📄 medicine

Preoperative Prediction of Vascular Invasion in Breast Cancer Based on Habitat-Based Radiomics Integrating Intratumoral and Multidimensional Peritumoral Features: A Multicenter DCE-MRI Study

这项多中心研究表明，一种结合了瘤内及多维瘤周区域基于DCE-MRI的生境组学特征与临床因素的多模态融合模型，能够有效预测乳腺癌术前淋巴管侵袭，为个性化风险分层提供了一种经过验证的无创工具。

原作者： Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

发布于 2026-09-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

乳腺癌并非一种单一、统一的疾病，而是一系列行为迥异的肿瘤集合。有些生长缓慢且原地不动，而另一些则具有侵略性，会向体内输送微小的细胞簇，从而在其他地方建立新的殖民地。这种危险行为最关键的征兆之一是淋巴管侵袭。当癌细胞脱离主肿瘤并滑入人体内输送液体的微小血管时，就会发生这种情况，这些血管就像是疾病扩散的公路。在手术前了解这些细胞是否已经进入血管，对医生来说至关重要。这有助于他们决定切除多少组织，以及患者术后是否需要更强的治疗方案。几十年来，要确定是否发生了这种侵袭，唯一的办法是等待肿瘤被移除并在显微镜下进行检查。这种延迟让患者和医生在最关键的规划阶段处于猜测之中。

研究人员长期以来一直希望先进的成像技术能够在手术动刀之前，就为这种隐藏的危险提供清晰的图像。磁共振成像（MRI）已经是观察乳腺组织的强大工具，能够显示其他扫描无法捕捉到的细节。然而，观察这些图像的标准方法通常将肿瘤视为一个单一的、实心的物体。这种方法忽略了癌症复杂的内部景观，在这些景观中，不同的区域可能有不同的血流、细胞密度和化学环境。为了解决这个问题，一组科学家着手构建一种新型地图。他们想看看是否可以利用 MRI 扫描中的微妙纹理和模式来预测癌细胞是否已经开始了向淋消化系统的旅程，将视觉数据与患者健康的简单事实相结合，从而创建一个可靠的指南。

这项研究在中国两家主要医院进行，汇集了 742 名乳腺癌患者的数据。研究人员专注于一种特定的 MRI 扫描，称为动态对比增强 MRI，它通过追踪染料随时间在组织中的移动，来揭示血流的速度和模式。他们首先在扫描中为每个肿瘤绘制了一个精细的轮廓。然后，他们做了比通常更详细的工作：他们不仅观察肿瘤本身，还观察紧邻其周围的组织。他们以逐步扩大的方式进行观察，检查距离肿瘤边缘 1 毫米、3 毫米、5 毫米、7 毫米，最后是 10 毫米的组织。这样做是为了观察癌症周围的“社区”是否隐藏着关于其侵略性的线索。

为了理解肿瘤内部的情况，研究人员使用了一种受生态学启发的分析方法，将肿瘤视为一个拥有不同“栖息地”的景观。他们没有将其视为一个大肿块，而是利用计算机算法，根据细胞行为将肿瘤划分为更小的、截然不同的区域。某些区域可能细胞密集，而另一些区域可能富含血管。通过分析这些特定的“栖息地”，他们希望找到肿瘤中最危险部分的独特特征。他们将所有的视觉信息——包括内部栖息地和周围组织层——输入到一系列计算机学习程序中。这些程序旨在发现人类肉眼会忽略的模式，并通过测试九种不同的数学模型，以确定哪一种能最好地预测淋巴侵袭的存在。

结果表明，仅仅孤立地观察肿瘤是不够的。那些只观察肿瘤本身或仅观察极窄周围环带的模型准确性较低。然而，当研究人员将肿瘤周围 7 毫米区域的数据与内部栖息地地图相结合时，图像变得清晰得多。随后，他们加入了两个医生早已掌握的简单信息：患者是否经历了绝经期，以及附近的哨兵淋巴结（第一个捕获癌细胞的淋巴结）是否显示出异常迹象。这种结合创造了一个强大的新工具。在对来自另一家医院的完全独立的患者组进行测试时，该组合模型正确识别了约 71% 的淋巴侵袭病例，同时在约 75% 不存在侵袭的情况下正确排除了风险。

研究发现，最有效的方法不是依赖单一类型的数据。仅使用患者临床史的模型表现尚可，但加入详细的影像数据显著提高了捕捉危险病例的能力。研究人员指出，肿瘤周围 7 毫米的环带似乎捕捉到了最有用的信息，这可能是因为它包含了肿瘤与身体相互作用的活跃边缘，同时又不会迷失在过远组织的噪声中。虽然计算机模型并不完美，但它们提供了手术前无法获得的洞察力。研究表明，通过将肿瘤视为一个复杂且不断变化的系统而非静态物体，医生可以更好地感知其构成的威胁。

这项工作并不声称已经完全解决了问题。研究人员谨慎地指出，他们的模型是一个辅助医生的工具，而非替代最终病理检查的手段。该研究是回顾性的，意味着它是对已经收集的数据进行的回溯分析，且最终测试组的患者数量相对较少。此外，两家医院使用的 MRI 机器也存在差异，这可能会影响图像的外观。尽管存在这些局限性，但研究结果仍然具有重要意义，因为它们证明了非侵入性扫描可以揭示肿瘤的隐藏行为。通过将肿瘤微环境的视觉复杂性与直观的临床事实相结合，这种方法为在患者进入手术室之前进行风险分层提供了一种充满前景的方式，有望实现更精准、更个性化的治疗方案。

技术摘要：基于生境（Habitat）组学的乳腺癌术前脉管侵犯预测

问题陈述

淋巴管侵犯（LVI）是乳腺癌的关键预后指标，与局部复发、远处转移及总生存期缩短密切相关。然而，目前 LVI 诊断的金标准是术后病理学，这使得其无法用于术前决策。虽然穿刺活检具有微创性，但往往难以捕捉到 LVI 最可能发生的周瘤（peritumoral）区域。现有的非侵入性组学模型通常将肿瘤视为同质实体，或依赖于固定宽度的周瘤扩张，未能充分捕捉肿瘤微环境（TME）的空间异质性，以及瘤内亚区与周围组织之间复杂的相互作用。此外，许多现有模型缺乏跨不同成像设备的严格外部验证，限制了其泛化能力。

研究方法

这项回顾性、多中心研究利用了来自两个独立中心（中心 1： $n=628$ ；中心 2： $n=114$ ）共 742 例乳腺癌患者的数据。中心 1 的数据被分为训练集（ $n=439$ ）和内部验证集（ $n=189$ ），而中心 2 则作为独立的外部测试集。

数据采集与预处理

成像： 使用 3.0T 扫描仪（中心 1 为 Philips Ingenia；中心 2 为 GE Discovery MR750）进行动态对比增强 MRI（DCE-MRI）采集，通过不同的采集参数来模拟现实世界的异质性。
分割： 两名经验丰富的放射科医生在第 3 期 DCE-MRI 图像上人工勾画了肿瘤感兴趣区域（ROI）。
周瘤扩张： 将原始 ROI 进行径向扩张，以创建五个增量距离的周瘤掩模：1、3、5、7 和 10 mm。
生境生成： 为了表征瘤内异质性（ITH），使用 3×3×3 滑动窗口提取体素级特征（熵和能量）。应用 K-means 聚类将肿瘤分割为功能性亚区（“生境”）。通过 Calinski-Harabasz（CH）指数确定最佳聚类数，最终得到三个不同的亚区。

特征提取与筛选

组学特征： 使用 PyRadiomics 提取特征，涵盖一阶统计量、形状及纹理矩阵（GLCM、GLRLM、GLSZM、GLDM、NGTDM）。
鲁棒性： 通过测试-再测试（test-retest）和观察者间分析中的类内相关系数（ICC $\ge$ 0.85）对特征进行筛选。
降维： 先剔除高度相关的特征（Spearman 相关系数 $\ge$ 0.90），随后利用 Lasso 逻辑回归筛选出最终的预测特征。

模型构建

评估了九种机器学习算法（逻辑回归、朴素贝叶斯、SVM、KNN、随机森林、ExtraTrees、XGBoost、LightGBM、AdaBoost）。研究构建并比较了以下特征集：

瘤内（Intra）： 来自肿瘤核心的特征。
周瘤（Peri1mm–Peri10mm）： 来自特定扩张距离的特征。
生境（Habitat）： 源自聚类功能亚区的特征。
临床（Clinic）： 通过多变量分析确定的独立预测因子（绝经状态和前哨淋巴结状态）。
融合（Fusion）： 集成最优 ExtraTrees 生境特征与临床预测因子的多模态模型。

关键结果

模型性能

周瘤分析： 在各种扩张距离中，7 mm 周瘤区域结合 AdaBoost 算法在外部测试集中表现出最佳的泛化能力（AUC = 0.674），尽管不同距离之间的差异并不具有统计学意义。
生境分析： ExtraTrees 算法在生境特征的性能与泛化能力之间达到了最佳平衡（测试集 AUC = 0.668），优于存在过拟合现象的 XGBoost（训练集 AUC = 0.927 vs. 测试集 AUC = 0.650）。
临床预测因子： 多变量分析显示，绝经状态（OR = 2.008）和前哨淋巴结状态（OR = 0.157）是 LVI 的独立预测因子。
融合模型： 多模态融合模型（临床 + ExtraTrees 生境特征）实现了最平衡且稳健的性能：
- 外部测试集 AUC： 0.740 (95% CI: 0.646–0.834)。
- 敏感度： 71.2%（显著高于仅临床模型的 64.4%）。
- 特异度： 74.5%。
- 精确度： 72.8%。

验证与效用

校准度： 融合模型表现出极佳的校准度，预测概率与外部测试集中观察到的结果高度一致。
决策曲线分析（DCA）： 融合模型在 0.2–0.6 的阈值概率范围内提供了最高的净临床获益，优于单模态模型以及“全部治疗”或“均不治疗”策略。
统计学显著性： Delong 检验证实，融合模型在训练集（ $P < 0.001$ ）和外部测试集（ $P < 0.001$ ）中均显著优于仅临床模型。

核心贡献

系统评估周瘤距离： 本研究首次系统地比较了五种增量周瘤扩张距离（1–10 mm）用于 LVI 预测，为微环境影响的空间尺度提供了经验数据。
基于生境的成像： 研究成功将生境成像应用于 LVI 预测，证明了通过将肿瘤聚类为功能性亚区，比将肿瘤视为单一同质实体能更有效地捕捉异质性。
严谨的多中心验证： 不同于许多单中心研究，本工作采用了“在一个中心开发，在另一个中心进行独立测试”的策略，使用了不同的扫描仪制造商（Philips 与 GE）和方案，增强了模型泛化能力的公信力。
多模态整合： 研究建立了一个将易于获取的临床变量与最优 ExtraTrees 生境特征相融合的框架，表明这种组合产生的敏感度优于单纯的临床因素。

意义与主张

作者声称，这项研究为乳腺癌 LVI 的术前风险分层提供了一种极具前景的非侵入性方法。通过整合瘤内异质性、多维周瘤特征和临床风险因素，所提出的多模态框架比传统方法提供了更稳健的临床决策基础。

研究强调，虽然该模型的性能（AUC 0.740）尚不足以作为治疗决策的唯一依据，但它具有重要的辅助价值。对于活检结果在 LVI 状态方面尚不明确的情况，该模型特别有用。作者总结道，该框架支持个性化治疗方案的制定，例如指导新辅助化疗强度或手术切除范围的决策，并代表了从“组学（radiomics）”向“影像病理组学（radiopathomics）”转变的一步，即将影像表型与潜在的生物学机制联系起来。