academic radiology：利用放射组学实现乳腺癌腋窝淋巴结转移的早期无创预测！

据统计，乳腺癌是女性中最常见的恶性肿瘤。腋窝淋巴结（ALN）转移的状况对于乳腺癌患者的治疗决策和预后评估非常重要。前哨淋巴结活检（SLNB）和腋窝淋巴结清扫（ALND）是临床评估ALN状态的常规程序。然而，SLNB和ALND是侵入性的，因此会导致一些并发症如手臂疼痛、血肿和淋巴水肿的发生。事实上，一些前哨淋巴结阳性患者接受了不必要的腋窝手术，导致了过度治疗和高并发症发生率。因此，术前对ALN状态的准确评估对于个体化的临床治疗策略至关重要。
放射组学是一项十分具有前途的影像学技术，可以提取高通量的医学图像特征来量化肿瘤的形状、强度和纹理信息。最近，放射组学模型在预测乳腺肿瘤的ALN转移方面取得了出色的表现。

现阶段，深度学习可以自动学习图像信息，并已被广泛应用于图像识别和图像分类。与手工制作的放射组学特征相比，从卷积神经网络（CNN）中提取的深度特征包含更多抽象的医学图像信息。尽管如此，深度学习需要大量的图像数据进行训练，而且来自CNN的深度特征比较抽象、解释能力差。

手工制作的放射组学特征和深度特征都有一些优点和缺点。因此，这些特征可以被融合以反映潜在的互补信息。有各种数据融合的技术，如早期融合、特征融合和决策级融合。特征级融合融合了不同类型的特征并形成新的特征，而决策层面的融合通常整合分类器的结果。

然而据我们所知，没有任何研究调查了融合深度特征和放射学特征区分乳腺癌ALN状态的诊断性能。

近日，发表在academic radiology：杂志的一项研究评估了深度特征和手工绘制的放射组学特征对预测乳腺癌ALN转移的价值及能力，然后通过整合深度特征和放射组学特征建立了融合模型以实现早期预测及评估。

研究从3062张DCE-MRI图像中提取了手工绘制的放射组学特征和深度特征。通过应用相互信息和特征递归消除算法进行特征选择。分别利用最优特征和机器学习分类器建立了传统放射组学模型和深度学习放射组学模型。采用两种融合策略构建了区分腋窝淋巴结状态的融合模型，并比较了模型与MRI报告的淋巴结或可疑结点评估腋窝淋巴结状态的性能。 

决策融合模型在决策层面整合了放射组学特征和深度学习特征，其曲线下面积（AUC）达到0.91（95%置信区间（CI）：0.879-0.937），高于传统放射组学模型和深度学习放射组学模型。带有临床特征的决策融合模型的结果是AUC为0.93（95%CI：0.899-0.951），也优于其他包含临床特征的模型。 

图 AUC值的盒状和须状图

本研究证明了融合模型对预测乳腺癌腋窝淋巴结转移的价值及能力，为临床的早期风险分层提供了技术支持。

原文出处：

Xue Li,Lifeng Yang,Xiong Jiao.Comparison of Traditional Radiomics, Deep Learning Radiomics and Fusion Methods for Axillary Lymph Node Metastasis Prediction in Breast Cancer.DOI:10.1016/j.acra.2022.10.015