编辑推荐：
为解决 TNBC 患者生存预测难题，四川大学华西医院等研究人员开展基于超声影像组学和临床病理特征的研究。结果显示联合列线图预测性能佳，能无创分类患者。推荐阅读，助力深入了解 TNBC 预后预测新方法。
在 2020 年，全球约有 230 万新诊断的乳腺癌患者，乳腺癌已成为全球范围内最常见的癌症，严重威胁着女性的健康。三阴性乳腺癌（TNBC）是乳腺癌的一种亚型，其雌激素受体（ER）、孕激素受体（PR）和人表皮生长因子受体 - 2（HER2）均呈阴性表达，约占乳腺癌的 15 - 20%。TNBC 的生物学行为更为侵袭性，预后比其他亚型更差，复发、转移风险更高，转移性 TNBC 患者的中位生存期仅约 13 - 18 个月。如何有效治疗 TNBC 仍是临床上面临的巨大挑战，准确的生存预测和个体化管理对于 TNBC 患者至关重要。
超声检查在乳腺癌评估中应用广泛，它没有辐射，使用方便。很多研究都在探索超声对乳腺癌预后的价值。比如，超声下被分类为 BiRADS 4A 类的乳腺病变，其复发风险可能比 4B - 5 类更高；肿瘤在超声图像上的垂直方向与 TNBC 患者更差的无复发生存率和更多的腋窝淋巴结转移相关；还有后方回声增强、局部皮肤水肿、圆形或椭圆形以及边界清晰等特征，也都和不良的预后有关。
然而，放射科医生对肿瘤图像的解读主要依赖语义特征，忽略了医学图像中许多重要信息。这时，影像组学（Radiomics）出现了。它是一门新兴学科，旨在为医学图像解读增加更多定量客观性。影像组学特征是从图像中计算得出的各种数学描述符，能量化肿瘤形状和纹理等不同方面。已有研究利用影像组学建立了预测腋窝淋巴结转移的模型，还有研究证明，列线图模型或其他人工智能工具在预测 TNBC 预后方面能取得不错的效果。不过，目前研究超声影像组学机器学习模型对 TNBC 患者长期预后预测的资源有限。
为了深入探索这个领域，四川大学华西医院等单位的研究人员在《BMC Cancer》期刊上发表了名为 “Integrating ultrasound radiomics and clinicopathological features for machine learning - based survival prediction in patients with nonmetastatic triple - negative breast cancer” 的论文。研究发现，基于干预前超声影像组学和临床病理特征的联合列线图在生存分析中表现出色，新模型可以无创地对 TNBC 患者进行疾病结局分类，有助于临床医生更好地了解患者的预后情况，制定更合适的治疗方案。
研究人员开展这项研究用到了几个主要关键技术方法：首先利用基于 YOLO V3 算法的深度学习模型对乳腺超声图像中的肿瘤进行自动分割，再由经验丰富的放射科医生手动修正，获取准确的肿瘤边界；然后使用 PyRadiomics 库进行图像预处理和影像组学特征提取，计算出 103 个量化的影像组学特征；还设计了影像组学分析流程（RAP）模块，通过支持向量机合成少数过采样技术（SVM SMOTE）解决数据不平衡问题，用 XGBoost 算法选择有价值的特征，最后使用逻辑回归、决策树等多种机器学习算法进行建模和评估 。
下面来看看具体的研究结果：
患者特征 ：研究共纳入 465 名患者，分为训练队列（306 人）、内部验证队列（77 人）和外部验证队列（82 人），中位随访时间为 65.3 个月。在 3 年随访期间，全因死亡率为 12.3%，77 名患者（18.2%）出现疾病进展，中位无病生存期（DFS）为 52.3 个月，疾病进展的患者中有 67 人（14.6%）发生远处转移，10 人（2.2%）出现局部复发。影像组学评分、临床评分和有价值的特征 ：在训练队列中，研究人员通过 5 折交叉验证，基于影像组学和临床特征构建了不同的机器学习模型。利用 XGBoost 算法选择有价值的特征构建影像组学评分和临床评分。临床评分中，年龄、肿瘤大小、病理 N 分期、高度、宽度和高宽比（HWR）是六个任务中的主要影响因素。影像组学评分中，形状特征、一阶特征和纹理特征都有贡献，且一阶特征中的 10Percentile 是唯一的共同特征。在不同模型的训练队列受试者工作特征曲线（ROC）中，SVM 算法在总生存期（OS）和无病生存期（DFS）预测上都取得了最佳结果。在内部和外部验证队列中，临床和影像组学评分的 AUC 在 0.61 - 0.93 之间。联合列线图 ：联合列线图由影像组学评分和临床评分构建而成。在内部验证队列中，联合列线图在所有任务中表现良好，AUC 为 0.80 - 0.93，在所有内部验证任务中预测性能最佳（临床实用性 ：通过校准曲线和决策曲线分析发现，使用列线图进行生存预测能带来更多临床益处。根据 2 年 DFS，患者被分为低风险组和高风险组，不同医院确定了各自的独立风险因素。所有模型根据临床评分、影像组学评分和联合列线图的预测概率，都有一定的患者风险分层潜力。Kaplan - Meier 曲线显示，2 年 OS 和 2 年 DFS 的联合列线图在区分不同预后风险的患者方面表现优异（
综合来看，这项研究表明超声影像组学可以提高仅使用临床病理特征进行 TNBC 预后预测的效率，超声影像组学和临床病理特征在预后预测上具有互补性。联合机器学习模型在预测 OS 和 DFS 方面表现良好，能够帮助医生无创地识别预后不良的高风险患者，制定个体化的临床管理方案。不过，研究也存在一些局限性，比如前瞻性队列仅随访了 3 年，且只选择了病变的主轴平面进行超声影像组学分析。但总体而言，该研究为 TNBC 的预后预测提供了新的思路和方法，对未来人工智能在 TNBC 临床诊疗中的应用具有重要的指导意义，后续研究可以朝着增强模型的泛化性能和探索其临床实际转化方向展开。
