European Radiology：新辅助治疗后乳腺癌分子亚型改变的MRI机器学习模型

现阶段，初次手术不再是治疗乳腺癌（BC）的最佳选择，新辅助治疗（NAT）已成为首选，尤其是在三阴性和人类表皮生长因子受体2（HER2）阳性的早期乳腺癌病例中更是如此。根据基线分子亚型，NAT的治疗包括内分泌治疗、抗HER2靶向治疗和化疗，其中抗HER2靶向治疗适用于HER2阳性乳腺癌，而内分泌治疗适用于雌激素受体（ER）/孕酮受体（PR）阳性乳腺癌。三阴性乳腺癌（TNBC）通常只接受新辅助化疗。

目前，BC亚型的确定完全基于诊断和手术时的病理标本。然而，在接受新辅助治疗的患者中，超过10%的患者会出现受体状态和分子亚型的改变，其中ER大多从阴性转为阳性，而HER2通常从阳性转为阴性。在NAT期间，分子亚型转换的变化是否在NAT之前仍然是未知的。然而，早期预测TNBC和ER低值阳性/HER2阴性乳腺癌在NAT后的亚型转换，可以确保患者在新辅助化疗之外接受适合他们需要的治疗。

为了构建一个预测乳腺癌NAT后分子亚型变化的模型，需要进行基线放射学评估（建议采用MRI评估）。放射组学是一种非侵入性的方法，可以评估肿瘤的微环境、空间特异性、生物标志物的状态以及在研究层面上对疾病演变和患者的长期预后进行纵向评估。人工智能（AI）算法，特别是机器学习，是医学影像分析中最常用的方法。目前，大多数整合机器学习和乳腺MRI的研究都集中在预测良性和恶性肿瘤上，产生的预测模型的准确率接近有经验的放射科医生的预测。此外，在预测生存结果、腋窝淋巴结转移、分子亚型的相关性和病理完全反应（pCR）方面，人工智能和放射组学在某些方面已经超过了视觉检查。然而，目前还没有提出利用基线MRI信息来预测TNBC患者NAT后乳腺癌亚型转换的概率的方法。

研究的另一个挑战是通过有经验的放射科医生手工分割乳腺癌来构建训练数据，这不仅耗时，而且有可能导致操作者之间和操作者内部的巨大差异。最近，临床已经建立了许多用于乳腺癌自动分割的模型，如U-net模型和一些卷积神经元网络（CNN）模型。

近日，发表在European Radiology杂志的一项研究开发和验证了非侵入性的=用于预测基线NAT后乳腺癌分子亚型改变的影像学模型，同时建立了一个用于乳腺癌的自动分割和构建模型的深度学习模型，以实现人工和自动分割的相互一致。

本项研究于2010年7月-2020年11月期间回顾性地招募了82名雌激素受体（ER）阴性/人表皮生长因子受体2（HER2）阴性或ER低阳性/HER2阴性的乳腺癌患者，每位患者均接受了NAT并完成了基线MRI，其中有21个病例在NAT后观察到亚型改变。建立了一个2D-DenseUNet机器学习模型来进行乳腺癌的自动分割。从每个MRI序列（T2加权成像、ADC、DCE和对比度增强的T1加权成像）中提取了851个放射学特征，包括手动和自动分割掩码。所有样本被分为训练集（n = 66）和测试集（n = 16）。用5倍交叉验证的XGBoost模型来预测乳腺癌患者在NAT后的分子亚型改变。随后通过ROC曲线的AUC、敏感性和特异性来评估这些模型的预测能力。 

由多序列MRI人工分割的三个放射组学特征组成的模型在识别NAT后的BC分子亚型改变方面取得了良好的预测效果（交叉验证集：AUC = 0.908，独立测试集：AUC = 0.864）；而DCE序列上BC病变的自动分割方法产生了良好的分割结果（Dice相似度系数=0.720）。 

图  基于人工分割的单个序列模型的五倍交叉验证集的相应预测性能

本项研究通过使用基线乳腺MRI放射学特征开发并验证了一个概念验证模型来预测乳腺癌在NAT后的分子亚型变化，该模型实现了对乳腺癌分子亚型的无创评估，且不会对病人产生额外的费用。此外，研究还建立了一个可以减少时间成本的基于MRI的乳腺癌病灶自动分割模型，特别是在大样本量的基础上构建预测模型。

原文出处：

Hai-Qing Liu,Si-Ying Lin,Yi-Dong Song,et al.Machine learning on MRI radiomic features: identification of molecular subtype alteration in breast cancer after neoadjuvant therapy.DOI:10.1007/s00330-022-09264-7