一项回顾性研究：使用多参数MRI影像组学构建HER2过表达乳腺癌疗效预测模型

*仅供医学专业人士阅读参考

多参数MRI影像组学模型或可有效预测HER2过表达乳腺癌治疗疗效

乳腺癌已成为威胁中国女性健康的首位恶性肿瘤[1]，其中HER2过表达亚型因侵袭性强、异质性高且预后差而备受关注[2]。放射组学通过深度挖掘图像定量特征，为精准预测疗效提供了新途径[3]。然而，针对HER2过表达型这一特殊亚型的疗效预测相关研究目前仍较为缺乏。近期一项研究中[4]整合了多参数MRI影像特征与临床指标，并构建预测模型，以评估其对HER2过表达型乳腺癌的疗效预测效能，为个体化治疗提供依据。

研究设计

患者及分组

研究回顾性分析了2019年12月至2024年1月期间接受新辅助治疗的HER2过表达型乳腺癌患者资料。纳入标准：①经空心针穿刺活检新确诊为HER2过表达型乳腺癌；②接受含抗HER2方案的新辅助治疗；③完成手术治疗及术后病理评估。排除标准：①临床IV期患者；②新辅助治疗周期＜4次；③病灶过小或边界不清无法勾画感兴趣区域（ROI）；④男性乳腺癌。最终共133例患者入选，根据新辅助治疗后是否达到病理学完全缓解（pCR）分为pCR组（86例）和非pCR组（47例）。pCR定义为乳腺原发灶无浸润癌及原位癌残留，且区域淋巴结无转移灶残留。

图2 患者入组流程图

资料收集与分析

收集患者年龄、月经状态、新辅助治疗方案、淋巴结肿大、Ki-67增殖指数（治疗前基线值）、治疗前临床分期及是否达到pCR等临床资料（表1）。

表1 训练和测试队列中HER2过表达乳腺癌的临床和放射学基线特征

MRI图像分析

由两名具有5年以上乳腺MRI诊断经验的放射科医师在后处理工作站评估图像。记录病灶在注射对比剂90秒后T1图像上的最大径、强化方式、腋窝淋巴结及皮肤是否受侵、病灶边缘清晰度、形态规整性、病灶数目、表观扩散系数（ADC）、背景实质强化（BPE）及时间-信号强度曲线（TIC）类型，并使用达尔文智能科研平台构建3D-ROI。

特征提取与筛选

图像分割后，分别从fs-T2WI、DWI及DCE-MRI序列提取1125个原始放射组学特征，共3375个。特征主要包括一阶特征、纹理特征及高阶统计特征。采用最小绝对收缩与选择算子（LASSO）回归对训练集进行10折交叉验证以筛选最具预测力的放射组学特征。

放射组学模型构建

基于fs-T2WI、DWI及DCE-MRI第二期图像筛选的特征，采用逻辑回归（LR）构建多参数MRI模型（含DCE-2、fs-T2WI及DWI特征）。通过受试者工作特征（ROC）曲线下面积（AUC）评估模型诊断效能，并将结果转化为放射组学评分（Rad-score）。所有流程先在训练集完成，再于测试集进行外部验证。

联合模型构建

通过单/多因素逻辑回归分析筛选HER2过表达乳腺癌新辅助疗效的独立预测因素并建立临床模型。将临床独立预测因素与多参数MRI放射组学模型结合，建立列线图模型以实现数据可视化。流程详见图3。

图3 基于MRI的放射组学分析概述

病理评估

根据Miller-Payne（MP）组织学分级系统对完成新辅助治疗的手术标本进行病理评估。G1-G4级归为非pCR组，G5级归为pCR组。

研究结果

患者特征分析

本研究共纳入133例患者，分为训练集（68例）和测试集（65例）。训练集中达到pCR者42例，非pCR者26例；测试集中pCR者44例，非pCR者21例。训练集与测试集在临床及影像特征分布上均无显著差异（P>0.05）。

临床特征与模型构建

以病理评价为金标准，在训练集中经单因素分析筛选候选变量，将所选变量进一步纳入多因素逻辑回归分析，最终确定Ki-67增殖指数和肿瘤形态特征为独立预测因子，据此构建临床模型。将所建模型直接应用于测试集，计算预测概率并评估性能（表2）。

表2 训练集中HER2过表达乳腺癌的单因素和多因素logistic回归分析

放射组学特征与多参数MRI放射组学模型的建立

从多参数MRI图像中共提取3375个放射组学特征。经f-classif函数和LASSO回归降维后，筛选出7个特征用于构建放射组学模型，按权重排序如图4所示。

图4 影像组学特征及多参数MRI影像组学模型的建立

列线图模型的建立

将上述临床独立预测因子与多参数MRI放射组学模型相结合，构建列线图模型并进行可视化（图5a）。

图5 各种模型的预测性能

此外，研究者还绘制了ROC曲线评估各模型在训练集和测试集中预测pCR的性能：训练集中临床模型、多参数MRI放射组学模型和列线图模型的AUC分别为0.625、0.881和0.894；测试集中三者的AUC分别为0.727、0.830和0.878（表3，图5b、c）。列线图模型表现出最优的预测效能。校准曲线显示，列线图模型的理想曲线、预测曲线和校正曲线贴合良好，表明预测一致性高（图5d、e）。决策曲线分析进一步显示，列线图模型在患者风险分层和临床获益方面均优于多参数MRI放射组学模型和临床模型（图5f、g）。DeLong检验证实，列线图模型在训练集和测试集中均具有良好的一致性（表4）。

文章小结

本研究构建了基于多参数MRI影像组学模型并结合临床指标（Ki-67及肿瘤形态）的列线图，用于预测HER2过表达型乳腺癌的治疗疗效。该模型在训练集与测试集中均表现出良好预测效能，优于单一临床模型，证实其具有无创、全面评估肿瘤异质性及术前预测pCR的潜力。尽管存在回顾性研究和样本量等方面的限制，结果仍表明多参数MRI影像组学可为HER2过表达型乳腺癌疗效评估和个体化治疗提供有价值的辅助信息。

参考文献：

[1]Xia C, et al. Cancer statistics in China and United States, 2022: profiles, trends, and determinants. Chin Med J (Engl). 2022;135(5):584-590. Published 2022 Feb 9.

[2]Elshazly AM, et al. An overview of resistance to Human epidermal growth factor receptor 2 (Her2) targeted therapies in breast cancer. Cancer Drug Resist. 2022;5(2):472-486. Published 2022 Jun 1.

[3]Liu Z, et al. Radiomics of Multiparametric MRI for Pretreatment Prediction of Pathologic Complete Response to Neoadjuvant Chemotherapy in Breast Cancer: A Multicenter Study. Clin Cancer Res. 2019;25(12):3538-3547.

[4]Wang L, et al. Developing a predictive model for neoadjuvant therapy in HER2 overexpression breast cancer using multi-parameter MRI radiomics: two-center retrospective study. Front Oncol. 2025;15:1544058. Published 2025 Jul 15.

本材料由阿斯利康提供，仅供医疗卫生专业人士参考

审批编号：CN-170877 过期日期：2026-11-03

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。