新辅助化疗（NAC）是局部晚期乳腺癌患者的常见治疗选择，可以有效地降低乳腺肿瘤的分期，并可减少手术的进行。然而作为治疗和临床决策的一个关键因素，由于病变的遗传异质性，不同患者对NAC的反应有很大的不同。特别是对于那些对化疗反应不佳的患者来说，NAC会延缓病情并引起毒副作用。传统上，手术标本的病理结果是评估NAC疗效的参考标准，但需要在整个化疗结束后才可获得。因此，在治疗前准确预测NAC的肿瘤反应可使NAC反应不佳的患者从中受益，并提示临床及时改变治疗方案。

目前，肿瘤对NAC反应的影像学评价依赖于通过超声（US）、磁共振成像和正电子发射计算机断层成像等解剖学成像技术监测肿瘤大小的变化。然而，由于肿瘤的异质性和NAC期间肿瘤消退的不同方式，这些方法的预测准确性会有很大差异。因此，由于对NAC反应的影像学变化相对缺乏共识，宏观的视觉评估仍然是一个挑战。在定量成像领域，以前的研究已经证明了影像学特征对于预测NAC的病理反应的潜在价值，但需要依靠医生对肿瘤边界进行准确划定。比起传统的放射组学，深度学习放射组学（DLR）作为一个有前途的工具，可以通过直接分析原始图像像素来自动学习和量化特征。然而，深度学习算法需要大量的训练样本，因此容易出现过拟合。在医学影像中使用迁移学习或预训练的深度学习模型作为特征提取器是解决小型医学数据集的有效方法。此外，许多研究已经证明了迁移学习在乳腺癌临床应用中的好处，如预测腋窝淋巴结状态、分子亚型的评估以及对治疗反应的评估。

US已经成为患者化疗前的常规检查，具有无辐射、广泛的可及性和较低的成本等主要优势。一些研究表明，在治疗的早期阶段，使用基于US的放射组学分析进行治疗反应评估具有有效的预测性能。然而，这些单中心数据的研究并没有经过外部验证。

近日，发表在European Radiology杂志的一项研究提出了一个综合模型，该模型结合了US图像上的DLR和临床信息来评估晚期乳腺癌患者对NAC的治疗反应，并在独立的多中心数据集上验证了所建立的模型，可进一步实现临床对NAC反应的早期评估，并有助于指导治疗方案的规划及评估。

本项研究在2018年1月-2021年6月期间共回顾性地纳入了三个不同机构的603名接受NAC的患者。四个不同的深度卷积神经网络（DCNN）由治疗前超声图像使用注释的训练数据集（n = 420）训练，并在测试队列（n = 183）中验证。比较了这些模型的预测性能，并选择了最佳的模型结构，即仅有图像的模型。此外，在仅有图像的模型基础上，结合独立的临床-病理变量构建了综合DLR模型，并用DeLong方法比较了这些模型和两位放射科医生的曲线下面积（AUC）。 

作为最佳的基本模型，Resnet50在验证集中的AUC和准确率分别为0.879和82.5%。综合DLR模型在预测对NAC的反应方面产生了最高的分类性能（在训练和验证队列中AUC为0.962和0.939），超过了仅有图像的模型和临床模型，同时比两位放射科医生的预测效果好（所有P < 0.05）。此外，在DLR模型的辅助下，放射科医生的预测功效也得到了明显的改善。 

 图 两名患者的病理图像基于梯度CAM的特征热图的灰度US图像。 a 一位40岁的女性乳腺癌患者，ER（+），PR（+），HER2（-），Ki-67（15%+），预测为PPR，术后病理也显示对化疗反应不佳（Miller-Payne 2级）。b 一位49岁的女性乳腺癌患者，ER（-），PR（-），HER2（3+），Ki-67（70%+），根据综合DLR模型预测为GPR，病理结果也显示对NAC完全病理反应（Miller-Payne 5级）

本项研究表明，基于US的治疗前DLR模型可以作为预测乳腺癌患者NAC反应的临床指导，从而为潜在的NAC反应不佳者提供信息以实现治疗策略的及时调整。

原文出处：

Fei-Hong Yu,Shu-Mei Miao,Cui-Ying Li,et al.Pretreatment ultrasound-based deep learning radiomics model for the early prediction of pathologic response to neoadjuvant chemotherapy in breast cancer.DOI:10.1007/s00330-023-09555-7

Tags： European Radiology：US深度学习放射组学模型在乳腺癌新辅助化疗病理反应早期预测中的应用