基于超聲和臨床特征決策樹模型預測乳腺癌分子亞型

施 維，夏 威，黃 敏，常 才，王 宇，游小慧，顧華蕓，董智芬，郭建鋒

1. 中國科學院蘇州生物醫學工程技術研究所醫學影像技術研究室，江蘇 蘇州215163；

2.南京醫科大學附屬蘇州醫院，蘇州市立醫院超聲科，江蘇 蘇州215001；

3. 復旦大學附屬腫瘤醫院超聲科，上海200032

最新統計數據顯示，乳腺癌發病數高居世界第一，是全球第五大癌癥致死原因；在中國，乳腺癌發病數在所有癌癥中位列第四［1］。乳腺癌是一類具有高度異質性的腫瘤，不同分子亞型乳腺癌的生物學行為、臨床治療效果和患者預后有明顯差異。分子亞型是臨床制訂乳腺癌診療方案及評估患者預后的重要依據，早期預測尤其是術前預測乳腺癌分子亞型對指導臨床治療及改善預后至關重要［2］。St. Gallen國際乳腺癌會議根據免疫組織化學指標雌激素受體（estrogen receptor，ER）、孕激素受體（progesterone receptor，PR）、人表皮生長因子受體2（human epidermal growth factor receptor 2，HER2）、腫瘤細胞Ki-67增殖指數以及熒光原位雜交（fluorescence in situ hybridization，FISH）檢測結果，將乳腺癌分為管腔A（Luminal A，LA）型、管腔B（Luminal B，LB）型、HER2過表達（HER2 over-expression，HER2+）型和三陰性乳腺癌（triple-negative breast cancer，TNBC）型［3］。但是，病理學診斷存在滯后、取樣誤差等問題。

超聲因其安全和便捷的特點，已經成為乳腺癌診治過程中重要的影像學檢查方法。已有研究［4-5］表明，乳腺癌超聲聲像圖與分子分型之間存在相關性，這些研究僅初步分析兩者的相關性，如何建立切實可行的乳腺癌分子亞型預測模型仍是目前研究的難點。決策樹是數據挖掘和機器學習中常用的多特征分類技術之一，能綜合分析特征之間復雜的關系，結果容易解釋，而且穩健性強［6］。本研究基于超聲聲像圖和臨床特征，運用機器學習中的決策樹算法，建立乳腺癌分子亞型預測模型，以期為乳腺癌個體化治療提供更有價值的信息。

1 資料和方法

1.1 一般資料

回顧并分析2017年12月—2019年12月共547例患者的臨床信息、病理學指標和超聲聲學特征等資料。納入標準：① 病理學檢查確診為浸潤性乳腺癌；② 有免疫組織化學和FISH檢測結果；③ 有完整的超聲檢查記錄；④ 有乳腺影像報告和數據系統（Breast Imaging Reporting and Data System，BI-RADS）評分；⑤ 檢查后2周內行手術或活檢。排除標準：① 免疫組織化學或FISH檢查結果缺失；② 2周后行手術或活檢；③病理學類型為原位癌；④ 接受新輔助化療。最終入組420例患者，其中LA型137例，LB型157例，HER2+型61例，TNBC型65例。

1.2 儀器與方法

采用德國Siemens公司的Acuson S2000、美國GE公司的Logiq E9、荷蘭Philips公司的iU Elite、意大利Esaote公司的MyLab Twice、深圳邁瑞生物醫療電子股份有限公司（邁瑞）的Resona 7超聲診斷儀，使用頻率＞7.5 MHz的高頻線陣探頭。采集包括病灶最大徑切面和相應正交切面的灰階、彩色多普勒血流成像，以及有代表性的惡性圖像、腋窩淋巴結圖像。由2名高年資（＞8年）超聲科醫師回顧并分析患者的超聲影像學資料，記錄各分子亞型的基礎臨床特征和超聲影像學特征，意見不同時，經討論后達成一致。

超聲聲學特征分析參照2013年版BI-RADS，包括形態、方位、邊緣、內部回聲、后方回聲改變、鈣化形態和部位、繼發改變（導管、皮下水腫）；血流豐富程度評估采用Adler分級（2、3級為豐富，0、1級為不豐富）［7］。

根據Ecanow等［8］方法評價腋窩淋巴結，并分為有轉移和無轉移。

借助Scikit-learn 0.22.2［9］工具構建4個決策樹，并對乳腺癌分子亞型進行預測。4種分子亞型之間差異有統計學意義的臨床和超聲特征被納入決策樹建模分析，利用基尼系數對決策樹的特征進行篩選和排序，決策樹的最優參數通過對訓練集進行5折交叉驗證獲得。使用曲線下面積（area under curve，AUC）作為模型預測效果的評估指標。

分別計算決策樹模型與高年資超聲科醫師讀片預測分子亞型的靈敏度，比較兩者診斷的差異。超聲科醫師鑒別分子亞型的標準如下：LA型或LB型（形態不規則，毛刺，成角，后方回聲衰減）、HER2+型（鈣化，血流信號豐富，后方回聲無衰減）、TNBC型（形態不規則，無毛刺成角，直徑＞30 mm，后方回聲無衰減）。

1.3 統計學處理

采用R語言分析軟件R Studio 4.0.3分析數據的統計學指標。計量資料使用方差分析檢驗，計數資料分析用Fisher精確概率檢驗，P＜0.05為差異有統計學意義。選取來源于Philips和邁瑞的287例數據作為訓練集，來源于Siemens、GE和Esaote的共133例數據作為測試集（表1）。

表1 不同超聲診斷儀的患者分布情況

2 結 果

2.1 不同分子亞型超聲特征和臨床特征分析

根據BI-RADS評價方法分析超聲特征，結合臨床信息共計15項特征（表2）。腫瘤最大徑、腫瘤內部回聲變化、腫瘤后方回聲變化、鈣化形態、有無轉移性淋巴結、臨床分期、鈣化部位7種特征差異有統計學意義（P＜0.05）。將這7種特征納入決策樹模型建模，特征賦值說明見表3，共建立4個決策樹，8條決策規則。

表2 超聲特征和臨床特征分布情況

表3 超聲特征及臨床特征賦值

續表

2.2 LA型決策樹

LA型決策樹模型如圖1所示，首先根據腫瘤最大徑是否超過17.5 mm分為兩條路徑。路徑1：最大徑≤17.5 mm且腫瘤后方回聲衰減，則預測為LA型，該路徑正確判定7例患者，1例錯誤。路徑2：最大徑＞20.5 mm且無淋巴結轉移，則預測為LA型該路徑正確判定37例患者，25例錯誤。不符合上述2條路徑的歸入非LA型。決策樹模型在訓練集和測試集上的受試者工作特征（receiver operating characteristic，ROC）曲線如圖2所示，模型在訓練集和測試集上的AUC值分別為0.731和0.706。

圖1 決策樹模型預測LA型的分類路徑及示例

2.3 LB型決策樹

LB型決策樹模型如圖3所示。路徑1：如果患者腫瘤無鈣化且腫瘤最大徑大于10.5 mm，則預測為LB型，該路徑正確判定9例患者，5例錯誤。路徑2：如果患者腫瘤有微鈣化或粗鈣化且無淋巴結轉移，同時患者的腫瘤最大徑＞24.5 mm，則預測為LB型，該路徑正確判定17例患者，7例錯誤。路徑3：如果患者腫瘤有微鈣化或粗鈣化且有淋巴結轉移，同時患者的腫瘤最大徑≤21.0 mm，則預測為LB型，該路徑正確判定14例患者，2例錯誤。決策樹模型在訓練集和測試集上的ROC曲線如圖2 各分子亞型決策樹模型在訓練集和測試集上的ROC曲線所示。不符合以上3條路徑的歸入非LB型。模型在訓練集上和測試集的AUC分別為0.708和0.626。

圖2 各分子亞型決策樹模型在訓練集和測試集上的ROC曲線

圖3 決策樹模型預測LB型的分類路徑及示例

2.4 HER2+型決策樹

HER2+型決策樹模型如圖4所示。首先根據病灶后方回聲變化分為兩條路徑，如果患者腫瘤后方回聲為無變化或衰減且腫瘤最大徑＞20.5 mm，同時患者的腫瘤為微鈣化或粗鈣化，則預測為HER2+型。該路徑正確判定21例患者，8例錯誤。不符合該路徑的歸入非HER2+型。決策樹模型在訓練集和測試集上的ROC曲線如圖2所示，模型在訓練集和測試集上的AUC分別為0.722和0.784。

圖4 決策樹模型預測HER2+型的分類路徑及示例

2.5 TNBC型決策樹

TNBC型模型如圖5A所示，根據病灶后方回聲是否增強分為兩條路徑。路徑1：如果患者腫瘤后方回聲增強且腫瘤粗鈣化或無鈣化，則預測為TNBC型。該路徑正確判定12例患者，0例錯誤。路徑2：如果患者腫瘤后方回聲衰減或無變化且最大徑＞30.5 mm，同時患者有淋巴結轉移，則預測為TNBC型。該路徑正確判定8例患者，1例錯誤。不符合兩條路徑的歸入非TNBC型。決策樹模型在訓練集和測試集上的ROC曲線如圖2所示，模型在訓練集和測試集上的AUC分別為0.877和0.762。

圖5 決策樹模型預測TNBC型的分類路徑及示例

2.6 對比決策樹模型與超聲科醫師鑒別分子亞型

由于超聲科醫師難以從超聲圖像上區分LA型和LB型，本研究將測試集中的LA型和LB型合并為Luminal型，對比了決策樹模型與超聲科醫師在合并測試集上鑒別分子亞型的靈敏度（表4）。結果顯示，決策樹模型鑒別Luminal、HER2+和TNBC型的靈敏度均高于超聲科醫師。在鑒別TNBC型中，決策樹模型的靈敏度較高（81.0%）。

表4 在合并測試集上對比決策樹模型與超聲科醫師鑒別分子亞型的靈敏度

3 討 論

免疫組織化學以及FISH檢測是判斷乳腺癌分子亞型的主要方法，但也有一定限制性：① 由于設備、費用和醫師原因，部分醫院不具備檢測能力；② 病理學檢查結果的獲取是有創的而且具有滯后性（1～2周）；③ 乳腺癌的空間異質性導致活檢取樣誤差［10］。決策樹模型作為預測乳腺癌分子亞型的新方法，有望在一定程度上彌補病理學檢查的不足，為乳腺癌的個體化治療提供更加全面的信息。

雖然基于超聲圖像分析乳腺癌分子亞型是一個相對較新的領域，但已有證據支持超聲表現和腫瘤生物學之間的關系。有研究［4，11］表明，不同分子亞型的乳腺癌灰階超聲聲像圖存在一定的差異：HER2+容易出現微小鈣化，TNBC后方回聲增強，LA型多見毛刺、后方回聲衰減等。有研究［12-13］發現，不同分子亞類型之間的剪切波速度值存在顯著差異，也有學者根據彩色多普勒血流成像分析不同亞型血管的分布情況。針對定量指標，這些研究一般采用單因素方差分析，比較年齡、腫瘤大小、Ki-67增殖指數等在不同亞型之間的差異；定性指標采用χ2檢驗，比較淋巴結轉移、形態、鈣化、邊緣、內部回聲、后方回聲等在不同亞型之間的差異。這些評價方法相對較為簡單，未將定量和定性指標綜合分析，不足以據此進行亞型的預測。我們采用決策樹模型，綜合定性和定量指標，整合臨床和超聲聲像圖特征，探索了乳腺癌不同亞型臨床和超聲特征的組合方式，為乳腺癌分子亞型預測提供一種實用的決策樹。

本研究發現，腫瘤血流信號Adler分級、患者年齡、伴發導管改變、是否平行位生長在亞型之間差異無統計學意義，與郭玉萍等［4］的研究結果類似。有研究［12-14］發現，LA型與LB型的聲像圖差異較小，鑒別有一定的困難。本研究發現LA和LB型具有惡性腫瘤常見特點：形態不規則、邊界模糊、后方回聲衰減；這與病理學研究結果一致：組織學分級低的乳腺癌生長緩慢（如LA型）、容易伴有細胞外基質變化、膠原沉著或重組；超聲往往表現為毛刺和后方回聲衰減［15-16］。通過對比LA和LB型決策樹，綜合鈣化情況、腫瘤最大徑和淋巴結轉移情況可以區分兩者：① 腫瘤較小伴后方回聲衰減，腫瘤較大且無淋巴結轉移，提示LA，反映該亞型生長緩慢、膠原沉著引起后方回聲衰減、不容易發生淋巴結轉移的特征；② 出現鈣化、腫瘤較小、有淋巴結轉移提示為LB型，反映該亞型腫瘤易發生缺血引起鈣化以及相對容易發生淋巴結轉移的特征。

HER2+與一些不良的預后指標有關，如腫瘤較大、腫瘤分級高、腋窩淋巴結轉移和缺乏激素受體。決策樹模型中，病灶后方回聲無變化伴鈣化形成提示HER2+，反映該亞型腫瘤生長快，容易發生鈣化的特征，這與相關研究［4，13］結果類似。

TNBC具有侵襲性強、容易轉移和復發、臨床預后較差的特點，在超聲圖像上形態較為規則容易被誤診為良性而延誤治療。因此，準確檢出TNBC具有重要臨床價值。決策樹模型中，腫瘤后方回聲增強且無微鈣化，預測TNBC的準確度為100.0%（12/12）；腫瘤后方回聲無增強且最大徑＞30.5 mm，同時有淋巴結轉移，預測TNBC的準確度為88.9%（8/9）。模型預測可對應病理學改變［15-16］：TNBC組織學分級高、生長迅速，癌細胞在病灶邊緣呈擠壓式生長，形態較為規則；淋巴細胞浸潤明顯，腫瘤以癌細胞為主且較少發生纖維組織反應，后方回聲增強［17］。

由于不同分子亞型浸潤性乳腺癌的超聲征象和臨床表現較為復雜，常規統計學方法不能很好地區分［4-5，18］。機器學習自動綜合分析多維度信息并建立相應模型，已應用于乳腺癌診治（如腋窩淋巴結轉移預測、療效評價等）［19］。決策樹模型能提取特征之間更為復雜的關系，具有可解釋性好、離散型和連續型特征整合能力強等特點，已應用于多種疾病的鑒別診斷［20］。本研究建立了預測乳腺癌分子亞型的決策樹模型，模型在訓練集和測試集中準確度較高，尤其是在預測TNBC時表現優異（訓練集AUC=0.877）。針對一個未知亞型的腫塊，我們從臨床和超聲特征中提取了其特征，將其輸入4個決策樹模型中預測亞型（例1：最大徑32 mm，低回聲，分葉狀，血流信號豐富，后方回聲增強，無鈣化，只有TNBC型模型符合，故預測為TNBC型。例2：最大徑25 mm，低回聲，邊緣不規整，后方回聲衰減，微小鈣化，有淋巴結轉移，只有HER2+型模型符合，故預測為HER2+型）。此外，已有研究［21］表明，機器學習技術在臨床上表現出比醫師診斷更高的靈敏度。本研究發現決策樹模型對3種分子亞型的鑒別靈敏度均高于超聲科醫師，這與已有研究結果一致。

本研究的不足之處：① 本研究結果來自單中心研究，尚需更廣大樣本臨床研究來驗證；② 模型納入指標為常規超聲特征，未納入彈性成像、超聲造影等特征；③ 該模型在不同機器之間的診斷效能還需隨機對照試驗驗證；④ LB根據HER2檢測結果分為LB（HER2-）亞型和LB（HER2+）亞型，因LB（HER2+）病例數較少，本研究將兩者合并分析；⑤ 4個決策樹模型之間相互獨立，未來可在模型融合方面進行探索。

綜上所述，乳腺癌分子分型是超聲征象的基礎，兩者有顯著相關性。我們提出了基于超聲和臨床特征構建的決策樹模型來預測乳腺癌分子亞型，并獲得了較高的準確度，可為乳腺癌個體化治療提供更多有價值的信息。