基于T2加权和动脉期T1加权MRI影像组学联合机器学习与深度学习分析无创预测乳腺癌腋窝淋巴结转移的诊断价值研究

　　本研究针对乳腺癌腋窝淋巴结（ALN）转移术前无创精准诊断的临床难题，通过整合T2加权与动脉期T1加权磁共振成像（MRI）的影像组学特征，结合机器学习（如随机森林、梯度提升）和深度学习（神经网络）模型，系统评估多序列影像组学在ALN转移预测中的效能。结果表明，T2加权影像在神经网络模型中表现最优（AUC=0.978），而动脉期T1加权特征在单变量分析中更具优势。该研究为乳腺癌术前精准分期提供了非侵入性新策略，有望减少不必要的腋窝淋巴结手术。

　　

乳腺癌是全球女性中最常见的恶性肿瘤，腋窝淋巴结（Axillary Lymph Node, ALN）转移状态是决定患者预后和治疗方案的关键因素。传统评估依赖前哨淋巴结活检（SLNB）和腋窝淋巴结清扫（ALND），这些侵入性操作不仅伴随淋巴水肿、神经损伤等风险，还可能在某些早期病例中过度治疗。尽管超声、 mammography 和CT等影像技术已用于术前评估，但其对微转移或形态正常淋巴结的识别能力有限。磁共振成像（MRI）凭借优越的软组织对比度，在乳腺癌原发灶和区域淋巴结评估中展现出潜力，尤其是T2加权和动态对比增强（DCE）T1加权序列。然而，视觉评估仍存在主观性差异，亟需更客观、定量的方法提升诊断精度。

影像组学（Radiomics）应运而生，它通过从标准影像中提取高通量定量特征（如纹理、形状和强度），揭示组织异质性和表型差异，这些细微特征可能超出人眼辨识范围。近年来，多项研究探索了MRI影像组学在预测ALN转移中的应用，但存在序列对比不足、深度学习整合不充分等局限。为此，本研究旨在系统比较T2加权与动脉期T1加权MRI序列的影像组学特征，结合多种机器学习与深度学习模型，开发非侵入性诊断工具，以优化乳腺癌术前决策。

为开展本研究，研究人员采用回顾性设计，纳入了100例乳腺癌患者的MRI数据，共155个淋巴结区域（52个转移性，103个非转移性）。影像数据来源于1.5T MRI扫描仪，序列包括T2加权（STIR TSE）和动脉期（对比剂注射后120秒）T1加权DCE-MRI。两位经验丰富的放射科医师使用3D Slicer平台进行手动病灶分割，并提取了851个符合影像生物标志物标准化倡议（IBSI）的影像组学特征，涵盖一阶统计、形状特征（2D和3D）及纹理特征（如GLCM、GLRLM、GLSZM、GLDM、NGTDM）。特征经z-score标准化后，通过弹性网络（Elastic Net）正则化逻辑回归进行特征选择，保留重现性高（ICC>0.75）的稳健特征。机器学习模型包括逻辑回归（Logit）、随机森林（RF）、LASSO、梯度提升（GBM）、神经网络（NN）和分类回归树（CART），数据集按7:3划分为训练集与测试集，采用十倍交叉验证优化模型性能。诊断效能通过曲线下面积（AUC）、敏感性、特异性等指标评估，统计分析和模型比较使用R语言完成。

结果

T2加权影像的特征与模型性能

从T2加权影像中筛选出70个稳健特征，其中15个表现出良好判别能力，单特征AUC在0.705–0.768之间。最佳单特征为wavelet.LLL.gldm.LargeDependenceLowGrayLevelEmphasis（AUC=0.768）。逐步逻辑回归模型纳入7个预测因子（如Elongation、Entropy等），AUC为0.796，准确度73.3%。在多变量机器学习模型中，神经网络（NN）表现最优，AUC达0.978，准确度91.1%，敏感性和特异性分别为80.0%和96.7%，显著优于其他模型（如随机森林AUC=0.839）。

动脉期T1加权影像的特征与模型性能

动脉期序列中，32个特征被筛选，9个特征AUC在0.712–0.787之间，最佳单特征为wavelet.LLL.gldm.GrayLevelVariance（AUC=0.787）。逐步逻辑回归模型（含GrayLevelVariance、InverseVariance等7个变量）在测试集上AUC为0.853，准确度77.8%，敏感性93.3%，特异性70.0%。机器学习模型中，神经网络仍表现最佳（AUC=0.864，准确度80.0%），但整体略低于T2加权模型。

特征重要性分析

神经网络模型的特征重要性分析显示，小波变换衍生的纹理特征（如InverseVariance、LargeAreaLowGrayLevelEmphasis）和形状特征（如Elongation）是关键预测因子，反映淋巴结微观结构改变与转移相关。

结论与讨论

本研究证实，基于T2加权和动脉期T1加权MRI的影像组学分析可有效无创预测乳腺癌ALN转移。T2加权序列在深度学习框架下（尤其是神经网络）展现最高诊断效能（AUC>0.97），而动脉期序列在单变量分析中更具优势。这一发现凸显了序列互补性：动脉期影像提供灌注相关生物标志物，T2加权影像则通过多元建模捕获更广泛异质性。与既往研究（如Song等报道的DCE-MRI模型AUC=0.874）相比，本研究通过整合多序列和先进算法进一步提升了精度。

研究意义在于为临床提供了一种非侵入性术前评估工具，有望减少不必要的SLNB或ALND，降低手术并发症，优化个体化治疗。局限性包括回顾性设计、单中心样本和未整合多模态影像（如超声）。未来需多中心验证并探索融合临床参数与其他影像技术，以增强模型普适性。该研究发表于《La radiologia medica》，推动了影像组学在乳腺癌精准医疗中的应用。