基于瘤內(nèi)與瘤周乳腺斷層合成X線攝影影像組學(xué)列線圖可有效預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移

摘要：目的 "探討基于乳腺斷層合成X線攝影（DBT）的瘤內(nèi)聯(lián)合瘤周影像組學(xué)特征及臨床因素的列線圖在乳腺癌腋窩淋巴結(jié)（ALN）轉(zhuǎn)移術(shù)前預(yù)測(cè)中的價(jià)值。方法 "回顧性收集2019年1月～2023年12月于蚌埠醫(yī)科大學(xué)第一附屬醫(yī)院行乳腺DBT檢查的210例女性乳腺癌患者資料，以7：3比例隨機(jī)分為訓(xùn)練集（n=147）與驗(yàn)證集（n=63）。選擇DBT圖像腫塊最大層面，醫(yī)師手動(dòng)勾畫瘤內(nèi)感興趣區(qū)域，自動(dòng)外擴(kuò)3 mm獲取瘤周感興趣區(qū)域；提取并篩選影像組學(xué)特征，利用支持向量機(jī)構(gòu)建瘤內(nèi)、瘤周、瘤內(nèi)+瘤周組學(xué)模型并計(jì)算預(yù)測(cè)值；選擇效能最高的組學(xué)模型預(yù)測(cè)值聯(lián)合臨床特征構(gòu)建列線圖模型。以ROC曲線、校準(zhǔn)曲線及決策曲線評(píng)估模型預(yù)測(cè)性能。結(jié)果 "與單一瘤內(nèi)、瘤周模型相比，由15個(gè)最優(yōu)組學(xué)特征構(gòu)建的瘤內(nèi)+瘤周組學(xué)模型診斷性能最優(yōu)。ALN觸診、DBT_ALN及瘤內(nèi)+瘤周模型預(yù)測(cè)值為獨(dú)立危險(xiǎn)因素（Plt;0.05），所構(gòu)建的列線圖模型敏感度、特異度、準(zhǔn)確度、曲線下面積在訓(xùn)練集中分別為82.7%、94.7%、86.4%、0.942，在驗(yàn)證集中分別為90.5%、83.3%、87.3%、0.932，實(shí)現(xiàn)了最佳預(yù)測(cè)效能。結(jié)論 "基于DBT瘤內(nèi)聯(lián)合瘤周影像組學(xué)特征及臨床因素的列線圖可于術(shù)前有效預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移，可作為一種無(wú)創(chuàng)預(yù)測(cè)方法指導(dǎo)臨床決策。

關(guān)鍵詞：乳腺癌；腋窩淋巴結(jié)；瘤周；數(shù)字乳腺斷層合成X線攝影；影像組學(xué)；列線圖

Value of predicting axillary lymph node metastasis of breast cancer based on intra-tumoral and peri-tumoral digital breast tomosynthesis imaging Nomogram

CHEN Xiuting1， 2， LI Xinxin1， 2， ZHOU Dawei1， 2， LI Jie1， 2， GAO Zhizhen1

1Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China; 2School of Graduate， Bengbu Medical University， Bengbu 233030， China

Abstract： Objective To evaluate the worth of intra?tumoral and peri?tumoral radiomics Nomogram in the pre?operative prognostication of axillary lymph node （ALN） metastasis "based on digital breast tomosynthesis （DBT） for breast cancer. Methods A total of 210 breast cancer patients performed breast DBT examinations were retrospectively collected at the First Affiliated Hospital of Bengbu Medical University from January 2019 to December 2023， all patients were stochastically allocated to a training set （n=147） and a verification set （n=63） in a 7：3 ratio. Select the largest dimension of the tumor in the DBT image to manually delineate the ROI of the intra-tumoral region of interest， and the peri?tumoral ROI was obtained by expanding outward by 3 mm. Radiomics features were extracted and screened. Support vector machine was used to construct the models of intra?tumoral， peritumoral and intra-tumoral + peri?tumoral and calculate predictions. The predicted value of the radiomics model with the highest predictive efficiency was selected， and a Nomogram model was created by combining the clinical features. The forecast power of the model was analyzed using the ROC curve， calibration and decision curves. Results The \"intra?tumoral+peri?tumoral\" model constructed from the 15 best radiomics features performed better than the \"intra-tumoral\" and \"peri?tumoral\" models. ALN palpation， DBT_ALN and \"intra-tumoral + peri?tumoral\" model's forecast value are separate risk elements （Plt;0.05）， and the best predictive efficacy was achieved by the constructed Nomogram model， with sensitivity of 82.7%， specificity of 94.7%， accuracy of 86.4%， AUC of 0.942 in the training set， and 0.932， 90.5%， 83.3% and 87.3% in the verification set. Conclusion The Nomogram incorporating intra?tumoural and peri?tumoural DBT radiomics characteristics and clinical elements are effective in predicting ALN metastasis before the operation of breast cancer， regarding as a noninvasive predictive approach to assist clinical policy development.

Keywords： breast cancer; axillary node; peri-tumoral; digital breast tomosynthesis; radiomics; Nomogram

近年來(lái)，乳腺癌已成為女性患癌死亡的主要原因［1］。但大多數(shù)晚期乳腺癌患者并非死于乳腺原發(fā)腫瘤，而是遠(yuǎn)處器官轉(zhuǎn)移［2］，腋窩淋巴結(jié)（ALN）正是淋巴轉(zhuǎn)移最常見的部位［3］。研究表明，隨著轉(zhuǎn)移性ALN數(shù)量的增加，患者5年生存率會(huì)大大降低［4］，術(shù)前準(zhǔn)確預(yù)測(cè)ALN是否發(fā)生轉(zhuǎn)移對(duì)患者的臨床分期及治療方案至關(guān)重要［5］。目前臨床上多采用腋窩淋巴結(jié)清掃術(shù)（ALND）或前哨淋巴結(jié)活檢術(shù)（SLNB）確定ALN狀態(tài)［6］，但均屬于有創(chuàng)性檢查，常引起感染、淋巴水腫（見于高達(dá)25%的術(shù)后患者）及血管和神經(jīng)損傷等多種并發(fā)癥［7］，因此亟需一種無(wú)創(chuàng)且高敏感度的預(yù)測(cè)工具用于術(shù)前評(píng)估ALN狀態(tài)。乳腺斷層合成X線攝影（DBT）三維成像作為一項(xiàng)新興技術(shù)，與傳統(tǒng)二維數(shù)字乳腺X線攝影（FFDM）相比能更清晰地顯示腫瘤及淋巴結(jié)的病灶特征［8］，但人眼對(duì)微細(xì)結(jié)構(gòu)的分辨率有限，很多具有較高診斷價(jià)值的圖像特征不能被識(shí)別。影像組學(xué)是一種通過(guò)提取肉眼無(wú)法識(shí)別的影像特征獲取腫瘤異質(zhì)性信息的非侵入性預(yù)測(cè)方法，而以往預(yù)測(cè)ALNM的組學(xué)研究多基于腫瘤本身特征，近期部分研究表明瘤周區(qū)域也存在一些重要的生物學(xué)因素會(huì)促進(jìn)腫瘤生長(zhǎng)，腫瘤微環(huán)境作為乳腺癌潛在治療靶點(diǎn)日益受到關(guān)注［9］。目前此類研究主要集中在超聲、MRI與FFDM［10-12］，尚未有報(bào)道在DBT基礎(chǔ)上聯(lián)合瘤內(nèi)與瘤周影像組學(xué)特征預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移（ALNM），其預(yù)測(cè)價(jià)值和效能有待進(jìn)一步探索。本研究以DBT圖像為基礎(chǔ)，通過(guò)聯(lián)合臨床危險(xiǎn)因素及影像組學(xué)特征建立瘤內(nèi)與瘤周影像組學(xué)列線圖模型，旨在探討該模型在乳腺癌ALNM術(shù)前預(yù)測(cè)中的價(jià)值，為臨床精準(zhǔn)醫(yī)療和個(gè)性化治療提供指導(dǎo)。

1 "資料與方法

1.1 "一般資料

回顧性收集并分析2019年1月～2023年12月蚌埠醫(yī)科大學(xué)第一附屬醫(yī)院的乳腺癌患者資料。納入標(biāo)準(zhǔn)：DBT檢查于術(shù)前2周內(nèi)進(jìn)行；SLNB 或ALND結(jié)果明確；原發(fā)性乳腺癌；單側(cè)、單發(fā)腫塊型乳腺癌；檢查前未行手術(shù)或放化療；臨床及影像信息完整。排除標(biāo)準(zhǔn)：圖像質(zhì)量較差，腫塊無(wú)法勾畫；非腫塊型、多灶性或雙側(cè)性乳腺癌；合并其他部位惡性腫瘤；檢查前進(jìn)行過(guò)手術(shù)或放化療；臨床或影像信息不完整。最終共納入210例乳腺癌患者，均為女性，年齡26～80（49.25±9.53）歲，所有病例按7：3分為訓(xùn)練集（n=147）和驗(yàn)證集（n=63）。本研究屬于回顧性研究，已免除患者知情同意及倫理批準(zhǔn)。

1.2 "DBT檢查方法

采用德國(guó)Siemens MAMMOMAT Inspiration乳腺X線機(jī)在“OPDOSE”自動(dòng)曝光模式下進(jìn)行頭尾位（CC）和內(nèi)外斜位（MLO）標(biāo)準(zhǔn)攝片。DBT成像時(shí)，X線球管在±25°大廣角范圍內(nèi)旋轉(zhuǎn)，每轉(zhuǎn)動(dòng)2°進(jìn)行1次低劑量照射，共曝光25次，經(jīng)后處理重建為層厚1 mm的高分辨率薄層圖像序列，所有圖像均以DICOM格式保存。

1.3 "臨床信息納入

臨床特征通過(guò)電子病歷獲取，包括年齡、絕經(jīng)狀態(tài)、生育史、臨床T分期、ALN轉(zhuǎn)移狀態(tài)及觸診情況。影像特征由診斷醫(yī)師分析評(píng)估圖像得到，包括腫塊的位置、邊界、最大徑、是否伴有可疑鈣化、乳腺影像報(bào)告與數(shù)據(jù)系統(tǒng)分類及患者的腺體類型，并在MLO位圖像上評(píng)估ALN狀態(tài)，診斷標(biāo)準(zhǔn)：?jiǎn)蝹€(gè)圓形腫大ALN且直徑≥1cm；多個(gè)高密度小淋巴結(jié)同時(shí)存在，直徑lt;1 cm，或有淋巴結(jié)融合現(xiàn)象；淋巴結(jié)腫大伴微鈣化［2］。當(dāng)滿足其中1個(gè)標(biāo)準(zhǔn)時(shí)，即可診斷為ALN陽(yáng)性，含有脂肪密度的ALN一般診斷為陰性。ALN最終狀態(tài)由SLNB或ALND確定，當(dāng)二者結(jié)果不一致時(shí)，以ALND為準(zhǔn)。

1.4 "影像組學(xué)分析

1.4.1 "圖像勾畫 " 將DBT圖像以DICOM格式從PACS下載，由2位未知患者臨床信息的放射科醫(yī)師（具有5年以上乳腺疾病診斷經(jīng)驗(yàn)）利用3D Slicer軟件共同勾畫。分別選擇患側(cè)CC位和MLO位的DBT圖像中腫塊最大層面手動(dòng)勾畫瘤內(nèi)感興趣區(qū)（ROI），以瘤內(nèi)ROI邊界為基礎(chǔ)自動(dòng)外擴(kuò)3 mm得到瘤內(nèi)+瘤周ROI，然后去除瘤內(nèi)ROI部分，繼而獲取瘤周ROI（圖1），保存格式均為nii.gz，2位醫(yī)師統(tǒng)一勾畫標(biāo)準(zhǔn)。最后由1位主任醫(yī)師審核勾畫結(jié)果。

1.4.2 "影像組學(xué)特征提取及標(biāo)準(zhǔn)化 " 影像組學(xué)特征通過(guò) Pyradiomics開源軟件包自動(dòng)提取。為提高數(shù)據(jù)可比性和模型精度，在特征分析之前進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，將全部特征轉(zhuǎn)化到[-1，1]內(nèi)。

1.4.3 "特征篩選與降維 " 首先對(duì)所有特征進(jìn)行獨(dú)立樣本t檢驗(yàn)，保留Plt;0.05的特征。使用Spearman秩相關(guān)將rsgt;0.9的兩個(gè)特征去除其一。利用最大相關(guān)最小冗余算法在保留強(qiáng)相關(guān)性特征的同時(shí)剔除冗余特征。最后在最小絕對(duì)收縮和選擇算子（LASSO）回歸模型中調(diào)整最佳正則化參數(shù)（λ）值，通過(guò)十折交叉驗(yàn)證使最終λ值產(chǎn)生的誤差最小，從而篩選出最優(yōu)特征（圖2）。

1.4.4 "影像組學(xué)模型及列線圖模型構(gòu)建 " 將最優(yōu)影像組學(xué)特征輸入邏輯回歸、支持向量機(jī)（SVM）、K臨近、隨機(jī)森林、極度隨機(jī)樹、極端梯度提升機(jī)、輕量級(jí)梯度提升機(jī)及多層感知器8種機(jī)器學(xué)習(xí)模型中，繪制ROC曲線并比較AUC值，選用效能最好的分類器建立瘤內(nèi)模型、瘤周模型、瘤內(nèi)+瘤周模型，隨后計(jì)算每例患者在模型中對(duì)應(yīng)的預(yù)測(cè)ALN陽(yáng)性的概率值。選擇預(yù)測(cè)效能最高的模型的預(yù)測(cè)值聯(lián)合單-多因素Logistic回歸篩選出的臨床特征再次進(jìn)行多因素Logistic回歸分析，將最終特征用于構(gòu)建列線圖模型。

1.5 "統(tǒng)計(jì)學(xué)分析

采用Python3.7.13、R4.3.2、SPSS26.0和MedCalc21.0對(duì)數(shù)據(jù)進(jìn)行分析，將病理結(jié)果作為判斷ALN是否發(fā)生轉(zhuǎn)移的金標(biāo)準(zhǔn)。計(jì)量資料以Kolmogorov-Smirnov檢驗(yàn)評(píng)價(jià)分布正態(tài)性，符合正態(tài)分布的以均數(shù)±標(biāo)準(zhǔn)差表示，組間差異的比較行獨(dú)立樣本t檢驗(yàn)；不符合正態(tài)分布的以中位數(shù)（上、下四分位數(shù)）表示，組間差異的比較行Mann-Whitney U檢驗(yàn)；計(jì)數(shù)資料以n（%）表示，組間差異的比較行χ2檢驗(yàn)及Fisher確切概率法。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義，通過(guò)單-多因素Logistic回歸篩選有意義的臨床特征。繪制ROC曲線并計(jì)算AUC評(píng)估各模型的預(yù)測(cè)效能。利用“rms”包繪制校準(zhǔn)曲線，Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)（Pgt;0.05為擬合較好）評(píng)價(jià)模型擬合情況，繪制決策曲線評(píng)價(jià)模型臨床實(shí)用價(jià)值。

2 "結(jié)果

2.1 "患者臨床信息比較

臨床特征及ALN分布在訓(xùn)練集與驗(yàn)證集間的組間差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表1），可用于后續(xù)模型構(gòu)建及驗(yàn)證。210例患者中，ALN陽(yáng)性73例，陰性137例。以病理結(jié)果為金標(biāo)準(zhǔn)，對(duì)訓(xùn)練集12個(gè)臨床特征的單因素Logistic回歸分析結(jié)果顯示，臨床T分期、ALN觸診、DBT顯示ALN狀態(tài)、腫塊位置、是否伴有可疑鈣化及患者的BI-RADS分類具有統(tǒng)計(jì)學(xué)意義（Plt;0.05，表2）。多因素Logistic回歸分析篩選出ALN觸診（P=0.002）、DBT_ALN（Plt;0.001）2個(gè)臨床高危因素建立臨床模型（表2）。

2.2 "影像組學(xué)模型構(gòu)建

本研究的瘤內(nèi)及瘤周特征數(shù)據(jù)集均是融合了CC和MLO兩個(gè)體位的特征。每位患者瘤內(nèi)、瘤周、瘤內(nèi)+瘤周ROI分別提取了3122、3122、6244個(gè)特征，經(jīng)篩選與降維最終得到瘤內(nèi)13個(gè)、瘤周13個(gè)、瘤內(nèi)+瘤周15個(gè)（瘤內(nèi)6個(gè)、瘤周9個(gè)）最優(yōu)影像組學(xué)特征（圖3）。ROC曲線結(jié)果表明，SVM模型表現(xiàn)最佳，訓(xùn)練集AUC0.885、95% CI為0.825～0.945，驗(yàn)證集AUC為0.791、95% CI為0.667～0.916（圖4）。最終選用SVM分類器構(gòu)建瘤內(nèi)模型、瘤周模型、瘤內(nèi)+瘤周模型。

2.3 nbsp;列線圖模型構(gòu)建及效能評(píng)估

3組模型的ROC曲線分析顯示，瘤內(nèi)+瘤周模型AUC高于瘤內(nèi)模型及瘤周模型（訓(xùn)練集分別為0.885、0.876、0.870，驗(yàn)證集分別為0.791、0.739、0.737），故以瘤內(nèi)+瘤周模型的預(yù)測(cè)值與ALN觸診、DBT_ALN 2個(gè)臨床特征（表2）構(gòu)建列線圖并將模型可視化（圖5），各模型比較（表3，圖6）。校準(zhǔn)曲線顯示列線圖模型判斷ALNM的概率與理想模型一致性較好，Hosmer-Lemeshow檢驗(yàn)顯示其在訓(xùn)練集（P=0.058）和驗(yàn)證集（P=0.670）中的擬合度均較高（圖7）。決策曲線分析結(jié)果提示與不使用預(yù)測(cè)模型相比，列線圖模型的臨床預(yù)測(cè)價(jià)值較高（圖8）。

3 "討論

ALN狀態(tài)是指導(dǎo)乳腺癌患者臨床治療方案的關(guān)鍵因素，ALNM通常表明預(yù)后較差、復(fù)發(fā)風(fēng)險(xiǎn)較高［13］。本研究顯示，65.24%（137/210）的患者沒有發(fā)生ALNM但進(jìn)行了有創(chuàng)性腋窩手術(shù)，導(dǎo)致了不必要的腋窩并發(fā)癥和較高的醫(yī)療費(fèi)用，因此術(shù)前及早且準(zhǔn)確地評(píng)估ALN狀態(tài)非常重要。由于影像診斷醫(yī)師及操作技師經(jīng)驗(yàn)和知識(shí)水平等局限，常規(guī)影像學(xué)檢查診斷ALN狀態(tài)容易導(dǎo)致高假陰性率［14］，而影像組學(xué)技術(shù)通過(guò)高通量提取影像特征可獲取人眼和傳統(tǒng)診斷方法無(wú)法識(shí)別的腫瘤內(nèi)在異質(zhì)性信息，因此本研究基于DBT成像技術(shù)結(jié)合臨床高危因素建立了5個(gè)預(yù)測(cè)模型，分別探討其在術(shù)前預(yù)測(cè)乳腺癌ALN狀態(tài)中的價(jià)值。研究結(jié)果初步顯示，瘤內(nèi)+瘤周影像組學(xué)模型性能優(yōu)于單一瘤內(nèi)模型和瘤周模型，而與單一瘤內(nèi)+瘤周模型及臨床模型相比，利用影像組學(xué)特征及臨床因素開發(fā)的列線圖模型實(shí)現(xiàn)了最佳預(yù)測(cè)效能（訓(xùn)練集AUC：0.885 vs 0.870 vs 0.942，驗(yàn)證集AUC：0.791 vs 0.887 vs 0.932），此模型可作為預(yù)測(cè)ALNM的有效工具，在確保診斷準(zhǔn)確率的前提下幫助早期乳腺癌患者減少不必要的ALND甚至是SLNB，對(duì)個(gè)體化隨訪及治療策略指導(dǎo)具有重要臨床意義。

現(xiàn)階段乳腺X線攝影（常用FFDM與DBT）因其操作便捷、價(jià)格低廉、適用性廣等優(yōu)勢(shì)已成為乳腺癌篩查和診斷最常用的方法［15］，但FFDM檢查固有局限性較大，有研究以FFDM圖像為基礎(chǔ)構(gòu)建組學(xué)、臨床及聯(lián)合模型預(yù)測(cè)ALNM，其組學(xué)模型訓(xùn)練集與驗(yàn)證集AUC僅為0.740、0.749，聯(lián)合模型僅為0.859、0.803［12］，均低于本研究組學(xué)模型及聯(lián)合模型的預(yù)測(cè)效能，究其原因可能是成像方式不同：FFDM是二維平面成像技術(shù)，腫瘤邊緣顯示常模糊不清，ROI無(wú)法準(zhǔn)確勾畫從而影響了模型的預(yù)測(cè)效能；而本研究基于DBT成像技術(shù)構(gòu)建的列線圖模型訓(xùn)練集與驗(yàn)證集AUC分別達(dá)0.942、0.932，與既往研究［16］結(jié)論相似，因?yàn)镈BT是圍繞乳腺進(jìn)行的三維立體成像，可從不同角度更清楚地觀察腫瘤及淋巴結(jié)的形態(tài)、邊界、大小等病灶信息，尤其適用于以致密型乳腺為主的亞洲女性［17］。本次研究構(gòu)建的影像組學(xué)模型結(jié)合了兩個(gè)體位的病灶影像學(xué)特征，15個(gè)最優(yōu)特征中CC位7個(gè)，MLO位8個(gè)，不同體位提取的特征并非完全相同，二者聯(lián)合能更全面地反映腫瘤異質(zhì)性，這與既往研究［18］結(jié)論相仿，但與另一研究［2］的研究方法不同，其僅以CC位圖像進(jìn)行組學(xué)分析，所構(gòu)建的預(yù)測(cè)模型訓(xùn)練集與驗(yàn)證集AUC為0.883、0.863，低于本研究的0.942、0.932，原因可能是只納入了一個(gè)體位的特征，單體位圖像未能全面反映腫瘤信息，以上提示MLO位圖像可能會(huì)比CC位提供更多有價(jià)值信息，但兩體位聯(lián)合建立的組學(xué)模型具有最佳預(yù)測(cè)效果。

近年來(lái)針對(duì)不同癌癥類型的影像組學(xué)分析表明，除腫瘤內(nèi)部特征外，瘤周組織也是臨床決策過(guò)程中不應(yīng)忽視的一部分，腫瘤的侵襲浸潤(rùn)會(huì)影響周圍的正常組織，癌細(xì)胞可表現(xiàn)出促結(jié)締組織增生反應(yīng)或浸潤(rùn)到間質(zhì)組織中［19， 20］，這表明乳腺癌的進(jìn)展在一定程度上可通過(guò)瘤周區(qū)域的變化反映出來(lái)，瘤周微環(huán)境的改變也會(huì)推動(dòng)ALN狀態(tài)的進(jìn)展與轉(zhuǎn)化。本研究結(jié)果顯示，瘤內(nèi)+瘤周模型預(yù)測(cè)性能優(yōu)于單一瘤內(nèi)模型及瘤周模型，訓(xùn)練集AUC分別為0.885、0.876、0.870，驗(yàn)證集AUC分別為0.791、0.739、0.737，其中瘤內(nèi)模型性能優(yōu)于瘤周模型，但僅通過(guò)瘤內(nèi)或瘤周特征均未能達(dá)到最佳預(yù)測(cè)效果，在瘤內(nèi)特征基礎(chǔ)上融合瘤周特征后，預(yù)測(cè)模型性能得到了改善，AUC提高到0.885、0.791，這也證明瘤周區(qū)域能提供與腫瘤發(fā)生及發(fā)展密切相關(guān)的有效信息。既往有研究探討了預(yù)測(cè)模型在1、3、5 mm瘤周范圍內(nèi)對(duì)乳腺病變?cè)\斷性能的影響，發(fā)現(xiàn)3 mm瘤周模型AUC最高，具有較高的預(yù)測(cè)效能［21］，這提示瘤周3 mm區(qū)域可能會(huì)為預(yù)測(cè)ALN狀態(tài)提供最有價(jià)值的信息，故本研究選擇瘤周3 mm區(qū)域提取影像組學(xué)特征。另有研究以瘤內(nèi)聯(lián)合4、5、10 mm瘤周特征構(gòu)建預(yù)測(cè)模型［19， 22， 23］，預(yù)測(cè)效能均低于本研究，分析原因可能是瘤周ROI外擴(kuò)過(guò)大，包含過(guò)多正常組織而影響了整體預(yù)測(cè)效能。

本研究單因素Logistic回歸分析顯示臨床T分期、ALN觸診、DBT_ALN、腫塊位置、是否伴有可疑鈣化及BI-RADS分類均與乳腺癌患者的ALN狀態(tài)有關(guān)，但經(jīng)多因素分析發(fā)現(xiàn)僅ALN觸診、DBT_ALN是預(yù)測(cè)ALNM的臨床獨(dú)立高危因素。觸診是臨床醫(yī)生初步判斷ALNM的一種簡(jiǎn)單便捷的檢查方法，一般來(lái)說(shuō)，觸診陽(yáng)性的患者更有可能提示ALNM；DBT_ALN為另一重要預(yù)測(cè)因素，ALNM陽(yáng)性與陰性患者的影像學(xué)表現(xiàn)存在顯著差異，癌細(xì)胞侵襲ALN致其形態(tài)學(xué)發(fā)生改變，在DBT圖像上常表現(xiàn)為單個(gè)圓形腫大ALN或數(shù)個(gè)小ALN，邊界模糊，密度高且均勻，而正常ALN多為脂肪密度且不均勻，邊緣清晰。本研究基于瘤內(nèi)+瘤周影像組學(xué)特征結(jié)合ALN觸診、DBT_ALN所構(gòu)建的列線圖模型AUC（訓(xùn)練集、驗(yàn)證集：0.942、0.932）顯著高于單一瘤內(nèi)+瘤周影像組學(xué)模型（訓(xùn)練集、驗(yàn)證集：0.885、0.791），可見ALN觸診及DBT_ALN的納入大大提高了模型的預(yù)測(cè)性能，敏感度、特異度及準(zhǔn)確性均有不同程度的提高，這與既往研究［9］結(jié)論相似，納入ALN觸診及MRI_ALN后綜合模型的訓(xùn)練集AUC由0.884提高到0.945，驗(yàn)證集AUC由0.857提高到0.942。這表明ALN觸診、DBT_ALN作為臨床醫(yī)師及影像診斷醫(yī)師初步判斷ALNM的常用方法，與影像組學(xué)相結(jié)合有望成為一種無(wú)創(chuàng)且高敏感度的ALNM評(píng)估工具，為乳腺癌患者的臨床決策提供重要信息。

列線圖可將復(fù)雜的統(tǒng)計(jì)學(xué)預(yù)測(cè)模型可視化，為臨床醫(yī)師提供直觀且客觀的患者個(gè)體化風(fēng)險(xiǎn)［24］。本研究用于構(gòu)建列線圖的15個(gè)最優(yōu)特征中，二階及高階紋理特征所占比例（53.33%，8/15）高于一階特征，這與既往研究［25］較為相似，提示紋理特征可能與ALNM相關(guān)性更大，更能反映乳腺癌腫瘤的生長(zhǎng)、侵襲與轉(zhuǎn)移。其中權(quán)重系數(shù)最大的是基于小波變換的紋理特征intra_ccwavelet_ccLHH_ccngtdm_ccComplexity，屬于鄰域灰度差矩陣（NGTDM），可反映體素與特定距離內(nèi)相鄰體素之間的灰度值差異，揭示腫瘤組織學(xué)解剖結(jié)構(gòu)的微小變化，此特征與ALNM概率呈正相關(guān)，其系數(shù)越大，ALN發(fā)生轉(zhuǎn)移的概率就越大，表明小波特征包含更多關(guān)于乳腺癌的詳細(xì)信息，可從不同尺度、不同方向全面量化腫瘤異質(zhì)性，是構(gòu)建預(yù)測(cè)模型的關(guān)鍵部分［26］。

本研究仍有以下局限性：醫(yī)師手動(dòng)勾畫二維ROI，忽略了腫塊的三維性質(zhì)且ROI輪廓的判斷受個(gè)人經(jīng)驗(yàn)影響較大，未來(lái)可應(yīng)用半自動(dòng)或自動(dòng)分割算法勾畫三維ROI；多灶性、雙側(cè)性或非腫塊型乳腺癌被排除在外，可能會(huì)限制此列線圖的適用性，未來(lái)可進(jìn)行多類型乳腺癌影像學(xué)特征對(duì)ALNM狀態(tài)預(yù)測(cè)價(jià)值的研究；僅選擇3 mm作為瘤周ROI，忽略了其他瘤周大小的影響，可在此次研究基礎(chǔ)上進(jìn)行多瘤周范圍效能探討；這是一項(xiàng)未經(jīng)外部驗(yàn)證的單中心研究，病例數(shù)量較小，未來(lái)可納入更多的多中心及外部驗(yàn)證數(shù)據(jù)。

綜上，基于DBT瘤內(nèi)聯(lián)合瘤周區(qū)域提取的影像組學(xué)特征結(jié)合臨床因素所構(gòu)建的列線圖模型可于術(shù)前無(wú)創(chuàng)性預(yù)測(cè)乳腺癌患者ALN狀態(tài)，減少非必要的ALN清掃，優(yōu)化臨床治療計(jì)劃，改善患者預(yù)后及生存質(zhì)量。這項(xiàng)研究為乳腺癌ALNM的診斷與臨床管理提供了新視角，隨著機(jī)器學(xué)習(xí)的深入發(fā)展，基于DBT的影像組學(xué)深層次研究有望為乳腺癌的診斷、分期和治療做出更大貢獻(xiàn)。

參考文獻(xiàn)：

［1］ " Siegel RL， Miller KD， Wagle NS， et al. Cancer statistics， 2023

［J/OL］. CA： a cancer j clin， 2023， 73（1）： 17-48.

［2］ " Tan HN， Wu YP， Bao FC， et al. Mammography-based radiomics nomogram： a potential biomarker to predict axillary lymph node metastasis in breast cancer［J］. Br J Radiol， 2020， 93（1111）： 20191019.

［3］ " "Arefan D， Chai RM， Sun M， et al. Machine learning prediction of axillary lymph node metastasis in breast cancer： 2D versus 3D radiomic features［J］. Med Phys， 2020， 47（12）： 6334-42.

［4］ " Song DL， Yang F， Zhang YJ， et al. Dynamic contrast-enhanced MRI radiomics nomogram for predicting axillary lymph node metastasis in breast cancer［J］. Cancer Imaging， 2022， 22（1）： 17.

［5］ " Song SE， Woo OH， Cho Y， et al. Prediction of axillary lymph node metastasis in early-stage triple-negative breast cancer using multiparametric and radiomic features of breast MRI［J］. Acad Radiol， 2023， 30（Suppl 2）： S25-S37.

［6］ " 彭衛(wèi)軍. 乳腺影像組學(xué)的研究現(xiàn)狀與發(fā)展前景［J］. 中華放射學(xué)雜志， 2022， 56（9）： 935-6.

［7］ " Cardoso F， Kyriakides S， Ohno S， et al. Early breast cancer： ESMO Clinical Practice Guidelines for diagnosis， treatment and follow-up［J］. Ann Oncol， 2019， 30（8）： 1194-220.

［8］ " 李小康， 路 "紅， 趙玉梅， 等. 數(shù)字乳腺X線攝影、數(shù)字乳腺斷層攝影及合成X線成像技術(shù)在乳腺癌檢查中的應(yīng)用［J］. 臨床放射學(xué)雜志， 2022， 41（5）： 983-6.

［9］ " 趙楠楠， 朱 "蕓， 湯曉敏， 等. 基于瘤內(nèi)及瘤周MRI影像組學(xué)列線圖預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移［J］. 磁共振成像， 2023， 14（3）： 81-7， 94.

[10] Mao N， Shi YH， Lian C， et al. Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast-enhanced spectral mammography［J］. Eur Radiol， 2022， 32（5）： 3207-19.

［11］ "李新華， 盧振東， 丁 "慧， 等. 利用MRI影像組學(xué)模型可有效預(yù)測(cè)乳腺癌前哨淋巴結(jié)轉(zhuǎn)移［J］. 分子影像學(xué)雜志， 2024， 47（1）： 57-63.

［12］ "宋 "瑞， 馬彥云， 崔曹哲， 等. FFDM影像組學(xué)在預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移中的價(jià)值［J］. 臨床放射學(xué)雜志， 2023， 42（11）： 1724-9.

［13］ Chang JM， Leung JWT， Moy L， et al. Axillary nodal evaluation in breast cancer： state of the art［J］. "Radiology， 2020， 295（3）： 500-15.

［14］ "Duan YY， Chen XB， Li WY， et al. Multimodal radiomics and nomogram?based prediction of axillary lymph node metastasis in breast cancer： an analysis considering optimal peritumoral region［J］. J Clin Ultrasound， 2023， 51（7）： 1231-41.

［15］ "牛煥東， 徐 "菡， 朱衛(wèi)峰， 等. 多模態(tài)X線影像組學(xué)列線圖預(yù)測(cè)乳腺腫塊良惡性的價(jià)值［J］. 中國(guó)中西醫(yī)結(jié)合影像學(xué)雜志， 2023， 21（3）： 252-8.

［16］ "郭蘊(yùn)嬋， 楊彩仙， 史晉偉. 基于DBT的影像組學(xué)在預(yù)測(cè)乳腺癌分子分型中的價(jià)值［J］. 醫(yī)學(xué)影像學(xué)雜志， 2023， 33（9）： 1598-602.

［17］ Sheng MH， Ji J， Zhang CY， et al. Optimization of the radiation dose of digital breast tomosynthesis in opportunistic screening by studying the effect of different combinations of FFDM and DBT views[J]. Int J Gen Med， 2021， 14： 1147-54.

［18］ "張紅芳， 申晉疆， 王蘭云， 等. 基于乳腺X線影像組學(xué)對(duì)類圓形腫塊良惡性的預(yù)測(cè)價(jià)值［J］. 臨床放射學(xué)雜志， 2022， 41（4）： 617-21.

［19］ "Zhang SJ， Shao HF， Li WJ， et al. Intra- and peritumoral radiomics for predicting malignant BiRADS category 4 breast lesions on contrast-enhanced spectral mammography： a multicenter study［J］. Eur Radiol， 2023， 33（8）： 5411-22.

［20］ "李卓君， 楊曉芳， 姜增譽(yù)， 等. 基于DBT的瘤內(nèi)和瘤周影像組學(xué)評(píng)估乳腺癌HER2狀態(tài)的研究［J］. 臨床放射學(xué)雜志， 2023， 42（9）： 1436-41.

［21］ "Wang SM， Sun YQ， Li RM， et al. Diagnostic performance of perilesional radiomics analysis of contrast?enhanced mammography for the differentiation of benign and malignant breast lesions［J］. Eur Radiol， 2022， 32（1）： 639-49.

［22］ "Xu ML， Yang HM， Sun J， et al. Development of an intratumoral and peritumoral radiomics nomogram using digital breast tomosynthesis for preoperative assessment of lymphovascular invasion in invasive breast cancer［J］. Acad Radiol， 2023： S1076-S6332（23）00628-1.

［23］ Lin F， Li Q， Wang ZY， et al. Intratumoral and peritumoral radiomics for preoperatively predicting the axillary non-sentinel lymph node metastasis in breast cancer on the basis of contrast-enhanced mammography： a multicenter study［J］. Br J Radiol， 2023， 96（1143）： 20220068.

［24］ 林文華， 楊少玲， 赫 "蘭， 等. 基于術(shù)前超聲及鉬靶特征的列線圖預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的價(jià)值［J］. 中國(guó)臨床醫(yī)學(xué)影像雜志， 2023， 34（9）： 647-53.

［25］ Cheng Y， Xu S， Wang HT， et al. Intra- and peri-tumoral radiomics for predicting the sentinel lymph node metastasis in breast cancer based on preoperative mammography and MRI［J］. Front Oncol， 2022， 12： 1047572.

［26］ "Braman N， Prasanna P， Whitney J， et al. Association of peritumoral radiomics with tumor biology and pathologic response to preoperative targeted therapy for HER2 （ERBB2）-positive breast cancer［J］. JAMA Netw Open， 2019， 2（4）： e192561.

（編輯：郎 "朗）