0 前言

       女性乳腺癌是全球最常见的癌症，危害妇女的身心健康^[1]。新辅助化疗（neoadjuvant chemotherapy, NAC）已广泛应用于局部进展期乳腺癌患者。NAC的主要优势为可术前将乳腺肿瘤缩小降期，从而提高保乳手术（breast-conserving surgery, BCS）的可能性^{[2, 3]}。然而，保乳手术率的提高可能导致较高的局部复发率。乳腺肿瘤NAC后的退缩模式可分为向心性退缩和非向心性退缩。根据美国国家综合癌症网络（National Comprehensive Cancer Network, NCCN）指南^[4]，NAC后肿瘤缓解程度和退缩模式是影响手术方案的重要因素。获得阴性切缘是BCS成功的关键，但若NAC后肿瘤呈非向心性退缩则切缘可能出现假阴性，这可能是导致BCS后同侧乳腺局部复发风险较高的原因^{[5, 6, 7]}。因此，治疗前预测乳腺癌新辅助化疗后肿瘤退缩模式有助于协助临床医师制订个体化手术方案。

       影像组学是一种图像定量分析方法，其可高通量地从影像图像中获取人肉眼无法识别的高维定量影像特征，并深度挖掘其所蕴含的生物学信息，以期协助临床诊断、疗效评估和预后预测等。现有研究表明影像组学在乳腺癌的诊断、疗效及预后预测方面均具有良好的效能^{[8, 9, 10]}。MRI是评估乳腺癌NAC疗效最敏感的成像方式^{[11, 12]}。而且，HUANG等^[13]和ZHUANG等^[14]的研究结果显示基于MRI影像组学可用于治疗前预测NAC后乳腺肿瘤退缩模式，并融合临床病理特征构建联合预测模型，显示出良好的预测效能。另外，许多研究发现联合影像医师主观评估的定性特征和影像组学定量特征有望进一步提升模型预测效能^{[15, 16, 17]}。因此，我们猜想联合影像医师评估的MRI定性特征与影像组学定量特征构建联合预测模型有望获得更优的肿瘤退缩模式预测效能。本研究基于治疗前乳腺MRI影像组学定量特征联合定性影像学特征及临床病理信息建立联合模型，用于预测cT2期或更高临床分期乳腺癌患者NAC后的肿瘤退缩模式，早期识别治疗后可降期保乳的患者，以协助临床个体化诊疗。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经广东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：KY-Z-2020-680-02）。回顾性分析广东省人民医院2012年2月到2020年8月接受NAC后进行手术的乳腺癌患者临床资料。纳入标准：（1）经病理证实的浸润性乳腺癌患者，临床分期为cT2-4 N0-3 M0；（2）接受NAC并进行乳腺手术；（3）NAC前接受MRI检查。排除标准：（1）既往乳腺癌史或双侧乳腺癌；（2）未完成全疗程NAC；（3）MRI图像序列不完整或质量较差；（4）特殊的组织学类型或基线临床病理资料不完整。最终，本研究共纳入420名患者资料，并按照MRI检查时间顺序以7∶3的比例分为训练组（n=294）和验证组（n=126）。

       纳入病例的临床病理信息包括年龄、月经状态、临床T/N分期、肿瘤分级、肿瘤细胞增殖指数（Ki-67）、雌激素受体（estrogen receptor, ER）/孕激素受体（progesterone receptor, PR）/人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）表达状态、分子亚型等。本研究中所有患者均依据NCCN指南接受了基于紫杉类、蒽环类的化疗或两者的混合化疗；对于HER-2阳性乳腺癌患者则加用抗HER-2靶向治疗。采用免疫组化检测Ki-67指数、ER、PR、HER-2状态。ER及PR的阈值为＞10%，即阳性细胞数＞10%为阳性表达^[18]。Ki-67指数高表达定义为阈值≥20%^[19]。对于HER-2状态，免疫组化染色结果为0和1+为HER-2阴性，3+为HER-2阳性；2+需进一步采用荧光原位杂交法检测，若HER-2基因扩增则为HER-2阳性，反之为HER-2阴性^[20]。将患者分为以下分子亚型：（1）HR+/HER-2(-)；（2）HER-2(+)；（3）三阴性乳腺癌。

1.2 扫描方案

       所有图像均使用1.5 T MRI（Achieva，飞利浦医疗系统或Optima MR360，GE医疗系统）或3.0 T MRI扫描仪（Ingenia，飞利浦医疗系统）与专用双侧乳房线圈获得。患者取俯卧位，双侧乳腺自然下垂放于线圈内并保持稳定，扫描范围包括双侧乳腺及双侧腋窝区。MRI序列包括：（1）轴位脂肪抑制T2加权成像（T2 weighted imaging fat saturation, FS-T2WI）序列；（2）轴位扩散加权成像（diffusion weighted imaging, DWI）序列，b值分别为0和1000 s/mm²；（3）轴位动态对比增强FS T1WI（dynamic contrast-enhanced T1 weighted imaging, DCE-T1WI）序列，1次增强前扫描和5次增强后扫描；（4）冠状位增强FS T1WI（contrast-enhanced T1 weighted imaging, CE-T1WI）序列，经前臂静脉以2.0 mL/s的速度静脉快速注射0.2 mL/kg的钆喷酸葡甲胺（gadolinium-diethylene-triamine-pentaacetic acid, Gd-DTPA）（马根维显，拜耳制药，德国）对比剂，随后用高压注射器注射20 mL生理盐水，进行增强扫描。利用后处理工作站的DWI图像生成表观扩散系数（apparent diffusion coefficient, ADC）图。MRI图像采集参数如表1所示。

点击查看表格

表1  MRI图像的采集参数
Tab. 1  The acquisition parameters of MRI images

1.3 MRI影像学特征的评估

       由两名具有3年（住院医师）和6年（住院医师）乳腺影像诊断经验的影像医师对NAC前乳腺MRI的影像学特征进行共同评估，并以二者评估一致的结果为准。当意见不一致时，则由另一位具有15年（副主任医师）乳腺影像诊断经验的影像医师通过讨论予以确定，以减少观察者之间的差异。MRI影像学特征包括：（1）形态学特征：长径、短径、轴比（长径与短径之比）、病变类型（强化方式）、瘤内强化特征（均质与否）、单灶或多灶性病变、瘤周水肿；（2）动力学特征：时间-信号强度曲线（time-signal intensity curve, TIC）、早期强化率、最大相对强化率；（3）肿瘤-ADC值。在DCE-T1WI序列最大密度投影上测量肿瘤长径及短径。瘤周水肿定义为T2WI上肿瘤周围的水样信号^[21]。ADC值是根据ADC图上肿瘤实质信号最低的部分来测量^{[22, 23]}。

1.4 肿瘤退缩模式的病理学评估

       手术标本的病理结果是判定肿瘤退缩模式的金标准。病理上，肿瘤退缩模式（图1）包括：（1）乳腺无残留浸润性肿瘤（ypT0/Tis）定义为病理完全缓解（pathological complete response, pCR）；（2）只有一个残余浸润性病灶，且最大直径缩小≥30%定义为单灶性退缩；（3）≥2个残余浸润性病灶定义为多灶性退缩；（4）主要残留病灶伴卫星病灶；（5）最大直径减少＜30%或增加＜20%定义为肿瘤稳定；（6）最大直径增加≥20%定义为肿瘤进展^[24]。在本研究中，将肿瘤退缩模式分为两类：（1）pCR和单灶性退缩为向心性退缩；（2）多灶性退缩、主要残留病灶伴卫星病灶、肿瘤稳定及肿瘤进展为非向心性退缩。

点击查看大图

图1  肿瘤退缩模式示意图。
Fig. 1  The diagram of tumor shrinkage patterns.

点击查看大图

图2  乳腺分割示意图。2A：右乳肿瘤病灶；2B：单层肿瘤感兴趣区；2C：肿瘤感兴趣体积（VOI）。
Fig. 2  The illustration of breast tumor segmentation. 2A: The tumor of the right breast; 2B: The single-layer region of interest; 2C: The tumor volume of interest (VOI).

1.5 影像组学分析

1.5.1 肿瘤分割

       将纳入分析的420例MRI图像的DICOM格式从广东省人民医院PACS系统导出，将DCE-MRI第2期增强图像导入到本团队基于nnU-net（no-new U-net）网络自主研发的自动分割模型中进行肿瘤的自动分割，然后再分别由两名具有3年和6年乳腺影像诊断经验的影像医师通过ITK-SNAP软件（http://www.itksnap.org/）对分割结果进行逐层校对，获取了感兴趣体积（volume of interest, VOI）（图2A～2C）。当意见不一致时，则由另一位具有15年乳腺影像诊断经验的影像医师通过讨论予以确定。

1.5.2 影像组学特征提取

       为了尽量减少来自不同扫描仪图像的潜在差异，本研究对所有原始影像图像作了预处理。首先，使用线性插值算法将图像重新采样到1 mm×1 mm×1 mm（x,y,z），以标准化体素间距；然后，设置一个25 HU的窗宽来离散体素强度，降低图像噪声。采用Python软件3.7版本（https://www.python.org/）软件包“pyradiomics”在DCE-MRI第2期增强图像中进行三维影像组学特征的提取，包含：形态学特征；基于原始图像的一阶统计量特征及纹理特征；基于小波及平方根滤波转化后图像提取的一阶统计量特征及纹理特征。

1.5.3 影像组学特征筛选与影像组学标签的构建

       在训练组中，本研究先应用两独立样本t检验或Mann-Whitney U检验方法，以P＜0.05为阈值，筛选出与肿瘤向心性退缩显著相关的特征；为平衡向心性退缩与非向心性退缩两组病例数间的比例，对占比较少的非向心性退缩病例样本进行一次上采样。采用Pearson或Spearman相关系数进行相关性分析以降低特征之间的冗余度。最后用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）-logistic回归算法筛选最具预测性的影像组学特征。

1.5.4 预测模型的构建及验证

       本研究共建立5个预测模型；采用logistic回归分析筛选出显著相关影像-临床病理特征并建立临床模型；分别采用logistic回归模型及人工神经网络模型（artificial neural network, ANN）构建影像组学标签（Radscore-LR及Radscore-NN）；采用logistic回归模型构建基于影像-临床病理特征和影像组学标签的联合模型（Combined-LR）；基于XGboost模型构建可解释的联合模型（Combined-XGboost）。应用受试者工作特征（receiver operating characteristic, ROC）曲线及校准曲线对各个预测模型的预测效能进行评价，使用决策曲线分析评估各个预测模型的临床实用价值。最后在验证组中验证各个模型的效能。

1.6 统计学分析

       采用Python软件 3.7版本（http：www.python.org）、R软件4.0.5版本（http：//www.R-project.org）进行统计学分析。基线临床病理特征及MRI影像学特征中的连续变量在训练组及验证组之间差异性的比较采用两独立样本t检验或Wilcoxon秩和检验；分类变量使用卡方检验或Fisher精确检验。当双侧检验P＜0.05时，则认为差异有统计学意义。

2 结果

2.1 基线临床病理

       训练组（n=294）和验证组（n=126）患者年龄的中位数分别约为49岁和50岁，两组之间的差异无统计学意义。如表2所示，在训练组与验证组的临床病理的比较中，除肿瘤组织学分级、PR状态（P＜0.05）外，其他特征在两组间的差异均无统计学意义（P＞0.05）。在420例患者中，向心性退缩共286例（68.1%），非向心性退缩134例（31.9%）。通过单因素及多因素logistic筛选出3个影像-临床病理特征：分子分型、达峰时间及ADC值均有统计学意义（P＜0.05）（表3）。

点击查看表格

表2  训练组及验证组的基线临床病理特征比较
Tab. 2  Comparison of clinicopathological characteristics between training and validation cohort

点击查看表格

表3  训练组中向心性与非向心性退缩组间的临床病理及MRI影像特征单因素和多因素logistic回归分析
Tab. 3  Univariate and multivariate logistic regression comparison of clinicopathological characteristics and MRI feature of patients in concentric shrinkage group and non-concentric shrinkage in the training cohort

2.2 特征筛选及影像组学标签的构建

       本研究共提取了944个影像组学特征。首先经单因素分析筛选出279个特征（P＜0.05）；再基于相关性分析除去相关性大于0.7的冗余特征，余下22个非冗余特征；然后再经LASSO-logistic回归方法最终筛选出8个对于肿瘤向心性退缩具有高预测价值的影像组学特征，上述8个特征分别为：wavelet.LLL_gldm_LargeDependenceHighGrayLevelEmphasis，original_shape_VoxelVolume，square_glcm_Imc2，wavelet.HHH_glcm_MCC，original_shape_Flatness，wavelet.LHH_firstorder_Skewness，wavelet.HLH_glcm_Correlation，wavelet.LLL_firstorder_Kurtosis（图3）。以选定的8个影像组学特征作为神经网络输入层神经元，以“是否向心性退缩”作为输出神经元。采用遍历寻优法确定最佳隐藏层神经元数量，遍历范围为3～6；当隐藏层神经元数量为5时，模型性能最佳，训练组和验证组AUC分别为0.738和0.696，相应最佳神经网络模型参数见表4。基于这些特征结合加权系数构建影像组学评分（表5）。

点击查看大图

图3  使用最小绝对收缩和选择算子（LASSO）逻辑回归进行影像组学特征筛选。3A：LASSO逻辑回归交叉验证图；3B：LASSO逻辑回归系数分布图。
图4  临床模型、影像组学标签及联合模型的受试者工作特征（ROC）曲线及曲线下面积（AUC）。4A和4B分别为5个预测模型在训练组和验证组的ROC曲线。CI：置信区间。
Fig. 3  Radioomics feature selection of by using least absolute shrinkage and selection operator (LASSO)-logistic regression. 3A: The cross-validation diagram of LASSO logistic regression; 3B: The coefficient distribution diagram of LASSO logistic regression.
Fig. 4  The receiver operating characteristic curve and area under the curve of clinical model, radiomics signatures, and combined model in the training cohort (4A) and validation cohort (4B). CI: confidence interval.

点击查看表格

表4  最佳神经网络模型的参数
Tab. 4  The weights of the optimal neural network

点击查看表格

表5  筛选的影像组学特征与其对应的特征系数
Tab. 5  Selected radiomic features and their corresponding coefficients

2.3 模型的预测效能

       本研究共构建了5个预测模型：（1）临床模型由分子分型、达峰时间及ADC值这3个特征组成，其在训练组及验证组的AUC值分别为0.676、0.619；（2）基于logistic回归模型构建的影像组学标签Radscore-LR模型在训练组及验证组的AUC值分别为0.709、0.645；（3）基于人工神经网络模型构建的影像组学标签Radscore-NN模型在训练组及验证组的AUC值分别为0.738、0.696；（4）基于logistic 回归模型构建的联合模型Combined-LR模型在训练组及验证组的AUC值分别为0.769、0.716；（5）基于XGboost模型联合Radscore-NN、分子分型、达峰时间及ADC值构建的联合模型在训练组及验证组的AUC值分别为0.802、0.764（图4A、4B）。

       校正曲线显示Combined-XGboost模型预测的肿瘤向心性退缩与实际NAC后病理评估结果之间具有较好的拟合度（图5）。Combined-XGboost模型基于最大约登指数确定的最佳截断值为0.488，训练组和验证组的准确度、敏感度、特异度分别为75.9%、79.0%、69.7%和71.4%、74.7%、62.9%，其余模型的预测性能见表6。验证组的决策分析曲线（图6A）显示当阈值概率在0.1～1.0范围内时，使用Combined-XGboost模型预测肿瘤退缩模式的净获益大于全或无策略。为方便临床应用，本研究进一步将联合模型可视化为列线图（图6B），不同特征对应的分数不同，总和越高表示肿瘤在NAC后发生向心性退缩的可能性就越大。

点击查看大图

图5  Combined-XGboost模型的校正曲线。5A和5B分别是训练组及验证组的校正曲线。
图6  Combined-XGboost模型的决策曲线和列线图。6A为验证组的决策曲线，横坐标表示阈值概率，纵坐标表示净获益；6B的列线图由Radscore-NN和3个影像-临床病理特征构成。
Fig. 5  Calibration curve of the Combined-XGboost model in the training cohort (5A) and validation cohort (5B).
Fig. 6  Decision curve and nomogram of the Combined-XGboost model. 6A: The decision curve in the validation cohort; the abscissa represents the threshold probability, and the ordinate represents the net benefit; 6B: The nomogram is composed of Radscore-NN and 3 image-clinicopathologic features.

点击查看表格

表6  预测模型在训练组和验证组中的诊断效能
Tab. 6  Predictive performance of different models in the training and validation cohorts

3 讨论

       NAC现在已成为局部进展期乳腺癌的标准治疗方案，NAC后肿瘤退缩模式是影响手术方案的重要因素，因此，在治疗前预测肿瘤退缩模式能帮助识别可降期保乳的患者，进而协助临床医生制订个体化治疗方案。本研究融合定性和定量影像特征及临床病理信息构建了可治疗前预测乳腺癌NAC后肿瘤退缩模式列线图。对比于临床模型和影像组学标签，联合模型具有更优的预测效能，表明联合MRI定性特征与影像组学定量特征可以在治疗前实现更精准地预测肿瘤退缩模式，这也为医生和患者选择最佳手术方案和制订个体化治疗策略提供参考信息。

3.1 分子分型及MRI影像特征预测肿瘤退缩模式的价值

       与既往研究一致^{[25, 26]}，HR-/HER-2（+）患者NAC后更易出现向心性退缩，而管腔[HR+/HER-2（-）]型患者更常出现非向心性退缩。管腔型乳腺癌通常生长缓慢，可能引起瘤内高度异质性^[27]，这可能是NAC后肿瘤细胞残留呈非向心退缩的主要原因。此外，FUKADA等^[28]学者报道了向心性退缩模式与改善低级别管腔型乳腺癌患者的预后有关。在420例患者中，超过一半（51.7%）的向心性退缩的患者为HER-2（+）亚型，这可能与这些患者中添加了抗HER-2靶向治疗和较高的pCR率有关^{[29, 30]}。梁心红等^[31]学者发现乳腺癌NAC后肿瘤退缩模式与分子亚型之间无明显关联，这可能是因为分子分型的划分标准有所不同，比如ER、PR、Ki-67的阈值不尽相同。许梅等^[32]学者发现肿块的强化特征与退缩模式相关，肿块样强化病灶更容易出现向心性退缩，非肿块样强化病灶更容易出现非向心性退缩，但在本研究中没有得出这一结论，可能是因为肿块的强化特征是一种较主观的评价指标，受评估者的影响较大。此外，在影像-临床病理指标的筛选中，我们发现达峰时间＞120 s的乳腺癌患者更容易呈现非向心性退缩，这可能是由于这部分病灶的肿瘤新生血管少，血管通透性小^[33]，NAC的药物作用效果不如肿瘤血管丰富的病灶，因此更不容易出现向心性退缩。

3.2 影像组学预测肿瘤退缩模式的价值

       乳腺癌是一种高度异质性的恶性肿瘤，由影像医师所评估定性影像学特征价值有限，不能深层次挖掘到肿瘤内部的信息；而影像组学可以高通量地提取瘤内定量特征，一阶、二阶和高阶统计量均为可量化的特征，恰恰弥补了这一缺点，二者间可以优势互补。先前研究^{[13, 14]}基于影像组学和临床病理信息建立的联合预测模型在验证组的AUC分别为0.826、0.939，但其训练组和验证组是随机分组划分的，其对模型的验证效能较低，本质上仍属于内部验证^[34]，故其模型预测效能的泛化性尚待进一步探究。然而，本研究则是基于MRI检查时间顺序以7∶3的比例分为训练组和验证组，相较随机分组而言，按时间分组的验证效能更高，具有一定的外部验证效能^[34]，验证组的结果说明我们的预测模型具有良好的泛化性能。而且，我们的研究首次融合定性影像学特征、临床病理信息及影像组学定量特征建立联合模型，并在验证组中表现出良好的预测性能（AUC=0.764）；而且本研究样本量是目前类似研究中最大的（420 vs. 144/199/88）^{[13, 14,25]}，研究结果更具代表性和可推广性。

3.3 局限性

       本研究仍存在一定的局限性。第一，本研究仅提取和分析了治疗前DCE-MRI单一时相图像的影像组学特征，而未能充分利用多时序、多参数MRI图像信息；联合治疗前、中、后多参数MRI图像的影像组学特征，可望达到更精准的预测效能。第二，本研究中的向心性与非向心性退缩模式的病例数间比例不均衡，这可能会影响模型的效能；对此，我们采用了上采样的方法以缓解数据不平衡对建模的影响。第三，本研究为单中心回顾性研究，未来仍需多中心前瞻性研究进一步验证本研究的结果。

       综上，本研究基于影像组学方法，融合定性和定量影像特征及临床病理信息构建了可治疗前预测乳腺癌NAC后肿瘤退缩模式的列线图，可协助临床早期识别可通过NAC实现降期保乳的患者，以优化个体化诊疗方案，改善患者预后。