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） >

2025 , Vol. 22 >Issue 02: 97 - 105

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.02.002

浅表器官超声影像学

基于超声的深度学习列线图预测乳腺癌新辅助化疗后腋窝淋巴结状态的研究

  • 孙舒涵 1 ,
  • 陈雅静 1 ,
  • 宗晴晴 1 ,
  • 栗翠英 1 ,
  • 缪殊妹 2 ,
  • 杨斌 3 ,
  • 俞飞虹 , 1, †
展开
  • 1.210029 南京医科大学第一附属医院超声科
  • 2.210029 南京医科大学第一附属医院信息处
  • 3.210002 南京，解放军东部战区总医院超声科
俞飞虹，Email：
Yu Feihong， Email：

Copy editor: 汪荣

收稿日期: 2024-12-07

  网络出版日期: 2025-04-01

基金资助

南京市博士后科研资助计划(291937)南京医科大学第一附属医院国自然科学基金青年基金培育计划(PY2021043)江苏省科学技术厅基础研究计划自然科学基金——青年基金项目(BK20241122)南京邮电大学-江苏省人民医院联合开放课题资助和江苏省人民医院医工交叉转化基金资助(RG202412)

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 deep learning nomogram for predicting axillary lymph node status after neoadjuvant chemotherapy for breast cancer

  • Shuhan Sun 1 ,
  • Yajing Chen 1 ,
  • Qingqing Zong 1 ,
  • Cuiying Li 1 ,
  • Shumei Miao 2 ,
  • Bin Yang 3 ,
  • Feihong Yu , 1, †
Expand
  • 1.Department of Ultrasound，the First Affiliated Hospital of Nanjing Medical University，Nanjing 210029，China
  • 2.Department of Information，the First Affiliated Hospital of Nanjing Medical University，Nanjing 210029，China
  • 3.Department of Ultrasound，General Hospital of Eastern Theater Command，PLA，Nanjing 210002，China

Received date: 2024-12-07

  Online published: 2025-04-01

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

探讨基于超声的深度学习列线图预测乳腺癌新辅助化疗（NAC）后腋窝淋巴结（ALN）状态的价值。

方法

回顾性选取2020 年3 月至2023 年6 月在南京医科大学第一附属医院（训练集，n=257）和解放军东部战区总医院（外部测试集，n=157）接受NAC 的414 例ALN 转移的乳腺癌患者，并根据NAC 后ALN 手术病理结果分为病理完全缓解（pCR）组和非病理完全缓解（npCR）组。使用NAC 前的乳腺肿瘤二维超声图像训练并构建基于ResNet50 架构的深度学习模型；通过单因素和多因素Logistic 回归分析临床病理特征，筛选出与NAC 后ALN 病理状态有关的独立危险因素，构建临床模型；联合独立危险因素与深度学习预测概率构建深度学习列线图。利用受试者工作特征（ROC）曲线、校准曲线、决策曲线分析、临床影响曲线评估模型性能。由2 位不同年资超声医师根据超声图像及NAC 前免疫组化结果对外部测试集进行独立预测，并在深度学习列线图的辅助下进行第二次预测，比较分析两次预测结果。

结果

临床病理资料中，雌激素受体（ER）和人表皮生长因子受体2（Her-2）是预测NAC 后ALN 病理状态的独立危险因素。临床模型、深度学习模型和深度学习列线图的曲线下面积（AUC）在训练集中分别为0.724、0.872、0.878，在外部测试集中分别为0.698、0.831、0.859。深度学习列线图的预测效能优于临床模型（训练集、外部测试集中P 值均＜0.001），且在外部测试集中其优于深度学习模型（P=0.024）。医师1（低年资）和医师2（高年资）独立判断的AUC 值分别为0.570、0.606，均低于深度学习模型和深度学习列线图（P 均＜0.001）。在深度学习列线图的帮助下，医师1 和医师2 的诊断能力AUC 分别提升至0.796 和0.807，与独立判断比较，差异均有统计学意义（P 均＜0.001）。

结论

基于NAC 前超声图像的深度学习列线图可以在治疗前有效预测乳腺癌NAC 后ALN 病理状态，为个性化治疗方案的制定提供更多依据。

关键词： 超声检查; 乳腺癌; 腋窝淋巴结; 新辅助化疗; 深度学习

本文引用格式

孙舒涵 , 陈雅静 , 宗晴晴 , 栗翠英 , 缪殊妹 , 杨斌 , 俞飞虹 . 基于超声的深度学习列线图预测乳腺癌新辅助化疗后腋窝淋巴结状态的研究[J]. 中华医学超声杂志（电子版）, 2025 , 22(02) : 97 -105 . DOI: 10.3877/cma.j.issn.1672-6448.2025.02.002

Abstract

Objective

To assess the value of a deep learning-based nomogram in predicting axillary lymph node （ALN） status following neoadjuvant chemotherapy （NAC） in breast cancer patients.

Methods

Four hundred and fourteen ALN-positive breast cancer patients who received NAC between March 2020 and June 2023 were enrolled in this retrospective study and divided into a training set and an external test set.The training set consisted of 257 patients from the First Affiliated Hospital of Nanjing Medical University， while the external test set included 157 patients from the General Hospital of Eastern Theater Command.All patients were divided into pathologically complete response （pCR） and non-pCR（npCR） groups based on the pathology results of ALN surgery post-NAC.A deep learning model based on the ResNet50 architecture was trained and established using pre-NAC ultrasound images of breast tumors.Univariate and multivariate logistic regression analyses were performed on the training set to identify independent risk factors for post-NAC ALN status.These independent risk factors were then used to construct a clinical model.A deep learning-based nomogram was constructed by combining independent risk factors and deep learning predictive probabilities.The performance of the models was evaluated using receiver operating characteristic （ROC） curve， calibration curve， decision curve analysis， and clinical impact curve.Two radiologists with different experience levels independently predicted ALN status in the external test set based on ultrasound images and pre-NAC immunohistochemical results， and performed a second prediction with the assistance of the deep learning-based nomogram.The two prediction results were compared.

Results

Estrogen receptor （ER） and human epidermal growth factor receptor 2 （Her-2） were identifled as independent risk factors for predicting post-NAC ALN status.The area under the curve （AUC） values of the clinical model， deep learning model， and deep learning-based nomogram were 0.724， 0.872， and 0.878 in the training set， and 0.698， 0.831， and 0.859 in the external test set， respectively.The deep learning-based nomogram outperformed the clinical model （both P＜0.001 in training and external test sets） and showed superior performance to the deep learning model in the external test set （P=0.024）.The AUC values of radiologist 1 （low-experience） and radiologist 2 （high-experience） for independent judgment were 0.570 and 0.606， respectively， both signiflcantly lower than those of the deep learning model and the deep learningbased nomogram （all P＜0.001）.With the assistance of the deep learning-based nomogram， the AUC values of radiologist 1 and radiologist 2 improved to 0.796 and 0.807， respectively， showing statistically signiflcant differences compared to independent judgment （both P＜0.001）.

Conclusion

The deep learning-based nomogram based on pre-NAC ultrasound images can effectively predict the pathological status of ALN in breast cancer patients after NAC treatment， providing more evidence for the development of personalized treatment plans.

Key words： Ultrasonography; Breast cancer; Axillary lymph nodes; Neoadjuvant chemotherapy; Deep learning

新辅助化疗（neoadjuvant chemotherapy，NAC）已成为腋窝淋巴结（axillary lymph node，ALN）转移的晚期乳腺癌患者的重要治疗方法，可以提高保乳率、降低ALN 分期，并改善患者预后［1］。研究表明，与肿瘤的病理完全缓解（pathologic complete response，pCR）相比，ALN pCR 对无病生存期和总生存期的影响更大［2］。然而，目前仍有32%～65%的ALN 阳性乳腺癌患者在接受NAC后无法实现ALN pCR［3,4］，这些患者不仅需要接受ALN 清扫术，还要面对NAC 的不良反应以及术后并发症带来的严重的身体负担。因此，在治疗前准确且无创地识别出ALN 对NAC 反应不佳的患者，进而协助早期优化治疗方案，是迫在眉睫的临床任务。
目前，已有许多研究从临床病理因素和影像学特征等角度构建模型预测乳腺癌NAC 后ALN 的病理状态［5,6］。然而，若单凭临床病理因素，模型的预测准确性较低；而如果仅依靠肉眼识别的影像学特征，模型的准确性则受到医师临床经验和主观因素的影响。近年来，深度学习已在医学图像识别领域取得了显著进展［7］，目前已在胃癌［8］、胰腺癌［9］、直肠癌［10］等恶性疾病对NAC 的反应评价中显示出良好的预测价值。既往研究多采用NAC 前后的MRI 图像结合深度学习评估NAC 后ALN 状态［11,12］，应用基于超声的深度学习早期预测NAC后ALN pCR 的相关研究鲜有报道。因此，本研究旨在开发并验证基于超声图像的深度学习列线图，用于在治疗前预测NAC 后ALN 的病理状态，旨在为个性化临床治疗策略的制定提供影像学依据。

资料与方法

一、对象

回顾性收集2020 年3 月至2023 年6 月经病理活检证实为ALN 转移的乳腺癌女性患者414 例，年龄为50（42，56）岁。其中，来自南京医科大学第一附属医院的257 例患者作为训练集，解放军东部战区总医院的157 例患者作为外部测试集。所有患者均接受6 或8 个周期的NAC 治疗，NAC 方案主要包括紫杉类和蒽环类药物。人表皮生长因子受体2（human epidermal growth factor receptor 2，Her-2）阳性的乳腺癌患者均接受曲妥珠单抗治疗。
纳入标准：（1）术前接受规范的NAC 治疗；（2）NAC 前有标准的乳腺肿块及ALN 超声图像资料；（3）有完整的临床病理资料。排除标准：（1）超声检查前接受化疗、放疗或手术等干预治疗；（2）存在远处脏器转移；（3）超声图像不全或质量较差。本研究获得南京医科大学第一附属医院伦理委员会批准（批件号：2023-SRFA-038）。

二、仪器与方法

1.仪器及超声检查：使用Philips EPIQ5、Siemens S3000 和Esaote MyLab Twice 彩色多普勒超声仪器，分别配备5 ～12 MHz、9 ～15 MHz和4 ～13 MHz 线阵探头。在NAC 前2 周内，对患者的乳腺肿块和ALN 进行超声检查，所有检查均由具有6 年以上工作经验的超声医师独立完成。
2.病理指标：在NAC 前对患者的乳腺肿瘤行粗针穿刺活检并获得免疫组化结果，包括雌激素受体（estrogen receptor，ER）、孕激素受体（progesterone receptor，PR）、Her-2 和Ki-67。免疫组化染色≥1%定义为ER/PR 阳性；Her-2 免疫组化评分为3+或评分为2+且存在Her-2 基因扩增定义为Her-2 阳性；Ki-67 高表达的截断值为20%［13］。依据NAC 完成后的乳腺癌根治性手术术后病理结果，采用Miller-Payne 分级系统评估NAC 后原发肿瘤的病理反应［14］；NAC 后ALN 清扫术术后病理显示ALN 中无残留肿瘤细胞的患者归为pCR 组，其余ALN 状态均归为非病理完全缓解（non-pCR，npCR）组。
3.图像预处理：为提升深度学习模型的运算效率和诊断准确性，2 名超声医师使用ITK-SNAP（图像勾画软件）在NAC 前乳腺肿瘤的最大切面超声图像中手动勾画出肿瘤轮廓，形成分割掩模。根据分割掩模从原始图像中裁剪出矩形感兴趣区域（region of interest，ROI），将其像素大小调整为224×224，并进行归一化处理。在训练集中应用了数据增强技术，包括平移、旋转、裁剪、翻转、缩放和添加高斯噪声等，以防止深度学习模型过拟合并提升其泛化能力。
4.模型构建：模型构建流程图见图1。（1）临床模型：基于训练集数据，对pCR 组和npCR 组的临床病理资料进行单因素分析，筛选出P＜0.05的临床病理预测因子进行多因素Logistic 回归分析，选出独立危险因素，并据此构建临床模型。（2）深度学习模型：使用在ImageNet 数据库预训练的ResNet50 模型，并基于训练集进一步优化模型参数。随机选取训练集中的20%的图像作为验证集，用于超参数选择和模型精细调整。接着将矩形ROI 输入卷积神经网络，通过卷积层提取特征，随后经全连接层综合分析整合，最后使用softmax激活函数输出NAC 后患者ALN 达到pCR 的预测概率。Adam 优化器逐步增加迭代次数并在验证集进行性能评估，当验证集上的性能指标在连续10个迭代周期内不再显著提升时停止训练。为了可视化和理解模型的决策过程，研究采用了加权类激活映射（gradient-weighted class activation mapping，Grad-CAM）技术生成热图，展示深度学习在鉴别NAC 后ALN 病理状态时最关注的图像区域。（3）深度学习列线图：结合独立危险因素和深度学习预测概率，通过多因素Logistic 回归分析构建深度学习列线图。根据分子分型（Luminal 亚组与非Luminal 亚组）对患者进行分层分析，基于列线图的预测评分，将患者进一步划分为高风险组和低风险组以验证列线图在不同亚组中的分类准确性和预测性能。
图1 深度学习模型、临床模型及深度学习列线图构建流程图

注：ER 为雌激素受体；Her-2 为人表皮生长因子受体2；pCR 为病理完全缓解

5.超声医师评价：一位有3 年工作经验的超声医师（医师1）和一位有10 年工作经验的超声医师（医师2）依据NAC 前乳腺肿块大小、NAC前ALN 皮质最大厚度、长径/短径、淋巴门结构、结内血流分布等超声表现以及NAC 前免疫组化结果［15,16］对外部测试集中的病例进行二分类预测；随后再在列线图的辅助下进行第二次预测。

三、统计学分析

采用R 4.3.2 和SPSS 26.0 软件进行统计分析。计数资料以例（%）表示，并采用χ2 检验或Fisher精确检验进行比较。采用单因素及多因素Logistic回归分析筛选ALN pCR 的危险因素。通过受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）评估各模型的预测能力，并使用DeLong 检验比较AUC差异。计算各模型的准确性、敏感度、特异度，比较模型间的性能差异。使用校准曲线评估模型的拟合度，并通过决策曲线分析和临床影响曲线量化模型的临床实用性。使用AUC 评估超声医师的预测能力，并使用DeLong 检验评估列线图对超声医师诊断效能的提升情况。所有统计检验均为双侧检验，P＜0.05 为差异具有统计学意义。

结 果

一、患者临床资料

训练集、外部测试集的ALN pCR 率分别为44.4%（114/257）和43.9%（69/157），两者差异无统计学意义（P=0.935）。此外，训练集与外部测试集的临床病理特征差异也无统计学意义（表1）。NAC 后肿瘤pCR 率为31.4%（130/414），其中ALN pCR 率为76.9%（100/130）。在未达到肿瘤pCR 的患者中，29.2%（83/284）达到了ALN pCR。训练集中，ALN pCR 组（n=114）与ALN npCR 组（n=143）的ER、PR、Her-2 差异存在统计学意义（均P＜0.05）。
表1 训练集与外部测试集临床病理资料比较［例（%）］
资料 训练集（n=257） 外部测试集（n=157） χ 2 值 P 值
年龄 0.140 0.708
＜ 50 岁 126（49.0） 74（47.1）
≥50 岁 131（51.0） 83（52.9）
ER 1.896 0.169
阴性 105（40.9） 75（47.8）
阳性 152（59.1） 82（52.2）
PR 3.298 0.069
阴性 137（53.3） 98（62.4）
阳性 120（46.7） 59（37.6）
Her-2 0.826 0.363
阴性 146（56.8） 82（52.2）
阳性 111（43.2） 75（47.8）
Ki-67 0.037 0.847
低表达 21（8.2） 12（7.6）
高表达 236（91.8） 145（92.4）
分子分型 5.597 0.133
Luminal A 型 14（5.4） 5（3.2）
Luminal B 型 148（57.6） 78（49.7）
Her-2 + 型 47（18.3） 42（26.8）
三阴性型 48（18.7） 32（20.3）

注：ER 为雌激素受体；PR 为孕激素受体；Her-2 为人表皮生长因子受体2；Luminal 型为管腔型

二、模型构建与验证

在训练集，经过单因素和多因素Logistic 回归分析， 选择ER 和Her-2 作为ALN pCR 的独立影响因素构建临床模型（表2，3），训练集、外部测试集的AUC 分别为0.724（95%CI：0.664 ～0.784）、0.698（95%CI：0.618 ～0.777）。相比之下，深度学习模型相较于临床模型获得了更好的预测性能，训练集、外部测试集的AUC分别达到0.872（95%CI：0.830 ～0.914）、0.831（95%CI：0.769 ～0.893），与临床模型在训练集、外部测试集的AUC 比较，差异均有统计学意义（P 均＜0.05）。结合ER、Her-2 和深度学习预测概率，进一步构建了深度学习列线图（图2），其在训练集和外部测试集的AUC 分别为0.878（95% CI：0.838 ～0.918）、0.859（95%CI：0.801 ～0.916），均高于临床模型（P 均＜0.001，表4），并在外部测试集中显著优于深度学习模型（P=0.024）。
表2 训练集中ALN pCR 的单因素Logistic 回归分析结果（n=257）
因素 β 值 SE Wald χ2 值 P 值 OR 值 95%CI
年龄 0.183 0.251 0.527 0.468 1.200 0.733 ～ 1.965
ER -1.089 0.263 17.132 ＜ 0.001 0.337 0.201 ～ 0.564
PR -0.721 0.257 7.895 0.005 0.486 0.294 ～ 0.804
Her-2 1.376 0.267 26.578 ＜ 0.001 3.958 2.346 ～ 6.677
Ki-67 0.281 0.468 0.362 0.548 1.325 0.529 ～ 3.316
分子分型 0.254 0.148 2.959 0.085 1.289 0.965 ～ 1.721

注：ER 为雌激素受体；PR 为孕激素受体；Her-2 为人表皮生长因子受体2；CI 为置信区间；ALN pCR 为腋窝淋巴结病理完全缓解

表3 训练集中ALN pCR 的多因素Logistic 回归分析结果（n=257）
因素 β 值 SE Wald χ2 值 P 值 OR 值 95%CI
ER -1.082 0.342 9.996 0.002 0.339 0.173 ～ 0.663
PR 0.084 0.342 0.061 0.805 1.088 0.557 ～ 2.125
Her-2 1.342 0.278 23.282 ＜ 0.001 3.828 2.219 ～ 6.603

注：ER 为雌激素受体；PR 为孕激素受体；Her-2 为人表皮生长因子受体2；CI 为置信区间；ALN pCR 为腋窝淋巴结病理完全缓解

表4 三种模型预测NAC 后ALN pCR 的效能分析
模型 AUC（95%CI） 敏感度（%） 特异度（%） 准确性（%） 阳性预测值（%） 阴性预测值（%）
训练集（n=257）
临床模型 0.724（0.664 ～ 0.784） 86.0 54.5 68.5 60.1 83.0
深度学习模型 0.872（0.830 ～ 0.914） 83.3 74.1 78.2 72.0 84.8
深度学习列线图 0.878（0.838 ～ 0.918） 86.8 74.1 79.8 72.8 87.6
外部测试集（n=157）
临床模型 0.698（0.618 ～ 0.777） 85.5 44.3 62.4 54.6 79.6
深度学习模型 0.831（0.769 ～ 0.893） 79.7 71.6 75.2 68.8 81.8
深度学习列线图 0.859（0.801 ～ 0.916） 84.1 73.9 78.3 71.6 85.5

注：NAC 为新辅助化疗；ALN 为腋窝淋巴结；pCR 为病理完全缓解；AUC 为曲线下面积；CI 为置信区间

图2 结合ER、Her-2 和深度学习预测概率构建的深度学习列线图

注：ER 为雌激素受体；Her-2 为人表皮生长因子受体2；pCR 为病理完全缓解

校准曲线显示3 种模型的预测pCR 概率与实际pCR 概率之间有良好的一致性；决策曲线分析表明，与其他模型相比，基于深度学习的列线图有更高的净获益和适用性；临床影响曲线显示列线图判断实现pCR 的群体与实际实现pCR 的群体具有较高的一致性（图3）。
图3 临床模型、深度学习模型和深度学习列线图预测新辅助化疗后腋窝淋巴结病理完全缓解的性能评估。图a 为3 种模型在训练集的ROC 曲线，图b 为3 种模型以及2 位超声医师在外部测试集的ROC 曲线；图c，d 分别为3 种模型在训练集、外部测试集的校准曲线；图e，f 分别为3 种模型在训练集、外部测试集的决策曲线分析；图g，h 分别为深度学习列线图在训练集、外部测试集的临床影响曲线

注：AUC 为曲线下面积

此外，从NAC 前的乳腺肿瘤的二维超声图像以及可视化Grad-CAM 热图，可以发现深度学习模型通常更加关注肿瘤内部的低回声区域以及肿瘤周围区域（图4）。
图4 深度学习模型的可视化结果。图a 为新辅助化疗前乳腺肿瘤的二维超声图像；图b 为可视化梯度加权类激活映射（Grad-CAM）热图

三、分层分析

根据分子分型对患者进行分层分析，训练集中Luminal 亚组162 例，非Luminal 亚组95 例；外部测试集中Luminal 亚组83 例，非Luminal 亚组74 例。根据列线图输出得分，患者被分为低风险组和高风险组，以验证列线图在不同亚组的分类准确性（图5）。结果表明，深度学习列线图在不同亚组中均表现出良好的预测性能：（1）Luminal 亚组：训练集AUC为0.914（95%CI：0.873 ～0.956），外部测试集AUC为0.816（95%CI：0.718 ～0.915）；（2）非Luminal亚组：训练集AUC 为0.854（95%CI：0.779 ～0.929），外部测试集AUC 为0.848（95%CI：0.758 ～0.938，表5）。
表5 不同分子分型组深度学习列线图预测NAC 后ALN pCR 的效能分析
组别 例数 AUC（95%CI） 敏感度（%） 特异度（%） 准确性（%） 阳性预测值（%） 阴性预测值（%）
Luminal 型组
训练集 162 0.914（0.873 ～ 0.956） 90.3 79.0 83.3 72.7 92.9
外部测试集 83 0.816（0.718 ～ 0.915） 83.3 71.2 74.7 54.1 91.3
非Luminal 型组
训练集 95 0.854（0.779 ～ 0.929） 84.6 72.1 78.9 78.6 79.5
外部测试集 74 0.848（0.758 ～ 0.938） 82.2 75.9 79.7 84.1 73.3

注：NAC 为新辅助化疗；ALN 为腋窝淋巴结；pCR 为病理完全缓解；Luminal 型为管腔型；AUC 为曲线下面积；CI 为置信区间

图5 深度学习列线图在Luminal 组和非Luminal 组中的ROC 曲线及在外部测试集的风险分类性能。图a，c 分别为Luminal 组、非Luminal 组的ROC 曲线图；图b，d 分别为Luminal 组、非Luminal 组的外部测试集风险分类性能

注：Luminal 型为管腔型；pCR 为病理完全缓解；non-pCR 为非病理完全缓解；AUC 为曲线下面积

四、超声医师评价

在超声医师评价方面，医师1 和医师2 对外部测试集独立判断的AUC 值分别为0.570（95% CI：0.492 ～0.648）、0.606（95% CI：0.528 ～0.683），均明显低于深度学习模型和深度学习列线图（P 均＜0.05）。在深度学习列线图的帮助下，医师1 和医师2 的诊断能力分别提升至0.796（95% CI：0.732 ～0.860） 和0.807（95%CI：0.745 ～0.869），与独立判断比较，差异均有统计学意义（P 均＜0.05，图3）。

讨 论

本研究开发并验证了一种基于NAC 前超声图像的深度学习列线图，以探索治疗前预测乳腺癌患者在NAC 后的ALN 病理状态的可行性。结果显示，该模型相较于临床模型、单一的深度学习模型和传统的超声医师独立判断表现出更高的预测性能，并且在列线图的帮助下，超声医师的预测准确性得到显著提升。因此，深度学习列线图可以帮助临床医师在治疗前预测乳腺癌患者ALN 对NAC的病理反应，从而优化治疗方案，减少不必要的手术和化疗负担。
研究表明，临床病理因素有助于预测ALN 对NAC 的反应，然而这些因素显示出有限的准确性［5］。在本研究中，与既往研究一致［16,17,18］，ER 和Her-2 为预测ALN 对NAC 反应的独立危险因素，ER（-）、Her-2（+）的患者通常更容易实现淋巴结的pCR，这可能与ER（-）乳腺癌的增殖活性较高以及Her-2（+）乳腺癌对靶向药物敏感有关［19］。然而，临床模型在训练集和外部测试集中表现出较低的预测效能和低特异度。因此，单纯依赖临床模型进行预测并不足以满足临床需求。
超声被认为是目前评估NAC 后ALN 状态最准确的影像学方法［20］，但由于操作者经验的影响以及鉴别微小转移存在难度，其敏感度和特异度仅为65%和69%［21］。深度学习通过自动提取图像复杂特征以全面量化肿瘤的异质性，可以减少人为因素的干扰，并在医学图像数据集小且不平衡的情况下利用迁移学习解决过拟合问题，从而显著提高了预测的准确性和鲁棒性。Gu 等［17］发现使用NAC前后肿瘤的超声图像构建的深度学习模型对于乳腺癌NAC 后ALN 病理状态具有重要预测价值（AUC=0.916），然而这是基于其纳入了NAC 后的肿瘤信息，不能指导早期治疗。Zheng 等［22］利用NAC 前肿瘤的三维图像开发的深度学习模型在早期预测胃癌NAC 后淋巴结转移方面展现了良好的预测性能（AUC=0.816），显示出深度学习在早期预测淋巴结对NAC 反应的潜在价值。
在本研究中，结合临床独立危险因素和深度学习预测概率的列线图取得了最好的预测效能，在训练集和外部测试集的预测效能优于临床模型和独立的超声医师诊断（DeLong 检验：P 均＜0.01）。尽管在训练集中列线图与单一深度学习模型的预测效能差异无统计学意义（P=0.339），但列线图相较于深度学习模型在敏感度和准确性方面均有所提升，且在测试集中展现出显著的优势（P=0.024）。深度学习列线图展现出的高特异度，有助于在治疗前准确辨别出不能实现ALN pCR 的患者，帮助患者及时调整治疗方案。此外，深度学习列线图显著提升了超声医师的预测性能，其结果为不同经验的超声医师提供了客观决策参照。考虑到Luminal 型乳腺癌与非Luminal 型乳腺癌ALN pCR 率的差异［4］，本研究对乳腺癌分子分型进行了分层分析，并证实了深度学习列线图具有良好的预测效果，进一步展现出深度学习列线图的预测稳定性。
既往的研究大多将pCR 定义为乳腺和ALN 内均不存在残留的浸润性癌［23］，然而由于肿瘤的异质性和复杂性，乳腺肿瘤和ALN 对NAC 的反应可能存在显著差异［24］，因此需分别研究。本研究组前期已开发了深度学习模型用于早期预测乳腺肿瘤对NAC 的反应［25］。本文进一步研究了NAC 后ALN 状态的早期预测，旨在对上述研究进行补充。结合乳腺肿瘤和ALN 对NAC 的反应，临床医师可以更有效地制定适合于患者的个性化治疗方案。
本研究的局限性在于：（1）本研究属于回顾性研究且样本量有限，后期需要扩大样本并进一步进行前瞻性研究；（2）本研究仅根据二维灰阶超声图像进行预测，后期可尝试结合多模态成像，以获取更全面的影像数据；（3）本研究仅纳入经病理活检证实存在ALN 转移的乳腺癌患者，因此存在不可避免的选择偏倚。
综上所述，基于NAC 前超声图像的深度学习列线图能够在治疗前准确地预测乳腺癌患者NAC 后的ALN 状态。该模型有望在临床实践中辅助医师制定个性化治疗方案，提升治疗效果，改善患者预后。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Gradishar WJ， Anderson BO， Abraham J， et al.Breast cancer， version 3.2020， NCCN clinical practice guidelines in oncology［J］.J Natl Compr Canc Netw， 2020， 18（4）：452-478.

2
Mamounas EP， Anderson SJ， Dignam JJ， et al.Predictors of locoregional recurrence after neoadjuvant chemotherapy：results from combined analysis of national surgical adjuvant breast and bowel project B-18 and B-27［J］.J Clin Oncol， 2012， 30（32）：3960-3966.

3
Pilewskie M， Morrow M.Axillary nodal management following noadjuvant chemotherapy：a review ［J］.JAMA Oncol， 2017， 3（4）：549-555.

4
Boughey JC， McCall LM， Ballman KV， et al.Tumor biology correlates with rates of breast-conserving surgery and pathologic complete response after neoadjuvant chemotherapy for breast cancer：flndings from the ACOSOG Z1071 （Alliance） Prospective Multicenter Clinical Trial［J］.Ann Surg， 2014， 260（4）：608-614.

5
Wang W， Wang X， Liu J， et al.Nomogram for predicting axillary lymph node pathological response in node-positive breast cancer patients after neoadjuvant chemotherapy［J］.Chin Med J， 2022， 135（3）：333-340.

6
Chang JM， Kim R， Lee HB， et al.Predicting axillary response to neoadjuvant chemotherapy：breast MRI and US in patients with nodepositive breast cancer［J］.Radiology， 2019， 293（1）：49-57.

7
LeCun Y， Bengio Y， Hinton G.Deep learning［J］.Nature， 2015，521（7553）：436-444.

8
Cui Y， Zhang J， Li Z， et al.A CT-based deep learning radiomics nomogram for predicting the response to neoadjuvant chemotherapy in patients with locally advanced gastric cancer：A multicenter cohort study［J］.EClinicalMedicine， 2022， 46：101348.

9
Shao Y， Dang Y， Cheng Y， et al.Predicting the efficacy of neoadjuvant cemotherapy for pancreatic cancer using deep learning of contrastenhanced ultrasound videos［J］.Diagnostics， 2023， 13（13）：2183.

10
Leng X， Amidi E， Kou S， et al.Rectal cancer treatment management：deep-learning neural network bsed on photoacoustic microscopy image outperforms histogram-feature-based classification［J］.Front Oncol，2021， 11：715332.

11
Zhang B， Yu Y， Mao Y， et al.Development of MRI-based deep learning signature for prediction of axillary response after NAC in breast cancer［J］.Acad Radiol， 2024， 31（3）：800-811.

12
Li Z， Gao J， Zhou H， et al.Multiregional dynamic contrast-enhanced MRI-based integrated system for predicting pathological complete response of axillary lymph node to neoadjuvant chemotherapy in breast cancer：multicentre study［J］.eBioMedicine， 2024， 107：105311.

13
免疫组织化学在乳腺病理中的应用共识（2022 版）［J］.中华病理学杂志， 2022， 51（9）：803-811.

14
Corben AD， Abi-Raad R， Popa I， et al.Pathologic response and longterm follow-up in breast cancer patients treated with neoadjuvant chemotherapy：a comparison between classiflcations and their practical application［J］.Arch Pathol Lab Med， 2013， 137（8）：1074-1082.

15
于丹阳， 吴桐， 荆慧， 等.乳腺癌多模态超声评估新辅助化疗后腋窝淋巴结病理状态的研究［J］.中华超声影像学杂志， 2022， 31（8）：685-690.

16
李雨漫， 梁星宇， 吴桐， 等.双模态影像联合免疫组化构建模型预测cN_1 期乳腺癌新辅助化疗后腋窝淋巴结状态［J］.中华超声影像学杂志， 2023， 32（8）：699-706.

17
Gu J， Tong T， Xu D， et al.Deep learning radiomics of ultrasonography for comprehensively predicting tumor and axillary lymph node status after neoadjuvant chemotherapy in breast cancer patients：A multicenter study［J］.Cancer， 2023， 129（3）：356-366.

18
洪玮， 叶细容， 刘枝红， 等.超声影像组学联合临床病理特征预测乳腺癌新辅助化疗完全病理缓解的价值［J/OL］.中华医学超声杂志（电子版）， 2024， 21（6）：571-579.

19
Barron AU， Hoskin TL， Day CN， et al.Association of low nodal positivity rate among patients with ERBB2-positive or triple-negative breast cancer and breast pathologic complete response to neoadjuvant chemotherapy［J］.JAMA Surg， 2018， 153（12）：1120-1126.

20
Slanetz PJ， Moy L， Baron P， et al.ACR appropriateness criteria®monitoring response to neoadjuvant systemic therapy for breast cancer［J］.J Am Coll Radiol， 2017， 14（11）：S462-S475.

21
Samiei S， de Mooij CM， Lobbes MBI， et al.Diagnostic performance of noninvasive imaging for assessment of axillary response after neoadjuvant systemic therapy in clinically node-positive breast cancer：a systematic review and meta-analysis［J］.Ann Surg， 2021， 273（4）：694.

22
Zheng Y， Qiu B， Liu S， et al.A transformer-based deep learning model for early prediction of lymph node metastasis in locally advanced gastric cancer after neoadjuvant chemotherapy using pretreatment CT images［J］.EClinicalMedicine， 2024， 75：102805.

23
Jiang M， Li CL， Luo XM， et al.Ultrasound-based deep learning radiomics in the assessment of pathological complete response to neoadjuvant chemotherapy in locally advanced breast cancer［J］.Eur J Cancer， 2021， 147：95-105.

24
Mamtani A， Barrio AV， King TA， et al.How often does neoadjuvant chemotherapy avoid axillary dissection in patients with histologically confirmed nodal metastases：results of a prospective study［J］.Ann Surg Oncol， 2016， 23（11）：3467-3474.

25
Yu FH， Miao SM， Li CY， et al.Pretreatment ultrasound-based deep learning radiomics model for the early prediction of pathologic response to neoadjuvant chemotherapy in breast cancer［J］.Eur Radiol，2023， 33（8）：5634-5644.

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？