论文部分内容阅读
目的:探讨新辅助治疗前的DCE-MRI图像及其影像组学特征对乳腺癌新辅助治疗(Neoadjuvant therapy,NAT)病理完全缓解(pCR)的预测价值。方法:收集2015年6月至2018年10月,我院73例经病理证实为乳腺浸润性癌并行新辅助治疗的患者,所有患者在治疗前均采用SIEMENS Verio 3.0T磁共振行双侧乳腺扫描。根据新辅助治疗结束后手术标本的病理结果,将患者分为pCR组(G5)和non-pCR组(G1-G4)。分析两组患者临床病理特征及治疗前MRI征象,临床及病理特征包括年龄、月经状况、组织学分级、雌激素受体(ER)、孕激素受体(PR)、HER-2和Ki-67表达状态;MRI征象包括最大径,强化形式、形态、边缘、内部强化特征、TIC曲线、腋窝淋巴结及皮肤是否受累。随后由放射科医生在DCE-MRI图像上手动分割病灶并提取影像组学特征,采用LASSO回归对特征进行降维、筛选。将所有患者按照8:2随机划分为训练集与测试集,采用3种监督学习算法(LR,RF,KNN)对所筛选出的影像组学特征进行分类建模,并用ROC曲线对所构建的模型在训练集中的预测性能进行评价,运用训练集模型中最大约登指数(灵敏度+特异度-1)确定最佳临界值,将最佳临界值运用到测试集中进行验证。分别计算训练集和测试集ROC中的曲线下面积(AUC)、灵敏度、特异度、准确率和F1 score,并用以上参数评估模型的准确性及诊断效能。结果:1.临床病理资料分析显示:pCR组和non-pCR组患者的平均年龄、病理类型、组织学分级、HER-2及Ki 67表达状态的差异均无统计学意义(P>0.05)。治疗前pCR组中ER(+)/PR(+)的患者明显少于non-pCR组,两组间的差异具有统计学意义(P<0.05)。pCR组中三阴型所占比例最大(36.4%),而non-pCR组中Luminal B型所占比例最大(58.8%),两组患者在分子分型分布上的差异具有统计学意义(P=0.016)。2.治疗前MR征象分析显示:pCR组中90.9%(20/22)的病灶表现为肿块,仅9.1%(2/22)表现为非肿块强化;在non-pCR组中肿块所占比例为49.0%(25/51),非肿块所占比例为51.0%(26/51),两组间的差异具有统计学意义(P<0.001)。两组间病灶最大径、形态、边缘、内部强化特征、TIC曲线、腋窝淋巴结及皮肤受累情况的差异均无统计学意义(P>0.05)。3.影像组学分析:使用LASSO回归最终筛选出4个与新辅助治疗疗效(即是否发生pCR)相关性最佳的影像组学特征用于构建预测模型。使用LR分类器进行训练时,训练集的AUC为0.871(灵敏度:0.76,特异度:0.68),测试集的AUC为0.745(灵敏度:0.80,特异度:0.73)。使用RF分类器进行训练时,训练集的AUC为1.000(灵敏度:1.00,特异度:0.95),测试集的AUC为0.909(灵敏度:0.80,特异度:0.82)。使用KNN分类器进行训练时,训练集的AUC为0.821(灵敏度:0.71,特异度:0.75),测试集的AUC为0.791(灵敏度:0.80,特异度:0.73)。结论:1.免疫组化指标中ER(-)/PR(-)肿瘤更容易在NAT中达到pCR;分子分型中HER-2(+)/TNBC患者更容易从NAT中获益达到pCR;2.NAT前的乳腺MRI征象,仅有“肿块”能够作为疗效的预测因素,“肿块”型病灶更容易达到pCR;3.基于治疗前DCE-MRI提取出的影像组学特征可以作为NAT疗效的预测因子,利用影像组学特征所构建的预测模型能够有效预测肿瘤组织pCR。相较于传统的MRI征象分析,影像组学在NAT疗效预测方面更有优势,具有较高的预测能力。