瘤周影像組學在乳腺癌研究中的應用進展

摘要：乳腺癌已成為威脅全球女性健康最常見的癌癥類型。影像組學通過深入挖掘和分析醫學圖像的深層次信息，提供傳統影像學檢查及人眼無法識別的腫瘤內在異質性信息，但以往研究多圍繞腫瘤本體特征，忽略了瘤周區域特征對乳腺癌的發生、發展及轉移的作用，因此越來越多的研究開始探索瘤周影像組學特征的潛在應用價值。本文將圍繞基于乳腺X線攝影、磁共振及超聲成像的瘤周影像組學在乳腺癌的良惡性鑒別診斷、分子分型預測、治療療效評估、淋巴結轉移及患者預后預測研究中的應用展開綜述，闡述目前存在的局限性，并對其未來發展進行展望，為后續深入研究提供思路，以期促進乳腺癌精準醫療的進一步發展。

關鍵詞：乳腺癌；瘤周；影像組學；預測

Progress in the application of peritumoral radiomics in breast cancer research

CHEN Xiuting1， 2， LI Jie1， 2， GAO Zhizhen1

1Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China; 2School of Graduate， Bengbu Medical University， Bengbu 233030， China

Abstract： Breast cancer has become the most common type of cancer that threatens women's health worldwide. Radiomics provides intrinsic heterogeneity information of tumors that cannot be recognized by traditional imaging examinations and human eyes through in-depth excavation and analysis of deep-seated information of medical images. However， previous studies mostly focused on tumor ontology features， ignoring the role of peritumoral region features in the occurrence， development and metastasis of breast cancer. Therefore， more and more studies have begun to explore the potential application value of peritumoral radiomics features. This article will centre on the application of peritumoral radiomics based on mammography， magnetic resonance imaging and ultrasound imaging in the differential diagnosis of benign and malignant breast cancer， molecular typing prediction， evaluation of therapeutic efficacy， lymph node metastasis and prognosis prediction of patients， expound the existing limitations， and look forward to its future development， provide ideas for deeper research， expect to promote the further development of precision medicine for breast cancer.

Keywords： breast cancer; peritumor; radiomics; prediction

國際癌癥研究機構最新統計數據顯示，2022年全球乳腺癌新發病例占所有癌癥類型的11.6%，是僅次于肺癌的第二大常見癌癥，成為女性患癌死亡的主要原因［1］ 。盡管現階段乳腺癌的診斷、治療和預后取得了一定進展［2］，但早期診斷和個性化治療仍是提高患者生存率和生存質量的關鍵。影像組學是一種非侵入性的預測方法，與傳統的影像成像所提供的信息如病變形態、大小、邊緣等相比，它更加專注于圖像分析，從影像中高通量提取和篩選非肉眼能夠察覺的特征，從而量化腫瘤的異質性［3］，現階段已廣泛應用于臨床各類腫瘤的良惡性鑒別、新輔助化療療效評估及生存期預測等相關研究中［4-6］，以提高臨床醫生對腫瘤術前診斷、預后預測的準確性，為患者制定更為詳細和適宜的治療計劃，從而為腫瘤的精準診療提供更高的參考價值。

以往關于乳腺癌的影像組學研究多基于腫瘤本身特征［7-9］，針對瘤周微環境及瘤周實質預測性能的相關研究十分有限，然而腫瘤的異質性來源于瘤內異質性及瘤周異質性，瘤周區域作為腫瘤微環境的重要組成部分，同樣蘊含著豐富的生物學信息。部分研究表明瘤周區域也存在一些重要的生物學因素會促進腫瘤生長［5］，通過提取瘤周微環境中的有用特征能夠更有效地捕捉腫瘤的異質性，從而更準確地評估其生物學行為并及早進行診斷和治療。瘤周影像組學正是通過提取腫瘤周圍區域的影像組學特征，來揭示這些生物學因素與乳腺腫瘤生長與轉移等過程之間的關系，這不僅有助于更深入地理解乳腺癌的發病機制，也為乳腺癌的精準診療提供了新思路，基于乳腺X線攝影、MRI、超聲成像等乳腺疾病常用檢查方式的瘤周影像組學分析已成為乳腺癌診療領域的研究熱點，瘤周微環境作為乳腺癌潛在治療靶點日益受到關注［10］。本文將圍繞基于乳腺X線攝影、MRI、超聲成像方式的瘤周影像組學在乳腺癌研究中的各種應用進展進行綜述。

1 "影像組學概述

作為一種新興醫學影像研究領域，基于醫學影像大數據分析的影像組學充分結合了大數據處理技術與醫學影像信息，通過利用各種先進的計算方法，將標準的醫學圖像轉換為可量化的數據，并從海量的醫學影像數據中提取出豐富的定量信息［11， 12］。這些定量信息不僅涵蓋了組織結構的細微特征，還包括了功能代謝等多方面的數據［13］。通過對這些數據的深入挖掘，基于影像組學在乳腺癌的診斷、治療、預后等方面的研究已經取得了許多令人矚目的成果［14-16］。影像組學的核心實踐流程主要分為四個步驟：圖像采集、圖像分割、影像組學特征提取與篩選、模型構建及模型性能評估［17］。

目前大多數研究中瘤周影像組學的分割方法多為手動勾畫，僅部分研究采用自動分割模式。手動分割方法一般由醫師利用如3D-Slicer、ITK-SNAP等專業軟件沿腫瘤邊緣標記瘤內感興趣區域（ROI），以瘤內ROI邊界為基礎外擴不同的瘤周范圍大小［18， 19］，而自動分割模式則基于深度學習神經網絡模型在不需要人為操作的情況下獲取所需的瘤周ROI［20］。兩種分割方法各有利弊，手動分割方法受勾畫者經驗及病灶特征的局限性較大，耗時耗力，且分割結果的穩定性及可重復性無法得到保證，但優勢是靈活性和適應性較強，勾畫者可根據不同類型的腫瘤病灶調整邊界，包括自動分割難以解決的情況；而自動分割方法能夠極大地提高勾畫效率，有效避免人為因素的干擾，但目前應用仍較少，其適用性及精準性有待進一步探索。

2 "瘤周影像組學在鑒別乳腺病變良惡性中的應用

及早且準確地判斷乳腺病變的良惡性是對患者進行后續治療的前提，目前穿刺活檢仍是臨床評估乳腺病變的金標準，盡管可以對病灶做出定性診斷，但它屬于有創操作，會對乳腺周圍正常組織的血供造成破壞，對身體創傷性大，也可能會增加癌細胞轉移的潛在風險，且穿刺受醫師操作經驗或病灶性質等因素的局限性較大，穿刺面積有限，所獲活檢組織無法代表整個病灶信息［21-23］，故早期無創性鑒別乳腺病變的良惡性對患者的個性化治療具有重要意義。

2.1 "乳腺X線攝影

有研究基于185例乳腺病變患者的數字乳腺斷層合成X線攝影（DBT）圖像利用從瘤內及不同瘤周范圍（2、4、6、8、10 mm）提取的影像組學特征及臨床危險因素建立列線圖模型預測病變的良惡性，結果顯示基于瘤周2 mm區域提取并篩選出了4個最有價值的特征，所構建的預測模型鑒別性能最佳。其中lbp-2D-glrlm特征值惡性患者高于良性患者，其值越高，表明腫瘤的質地和異質性越復雜，提示腫瘤趨向于惡性；log-sigma-3-0-mm-3D-glszm特征值良性患者高于惡性患者，其值越高，表明腫瘤邊界越清晰，提示病變越趨向于良性［24］。以上表明瘤周2 mm區域信息對于乳腺癌具有較高的診斷價值。另有學者基于對比增強能譜乳腺X線攝影（CESM）圖像對190例患者的共233個乳腺病變進行影像組學研究，從瘤內及1、3、5 mm瘤周區域提取特征并利用LASSO回歸等方法篩選，構建了7個影像組學模型，結果顯示在訓練集與驗證集中3 mm瘤周模型均獲得了最高的AUC，分別為0.990、0.930，提示瘤周影像組學分析有助于早期診斷乳腺癌，且瘤周3 mm區域可提供最有價值的信息［25］。此外，瘤內瘤周特征結合后綜合模型的AUC仍較高，證實在瘤內特征的基礎上融入瘤周特征后，可有效提高模型的預測性能。也有研究以CESM圖像上的瘤內及5 mm、10 mm瘤周特征構建5個模型，結果顯示由瘤內、5 mm瘤周、瘤內+10 mm瘤周特征共同構建的綜合模型對預測乳腺影像報告和數據系統（BI-RADS）4類病變具有較高的AUC、敏感度及準確性，可有效協助放射科醫生提高診斷效率［26］。另一項研究以117例BI-RADS 4類病變患者的全數字化乳腺X線檢查（FFDM）圖像為基礎構建瘤內及5 mm瘤周模型，結果顯示聯合模型對BI-RADS 4類病變的鑒別能力優于單一模型［2］，此項研究補充了基于FFDM影像組學對此類乳腺疾病瘤周區域的價值探索，表明5 mm瘤周生物學信息可協助診斷醫師提高診斷效能，減少不必要的活檢或手術。

2.2 "MRI

有研究基于動態增強MRI（DCE-MRI）分析191例BI-RADS 4類乳腺病變的良惡性，選擇DCE-MRI第二期圖像上病變最大層面構建瘤內、5 mm瘤周及聯合模型。結果顯示聯合診斷模型鑒別性能優于單一模型，表明瘤周特征能夠為乳腺疾病的鑒別診斷提供與瘤內特征不同的信息［27］。另外，該研究發現基于瘤周區域提取到的高階紋理特征復雜度“Complexity”及紋理強度“Strength”量化值的增高與乳腺惡性病變的大腫瘤直徑、瘤周毛刺征、瘤周新生血管通透性增加等一些傳統影像學診斷難以發現的生物學行為相符，這同樣體現了瘤周微環境信息的價值。

2.3 "超聲

有學者對300例乳腺結節患者的超聲圖像進行影像組學分析，在二維圖像上分別構建瘤內、2 mm瘤周及聯合預測模型來鑒別乳腺結節良惡性，瘤內+瘤周模型實現了最佳鑒別效能；此外，用于構建此模型的18個最優特征中包含1個瘤內特征和17個瘤周特征，這表明基于超聲圖像的2 mm瘤周區域信息對乳腺結節具有較高的診斷價值，與瘤內特征聯合后診斷效能更高，可有效降低乳腺癌的漏診率［28］。

由以上研究可知，目前對于乳腺病變良惡性的鑒別診斷研究多集中于乳腺X線攝影方面，這是由于其具有成像速度快、價格低廉、適用性廣等優勢，已成為乳腺癌的篩查與早期診斷的首選檢查方法。根據BI-RADS分類相關標準，4類病變需進行活檢以明確其惡性風險，但此類病變惡性概率范圍非常大［29］，因此目前較多研究更傾向于探索瘤周影像組學對4類病變的鑒別價值以期減少不必要的活檢。綜上，瘤周特征對于乳腺疾病具有較高的鑒別價值，但不能完全取代腫瘤本體特征，大部分仍以瘤內聯合瘤周特征具有最佳預測效能。

3 "瘤周影像組學在預測乳腺癌激素受體狀態、分子分型中的應用

乳腺癌具有高度異質性，雌激素受體（ER）、孕激素受體（PR）、Ki-67、人表皮生長因子受體2（HER-2）是目前乳腺癌分子分型的重要生物學標志物，根據不同的受體狀態，臨床上將乳腺癌分為Luminal A型、Luminal B型、HER-2陽性及三陰性乳腺癌。與其他亞型相比，三陰性乳腺癌（即ER、PR、HER-2表達均為陰性）惡性程度更高，具有強侵襲性及高復發性的特點，而現階段受體狀態仍需通過侵入性的活檢手術明確，因此早期精準且無創性判斷乳腺癌分子分型對治療方案的選擇及治療效果的評估等至關重要。

3.1 "乳腺X線攝影

有研究基于178例患者的DBT圖像構建瘤內、3 mm瘤周及聯合模型探討其在評估浸潤性導管癌HER-2表達狀態中的應用價值，結果提示聯合模型較單一模型預測效能最佳，可見3 mm瘤周特征的加入補充了瘤內區域的信息，有效提高了模型的預測效能，可作為術前預測HER-2表達狀態的有效工具，有助于輔助醫師制定臨床決策及個體化治療計劃［30］。

3.2 "MRI

有研究基于351例患者的6個DCE-MRI功能參數圖提取瘤內、4 mm瘤周特征，分別開發了3個模型以預測HER-2和Ki-67狀態，結果顯示聯合模型預測能力優于單一模型，AUC分別為0.713、0.749；該研究還探討了HER-2、Ki-67狀態與瘤周區域參數圖的一階統計特征之間的關聯，發現從瘤周區域提取的偏度和峰度特征值在HER-2陽性組、陰性組之間及Ki-67表達高低組之間的差異有統計學意義，偏度描述了像素分布的不對稱特性，峰度是衡量數據相對于正態分布是重尾還是輕尾的度量，高峰度意味著乳腺癌HER-2及Ki-67陽性風險更高［15］。以上提示瘤周4 mm區域信息對于乳腺癌激素受體狀態具有較高的預測價值。還有研究基于312例患者的DCE-MRI圖像提取瘤內、5 mm瘤周及二者聯合的三維特征并構建模型，綜合分析發現聯合模型預測效能最優，瘤周區域中偏度特征的權重系數最大，與Ki-67增殖水平顯著相關，Ki-67高增殖組中峰度值更高［31］。也有研究沿腫瘤邊界外擴5 mm探討瘤周信息預測HER-2表達狀態的價值，結果顯示瘤周特征的預測能力略優于瘤內特征，二者聯合模型在訓練集與驗證集中表現出更高的效能，這也表明瘤周微環境信息能夠為HER-2陽性乳腺癌的診斷、治療及預后提供一定的指導作用［32］。有研究同樣以313例患者的DCE-MRI圖像構建瘤內及5 mm瘤周預測模型得出了相似的結論［33］。在乳腺癌分子分型的預測方面，有研究基于143例患者的DCE-MRI圖像構建瘤內、5 mm瘤周及聯合模型，其鑒別三陰性與非三陰性乳腺癌效能較高，AUC為0.81，聯合模型鑒別性能總體優于單一模型，此結果提示瘤周微環境的存在有助于提高綜合模型性能［34］。有研究基于422例浸潤性導管癌患者的DCE-MRI圖像提取瘤內及2、4、6、8 mm瘤周特征進行多分類影像組學分析，結果顯示在預測HR陽性型與非HR型、三陰性與非三陰性乳腺癌的分類任務中6 mm被確定為最佳瘤周范圍，在預測HER-2過表達型與非HER-2過表達型乳腺癌的分類任務中8 mm被認為是最佳瘤周大小［35］。與單一模型相比，納入最佳瘤周影像組學特征的聯合模型具有更高的價值，強調了瘤周信息在分子分型預測中的潛在作用。另有研究同樣以232例患者的DCE-MRI圖像，逐層勾畫三維瘤內ROI并外擴2、4、6、8 mm獲取4個三維瘤周ROI，以探索預測三陰性乳腺癌的最佳瘤周范圍大小，結果表明6 mm瘤周模型較其他大小的瘤周模型預測性能更優，認為6 mm是最佳瘤周范圍［36］。融合瘤內特征后聯合模型效能進一步提升，能夠更精確地鑒別三陰性乳腺癌。也有研究基于209例患者的DCE-MRI圖像提取瘤內及3、6、9、12、15 mm瘤周區域的紋理特征，結果表明9～12 mm瘤周區域內獲取的紋理特征較瘤內和其他范圍的瘤周特征對HER-2陽性乳腺癌具有更好的鑒別能力，有助于識別乳腺癌分子亞型，深入理解瘤周微環境中存在的免疫反應，提高瘤周信息在指導治療中的潛在益處［37］。

3.3 "超聲

有研究基于197例患者的自動乳腺全容積超聲掃描圖像提取瘤內及5、10、20 mm瘤周特征構建7個預測模型評估Ki-67表達狀態，結果提示瘤內聯合10 mm瘤周模型表現最佳，這表明10 mm瘤周特征具有潛在的應用價值，可為預測乳腺癌Ki-67表達狀態提供額外的見解，補充了瘤內特征提供的信息，這種無創性術前預測方法可作為穿刺活檢的有效輔助手段［38］。與其他研究不同的是，此研究將20 mm的大瘤周范圍納入到研究中，但并未表現出較好的預測效能，原因可能是隨著瘤周范圍的擴大，更多正常組織被包括在內而降低了模型的整體性能。

3.4 "多模態預測模型

單模態影像組學模型可能還不足以說明瘤周特征的預測價值，多項研究進行了多模態預測模型效能探討。有學者在其研究中基于FFDM、DBT、DCE-MRI及磁共振彌散加權成像（DWI）4種模態分析預測乳腺癌Ki-67表達狀態的價值，結果證實了在瘤內特征基礎上加入4 mm瘤周特征可以提高模型預測性能，其中DCE-MRI與 DWI聯合預測模型的AUC及特異度優于FFDM聯合DBT模型，但敏感度較弱，通過綜合瘤內、4 mm瘤周特征及臨床因素的列線圖比單一模型更具有優勢，可作為預測Ki-67增殖水平潛在的有效工具［39］。還有研究納入了241例患者的資料探究不同模態的瘤周特征對分子亞型的預測價值，結果顯示瘤內模型及4 mm瘤周模型具有相似的預測效能，AUC、敏感度和特異度無明顯差異，若結合二者信息，瘤內+瘤周聯合模型預測四種分子亞型乳腺癌的AUC顯著提高［40］。通過比較聯合模型在4種模態中的預測效能還發現，FFDM聯合DBT模型預測Luminal A型與B型乳腺癌的AUC較DCE-MRI、DWI更高，這可能是因為FFDM與DBT對結構扭曲、毛刺征及可疑鈣化等惡性征象更加敏感，而這些征象正是Luminal A型與B型乳腺癌的常見征象，但對于HER-2陽性及三陰性乳腺癌的預測效能較DCE-MRI聯合DWI低，原因可能是DCE-MRI的定量增強參數能夠反映HER-2陽性及三陰性乳腺癌病灶血流情況及血管通透性。

綜上，對乳腺癌激素受體狀態、分子分型的預測研究多集中于MRI方面，因為相較于其他成像方式，DCE-MRI能夠強化病灶，還可以通過時間-信號強度曲線分析腫瘤的血流動力學情況，提供更加充分的病灶形態學、功能性信息。以上研究證實了基于多種成像方式的瘤周影像組學對乳腺癌激素受體狀態及分子分型具有較高的預測價值，可作為輔助臨床決策、改善患者預后的個性化有效工具。

4 瘤周影像組學在預測乳腺癌腋窩淋巴結轉移狀態中的應用

大多數晚期乳腺癌患者并非死于乳腺原發腫瘤，而是遠處器官轉移［41］，腋窩淋巴結（ALN）正是淋巴轉移最常見的部位［42］。研究表明，隨著轉移性ALN數量的增加，患者5年生存率會大大降低［43］，術前準確預測ALN是否發生轉移對患者的臨床分期及治療方案至關重要。

4.1 "乳腺X線攝影

有學者首次探索分析了基于CESM圖像的不同瘤周區域（5 mm、10 mm）影像組學特征對非前哨淋巴結狀態的潛在預測價值，與多數研究不同的是，該研究收集了多中心的數據作為外部驗證數據集并取得了較高的預測效能，基于瘤內聯合瘤內+10 mm瘤周特征利用支持向量機分類器構建的綜合預測模型，在內部測試集與外部測試集中均實現了最佳預測效能，證實了瘤周特征的有用性及綜合模型的泛化能力，可被視為輔助臨床準確判斷乳腺癌患者ALN轉移情況的有效工具［44］。另有研究依據210例患者的DBT圖像構建瘤內及3 mm瘤周模型預測ALN轉移情況，也得到了類似的結論［10］。

4.2 "MRI

有研究基于DCE-MRI圖像從瘤內和5 mm瘤周區域提取特征預測乳腺癌ALN轉移狀態，所構建的瘤內+瘤周模型預測效能較好，AUC分別為0.867、0.768，并結合MRI報告的ALN狀態及腫瘤最大徑建立了影像組學列線圖模型，AUC為0.872、0.863，證實了結合瘤周特征的列線圖模型具有較好的區分度［45］。有研究同樣以215例患者的DCE-MRI圖像構建瘤內及5 mm瘤周預測模型，也得到了相似的結論［46］。另一項研究利用180例患者的DCE-MRI圖像構建瘤內及6 mm瘤周模型預測ALN轉移，結果表明在瘤內特征基礎上融入6 mm瘤周特征后模型的預測效能得到了有效提高，聯合模型訓練集、驗證集AUC分別為0.884、0.857。從瘤周區域提取的特征中占比最大的是小波特征wavelet-LLH-firstorder-mean，其權重系數與ALN的轉移情況呈負相關關系，即特征值越大，ALN轉移概率越小［5］。還有學者探究了不同瘤周范圍對前哨淋巴結（SLN）狀態的預測價值，有研究基于163例患者的DCE-MRI圖像提取瘤內和4 mm瘤周特征，通過影像組學分析以期提供預測SLN狀態潛在的非侵入性生物標志物，結果發現聯合特征的預測價值較高，通過進一步聯合臨床信息所構建的列線圖相較于單一模型具有更佳的預測效能，AUC達0.914、0.869，可用于指導乳腺癌的進一步治療計劃；同時研究邀請另一位醫師對驗證集中病灶的瘤周范圍進行第二次手動勾畫并比較，結果模型性能略有下降，可能是由于訓練集中的ROI是由第一位具有11年豐富乳腺疾病診斷經驗的醫師所勾畫，而第二位為初級診斷醫師，這也提示了手動分割存在的局限性，無法保證模型的穩定性及可重復性，未來研究可進一步開發基于機器學習的自動化分割模式，為乳腺癌患者建立全自動的無創性淋巴結評估工具［47］。有研究分析了162例進行DCE-MRI檢查的患者圖像，分別探討瘤內及2、4、6、8 mm瘤周特征的預測效能，同樣發現4 mm瘤周特征建立的模型AUC最高，分別為0.942、0.841，表明瘤周4 mm區域可能會提供更有價值的信息，進一步驗證了瘤周特征在乳腺癌SLN轉移影像組學分析中的有效性［48］。

4.3 "超聲

有研究基于超聲影像組學探討了預測乳腺癌ALN轉移的最佳瘤周范圍，通過比較0.5、1.0、1.5、2.0、2.5、3.0、3.5 mm瘤周效能，認為瘤周0.5 mm區域可能包含最豐富的微環境信息，能提供最有價值的信息，是預測ALN轉移的最佳瘤周區域，進而以超聲、乳腺X線圖像上的瘤內特征結合超聲0.5 mm瘤周特征進行多模態影像組學分析，聯合年齡及病理類型兩個臨床特征構建列線圖，取得了良好的預測準確性，為個體化精準預測ALN轉移提供了可靠參考［49］。

綜上，MRI作為乳腺癌患者ALN情況的常用影像學評估方法，仍然是研究熱點。以上研究提示瘤周組織包含了與ALN轉移相關的重要信息，基于不同成像方式的瘤周影像組學模型有望作為評估乳腺癌ALN轉移狀態無創且有效的工具以進一步指導臨床決策。

5 "瘤周影像組學在預測乳腺癌新輔助治療效果中的應用

在臨床實踐中，通過術前行新輔助化療（NAC）以期有效降低腫瘤臨床分期、提高進展期乳腺癌患者保乳可能性，并改善患者的預后情況［50， 51］。有研究表明，獲得病理完全緩解（pCR）是NAC的理想情況，獲得pCR患者的無病生存期及總生存期長于未獲得pCR的患者［52］。現階段對治療療效的評估大多基于常規影像學檢查方法，但這無助于臨床醫師及時了解和掌握治療過程中腫瘤細胞的反應和動態變化。因此，無創性預測pCR對于乳腺癌患者NAC前臨床治療計劃的制定是十分重要的。

5.1 "乳腺X線攝影

一項研究首次基于118例乳腺癌患者的CESM圖像提取瘤內及5 mm、10 mm瘤周影像組學特征，構建5個模型用來評估患者對NAC治療的反應和獲益情況，其中瘤內+5 mm瘤周的聯合模型的預測性能及準確性較高，對乳腺癌患者NAC效果預測展示出最大的總體凈收益，表明瘤周5 mm區域的組織信息有助于乳腺癌的個性化治療［53］。

5.2 "MRI

有研究表明，基于DCE-MRI圖像的單一瘤內模型未能顯著區分pCR，分類結果較差，通過聯合瘤周提取的紋理特征后可以有效預測HER-2陽性乳腺癌靶向治療后pCR，并進一步探索了從0～3 mm瘤周區域提取的Gabor特征表達與腫瘤淋巴細胞浸潤密度的相關性，其相關性越強，細胞距離瘤體位置越遠，相關性越弱，瘤周淋巴細胞分布越致密，這也為探索腫瘤微環境免疫反應的作用提供了新視角［37］。另一項研究利用5種機器學習方法對117例患者DCE-MRI圖像上提取的瘤內及2.5～5 mm瘤周特征進行訓練，認為聯合模型在無需提前了解受體狀態的情況下也能夠有效地預測pCR效果；該研究還發現不同分子亞型乳腺癌的影像組學特征預測能力不盡相同，基于三陰性、HER-2陽性乳腺癌的瘤周區域提取到的Laws特征能夠揭示pCR患者腫瘤浸潤淋巴細胞的存在及旺盛的淋巴細胞反應，這同樣證明了瘤周區域的重要作用［54］。有研究探討了基于110例患者T1WI圖像的瘤內、8 mm瘤周及聯合模型預測化療效果的價值，結果表明瘤周預測模型相較于瘤內模型具有更高的準確性，聯合模型預測效能較單一的瘤內或瘤周模型更優，可能是由于瘤周區域富含與pCR相關的特殊細胞、腺體及血管等組織，基于T1WI瘤內及瘤周特征聯合臨床因素的綜合預測模型AUC及準確率顯著提高，可作為預測乳腺癌NAC治療效果的有效工具［6］。此外，還有研究分析了448例非轉移性浸潤性導管癌患者NAC前的MRI圖像，從T1WI、T2WI和DWI-ADC序列圖像中沿腫瘤邊界逐層勾畫三維ROI，基于機器學習算法提取瘤內及10 mm瘤周特征進行影像組學分析，在瘤內模型中加入瘤周特征后的聯合模型顯示出最高的預測準確性，在訓練集和驗證集中AUC分別為0.98、0.92，這同樣強調了瘤周特征在NAC效果預測中潛在的臨床應用價值，有望為個體化預測pCR提供一種非侵入性工具［55］。

以上研究提示，瘤周影像組學特征對于提高術前預測NAC后pCR效果的準確性有較高的價值，瘤周影像組學在其他乳腺成像方式中的療效預測價值有待進一步挖掘。

6 "總結與展望

綜上所述，腫瘤周圍區域包含了可以補充乳腺疾病生物學信息的有用信息，這對乳腺腫瘤的術前評估、臨床治療方案的制定、患者預后的預測具有重大意義。基于乳腺X線、超聲、MRI等不同的成像方式，通過影像組學方法深入挖掘圖像上瘤周區域中的生物學標志物及影像學特征以反映瘤周微環境與腫瘤發生、發展及轉移的密切聯系，在乳腺癌的良惡性鑒別診斷、分子分型預測、免疫組化標志物狀態預測、淋巴結轉移預測及治療效果評估等方面體現出重要價值。

現階段瘤周影像組學的研究已逐步應用至全身各個系統，在圖像分割、特征提取和模型建立方面都提出了很多新的方法和發現，但目前仍存在一定的局限性。首先，大多數研究為小樣本量的單中心的研究，病例選擇可能存在偏倚，未來可進行大樣本量的多中心研究；其次，來自不同醫院和不同型號設備的影像圖像采集標準差異較大，無法保證模型的穩定性及可重復性，未來研究需統一機器掃描設置及高質量圖像采集標準；再次，大部分研究中均分割二維瘤周ROI，忽略了病灶的三維性質，這可能會造成重要瘤周微環境信息的缺失，未來可勾畫三維ROI以期獲得更加全面的瘤周信息；最后，不同研究中納入的瘤周區域大小不同且多為單瘤周范圍效能探討，尚未有確切結論可證明最能反映腫瘤侵襲性等生物學信息的最佳瘤周范圍大小，未來可通過建立多瘤周預測模型進行探討。

多模態、多中心、大樣本、全自動分割仍然是未來研究的探索方向，隨著人工智能的持續發展，未來研究可進一步利用機器學習算法深入開展瘤周微環境在乳腺癌診療領域中的多方面應用探索，使其更好地指導臨床決策并實現個體化的精準醫療。

參考文獻：

［1］ " Bray F， Laversanne M， Sung H， et al. Global cancer statistics 2022： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2024， 74（3）： 229-63.

［2］ " 王昭華， 馬彥云， 崔曹哲， 等. 探究不同乳腺實質區域的全視野數字化乳腺攝影影像組學對BI-RADS 4類病變鑒別的價值［J/OL］. "臨床放射學雜志， 2024， 43（3）： 346-51.

［3］ " "鄭 "璐， 湯 "銅， 趙 "茹， 等. MRI影像組學模型預測乳腺癌組織中HER-2低表達狀態的價值［J］. 現代腫瘤醫學， 2024， 32（6）： 1110-4.

［4］ " "劉婷婷， 林佳璐， 婁鑒娟， 等. 多參數MRI影像組學評估浸潤性乳腺癌HER-2表達狀態的臨床應用價值［J］. 南京醫科大學學報（自然科學版）， 2024， 44（2）： 218-27.

［5］ " "趙楠楠， 朱 "蕓， 湯曉敏， 等. 基于瘤內及瘤周MRI影像組學列線圖預測乳腺癌腋窩淋巴結轉移[J]. 磁共振成像， 2023， 14（3）： 81-7， 94.

［6］ " "徐海敏， 戴 "瑤， 馬雨竹， 等. MR T1WI瘤體及瘤周影像組學聯合臨床特征預測乳腺癌新輔助化療療效［J］. 中國醫學影像技術， 2023， 39（10）： 1520-5.

［7］ " "韓劍劍， 馬培旗， 王小雷， 等. 基于數字化乳腺X線影像組學列線圖預測浸潤性乳腺癌組織學分級的多中心研究［J］. 放射學實踐， 2024， 39（5）： 634-40.

［8］ " "王 "惠， 陳 "飛， 李金橋， 等. 乳腺癌ABVS超聲影像組學特征聯合ABVS超聲及血清學特征預測HER2狀態［J］. 中國超聲醫學雜志， 2024， 40（5）： 516-20.

［9］ " "謝宗玉， 姚文宇， 楊靜茹， 等. 基于DCE-MRI影像組學列線圖預測三陰性乳腺癌血管生成擬態表達狀態的研究［J］. 蚌埠醫學院學報， 2024， 49（4）： 425-30.

［10］ "陳修婷， 李欣欣， 周大偉， 等. 基于瘤內與瘤周乳腺斷層合成X線攝影影像組學列線圖可有效預測乳腺癌腋窩淋巴結轉移［J］. 分子影像學雜志， 2024， 47（5）： 465-73.

［11］ "Wang XY， Xie TS， Luo JR， et al. Radiomics predicts the prognosis of patients with locally advanced breast cancer by reflecting the heterogeneity of tumor cells and the tumor microenvironment［J］. Breast Cancer Res， 2022， 24（1）： 20.

［12］ "Zhang YX， Liu FJ， Zhang H， et al. Diagnostic value of radiomics analysis in contrast?enhanced spectral mammography for identifying triple-negative breast cancer［J］. Front Oncol， 2021， 11： 773196.

［13］ "魏竹馨， 文 "玲， 王希明. 影像基因組學在乳腺癌中的研究現狀與進展［J］. 國際醫學放射學雜志， 2020， 43（6）： 681-5， 692.

［14］ "Wang H， Chen W， Jiang SS， et al. Intra- and peritumoral radiomics features based on multicenter automatic breast volume scanner for noninvasive and preoperative prediction of HER2 status in breast cancer： a model ensemble research［J］. Sci Rep， 2024， 14（1）： 5020.

［15］ "Li CL， Song LR， Yin JD. Intratumoral and peritumoral radiomics based on functional parametric maps from breast DCE?MRI for prediction of HER?2 and ki?67 status［J］. J Magn Reson Imaging， 2021， 54（3）： 703-14.

［16］ Zhou J， Tan HN， Li W， et al. Radiomics signatures based on multiparametric MRI for the preoperative prediction of the HER2 status of patients with breast cancer［J］. Acad Radiol， 2021， 28（10）： 1352-60.

［17］ "Liu ZY， Wang S， Dong D， et al. The applications of radiomics in precision diagnosis and treatment of oncology： opportunities and challenges［J］. Theranostics， 2019， 9（5）： 1303-22.

［18］ Pérez?Morales J， Tunali I， Stringfield O， et al. Peritumoral and intratumoral radiomic features predict survival outcomes among patients diagnosed in lung cancer screening［J］. Sci Rep， 2020， 10（1）： 10528.

［19］ "Zhuo YY， Feng MX， Yang SY， et al. Radiomics nomograms of tumors and peritumoral regions for the preoperative prediction of spread through air spaces in lung adenocarcinoma［J］. Transl Oncol， 2020， 13（10）： 100820.

［20］ "侯 "娟， 劉文亞. 腫瘤瘤周的影像組學研究進展［J］. 磁共振成像， 2024， 15（3）： 230-24.

［21］ "Chen RX， Qi YN， Huang Y， et al. Diagnostic value of core needle biopsy for determining HER2 status in breast cancer， especially in the HER2?low population［J］. Breast Cancer Res Treat， 2023， 197（1）： 189-200.

［22］ "Xu R， You T， Liu C， et al. Ultrasound-based radiomics model for predicting molecular biomarkers in breast cancer［J］. Front Oncol， 2023， 13： 1216446.

［23］ Wolff AC， Hammond MH， Allison KH， et al. Human epidermal growth factor receptor 2 testing in breast cancer： American society of clinical oncology/college of American pathologists clinical practice guideline focused update［J］. J Clin Oncol， 2018， 36（20）： 2105-22.

［24］ Niu SX， Yu T， Cao Y， et al. Digital breast tomosynthesis?based peritumoral radiomics approaches in the differentiation of benign and malignant breast lesions［J］. Diagn Interv Radiol， 2022， 28（3）： 217-25.

［25］ Wang SM， Sun YQ， Li RM， et al. Diagnostic performance of perilesional radiomics analysis of contrast?enhanced mammography for the differentiation of benign and malignant breast lesions［J］. Eur Radiol， 2022， 32（1）： 639-49.

［26］ "Zhang SJ， Shao HF， Li WJ， et al. Intra?and peritumoral radiomics for predicting malignant BiRADS category 4 breast lesions on contrast-enhanced spectral mammography： a multicenter study［J］. Eur Radiol， 2023， 33（8）： 5411-22.

［27］ "張書海， 王小雷， 朱 "蕓， 等. 基于瘤內及瘤周早期動態增強MRI的影像組學模型鑒別乳腺影像報告和數據系統4類腫瘤良性與惡性的價值［J］. 中華放射學雜志， 2022， 56（7）： 758-65.

［28］ "師 "琳， 鐘李長， 馬 "方， 等. 瘤周超聲影像組學對乳腺結節良惡性的鑒別診斷價值［J］. 腫瘤影像學， 2023， 32（6）： 485-91.

［29］ "Gradishar WJ， Moran MS， Abraham J， et al. NCCN guidelines? insights： breast cancer， version 4.2023［J］. J Natl Compr Canc Netw， 2023， 21（6）： 594-608.

［30］ "李卓君， 楊曉芳， 姜增譽， 等. 基于DBT的瘤內和瘤周影像組學評估乳腺癌HER2狀態的研究［J］. 臨床放射學雜志， 2023， 42（9）： 1436-41.

［31］ "明 "潔， 陳 "瑩， 劉 "瑩， 等. 基于DCE-MRI瘤內聯合瘤周影像組學模型術前預測乳腺癌Ki-67表達狀態的價值［J］. 磁共振成像， 2022， 13（10）： 132-7， 149.

［32］ "張成孟， 丁治民， 陳 "鵬， 等. 基于DCE-MRI瘤內及瘤周影像組學聯合TIC分型及Ki-67預測乳腺癌患者HER-2表達［J］. 磁共振成像， 2023， 14（4）： 68-75.

［33］ "王偉康， 林桂涵， 陳春妙， 等. 基于MRI動態增強掃描瘤內聯合瘤周影像組學列線圖術前預測乳腺癌HER-2狀態的價值［J］. 中國中西醫結合影像學雜志， 2023， 21（3）： 259-64.

［34］ "陸 "歡， 葛 "敏， 王世威. 動態增強MRI瘤內與瘤周影像組學特征對三陰性乳腺癌的診斷價值研究［J］. 浙江醫學， 2021， 43（15）： 1647-51， 1710.

［35］ Zhang SH， Wang XL， Yang Z， et al. Intra?and peritumoral radiomics model based on early DCE?MRI for preoperative prediction of molecular subtypes in invasive ductal breast carcinoma： a multitask machine learning study［J］. Front Oncol， 2022， 12： 905551.

［36］ "吳 "韌， 李新宇， 陳 "隨， 等. 基于動態增強MRI瘤內和瘤周的影像組學模型在預測三陰性乳腺癌的診斷價值［J/OL］. 醫學研究與戰創傷救治， 2023， 36（4）： 375-81.

［37］ "Braman N， Prasanna P， Whitney J， et al. Association of peritumoral radiomics with tumor biology and pathologic response to preoperative targeted therapy for HER2 （ERBB2）-positive breast cancer［J］. JAMA Netw Open， 2019， 2（4）： e192561.

［38］ Wu YM， Ma QQ， Fan LF， et al. An automated breast volume scanner?based intra?and peritumoral radiomics nomogram for the preoperative prediction of expression of ki-67 in breast malignancy［J］. Acad Radiol， 2024， 31（1）： 93-103.

［39］ "Jiang T， Song JD， Wang XY， et al. Intratumoral and peritumoral analysis of mammography， tomosynthesis， and multiparametric MRI for predicting ki-67 level in breast cancer： a radiomics-based study［J］. Mol Imaging Biol， 2022， 24（4）： 550-9.

［40］ Niu SX， Jiang WY， Zhao NN， et al. Intra?and peritumoral radiomics on assessment of breast cancer molecular subtypes based on mammography and MRI［J］. J Cancer Res Clin Oncol， 2022， 148（1）： 97-106.

［41］ Tan HN， Wu YP， Bao FC， et al. Mammography?based radiomics nomogram： a potential biomarker to predict axillary lymph node metastasis in breast cancer［J］. Br J Radiol， 2020， 93（1111）： 20191019.

［42］ "Arefan D， Chai RM， Sun M， et al. Machine learning prediction of axillary lymph node metastasis in breast cancer： 2D versus 3D radiomic features［J］. Med Phys， 2020， 47（12）： 6334-42.

［43］ "Song DL， Yang F， Zhang YJ， et al. Dynamic contrast?enhanced MRI radiomics nomogram for predicting axillary lymph node metastasis in breast cancer［J］. Cancer Imaging， 2022， 22（1）： 17.

［44］ Lin F， Li Q， Wang ZY， et al. Intratumoral and peritumoral radiomics for preoperatively predicting the axillary non-sentinel lymph node metastasis in breast cancer on the basis of contrast?enhanced mammography： a multicenter study［J］. Br J Radiol， 2023， 96（1143）： 20220068.

［45］ Liu Y， Li X， Zhu LN， et al. Preoperative prediction of axillary lymph node metastasis in breast cancer based on intratumoral and peritumoral DCE?MRI radiomics nomogram［J］. Contrast Media Mol Imaging， 2022， 2022： 6729473.

［46］ "張成孟， 丁治民， 陳 "鵬， 等. 基于DCE-MRI瘤內及瘤周影像組學特征的機器學習模型預測乳腺癌腋窩淋巴結轉移的價值［J］. 中國醫學計算機成像雜志， 2023， 29（6）： 618-24.

［47］ Liu CL， Ding J， Spuhler K， et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer by radiomic signatures from dynamic contrast-enhanced MRI［J］. J Magn Reson Imaging， 2019， 49（1）： 131-40.

［48］ Ding J， Chen SL， Serrano Sosa M， et al. Optimizing the peritumoral region size in radiomics analysis for sentinel lymph node status prediction in breast cancer［J］. Acad Radiol， 2022， 29（Suppl 1）： S223-S228.

［49］ Duan YY， Chen XB， Li WY， et al. Multimodal radiomics and nomogram?based prediction of axillary lymph node metastasis in breast cancer： an analysis considering optimal peritumoral region［J］. J Clin Ultrasound， 2023， 51（7）： 1231-41.

［50］ Derks MGM， van de Velde CJH. Neoadjuvant chemotherapy in breast cancer： more than just downsizing［J］. Lancet Oncol， 2018， 19（1）： 2-3.

［51］ Cortazar P， Zhang LJ， Untch M， et al. Pathological complete response and long?term clinical benefit in breast cancer： the CTNeoBC pooled analysis［J］. Lancet， 2014， 384（9938）： 164-72.

［52］ Early Breast Cancer Trialists' Collaborative Group （EBCTCG）. Long?term outcomes for neoadjuvant versus adjuvant chemotherapy in early breast cancer： meta?analysis of individual patient data from ten randomised trials［J］. Lancet Oncol， 2018， 19（1）： 27-39.

［53］ Mao N， Shi YH， Lian C， et al. Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast?enhanced spectral mammography［J］. Eur Radiol， 2022， 32（5）： 3207-19.

［54］ Braman NM， Etesami M， Prasanna P， et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI［J］. Breast Cancer Res， 2017， 19（1）： 57.

［55］ "Li CC， Lu N， He ZF， et al. A noninvasive tool based on magnetic resonance imaging radiomics for the preoperative prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer［J］. Ann Surg Oncol， 2022， 29（12）： 7685-93.

（編輯：林 "萍）