基于MRI影像组学深度学习模型预测1~2个阳性SLN乳腺癌腋窝淋巴结转移的研究OA

目的探讨基于磁共振成像(magnetic resonance imaging,MRI)影像组学、深度学习(deep learning,DL)特征在预测1~2个阳性前哨淋巴结(sentinel lymph node,SLN)乳腺癌患者腋窝淋巴结(axillary lymph node,ALN)状态的临床应用价值。材料与方法回顾性分析2017年1月至2024年12月我院病理证实为1~2个阳性SLN乳腺癌患者的临床病理及MRI资料。采用ITK-SNAP 3.8.0软件手动勾画扩散加权成像(diffusion-weighted imaging,DWI)及动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)第三期图像的肿瘤感兴趣区(region of interest,ROI)。使用PyRadiomics软件提取影像组学特征,并基于预训练的Inception-v3模型提取DL特征。经统计检验、最小冗余最大相关(minimum redundancy maximum relevance,mRMR)、Spearman分析、最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)算法筛选与ALN转移强相关的特征。采用多因素logistic回归筛选与ALN转移相关的临床病理危险因素。构建影像组学模型、DL模型、深度学习影像组学(deep learning radiomics,DLR)模型、临床模型及融合临床特征的联合模型预测ALN状态。计算曲线下面积(area under the curve,AUC)、敏感度、特异度与准确率评估各模型预测性能;以决策曲线分析其临床应用价值。结果本研究共入组患者256例,其中ALN阳性组105例,阴性组151例。Logistic回归分析显示肿瘤最长径、淋巴血管侵犯(lymphovascular invasion,LVI)及阳性SLN个数是预测ALN转移与否的独立危险因素(P均<0.05)。在验证集中,DLR模型的AUC值为0.800(95%CI:0.661~0.909),预测效能优于影像组学模型(AUC=0.734,95%CI:0.580~0.861)及DL模型(AUC=0.774,95%CI:0.632~0.903);融合临床特征的联合模型性能最优,其AUC值、敏感度、特异度与准确率分别为0.851(95%CI:0.722~0.953)、76.2%、90.3%与84.6%,且在合理阈值范围内获得了较高的临床净获益。结论基于多参数MRI的影像组学、DL及DLR模型可在术前辅助评估1~2个阳性SLN乳腺癌患者ALN转移风险;融合临床特征的联合模型在前哨淋巴结活检(sentinel lymph node biopsy,SLNB)术后ALN转移综合风险分层评估中展现出较好的临床应用价值,在进一步多中心、前瞻性验证后,有望为临床个体化腋窝处理决策提供辅助参考。