling index; VR: volume ratio; SD: spatial dispersion; TZH: transition-zone heterogeneity; H1: high-enhancement/hypervascular subregion; H2: transition subregion; H3: low-enhancement/necrosis-like subregion; DWI: diffusion-weighted imaging; DCE: dynamic contrast enhancement.
表6  生境亚区影像组学特征及亚区间交互指标与瘤内微生物特征的相关性
Tab. 6  Correlations between radiomic features of tumor habitat subregions, inter-subregion interaction indicators, and intratumoral microbiological characteristics

2.8 缩退方式与pCR的关系

       pCR依定义归属向心性缩退,故非向心性组无pCR病例。训练集97例向心性缩退中76例达pCR,PPV为78.4%(95% CI:69.2%~85.4%);该比例在内部集(76.7%)与外部集(76.5%)高度一致(表7)。约四分之三的向心性缩退最终获pCR,其余约20%为局限于中心的单灶残留、仍具完整切除条件。模型解释性结果见图7。

图7  模型的特征贡献与SHAP 依赖关系。7A:XGBoost 模型的特征贡献蜂群图;7B:RF模型的特征贡献蜂群图;7C:NBB 与SHAP 值依赖关系。SHAP:沙普利加和解释;XGBoost:极端梯度提升;RF:随机森林;NBB:标准化菌群总负荷;NLB:标准化内毒素负荷;NGR:标准化革兰阴性偏移指数;NIC:标准化免疫-微生态耦合指数;TZH:亚区间过渡带异质性;SD:亚区空间分散度;VR:亚区体积比;DWI:扩散加权成像;DCE:动态对比增强。
Fig. 7  Feature contributions and SHAP dependence relationships. 7A: feature-contribution beeswarm plot for the XGBoost model; 7B: feature-contribution beeswarm plot for the RF model; 7C: dependence relationship between NBB and SHAP values. SHAP: SHapley Additive exPlanations; XGBoost: extreme gradient boosting; RF: random forest; NBB: normalized bacterial burden; NLB: normalized lipopolysaccharide burden; NGR: normalized Gram-negative ratio; NIC: normalized immune-microbiota coupling index; TZH: transition-zone heterogeneity; SD: spatial dispersion; VR: volume ratio; DWI: diffusion-weighted imaging; DCE: dynamic contrast enhancement.
表7  三队列中向心性缩退患者的病理完全缓解(pCR)情况
Tab. 7  Pathological complete response (pCR) in patients with concentric regression across the three cohorts

3 讨论

       本研究基于多中心回顾性-前瞻性队列,整合NAT前多参数MRI瘤体生境、瘤周放射组学、瘤内微生物及临床病理特征,构建并验证了预测乳腺癌NAT后缩退方式的多模态堆叠模型。该模型在训练集、内部验证集和外部验证集的AUC分别为0.872、0.846、0.839,均优于单一基学习器;消融分析显示,加入瘤内微生物特征后模型判别效能和重分类能力进一步提高。相较于既往主要围绕pCR或单一影像表型的研究,本研究的创新在于将瘤体空间异质性、瘤周信息与瘤内微生态纳入同一预测框架,并进一步分析影像生境与微生物特征的关联。该模型可在治疗前为残留病灶缩退方式及潜在保乳可行性的个体化评估提供参考。

3.1 预测“缩退方式”而非“缓解程度”的临床价值

       既往研究多以pCR为预测终点,主要评价NAT后的缓解程度[2];本研究聚焦残留病灶的空间分布形态,即肿瘤缩退方式。该评价维度具有明确的外科决策意义:向心性缩退通常表现为残留病灶向原瘤床中心聚集,有利于获得阴性切缘;非向心性缩退则呈多灶或散在残留,可能增加保乳手术范围评估的不确定性及局部复发风险[3]。因此,对缩退方式进行治疗前无创预测,有望为保乳可行性评估、切除范围规划及治疗方案的个体化调整提供依据。

       常规MRI可从病灶大小、强化形态及扩散特征等方面提供NAT反应线索,NAT后DCE-MRI显示残留强化向原瘤床中心聚集或呈多灶、散在分布,有助于判断缩退方式及手术范围[5, 7]。本研究中,向心性缩退组以HER-2过表达型和三阴性为主,与上述分子亚型对NAT相对敏感、pCR率较高的既往认识一致[1, 33]。向心性缩退组ADC略高,可能反映其细胞密度及组织微结构的差异,既往研究亦提示扩散参数可用于表征肿瘤细胞密度和NAT反应[34, 35]。但两组多数常规MRI征象及DCE半定量参数差异无统计学意义,且ADC未显示独立预测价值,提示单一常规MRI征象对缩退方式的区分能力有限。生境分析进一步量化瘤内亚区及其空间关系,生境XGBoost模型在训练集、内部验证集和外部验证集的AUC分别为0.833、0.801和0.794,表明MRI的预测信息可能更多来源于对肿瘤空间异质性的定量表征。

3.2 两个关键因素:瘤内菌负荷与瘤内菌分布

       本研究观察到,瘤内菌负荷与菌分布从不同维度与肿瘤缩退方式相关,且二者与缩退方式呈相反方向的关联,从而为“菌负荷更多的肿瘤反而更倾向于向心性缩退”这一现象提供了一种可能解释。

       其一,较高的瘤内菌负荷与向心性缩退相关。向心性缩退组NBB、NLB均较高,该组同时以HER-2过表达型和三阴性为主,具有增殖活跃、免疫原性较强、对NAT相对敏感等特点。因此,较高的菌负荷可能是免疫活跃和治疗敏感表型的伴随标志,而非促进耐药的因素。多因素分析显示,NBB校正临床病理因素后仍与向心性缩退独立相关(OR=2.68),提示其可能反映肿瘤免疫-微生态状态。既往研究亦提示瘤内菌群与肿瘤免疫微环境存在联系[36]。

       其二,菌群分布失衡及免疫协同减弱与非向心性缩退相关。非向心性缩退组NGR较高、NIC较低,表现出更明显的革兰阴性偏移及免疫-微生态失衡。进一步的相关性分析显示,影像上的亚区间失衡(SD、TZH)越明显,NGR越高、NIC越低,相关影像特征主要来源于过渡区H2与坏死区H3。在存在低灌注、缺氧或屏障受损的局部区域,革兰阴性偏移及内毒素信号可能同时出现,并与免疫协同减弱、局部治疗敏感性降低及非向心性缩退相关[37]。

       瘤内菌负荷与菌群分布分别反映微生态总量和空间失衡两个相互独立的维度,这可能是亚区间指标具有增量价值的原因之一:一个菌负荷较高的肿瘤,当菌群分布相对均匀时可能与向心性缩退相关;当菌群分布失衡时,则可能与非向心性缩退相关。由此可提出如下关联性机制假设:亚区间失衡可能伴随H2、H3区域低灌注、缺氧或屏障受损;这些局部微环境改变可能与革兰阴性偏移及内毒素相关信号增强同时出现,并进一步伴随免疫协同减弱、局部治疗反应不均一及非向心性缩退[38]。

       该关联框架有助于理解既往研究中瘤内菌群与预后关系不一致的分歧:仅评价菌群总量时,其关联方向可能受肿瘤表型影响;进一步纳入菌群分布失衡及免疫协同指标,可能获得更为完整的微生态表征[13]。这也是本研究的核心增量,即将瘤内微生态的评价从“量的多少”推进到“分布是否失衡、免疫是否协同”,并尝试借影像生境无创刻画。需要强调的是,上述框架仅为基于横断面相关结果提出的机制假设,尚不能确定各环节之间的因果方向和时间顺序,仍需纵向观察及实验研究进一步验证。

3.3 从缩退方式到保乳决策的临床转化

       三队列中向心性缩退预测pCR的PPV稳定在76.5%~78.4%。pCR可视为向心性缩退这一连续过程的“最优端点”[20];其余约20%未达pCR者残留灶集中、边界清晰,同样具备切缘阴性的解剖基础。本模型通过无创影像捕获亚区间表型并整合微生物增量信息,有望在NAT疗程中,前瞻性识别“高pCR潜力且切缘易阴性”的向心性缩退人群,把术后才知的病理形态学概念转化为术前决策标志物[39]。该PPV基于有限样本,尚需前瞻验证。

3.4 与既往研究的比较及方法学特色

       既往研究已从DWI及瘤内异质性等角度预测乳腺癌NAT疗效[7, 9],HUANG等[4]侧重纵向双时点DCE-MRI、自动分割及深度学习特征融合;本研究聚焦NAT前单时点多参数MRI(T2WI、DWI及DCE-MRI),立足可推广的现实条件,采用半自动分割与可解释的“生境+瘤周”组学体系,并首次显式量化亚区间指标(VR、SD、TZH),以此搭建“影像生境空间结构↔瘤内菌群分布”的桥梁[10]。同时,本研究将微生物信息细化为NBB、NLB、NGR和NIC,分别从菌负荷、内毒素负荷、革兰阴性偏移及免疫-微生态耦合等维度进行表征,并采用LR、XGBoost、SVM-RBF和RF作为异质性基学习器进行堆叠整合。堆叠框架以无信息泄露的折外概率为输入,异质基学习器融合后性能全面提升,并按医学影像人工智能(artificial intelligence, AI)研究的透明报告要求进行模型解释和验证[40]。

3.5 局限性

       第一,外部验证为单中心且样本量有限(n=30),普适性需更大规模多中心验证。第二,生境-微生物关联为相关性证据,因果环节尚需体外实验、空间转录组及16S/宏基因组测序验证。第三,NGR、NIC为比值型衍生指标,其生物学效度仍需测序与空间转录组正交验证。第四,本研究为二分类模型,将pCR操作性归入向心性缩退,但pCR与中心性单灶残留并非相同的病理形态。二者合并可能使模型同时捕捉完全缓解相关生物学特征和残留病灶空间分布特征,从而引入一定的分类偏倚。此外,本研究未单独区分疾病进展;未来需扩大样本,进一步建立“pCR/中心性单灶残留/非向心性残留及疾病进展”的多分类模型并进行验证。

4 结论

       本研究构建并经独立外部队列验证的多模态堆叠模型可较准确地无创预测乳腺癌NAT后的缩退方式,瘤内微生物特征可提供独立增量信息,从而为个体化保乳决策提供参考。

[1]
KORDE L A, SOMERFIELD M R, CAREY L A, et al. Neoadjuvant chemotherapy, endocrine therapy, and targeted therapy for breast cancer: ASCO guideline[J]. J Clin Oncol, 2021, 39(13): 1485-1505. DOI: 10.1200/JCO.20.03399.
[2]
张晴, 陈基明, 吴莉莉, 等. 基于DCE-MRI肿瘤异质性定量和深度学习预测乳腺癌新辅助化疗疗效的价值[J]. 磁共振成像, 2026, 17(1): 42-50. DOI: 10.12015/issn.1674-8034.2026.01.007.
ZHANG Q, CHEN J M, WU L L, et al. Value of DCE-MRI-based tumor heterogeneity quantification and deep learning in predicting neoadjuvant chemotherapy response in breast cancer[J]. Chin J Magn Reson Imaging, 2026, 17(1): 42-50. DOI: 10.12015/issn.1674-8034.2026.01.007.
[3]
FUKADA I, ARAKI K, KOBAYASHI K, et al. Pattern of tumor shrinkage during neoadjuvant chemotherapy is associated with prognosis in low-grade luminal early breast cancer[J]. Radiology, 2018, 286(1): 49-57. DOI: 10.1148/radiol.2017161548.
[4]
HUANG Y H, SONG X Y, CHEN Y L, et al. Intratumoral microbiome-related MRI model for predicting breast cancer shrinkage pattern following neoadjuvant therapy[J/OL]. Radiology, 2025, 316(2): e243545 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40892452/. DOI: 10.1148/radiol.243545.
[5]
WANG J B, LIU Y C, LIU T H, et al. Tumor shrinkage patterns and optimal timing of response assessment during neoadjuvant therapy for breast cancer: a study based on multiparametric MRI[J/OL]. Cancer Imaging, 2025, 26(1): 2 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/41345717/. DOI: 10.1186/s40644-025-00971-0.
[6]
中国抗癌协会乳腺癌专业委员会, 中华医学会肿瘤学分会乳腺肿瘤学组. 中国抗癌协会乳腺癌诊治指南与规范(2024年版)[J]. 中国癌症杂志, 2023, 33(12): 1092-1187. DOI: 10.19401/j.cnki.1007-3639.2023.12.004.
The Society of Breast Cancer China AntiCancer Association;Breast Oncology Group of the Oncology Branch of the Chinese Medical Association. Guidelines for breast cancer diagnosis and treatment by China Anti-cancer Association(2024 edition)[J]. China Oncol, 2023, 33(12): 1092-1187. DOI: 10.19401/j.cnki.1007-3639.2023.12.004.
[7]
HOTTAT N A, BADR D A, LECOMTE S, et al. Value of diffusion-weighted MRI in predicting early response to neoadjuvant chemotherapy of breast cancer: comparison between ROI-ADC and whole-lesion-ADC measurements[J]. Eur Radiol, 2022, 32(6): 4067-4078. DOI: 10.1007/s00330-021-08462-z.
[8]
LO GULLO R, SUROVITSKY M, KIM D, et al. Abbreviated MRI for the evaluation of treatment response in patients undergoing neoadjuvant chemotherapy for breast cancer[J/OL]. Radiology, 2026, 319: e252413 [2026-07-16]. https://pubs.rsna.org/doi/10.1148/radiol.252413. DOI: 10.1148/radiol.252413.
[9]
HUANG Y, WANG X X, CAO Y, et al. Nomogram for predicting neoadjuvant chemotherapy response in breast cancer using MRI-based intratumoral heterogeneity quantification[J/OL]. Radiology, 2025, 315(1): e241805 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40232145/. DOI: 10.1148/radiol.241805.
[10]
LI S L, DAI Y M, CHEN J Y, et al. MRI-based habitat imaging in cancer treatment: current technology, applications, and challenges[J/OL]. Cancer Imaging, 2024, 24(1): 107 [2026-07-16]. https://link.springer.com/article/10.1186/s40644-024-00758-9. DOI: 10.1186/s40644-024-00758-9.
[11]
ZHU H J, ZHANG B Y, PENG D N, et al. MRI-based habitat analysis for predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer: a multicenter study[J]. Magnetic Resonance Imaging, 2026, 63(6): 1769-1779. DOI: 10.1002/jmri.70285.
[12]
王浩天, 于韬, 徐姝. MRI影像组学在乳腺癌新辅助化疗中应用的研究进展[J]. 中国临床医学影像杂志, 2023, 34(12): 892-896. DOI: 10.12117/jccmi.2023.12.012.
WANG H T, YU T, XU S. Research progress on the application of MRI radiomics in neoadjuvant chemotherapy for breast cancer[J]. J China Clin Med Imaging, 2023, 34(12): 892-896. DOI: 10.12117/jccmi.2023.12.012.
[13]
SEPICH-POORE G D, ZITVOGEL L, STRAUSSMAN R, et al. The microbiome and human cancer[J/OL]. Science, 2021, 371(6536): eabc4552 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/33766858/. DOI: 10.1126/science.abc4552.
[14]
NEJMAN D, LIVYATAN I, FUKS G, et al. The human tumor microbiome is composed of tumor type-specific intracellular bacteria[J]. Science, 2020, 368(6494): 973-980. DOI: 10.1126/science.aay9189.
[15]
FU A K, YAO B Q, DONG T T, et al. Tumor-resident intracellular microbiota promotes metastatic colonization in breast cancer[J/OL]. Cell, 2022, 185(8): 1356-1372.e26 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/35395179/. DOI: 10.1016/j.cell.2022.02.027.
[16]
RYSPAYEVA D, SEYHAN A A, MACDONALD W J, et al. Signaling pathway dysregulation in breast cancer[J/OL]. Oncotarget, 2025, 16: 168-201 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40080721/. DOI: 10.18632/oncotarget.28701.
[17]
WU L X, DING N, JI Y D, et al. Habitat analysis in tumor imaging: advancing precision medicine through radiomic subregion segmentation[J/OL]. Cancer Manag Res, 2025, 17: 731-741 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40190416/. DOI: 10.2147/CMAR.S511796.
[18]
WANG L J, WANG Y C, YANG L, et al. Using baseline MRI radiomics to predict the tumor shrinkage patterns in HR-Positive, HER2-Negative Breast Cancer[J/OL]. Front Oncol, 2025, 15: 1539644 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40809032/. DOI: 10.3389/fonc.2025.1539644.
[19]
EISENHAUER E A, THERASSE P, BOGAERTS J, et al. New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1)[J]. Eur J Cancer, 2009, 45(2): 228-247. DOI: 10.1016/j.ejca.2008.10.026.
[20]
YAU C, OSDOIT M, VAN DER NOORDAA M, et al. Residual cancer burden after neoadjuvant chemotherapy and long-term survival outcomes in breast cancer: a multicentre pooled analysis of 5161 patients[J]. Lancet Oncol, 2022, 23(1): 149-160. DOI: 10.1016/S1470-2045(21)00589-1.
[21]
LANDIS J R, KOCH G G. The measurement of observer agreement for categorical data[J/OL]. Biometrics, 1977, 33(1): 159 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/843571/. DOI: 10.2307/2529310.
[22]
ZWANENBURG A, VALLIÈRES M, ABDALAH M A, et al. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping[J]. Radiology, 2020, 295(2): 328-338. DOI: 10.1148/radiol.2020191145.
[23]
DING J W, QIU Z K, PENG H B, et al. Peritumoral habitat radiomics predicts axillary lymph node metastasis in breast cancer[J/OL]. iScience, 2026, 29(4): 115365 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/41993696/. DOI: 10.1016/j.isci.2026.115365.
[24]
DECOUX A, DURON L, HABERT P, et al. Comparative performances of machine learning algorithms in radiomics and impacting factors[J/OL]. Sci Rep, 2023, 13(1): 14069 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/37640728/. DOI: 10.1038/s41598-023-39738-7.
[25]
PIRRACCHIO R, PETERSEN M L, CARONE M, et al. Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): a population-based study[J]. Lancet Respir Med, 2015, 3(1): 42-52. DOI: 10.1016/S2213-2600(14)70239-5.
[26]
BROWN M M, KUHLE S, SMITH B, et al. Development and validation of super learner models to predict small and large for gestational age in the second generation[J/OL]. Sci Rep, 2025, 15(1): 33212 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/41006777/. DOI: 10.1038/s41598-025-18466-0.
[27]
YANG Y F, WEI L, HU Y, et al. Classification of Parkinson's disease based on multi-modal features and stacking ensemble learning[J/OL]. J Neurosci Methods, 2021, 350: 109019 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/33321153/. DOI: 10.1016/j.jneumeth.2020.109019.
[28]
ZHANG S H, WANG X L, YANG Z, et al. Intra- and peritumoral radiomics model based on early DCE-MRI for preoperative prediction of molecular subtypes in invasive ductal breast carcinoma: a multitask machine learning study[J/OL]. Front Oncol, 2022, 12: 905551 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/35814460/. DOI: 10.3389/fonc.2022.905551.
[29]
ZHAO Q M, ZHANG H, XING W. Integrating peritumoral and intratumoral radiomics with deep learning for preoperative prediction of lymphovascular invasion in invasive breast cancer using DCE-MRI[J/OL]. Technol Cancer Res Treat, 2025, 24: 15330338251374945 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/40899931/. DOI: 10.1177/15330338251374945.
[30]
ZENG Q, LIU L, HE C W, et al. Early and noninvasive prediction of response to neoadjuvant therapy for breast cancer via longitudinal ultrasound and MR deep learning: a multicentre study[J]. Acad Radiol, 2025, 32(3): 1264-1273. DOI: 10.1016/j.acra.2024.10.033.
[31]
LIU J H, LENG X L, YUAN Z F, et al. Predicting breast cancer response to neoadjuvant chemotherapy with ultrasound-based deep learning radiomics models: dual-center study[J/OL]. BMC Cancer, 2025, 25(1): 1737 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/41214584/. DOI: 10.1186/s12885-025-15148-y.
[32]
LUNDBERG S M, ERION G, CHEN H, et al. From local explanations to global understanding with explainable AI for trees[J]. Nat Mach Intell, 2020, 2(1): 56-67. DOI: 10.1038/s42256-019-0138-9.
[33]
VALENZA C, TRAPANI D, LOIBL S, et al. Optimizing postneoadjuvant treatment in patients with early breast cancer achieving pathologic complete response[J]. J Clin Oncol, 2024, 42(20): 2372-2376. DOI: 10.1200/JCO.23.01935.
[34]
蔡永斌, 曾世福, 涂梦婷. 乳腺癌患者DTI参数与细胞密度及病理分级的关系探析[J]. 中国CT和MRI杂志, 2021, 19(7): 103-105. DOI: 10.3969/j.issn.1672-5131.2021.07.032.
CAI Y B, ZENG S F, TU M T. Relationship between DTI parameters and cell density and pathological grade in patients with breast cancer[J]. Chin J CT MRI, 2021, 19(7): 103-105. DOI: 10.3969/j.issn.1672-5131.2021.07.032.
[35]
GONG X Q, WANG X X, WANG L, et al. Comparing multi–b-Value diffusion MRI models for predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer[J/OL]. Radiology, 2025, 316: e242969 [2026-07-16]. https://pubs.rsna.org/doi/10.1148/radiol.242969. DOI: 10.1148/radiol.242969.
[36]
GALEANO NIÑO J L, WU H R, LACOURSE K D, et al. Effect of the intratumoral microbiota on spatial and cellular heterogeneity in cancer[J]. Nature, 2022, 611(7937): 810-817. DOI: 10.1038/s41586-022-05435-0.
[37]
JIMÉNEZ-SÁNCHEZ A, CYBULSKA P, MAGER K L, et al. Unraveling tumor-immune heterogeneity in advanced ovarian cancer uncovers immunogenic effect of chemotherapy[J]. Nat Genet, 2020, 52(6): 582-593. DOI: 10.1038/s41588-020-0630-5.
[38]
GELLER L T, BARZILY-ROKNI M, DANINO T, et al. Potential role of intratumor bacteria in mediating tumor resistance to the chemotherapeutic drug gemcitabine[J]. Science, 2017, 357(6356): 1156-1160. DOI: 10.1126/science.aah5043.
[39]
PENG Y S, CHENG Z L, GONG C, et al. Pretreatment DCE-MRI-based deep learning outperforms radiomics analysis in predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer[J/OL]. Front Oncol, 2022, 12: 846775 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/35359387/. DOI: 10.3389/fonc.2022.846775.
[40]
MONGAN J, MOY L, KAHN C E. Checklist for artificial intelligence in medical imaging (CLAIM): a guide for authors and reviewers[J/OL]. Radiol Artif Intell, 2020, 2(2): e200029 [2026-07-16]. https://pubmed.ncbi.nlm.nih.gov/33937821/. DOI: 10.1148/ryai.2020200029.

上一篇 APT成像联合T2-FLAIR在无对比剂强化弥漫性胶质瘤中的应用价值
下一篇 基于DWI的虚拟磁共振弹性成像联合磁共振严重程度指数对急性胰腺炎的早期危险分层预测价值
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2