切换至 "中华医学电子期刊资源库"
高级检索
中华医学超声杂志（电子版）

中华医学超声杂志（电子版） >

2024 , Vol. 21 >Issue 12: 1103 - 1110

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2024.12.002

浅表器官超声影像学

基于超声的瘤内联合瘤周影像组学模型对乳腺癌HER2 表达状态的预测价值

  • 聂全禹 1, 2 ,
  • 李明星 1 ,
  • 刘莹 2 ,
  • 王慧 1, 2 ,
  • 陈媛媛 3 ,
  • 周鸿 2 ,
  • 周洋 , 1, 2, †
展开
  • 1.646000 泸州，西南医科大学附属医院超声科
  • 2.610031 成都市第三人民医院超声科
  • 3.610031 成都市第三人民医院病理科
周洋，Email：
Zhou Yang, Email:

Copy editor: 汪荣

收稿日期: 2024-11-02

  网络出版日期: 2025-01-23

基金资助

四川省区域联合创新重点项目（2024YFHZ0078）国家自然科学基金面上项目（81971636）四川省科技厅青年基金项目（2024NSFSC1781）四川省卫健委科技项目（临床研究专项 23LCYJ039）

版权

版权归中华医学会所有。 未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。 除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
收起

Ultrasound-based intratumoral and peritumoral radiomics for predicting HER2 status in patients with breast cancer

  • Quanyu Nie 1, 2 ,
  • Mingxing Li 1 ,
  • Ying Liu 2 ,
  • Hui Wang 1, 2 ,
  • Yuanyuan Chen 3 ,
  • Hong Zhou 2 ,
  • Yang Zhou , 1, 2, †
Expand
  • 1.Department of Ultrasound, Affiliated Hospital of Southwest Medical University, Luzhou 646000, China
  • 2.Department of Ultrasound, the Third People's Hospital of Chengdu, Chengdu 610031, China
  • 3.Department of Pathology, the Third People's Hospital of Chengdu, Chengdu 610031, China

Received date: 2024-11-02

  Online published: 2025-01-23

Copyright

Copyright by Chinese Medical Association No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission. All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

目的

探讨瘤内及瘤周超声影像组学特征对于乳腺癌患者人表皮生长因子受体2（HER2）表达状态的预测价值。

方法

回顾性分析2021 年4 月至2024 年3 月于成都市第三人民医院确诊为乳腺癌的403 例患者的资料，将403 例患者随机划分为训练集282 例和验证集121 例。在常规超声显示肿瘤最大长轴切面勾画获得瘤内感兴趣区，沿肿瘤边界向外扩张3 mm 得到瘤周感兴趣区，从上述感兴趣区中分别提取影像组学特征，在训练集中通过Mann-Whitney U 检验、Pearson 相关分析及最小绝对收缩与选择算子进行特征降维，使用支持向量机作为分类器构建影像组学模型，并计算影像组学评分；采用单因素及多因素分析比较HER2 阳性组和阴性组之间的临床病理指标，筛选出临床独立危险因素，构建临床模型；将影像组学评分与临床独立危险因素共同纳入多因素Logistic 回归，构建联合模型。通过ROC 曲线、校准曲线及决策曲线对模型性能和临床应用价值进行评估。

结果

瘤内模型、瘤周模型、瘤内+瘤周模型、临床模型和联合模型在训练集的ROC 曲线下面积（AUC）分别为0.791、0.786、0.848、0.749、0.861，在验证集的AUC 分别为0.733、0.739、0.839、0.704、0.845。决策曲线分析结果显示，联合模型具有最高的临床应用价值，校准曲线显示联合模型未偏离理想曲线，Hosmer-Lemeshow 检验结果显示联合模型拟合度较好（P=0.209）。

结论

综合考虑乳腺癌瘤内及瘤周的超声影像组学模型可在术前无创预测乳腺癌患者HER2 表达状态，结合临床独立危险因素的联合模型预测效能更高，具有临床应用价值。

关键词： 超声; 影像组学; 乳腺癌; 人表皮生长因子受体2

本文引用格式

聂全禹 , 李明星 , 刘莹 , 王慧 , 陈媛媛 , 周鸿 , 周洋 . 基于超声的瘤内联合瘤周影像组学模型对乳腺癌HER2 表达状态的预测价值[J]. 中华医学超声杂志（电子版）, 2024 , 21(12) : 1103 -1110 . DOI: 10.3877/cma.j.issn.1672-6448.2024.12.002

Abstract

Objective

To evaluate the predictive value of intratumoral and peritumoral ultrasound imaging features for human epidermal growth factor receptor 2 (HER2) expression status in breast cancer patients.

Methods

A retrospective analysis was conducted on data from 403 breast cancer patients diagnosed at the Third People's Hospital of Chengdu between April 2021 and March 2024.The patients were randomly divided into a training set of 282 patients and a validation set of 121 patients.For conventional ultrasound, the maximum longitudinal axis of the tumor was used to delineate the intratumoral region of interest (ROI).A 3 mm extension outward from the tumor boundary was used to define the peritumoral ROI.Radiomics features were extracted from these ROIs.In the training set, features were reduced using the Mann-Whitney U test, Pearson correlation analysis,and the Least Absolute Shrinkage and Selection Operator (LASSO).A support vector machine (SVM) classifier was used to construct a radiomics model and calculate the radiomics score.Univariate and multivariate analyses were used to compare clinical pathological indicators between HER2-positive and HER2-negative groups to identify independent clinical risk factors and construct a clinical model.Radiomics scores and independent clinical risk factors were combined into a multivariate logistic regression model to create a combined model.The performance and clinical utility of the models were evaluated using ROC curve, calibration curve, and decision curve analyses.

Results

The area under the curve (AUC) values for the intratumoral model, peritumoral model, combined intratumoral and peritumoral model, clinical model, and combined model in the training set were 0.791, 0.786, 0.848,0.749, and 0.861, respectively.In the validation set, the corresponding AUC values were 0.733, 0.739, 0.839, 0.704,and 0.845, respectively.Decision curve analysis showed that the combined model had the highest clinical utility,and the calibration curve indicated that the combined model was close to the ideal curve.The Hosmer-Lemeshow test showed good goodness of fit for the combined model (P=0.209).

Conclusion

The ultrasound radiomics models considering both intratumoral and peritumoral features can non-invasively predict HER2 expression status in breast cancer patients before surgery.The combined model, which incorporates independent clinical risk factors,demonstrates higher predictive efficacy and has clinical application value.

Key words： Ultrasound; Radiomics; Breast cancer; Human epidermal growth factor receptor

乳腺癌发病率和死亡率逐年递增[1]，约20%～25%的乳腺癌患者存在人表皮生长因子受体2（human epidermal growth factor receptor-2，HER2）过表达[2]，表现出更高的恶性程度和转移风险，而HER2靶向药物的使用能够显著改善预后[3]，因此，术前预测HER2 表达状态具有重要意义。目前，临床中HER2 表达主要通过对穿刺或手术活检后的病理标本进行免疫组化（immunohistochemistry，IHC）和荧光原位杂交（fluorescence in situ hybridization，FISH）获得，其为有创、侵入式的操作，且具有一定的滞后性，难以在治疗期间动态评估HER2 状态 [4]。此外，多数医院完成常规病检后，患者还需支付额外费用获取免疫组化结果，给患者带来一定的经济负担。因此，亟需一种无创、准确且经济的方式来评估乳腺癌患者在体状态下HER2 基因的表达情况。影像组学作为人工智能在医学领域的分支，能够通过分析肉眼难以察觉的高通量图像特征，预测肿瘤的生物学行为[5]。然而，目前针对乳腺癌HER2 基因的影像组学预测模型大多基于MRI 图像。此外，现有研究往往仅关注肿瘤内部区域，忽视了瘤周区域对模型预测效能的影响[6]。本研究拟联合瘤内及瘤周超声影像组学特征，结合临床病理学指标构建预测模型，旨在术前无创预测乳腺癌患者HER2 表达状态，为乳腺癌患者个体化诊疗提供指导。

资料与方法

一、对象

回顾性分析2021 年4 月至2024 年3 月于成都市第三人民医院确诊为乳腺癌患者的完整资料。纳入标准：（1）于本院首诊且术后病理确诊为乳腺癌的患者；（2）超声检查后4 周内行手术切除。排除标准：（1）超声检查前接受过任何形式的临床治疗或穿刺活检；（2）超声图像质量欠佳或肿块周边存在测量标记；（3）多发或非肿块型病灶。本研究获得成都市第三人民医院伦理委员会审批同意（批件号：2024-S-44）。

二、方法

（一）仪器与检查方法
采用GE Logiq E11（探头频率6 ～15 MHz）、Mindray Resona R9（ 探头频率3 ～9 MHz）、Supersonic 1202（探头频率4 ～15 MHz）超声诊断仪和高频超声探头。检查时，患者取仰卧位并双手举过头顶，以充分显露双侧乳腺，通过多方位、多角度扫查双侧乳腺及腋窝，调整灰度和深度设置，以清晰显示病灶。
（二）临床病理学数据
收集患者临床病理数据，包括年龄、月经史、肿瘤大小与位置、癌胚抗原（carcinoembryonic antigen，CEA）水平、HER2 状态、超声图像特征。依据中国乳腺癌HER2 检测指南（2019 版），HER2 表达状态通过IHC 和（或）FISH 检测确定，IHC 3+定义为HER2 阳性，IHC 0 或IHC 1+定义为HER2 阴性，IHC 2+的患者则进一步行FISH 检测，若FISH 结果扩增则判读为HER2 阳性，否则为HER2 阴性。
（三）影像组学分析
1.图像分割和预处理：从超声诊断仪中调取乳腺癌患者的超声资料，选择包含病灶最大长轴切面的二维超声图像并以DICOM 格式储存。使用ITK-SNAP 软件（Version 3.8.0）进行图像分割，由一名具有10 年以上超声诊断经验的医师手动勾画病灶轮廓，获取瘤内区域。本研究瘤周区域的界定参照Wang 等[7]的研究，通过沿瘤体边缘向外扩展3 mm 获得（图1）。为保证特征提取的一致性和可重复性，采用固定分辨率的重采样方法，所有图像均重采样到1 mm×1 mm 的体素大小。
图1 超声图像感兴趣区分割示意图。图a 为术后病理确诊为乳腺癌患者的原始超声图像；图b 为沿肿瘤边缘勾画获取瘤内感兴趣区；图c 为沿瘤体边缘向外扩张3 mm 获得瘤周感兴趣区；图d 为肿瘤瘤内+瘤周感兴趣区
2.影像组学特征提取：使用Pyradiomics（Version 3.9.1）软件包提取瘤内和瘤周影像组学特征，并通过特征融合获得瘤内+瘤周影像组学特征，在图像体素（平方、平方根、对数和指数）上利用非线性强度进行变换，对一阶统计和纹理特征进行8 种小波变换算法。
3.影像组学特征筛选和评分构建：对提取的定量特征进行Z-score 标准化，以确保数据的可比性。采用组内相关系数（intraclass correlation coefficient，ICC）检验一致性，ICC 值＞0.75 的特征被认为一致性良好并保留用于后续分析。为了减少过拟合并提高模型的泛化性，对训练集提取的影像组学特征采用三步法进行降维。首先，对所有影像组学特征进行Mann-Whitney U 检验进行初步筛选，剔除不显著的特征；其次，计算Pearson 相关系数评估特征之间的相关性，保留相关系数超过0.9 的特征；最后，采用最小绝对收缩与选择算子进一步筛选特征，采用10 折交叉验证保留非零系数特征作为最优特征集。基于此，计算每位患者的瘤内、瘤周及瘤内+瘤周影像组学评分（Radscore）。
4.模型构建和评估：通过单因素和多因素分析筛选临床病理学独立危险因素，构建临床模型。利用降维后的影像组学特征，通过支持向量机构建影像组学模型。将临床独立危险因素与影像组学评分结合，进行多因素Logistic 分析，建立联合模型。为防止过拟合，采用5 折交叉验证增强模型泛化能力。通过ROC 曲线和曲线下面积（area under the curve，AUC）值比较模型性能，Delong 检验分析模型间差异，决策曲线评估临床获益，Hosmer-Lemeshow 检验模型拟合度，并绘制校准曲线以可视化模型在训练集和验证集上的校准性能。

三、统计学分析

应用R 软件（Version 4.1.2）进行统计分析。符合正态分布的计量资料以±s 表示，采用t 检验或Mann-Whitney U 检验分析计量资料的组间差异；计数资料以例（%）表示，采用χ2 检验或Fisher 精确检验评估计数资料的组间差异。通过ROC 曲线、校准曲线及决策曲线对模型性能和临床应用价值进行评估。P＜0.05 被认为具有统计学意义。

结 果

一、临床模型构建

本研究共纳入乳腺癌患者403 例，随机分为训练集282 例，验证集121 例。训练集与验证集基线资料比较，差异均无统计学意义（P 均＞0.05，表1）。单因素分析结果显示肿瘤最大直径、微钙化及CEA 在训练集与HER2 表达相关（表2），将上述3 个指标共同纳入多因素Logistic 分析，结果表明肿瘤最大直径和微钙化是预测乳腺癌HER2 表达状态的独立危险因素（肿瘤最大直径OR=2.045，95%CI：1.541～2.756，P＜0.001；微钙化OR=2.875，95%CI：1.589～5.355，P=0.001），肿瘤直径越大、超声图像中存在微钙化的乳腺癌更常表现为HER2 阳性，构建的临床模型在训练集和验证集的AUC 分别为0.749 和0.704。
表1 训练集与验证集基线资料比较[例（%）]
资料 训练集（282例） 验证集（121例） 统计值 P值
年龄（岁，x¯±s） 55.32±12.94 54.88±13.40 t=0.305 0.761
肿瘤最大直径（cm，x¯±s） 2.32±1.04 2.41±0.95 t=0.808 0.420
BMI值 χ 2=0.495 0.482
≥24（kg/m2） 172（60.99） 79（65.29）
＜24（kg/m2） 110（39.01） 42（34.71）
是否绝经 χ 2=0.345 0.557
是 200（70.92） 90（74.38）
否 82（29.08） 31（25.62）
病理类型 χ 2=2.143 0.343
浸润性导管癌 232（82.27） 104（85.95）
浸润性小叶癌 8（2.84） 5（4.13）
其他 42（14.89） 12（9.92）
BI-RADS分级 χ 2=2.617 0.624
3类 2（0.71） 2（1.65）
4a类 37（13.12） 18（14.88）
4b类 81（28.72） 34（28.10）
4c类 97（34.40） 34（28.10）
5类 65（23.05） 33（27.27）
微钙化 χ 2=0.088 0.767
是 160（56.74） 66（54.55）
否 122（43.26） 55（45.45）
CEA χ 2=2.731 0.098
≥4.70ng/ml 21（7.45） 16（13.22）
＜4.70ng/ml 261（92.55） 105（86.78）
肿块位置 χ 2=0.075 0.784
左乳 155（54.96） 64（52.89）
右乳 125（45.04） 57（47.11）
表2 训练集和验证集中不同HER2 表达组临床病理学特征比较[例（%）]
参数 训练集（282例） 验证集（121例）
HER2阴性（195例） HER2阳性（87例） P值 HER2阴性（96例） HER2阳性（25例） P值
年龄（岁，x¯±s） 55.36±13.78 55.21±10.90 0.925 54.16±13.99 57.64±10.65 0.333
肿瘤直径（cm，x¯±s） 2.07±0.90 2.90±1.11 ＜0.001 2.30±0.91 2.82±0.98 0.021
BMI指数 0.346 0.579
＜24 123（63.08） 49（56.32） 61（63.54） 18（72.00）
≥24 72（36.92） 38（43.68） 35（36.46） 7（28.00）
是否绝经 0.821 0.135
是 137（70.26） 63（72.41） 68（70.83） 22（88.00）
否 58（29.74） 24（27.59） 28（29.17） 3（12.00）
病理类型 0.420 0.935
浸润性导管癌 161（82.56） 71（81.61） 82（85.42） 22（88.00）
浸润性小叶癌 7（3.59） 1（1.15） 4（4.17） 1（4.00）
其他 27（13.85） 15（17.24） 10（10.42） 2（8.00）
BI-RADS分级 0.233 0.352
3类 2（1.03） - 2（2.08） -
4a类 28（14.36） 9（10.34） 13（13.54） 5（20.00）
4b类 57（29.23） 24（27.59） 29（30.21） 5（20.00）
4c类 70（35.90） 27（31.03） 29（30.21） 5（20.00）
5类 38（19.49） 27（31.03） 23（23.96） 10（40.00）
微钙化 ＜0.001 0.081
是 93（47.69） 67（77.01） 48（50.00） 18（72.00）
否 102（52.31） 20（22.99） 48（50.00） 7（28.00）
CEA 0.048 0.146
≥4.70ng/ml 10（5.13） 11（12.64） 10（10.42） 6（24.00）
＜4.70ng/ml 185（94.87） 76（87.36） 86（89.58） 19（76.00）
肿块位置 0.663 1.000
左乳 105（53.85） 50（57.47） 51（53.12） 13（52.00）
右乳 90（40.15） 37（42.53） 45（46.88） 12（48.00）

二、影像组学模型构建

特征提取后分别获得1561 个、1561 个和3122个瘤内、瘤周和瘤内+瘤周影像组学特征，剔除组内组间ICC≤0.75 的影像组学特征，经降维后，最终获得12 个、9 个和15 个瘤内、瘤周和瘤内+瘤周影像组学特征（图2，3）。构建的瘤内、瘤周和瘤内+瘤周影像组学模型，在训练集和验证集的AUC 见表3，其中瘤内+瘤周影像组学模型性能最佳（AUC 分别为0.848、0.839），经Delong检验，在验证集中瘤内+瘤周影像组学模型与瘤内影像模型、临床模型差异均具有统计学意义，与瘤周影像组学模型差异无统计学意义（图4）。
表3 不同模型在训练集和验证集中对HER2 表达的预测效能
组别 AUC（95%CI） 敏感度（%） 特异度（%） 准确性（%）
瘤内模型
训练集 0.791（0.727～0.845） 83.6 65.5 78.7
验证集 0.733（0.630～0.836） 76.0 70.8 74.4
瘤周模型
训练集 0.786（0.739～0.844） 65.1 85.1 74.8
验证集 0.739（0.623～0.856） 48.0 94.8 76.0
瘤内+瘤周模型
训练集 0.848（0.799～0.897） 69.7 89.6 75.5
验证集 0.839（0.760～0.918） 88.0 66.7 85.1
临床模型
训练集 0.749（0.687～0.811） 83.6 52.9 74.5
验证集 0.704（0.604～0.804） 72.0 53.1 72.7
联合模型
训练集 0.861（0.812～0.910） 87.7 74.7 83.7
验证集 0.845（0.760～0.929） 80.0 76.0 82.6
图2 套索回归筛选影像组学特征示意图。图a ～c 分别为瘤内、瘤周和瘤内+瘤周影像组学特征10 折交叉验证图，曲线表示对应自变量的变化趋势；图d ～f 为路径系数图，显示不同lambda 值下的均方误差（MSE）
图3 经特征筛选后得到的15 个瘤内+瘤周影像组学特征。左图为瘤内+瘤周影像组学特征名称及其对应的权重；右图为特征间相关性热图
图4 各模型在训练集和验证集的Delong 检验热图。左图为训练集，右图为验证集，方框内数字代表P 值

注：Intra 代表瘤内模型；Peri 代表瘤周模型；Whole 代表瘤内+瘤周模型；Clinic 代表临床模型；Combine 代表联合模型

三、联合模型构建

将瘤内+瘤周影像组学评分和临床独立危险因素纳入多因素Logistic 回归分析，以此构建联合模型，其AUC 值在训练集和验证集分别为0.861（95%CI：0.812～0.910） 和0.845（95%CI：0.760～0.929），表明联合模型在训练集和验证集中均具有良好的区分度。通过Delong 检验比较各模型间预测效能的差异，在验证集中联合模型与瘤内影像组学模型、瘤周影像组学模型和临床模型差异均存在统计学意义，与瘤内+瘤周影像组学模型差异无统计学意义（图4）。校准曲线显示联合模型未偏离理想曲线，Hosmer-Lemeshow 检验结果显示联合模型拟合度较好（P=0.209），决策曲线分析显示，联合模型相较其他模型具有更高的净获益（图5）。
图5 各模型在训练集和验证集的ROC 曲线、决策曲线和校准曲线。图a ～c 分别为各模型在训练集的ROC 曲线、决策曲线及联合模型的校准曲线；图d ～f 分别为各模型在验证集的ROC 曲线、决策曲线及联合模型的校准曲线

讨 论

HER2 是一种细胞来源的原癌基因，能够影响肿瘤细胞增殖、迁移、侵袭等，是乳腺癌重要的预后评价指标，同时也是抗HER2 药物的靶点[8]，临床中明确HER2 表达状态至关重要。多数用于预测乳腺癌患者HER2 表达状态的影像组学模型基于MRI 和钼靶[9-11]，而超声检查因具有操作简便、成本低廉和实时动态扫描的特点更具优势。既往对乳腺癌超声影像组学的研究主要聚焦于肿瘤良恶性鉴别、腋窝淋巴结状态判断及新辅助化疗效果评估，而在分子层面，尤其是预测HER2 表达状态的研究相对较少。Wu 等[12]基于112 例乳腺导管原位癌患者的超声图像构建影像组学模型，以预测相关分子标志物（ER、PR、Ki-67 及HER2）的表达情况，其中预测HER2 表达状态的影像组学模型在训练集和验证集中的AUC 分别为0.94 和0.74。本研究进一步提升样本量，共纳入403 例乳腺癌患者，最终建立的影像组学模型在训练集和验证集的AUC 值相近，模型的稳定性得到进一步的提高。此外，除导管原位癌外，本研究还纳入了浸润性导管癌和浸润性小叶癌等其他乳腺癌病理类型，进一步提升了模型的泛化性。
尽管影像组学在多种肿瘤类型中得到了广泛应用，但多数研究仅考虑瘤体部分，针对乳腺癌瘤周区域的影像组学研究相对较少。研究表明，肿瘤的生长和扩散过程不仅是肿瘤细胞本身特性的体现，更与其周围微环境密切相关。这种相互作用对一系列关键的生物学过程起到了介导作用，包括血管新生、脉管侵袭和间质反应等，这些过程通常在肿瘤周边区域表现得尤为显著[13]。通过影像组学分析，可以定量地评估这些变化，从而揭示肿瘤微环境对肿瘤行为的影响。已有研究报道乳腺癌瘤周区域影像组学特征能够有效预测Ki-67 表达状况[7]，但尚无研究利用超声影像组学定量分析乳腺癌瘤周特征与HER2 表达状态的关系，本研究参照Wang等[7]对于乳腺癌瘤周范围的界定，利用超声影像组学技术探讨了瘤周区域对乳腺癌HER2 表达状态的影响。研究结果表明，选取瘤体边缘3 mm 作为瘤周区域时，瘤周影像组学模型能够有效预测乳腺癌HER2 表达状态，在训练集和验证集的AUC 分别为0.786 和0.739，与沿瘤体边缘勾画的瘤内影像组学的效能相当（训练集和验证集AUC 分别为0.791 和0.733），经Delong 检验两种模型预测效能差异不存在统计学意义。在综合考虑瘤内和瘤周区域影像组学特征后，瘤内+瘤周影像组学模型预测效能显著提升，在训练集和验证集中的AUC 值分别为0.848 和0.839，表明乳腺癌瘤周区域的影像组学特征能够作为瘤内影像组学特征的有效补充，二者结合后模型能够捕捉到更全面的肿瘤特征，从而提高了预测效能。Li 等[14]基于MRI 的影像组学模型对乳腺癌HER2 表达状态进行预测，结果显示单独的瘤内模型在训练集和验证集中AUC值分别为0.773 和0.683，当纳入肿瘤边界外4 mm的瘤周区域后，联合模型预测效能得到一定提升，训练集和验证集的AUC 值分别为0.808 和0.713。本研究与Li 等的研究结果相似，进一步证实了乳腺癌周围组织特征在HER2 表达预测中的重要性，且相较MRI，超声检查更加经济，超声图像的获取也更加便捷，具有更强的临床推广性。
本研究显示，肿瘤最大直径和微钙化是预测乳腺癌HER2 表达的独立危险因素。HER2 阳性乳腺癌可通过上调血管内皮生长因子，促进肿瘤新生血管形成，从而导致肿瘤体积增大，因此该类乳腺癌生长速度更快，肿瘤直径更大。HER2 阳性癌组织快速生长引起的局部营养不足，导致细胞缺血和坏死，进而释放出硝酸根，与钙离子结合形成磷酸钙盐的沉积，在超声图像中表现为癌灶内部的微钙化[15]。本研究结果显示，临床模型在训练集和验证集中的AUC 分别为0.749 和0.704，均低于影像组学模型。然而，将肿瘤最大直径、微钙化和影像组学评分共同纳入多因素Logistic 回归后，联合模型预测效能得到提升，在训练集和验证集的AUC 分别为0.861 和0.845，表明肿瘤最大直径和微钙化可以作为影像组学模型的有效补充，提高对乳腺癌HER2 状态的预测效能，决策曲线分析也显示联合模型相较临床模型和影像组学模型拥有更高的净获益，表明二者联合能够有效提升模型的临床应用价值。
本研究存在以下局限性：首先，本研究为回顾性研究，难免存在一定的选择偏倚。其次，本研究为单中心研究，缺乏多中心的外部数据验证。最后，乳腺癌瘤周范围的界定尚无统一标准，本研究选取瘤体外3 mm 作为瘤周区域，未来还需进一步探讨用于预测乳腺癌HER2 表达状态的最佳瘤周范围。
综上所述，瘤内联合瘤周超声影像组学模型能够预测乳腺癌患者HER2 表达状态，结合临床独立危险因素后，预测效能进一步提高，可作为一种无创的手段辅助医师术前判断患者HER2 表达状态，进而制定个体化治疗方案。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Siegel RL, Giaquinto AN, Jemal A.Cancer statistics, 2024[J].CA Cancer J Clin, 2024,74(1):12-49.

2
Elshazly AM, Gewirtz DA.An overview of resistance to Human epidermal growth factor receptor 2 (Her2) targeted therapies in breast cancer[J].Cancer Drug Resist, 2022, 5(2): 472-486.

3
von Arx C, De Placido P, Caltavituro A, et al.The evolving therapeutic landscape of trastuzumab-drug conjugates: Future perspectives beyond HER2-positive breast cancer[J].Cancer Treat Rev, 2023, 113: 102500.

4
Kazerouni AS, Hormuth DA 2nd, Davis T, et al.Quantifying tumor heterogeneity via MRI habitats to characterize microenvironmental alterations in HER2+ breast cancer[J].Cancers (Basel), 2022, 14(7): 1837.

5
Gillies RJ, Kinahan PE, Hricak H.Radiomics: images are more than pictures, they are data[J].Radiology, 2016, 278(2): 563-577.

6
吴佩琪.乳腺癌瘤周影像组学研究进展[J/CD].中华乳腺病杂志(电子版), 2023, 17(5): 301-304.

7
Wang J, Gao W, Lu M, et al.Development of an interpretable machine learning model for Ki-67 prediction in breast cancer using intratumoral and peritumoral ultrasound radiomics features[J].Front Oncol,2023,13: 1290313.

8
Ramtohul T, Djerroudi L, Lissavalid E, et al.Multiparametric MRI and radiomics for the prediction of HER2-zero, -low, and -positive breast cancers[J].Radiology, 2023, 308(2): e222646.

9
Deng Y, Lu Y, Li X, et al.Prediction of human epidermal growth factor receptor 2 (HER2) status in breast cancer by mammographic radiomics features and clinical characteristics: a multicenter study[J].Eur Radiol,2024, 34(8): 5464-5476.

10
张成孟, 丁治民, 陈鹏, 等.基于DCE-MRI 瘤内及瘤周影像组学联合TIC 分型及Ki-67 预测乳腺癌患者HER-2 表达[J].磁共振成像, 2023, 14(4): 68-75.

11
李周丽, 陈基明, 高静, 等.MRI 影像组学模型术前预测乳腺癌人表皮生长因子受体2 表达状态的价值[J].磁共振成像, 2023, 14(4): 82-88.

12
Wu L, Zhao Y, Lin P, et al.Preoperative ultrasound radiomics analysis for expression of multiple molecular biomarkers in mass type of breast ductal carcinoma in situ[J].BMC Med Imaging, 2021, 21(1): 84.

13
Xu H, Liu J, Chen Z, et al.Intratumoral and peritumoral radiomics based on dynamic contrast-enhanced MRI for preoperative prediction of intraductal component in invasive breast cancer[J].Eur Radiol,2022, 32(7): 4845-4856.

14
Li C, Song L, Yin J.Intratumoral and peritumoral radiomics based on functional parametric maps from breast DCE-MRI for prediction of HER-2 and Ki-67 Status[J].J Magn Reson Imaging, 2021, 54(3): 703-714.

15
黄贵廉, 陈智毅.乳腺癌超声征象与分子标志物的相关性研究进展[J].中国医学影像学杂志, 2021, 29(1): 86-88, 92.

Options
文章导航

/

〈 〉

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？