新辅助全身治疗(NAST) 是早期乳腺癌患者的标准治疗手段，可进行疾病监测和肿瘤降期。获得病理完全缓解(pCR)的患者与未获得pCR的患者相比，生存率明显更高。在开始治疗前了解患者达到pCR的可能性有助于个体化优化NAST方案。

近年来，机器学习在医学中的应用发展迅速，在多项放射组学研究中已经探索了预测乳腺癌对NAST的肿瘤反应。放射组学是一种可以提取图像特征并以数字形式呈现的影像学技术。目前，基于放射组学的算法在预测乳腺肿瘤反应方面显示了令人满意的结果，但有一定的局限性: (1) 通常在NAST完成后使用放射学检查的算法具有较高的性能，这限制了预测算法的临床应用; (2)大多数研究探讨了单模态成像的放射组学，这并不代表临床常规(主要是超声和乳腺钼靶/断层合成)的综合多模态成像过程; (3) 尽管基于MRI的放射组学模型显示了令人满意的结果，由于禁忌症和经济上的原因，并不是每一位患者都常规使用MRI检查； (4)标准化的成像处理在模型性能和通用性方面影响很大。

近日，发表在European Radiology杂志的一项研究了开发了一种智能算法，利用多模态预处理超声和断层合成放射组学特征以及临床变量来预测治疗开始前的病理完全缓解(pCR)。

本项研究回顾性分析了在开始NAST治疗前接受超声和断层合成的患者的资料。研究开发了一种支持向量机算法，使用预处理超声和断层合成放射组学特征以及患者和肿瘤变量来预测pCR状态(ypT0和ypN0)，并将结果与手术标本的组织病理学评估进行比较。主要观察指标为曲线下面积(AUC)和假阴性率(FNR)。

研究纳入了720例患者，其中504例在开发组，216例在验证组。中位年龄为51.6岁，33.6%(720例中有242例)达到pCR。放射组学特征的加入显著提高了算法的性能(AUC为0.72 ~ 0.81;P = 0.007)。多模态放射组学和临床算法的FNR为6.7%(150例漏诊残余癌10例)。断层合成时的表面/体积比和超声时的肿瘤周围熵特征是最相关的放射组学特征。激素受体和HER-2状态是最重要的临床预测指标。  

表 不同亚型的临床模型矩阵及一体化多模式模型

本项研究表明，一种具有临床、超声和断层合成放射组学特征的多模态机器学习算法可有助于对NAST术后残留肿瘤进行预测及评估。同时，对本项研究结果进行进一步的前瞻性验证有必要对NAST的结果进行个性化预测。

原文出处：

Lie Cai,Chris Sidey-Gibbons,Juliane Nees,et al.Can multi-modal radiomics using pretreatment ultrasound and tomosynthesis predict response to neoadjuvant systemic treatment in breast cancer?DOI:10.1007/s00330-023-10238-6