基于超聲特征構建機器學習模型預測浸潤性乳腺癌Luminal分型

孫芳 許永波 崔廣和 李鑫焱 董景云 焦玉婷 唐麗瑋

濱州醫學院附屬醫院超聲醫學科（山東濱州 256600）

乳腺癌是女性發病率、死亡率最高的惡性腫瘤，近年來其發病率逐年增加［1］。乳腺癌屬于高度異質性疾病，不同分子亞型的乳腺癌具有不同的生物學行為、治療方法及預后［2］。根據2019年《St.Gallen 國際乳腺癌治療專家共識》與《中國抗癌協會乳腺癌診治指南與規范（2019年版）》［3］，以雌激素受體（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，HER-2）和Ki-67 表達情況為依據，將乳腺癌分為四種分子亞型：Luminal A 型、Luminal B 型、HER-2 過表達型和三陰型［4］，其中前兩型為Luminal 型，對內分泌治療有效，總體預后良好，后兩型為非Luminal 型，對內分泌治療無效且分化級別高、總體預后差［5］，臨床醫師會依據患者具體的分子亞型來確定治療方法。

目前臨床上對浸潤性乳腺癌的分子分型主要是通過病理學檢查、免疫組織化學和焚光原位雜交檢測分析，均為有創性檢查，且由于腫瘤的異質性，對取材標本進行的分子亞型評估可能不能代表整個腫瘤［6］。因此，目前需要一種無創的方法預測浸潤性乳腺癌的Luminal 分型。機器學習作為人工智能的一個分支，能處理大量和多維數據，越來越多地被應用于醫學領域，用于疾病的診斷、治療及預后，已在一定程度上超越了傳統統計學［7］。既往研究［8］顯示，機器學習在疾病的預測方面具有顯著優勢。本文基于超聲特征構建機器學習模型預測浸潤性乳腺癌Luminal 分型，從而為臨床治療及預后評估提供參考依據。

1 資料與方法

1.1 研究對象回顧性分析2015年1月至2020年12月于濱州醫學院附屬醫院乳腺外科529 例經術后病理證實為浸潤性乳腺癌患者的超聲聲像圖特征及免疫組化特征，根據免疫組化特征將患者分為Luminal組356例和非Luminal 組173例。平均發病年齡（40.33±8.01）歲，絕經前患者343 例（343/529,64.7%）。記錄患者的發病年齡和月經狀態。納入標準：（1）術前1 周均行超聲檢查，圖像清晰可查；（2）術后病理均為浸潤性乳腺癌，并行免疫組化檢查；（3）首發單發患者，術前未行化療和放療等治療；（4）無其他惡性腫瘤病史。本研究已獲本院倫理委員會批準，患者均知情同意。

1.2 超聲儀器與圖像分析所有患者術前一周均行超聲檢查，超聲儀器包括LOGIQ E9、RS80A、Mylab Twice、SuperSonic Imagine AixPlorer 等，探頭頻率為4～15 MHz。由工作十年以上的超聲醫師分析結節特征，根據第五版乳腺影像報告和數據系統（Breast Imaging Reporting and Data System，BIRADS）超聲影像詞典［9］記錄結節的超聲特征，包括大小、位置、形狀、方向、邊緣、內部回聲、后方回聲、鈣化類型等。大小根據腫物的最大徑線分為0 ～2 cm、2 ～4 cm、＞4 cm；位置分為內上象限、外上象限、內下象限、外下象限、乳暈區五類；形狀分為圓形、橢圓形、不規則形三類；根據與皮膚的關系，方向分為平行生長、垂直生長兩類；邊緣分為光整、不光整（模糊、毛刺、成角、微分葉）；內部回聲分為無回聲、低回聲、等回聲或高回聲、混合性回聲；后方回聲分為無變化、增強、衰減、混合型四類；鈣化類型分為無鈣化、結節內鈣化、結節外鈣化和導管內鈣化四類。

1.3 免疫組化特征所有術后標本均進行HE 染色和免疫組化檢查，根據美國臨床腫瘤學會/美國病理學家學會指南［10］進行檢測，檢測指標包括ER、PR、HER-2 及Ki-67。ER、PR 表達情況根據腫瘤細胞核著色情況進行判定，陽性定義為至少≥1%的腫瘤細胞染色［11］。根據免疫組織化學及熒光原位雜交技術檢測對HER-2 表達情況進行判定，結果分為-、+、++、+++，-、+為陰性，++、+++為陽性。Ki-67 表達以細胞核內出現棕黃色顆粒百分數進行計數，將Ki-67 陽性細胞數≤14%視為低表達。按照2013年St.Gallen 乳腺癌會議［12］對乳腺癌分子亞型的定義如下：Luminal A 型為ER 陽性/PR 陽性，HER-2 陽性，Ki-67 ＜14%；Luminal B 型為ER 陽性/PR 陽性，HER-2 陰性，Ki-67 ≥14%或者ER 陽性/PR 陽性，HER-2 陽性，Ki-67 任何水平；HER-2 過渡表達型為ER 陰性、PR 陰性、HER-2 陽性，Ki-67 任何水平；三陰型為ER 陰性、PR 陰性、HER-2 陰性，Ki-67 任何水平。

1.4 模型建立與驗證SPSS Modeler18.0統計軟件，由軟件自動隨機選擇所有樣本的70%（共370 例）作為訓練隊列，分別使用logistic 回歸分析、支持向量機（support vector machine，SVM）、貝葉斯網絡、隨機森林、決策樹等5 個分類器構建模型，將剩余30%的樣本（共159 例）作為驗證隊列對模型進行驗證。采用模型原始傾向評分的受試者工作特征曲線（receiver operating characteristics，ROC）曲線下的面積（area under the curve，AUC）來評估不同模型的診斷效能。以SVM 為例，篩選預測重要變量，對各個變量重要性進行定量評分。

1.5 統計學方法應用SPSS Statistics 25.0 軟件，計量資料以均數±標準差描述，使用Kolmogorov-Smirnov 檢驗正態性分布，使用獨立樣本t檢驗比較組間差異；計數資料以例（%）表示，采用χ2檢驗比較組間差異。應用MedCalc 軟件，采用模型原始傾向評分的ROC 的AUC，比較5 種模型訓練隊列和驗證隊列的預測效能，并使用De-long 方法對5 種模型的預測效能進行對比。

2 結果

2.1 訓練隊列及驗證隊列的臨床特征及超聲特征訓練隊列包括Luminal 型249 例和非Luminal型121 例，臨床特征如下：平均發病年齡（42.48 ±10.21）歲，絕經前患者248 例（248/370，66.8%）；驗證隊列包括Luminal 型107 例和非Luminal 型52例，臨床特征如下：平均發病年齡（41.90 ± 10.33）歲，絕經前患者95 例（95/159，59.7%）。比較總隊列、訓練隊列和驗證隊列患者一般信息及超聲特征，差異均無統計學意義（均P＞0.05）。

2.2 5 種機器學習模型的預測能力在訓練隊列中，logistic 回歸分析、SVM、貝葉斯網絡、隨機森林、決策樹預測能力比較，logistic 回歸分析與SVM有較高的預測能力，使用De-long 方法與其他模型對比，logistic 回歸分析與SVM 的預測能力高于其他模型，差異有統計學意義（均P＜0.05）。同樣，在驗證隊列中，5 種模型預測能力比較，logistic 回歸分析與SVM 預測能力最高，與其他模型相比，差異有統計學意義（均P＜0.05，圖1、表1）。

表1 5 種模型在訓練隊列和驗證隊列中預測能力的AUC 比較Tab.1 AUC comparison of the predictive abilitity of the five models in the training cohort and the validation cohort ±s

表1 5 種模型在訓練隊列和驗證隊列中預測能力的AUC 比較Tab.1 AUC comparison of the predictive abilitity of the five models in the training cohort and the validation cohort ±s

模型決策樹貝葉斯網絡SVM Logistic隨機森林訓練隊列AUC±SE 0.717±0.037 0.765±0.034 0.843±0.025 0.854±0.024 0.721±0.035 95%CI 0.668 ～0.762 0.718 ～0.807 0.802 ～0.878 0.814 ～0.888 0.673 ～0.766驗證隊列AUC±SE 0.720±0.048 0.671±0.051 0.865±0.039 0.846±0.036 0.790±0.040 95%CI 0.643 ～0.788 0.592 ～0.743 0.802 ～0.914 0.781 ～0.899 0.718 ～0.850

圖1 5 種模型對浸潤性乳腺癌Luminal 分型預測能力的ROC 比較Fig.1 5 models for Luminal type in the training cohort and the validation cohort，respectively

2.3 預測變量的重要性使用SVM 模型進行預測變量重要性分析，在所有預測變量中，影響Luminal分型的最重要的三個因素分別為結節大小、邊緣、鈣化，變量相對重要性見圖2。使用SVM 建模示例：圖3 所示患者，女，年齡39 歲，絕經前，左乳外上象限單發病灶，最大直徑1.5 cm，形狀不規則，邊緣呈毛刺征，結節內見微鈣化，后方回聲衰減。Moderler SVM 建模，Luminal 型概率為0.867，術后免疫組化為Luminal A 型。

圖2 使用SVM 分析各預測變量重要性Fig.2 Analyze the importance of predictive variables using SVM

圖3 使用SVM 建模舉例Fig.3 An example using SVM to construt the predictive modle

3 討論

乳腺癌的高度異質性決定了其分子分型在乳腺癌診斷及治療中的作用［13］，因此通過無創的方法盡可能準確地判斷乳腺癌的Luminal 分型對于臨床醫師的診療具有至關重要的意義。機器學習作為人工智能的分支，主要包括logistic 回歸分析、SVM、神經網絡、貝葉斯網絡、決策樹、隨機森林等分類器，通過大量高維復雜數據建立模型，可以消除觀察者的主觀差異［14］，近幾年在醫學領域的應用越來越廣泛［15］，很多學者研究［16］表明機器學習可以用來研究疾病的診斷及治療預后。目前尚未有研究基于原發灶超聲特征建立機器學習模型預測浸潤性乳腺癌Luminal 分型。本研究回顧性分析了529 例浸潤性乳腺癌患者的原發灶超聲聲像圖特征，基于logistic 回歸分析、SVM、貝葉斯網絡、決策樹、隨機森林等建立機器學習模型預測浸潤性乳腺癌的Luminal 分型，得出SVM 與logistic 回歸分析具有較高的預測價值，影響Luminal 分型的最重要的三個因素分別為結節大小、邊緣、鈣化。

本研究選取了logistic 回歸分析、SVM、貝葉斯網絡、決策樹、隨機森林等5 種機器學習模型，結果顯示，在訓練隊列和驗證隊列中，SVM 與logistic回歸分析均具有較高的預測能力。SHE 等［16］建立機器學習模型預測孤立性肺結節的良惡性，同樣得出SVM 與logistic 回歸分析均具有較高的預測能力。logistic 回歸模型是一種廣義的線性模型，屬于數據挖掘中最基本的模型，已廣泛用于疾病的病因診斷、預后及危險因素分析［17-18］。SVM作為典型的機器學習模型，與logistic 回歸分析原理不同，logistic 回歸分析使用加權最小二乘算法，而SVM 使用結構風險最小化準則，可直接找到最佳截斷平面，最大程度地減少常見的分類錯誤［19］。因此，在分類問題中，SVM 通常表現出與logistic 回歸分析具有相同或更高的性能。而其他模型，決策樹通過“是”與“否”進行數據分類，僅適用于小規模數據；而神經網絡主要處理非線性數據，且需要大量的參數。

使用SVM 模型分析各預測變量重要性，得出影響Luminal 分型的最重要的三個因素分別為結節大小、邊緣、鈣化。根據腫瘤TNM 分期，癌灶越大，惡性程度越高，Luminal 型乳腺癌的腫瘤體積一般較非Luminal 型的體積小，預后及分化情況良好。既往研究表明Luminal 型乳腺癌多出現形狀不規則、邊緣毛刺、縱向生長等特征［20-21］，與本研究結果基本一致。腫瘤邊緣不光整（微分葉、成角或毛刺）代表腫瘤侵襲性生長及快速增長，此外，腫瘤邊緣的不光整可能會使腫瘤細胞以不同的生長速率侵犯周圍組織，導致高基質反應和纖維結締組織增生，這是一種早期保護機制，可以在一定程度上限制癌細胞的擴散。三陰性乳腺癌多形狀規則、邊緣規整［21］，不伴有微鈣化，可能與其呈擠壓式生長，周圍組織增生反應較輕有關。

本研究尚存在一定的局限性，所選取的患者為單中心沿海地區患者，有一定的選擇偏倚，且相對于以往數據挖掘研究，本研究樣本量較少，下一步需擴大樣本量，同時進行多中心研究；其次，本研究的超聲特征由超聲醫師讀取，未來的研究可使用機器學習模型直接從超聲影像中提取特征進行研究。

綜上所述，本研究結果顯示機器學習模型可用來預測浸潤性乳腺癌Luminal 分型，SVM 與logistic回歸分析具有較高的預測性能，影響Luminal 分型的最重要的三個因素分別為結節大小、邊緣、鈣化，從而為臨床乳腺癌Luminal 分型提供診斷依據。對于大量高維數據，期望SVM 數據挖掘方法可以作為傳統的logistic 回歸分析有效替代方法，以更準確和及時的方式識別關鍵變量，從而為臨床治療提供指導。