超聲影像組學在乳腺癌中的研究進展

[摘要]"當前，乳腺癌已成為威脅全球女性生命健康的第一大腫瘤。乳腺癌的早期診斷對于患者預后十分重要。影像組學因其具有無創、準確性高等特點而成為近年來醫學影像學領域的研究熱點之一。超聲影像組學可提高影像科醫生的診斷效能，減輕工作壓力。本文綜述影像組學發展史、相關概念及超聲影像組學在乳腺癌中的應用進展。

[關鍵詞]"超聲；乳腺癌；影像組學

[中圖分類號]"R445.1；R737.9""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.06.024

21世紀以來，女性乳腺癌的發病率與死亡率呈逐年上升趨勢[1]。2020年，全球女性乳腺癌新發病例高達230萬例，在女性腫瘤病例中約占1/4，在女性因腫瘤死亡病例中約占1/6，即每6例因腫瘤死亡的女性中就有1例死于乳腺癌[2-3]。早發現、早診斷、早治療可有效提高乳腺癌患者的生存率，提高其生活質量[4]。目前，乳腺癌的術前診斷主要依賴穿刺病理活檢，但其為有創操作，取材受限，無法反映腫瘤全部特征且可重復性差。影像學檢查作為一種無創且能較全面顯示腫瘤特征的檢查手段，可提供腫瘤的整體形狀信息、異質性信息等。超聲成像具有方便、實時、無輻射、可重復性好等特點，尤其對致密性乳腺癌的診斷效果好，已逐漸成為乳腺診療工作中的一線影像學檢查方法。超聲在乳腺癌精準診療的應用中具有一定的局限性，其結果的穩定性受圖像質量、醫生經驗等因素的影響。影像組學可從醫學圖像中高通量提取人眼無法識別的定量特征，反映腫瘤的生物學行為和微觀環境變化，具有客觀、準確性高、無創等特點。本文綜述影像組學發展史、相關概念及超聲影像組學在乳腺癌中的應用進展，旨在為乳腺癌的精準醫療提供參考。

1""影像組學發展史及相關概念

Gillies等[5]于2010年首次提出影像組學概念，認為潛在的分子生物學行為可影響解剖學形態，而解剖學信息可從醫學圖像中獲得；腫瘤影像組學的中心假設是腫瘤成像特征可反映潛在的基因表達模式，即特定基因表達的變化可影響特定的成像參數。因此，可使用醫學影像學特征的定量分析推斷潛在的基因表達模式。Lambin等[6]于2012年對“影像組學”的正式框架進行全面描述，將其定義為從放射線圖像中高通量提取大量圖像特征，因此當時稱之為“放射組學”。同年，Kumar等[7]將影像組學定義為從CT、正電子發射體層成像或磁共振成像（magnetic"resonance"imaging，MRI）獲得的醫學圖像中高通量提取和分析大量高級定量影像特征，將傳統影像轉化成可挖掘的高維度數據信息的影像學分析新方法。影像組學方法已應用于X線、MRI等，用于乳腺癌檢測、治療反應評估和疾病進展監測，并取得令人鼓舞的成績[8-9]。越來越多的學者將影像組學分析應用于超聲技術，包括基于傳統灰階超聲及一些超聲新技術的影像組學，如剪切波彈性成像（shear"wave"elastography，SWE）、聲觸診組織成像（virtual"touch"tissue"imaging，VTI）、超聲造影（contrast-enhanced"ultrasound，CEUS）、自動乳腺全容積成像（automated"breast"volume"scanner，ABVS）等技術。

影像組學是指利用機器學習算法深度挖掘醫學圖像中的高維度定量信息特征。在乳腺癌中，這些信息與乳腺病灶的良惡性、乳腺癌分子分型、腋窩淋巴結狀態、治療反應、腫瘤復發、生存時間以及患者的其他特征相關聯，利用這種關系構建預測或預后模型，可提供常規超聲以外的附加信息，提高影像診斷的準確性，為臨床決策提供循證支持。根據算法的不同，影像組學可分為兩種形式：一為傳統影像組學，又稱手工影像組學（handcrafted"radiomics，HCR）；二為深度學習影像組學（deep"learning"radiomics，DLR）[10]。后者是在前者基礎上的進一步演變。二者都可劃分為圖像獲取和預處理、特征提取、建模3個階段。其中，預處理包括圖像分割、圖像灰度調節等步驟。HCR需要手動分割圖像的感興趣區域（area"of"interest，ROI），再通過傳統機器學習算法提取特征并構建模型。HCR常用的建模方法包括邏輯回歸（logistic"regression，LR）、決策樹、支持向量機、k-近鄰算法、XGBoost、樸素貝葉斯分類器等。深度學習也屬于一種機器學習方法，是基于人工神經網絡概念，利用神經元及其相互連接的原理模擬人類的學習能力。DRL最大的特點是能夠自動地從訓練集的大量真實圖像中學習并提取主要特征，并在測試集上自動識別[11]。目前，醫學領域發展最成功、應用最廣泛的深度學習模型是卷積神經網絡（convolutional"neural"network，CNN）模型[12]。

2""超聲影像組學在乳腺癌中的應用進展及現狀

2.1""乳腺結節的辨別診斷

2013年美國放射學會提出的乳腺影像報告與數據系統（breast"imaging"reporting"and"data"system，BI-RADS），將乳腺結節分為6類，其中BI-RADS"4類的惡性符合率為2%～95%，跨越度較大，且一旦確定為4類結節則建議進行組織病理學活檢[13-14]。因此，不明確的診斷結果往往帶來不必要的穿刺組織活檢，其在耗費人力、物力、財力的同時也增加患者心理和身體的不適。

超聲影像組學可通過對良惡性超聲圖像特征的提取輔助診斷乳腺癌。肖榕[15]基于362例患者乳腺病灶的二維超聲圖像構建模型鑒別乳腺良惡性結節，發現影像組學模型在訓練集中的曲線下面積（area"under"the"curve，AUC）為0.84，預測效能與10～12年的中年資醫生的水平相當。但該研究樣本量不大，且未用機器學習方法進行二分類任務，模型的預測能力有限。2023年，Zhong等[16]收集379例患者的BI-RADS"3～5類乳腺病灶超聲資料，在分割腫瘤納入瘤內信息的基礎上，向外擴展5mm，將瘤周信息也作為研究內容，分別構建瘤內、瘤內+瘤周的預測模型鑒別其良惡性，發現瘤內+瘤周的預測效果遠遠好于單獨的瘤內特征（訓練集AUC分別為0.910和0.797）。因此瘤周圖像特征的觀察和提取對乳腺病灶的良惡性預測也十分重要。除較常用的二維超聲外，也有不少學者基于一種或多種超聲新技術構建單模態或多模態模型進行乳腺病灶良惡性的預測。研究發現基于ABVS提取的影像組學特征，結合彈性成像中的剪切波速度（shear"wave"velocity，SWV）、VTI評分及年齡構建諾莫圖對乳腺BI-RADS"4A類結節也有較好的預測效果[17]。有學者收集190例患者的乳腺CEUS視頻資料，比較基于CEUS的DLR、結合XGBoost的HCR及高年資醫生對乳腺良惡性病變的診斷效能，DLR應用的是在同時處理空間特征和時間特征方面具有良好性能的3D-ResNet-"50模型；結果顯示CNN模型在3D-ResNet-50模型的測試隊列中能實現0.84的最佳AUC[18]。綜上，超聲作為非常便捷和實用的檢查方法，與影像組學結合應用可提高乳腺癌風險預測的準確性。

2.2""預測受體狀態及分子分型

根據細胞膜表面雌激素受體、孕激素受體、人表皮生長因子受體2（human"epidermal"growth"factor"receptor"2，HER2）和增殖標志物Ki-67，可將乳腺癌分為Luminal"A型、Luminal"B型、HER2過表達型和三陰性乳腺癌[13]。近年來，HER2低表達乳腺癌表現出獨特的信號傳導途徑、分子改變、生物學特征和臨床結果，被認為可能是一種新的乳腺癌亞型[19]。乳腺癌受體狀態和分子亞型與患者治療方案、預后、患者對新輔助治療的反應及轉移部位等密切相關[20-23]。區分不同分子亞型乳腺癌十分重要。HCR中最常用到聯合臨床特征和影像組學特征的諾莫圖，兩者結合對生物標志物和分子分型的預測更準確。2022年，Liu等[24]研究發現腫瘤最大徑、SWE中腫瘤的硬緣征、腋窩淋巴結狀態是區分Ki-67水平的獨立預測因子，三者與影像組學評分結合后對Ki-67的預測效果較好（訓練集中AUC為0.904）。同年，孫芳等[25]回顧性分析529例浸潤性乳腺癌患者的超聲圖像，選擇預測效能較好的支持向量機構建模型，發現結節大小、邊緣和鈣化與影像組學特征結合可有效鑒別Luminal型和非Luminal型乳腺癌。Wu等[26]的研究結果也佐證了這一點。2024年，有學者對222例乳腺癌患者的超聲圖像進行分析，聯合影像組學特征和腫瘤形狀、微鈣化、邊界等可有效預測HER2低表達型乳腺癌（訓練集中AUC高達0.89）[27]。以上研究均基于二維超聲圖像的HCR，其在乳腺癌分子分型中有不少應用。一項研究對5961個乳腺超聲圖像進行分析，構建CNN模型對乳腺癌的分子分型進行評估，該模型在區分4種亞型乳腺癌時訓練集的準確度為80.07%～97.02%，區分Luminal型乳腺癌時訓練集的陽性預測值為93.29%[28]。該研究在一定程度上彌補既往單中心、樣本量較小研究的缺陷。

2.3""預測淋巴結狀態

腋窩淋巴結（axillary"lymph"node，ALN）是最常見的乳腺癌轉移部位，其轉移狀態是評估患者腫瘤分期、制定治療策略、評估患者預后的重要指標[29]。前哨淋巴結（sentinel"lymph"node，SLN）是乳腺癌淋巴結引流的第一站。超聲成像具有體積增大、形狀不規則、邊緣不清晰和脂肪組織缺失等特征，其表示淋巴結可疑受累，但一些病理陽性淋巴結在二維超聲上卻沒有惡性征象。超聲影像組學可無創、準確、客觀地評價ALN的狀態。2021年，Jiang等[29]基于兩中心433例早期原發性乳腺癌患者的二維超聲和SWE圖像預測乳腺癌ALN狀態，結果顯示二維超聲的ALN狀態、基于SWE的影像組學特征及分子分型共同構成的聯合模型對ALN是否轉移顯示出較好的預測效果，該模型可檢測出82.1%的隱匿性ALN轉移灶，這些病灶沒有典型的超聲征象。2023年，Chen等[30]研究發現，將基于ABVS的影像組學特征、ABVS的回縮現象與超聲圖像中ALN狀態相結合，可較準確預測ALN的腫瘤負荷（訓練集和測試集的AUC分別為0.876和0.851）。同時，也有學者利用DLR對乳腺癌ALN狀態進行預測。Wang[31]等收集來自兩中心的359例乳腺癌患者的乳腺傳統灰度超聲、彩色多普勒血流成像（color"Doppler"flow"imaging，CDFI）及SWE圖像，用ResNet-18模式分別對3類圖像進行自動特征提取，分別構建DL-灰度、DL-CDFI、DL-彈性模型，得出DL-彈性成像模型在內部驗證隊列的AUC為0.879，準確率為86.13%，在3個模型中表現最好。綜上，無論HCR還是DLR，對乳腺癌ALN狀態的評估都具有較高的準確性。

2.4""預后、療效評估

乳腺癌具有高度異質性，預后差異很大，常規影像學檢查缺乏定量預測[32]。Xiong等[33]基于二維超聲圖像影像組學特征模型預測浸潤性乳腺癌的無病生存率（disease-free"survival，DFS），結果顯示影像組學特征與DFS存在顯著相關性，獨立于臨床病理學預測因素。影像組學列線圖的表現優于臨床病理列線圖。新輔助化療（neoadjuvant"chemotherapy，NAC）可有效降低乳腺腫瘤的分級，進而可行小范圍手術而不是全切手術，作為局部晚期乳腺癌患者的常見治療選擇[34-35]。Yu等[35]進行一項多中心研究，應用DLR模型預測乳腺癌NAC效能，該研究共納入603例患者，分別取超聲圖像的縱向、橫向最大切面并進行預處理，預訓練4個模型作為基礎CNN分類模型，ResNet"50表現最好，結合臨床病理信息時AUC可達0.962，深度學習模型可很好地輔助超聲科醫生評估NAC的效果。

3""展望

與基于CT、MRI、X線的影像組學相比，超聲影像組學的發展起步較晚，但超聲具有實時觀察、應用靈活、價格低等特點。超聲影像組學在乳腺腫瘤的良惡性鑒別、分子分型、區域淋巴結轉移、治療效果和預后的預測研究中都展現出巨大潛力，有望在未來無須病理學組織活檢的情況下輔助臨床醫生對乳腺疾病進行診斷及治療，為乳腺癌精準醫療提供新的便利手段。但同時，超聲影像組學也存在一些弊端，如HCR中腫瘤ROI分割方式、特征提取過程等流程的不規范性可能對結果的穩定性產生一定影響，需要高年資醫生嚴格把控。DRL中固有的“黑匣子”效應使得模型的可解釋性成為一大難題，過擬合問題的解決仍任重道遠。由于人工智能模型訓練需要大量樣本的積累，大樣本（gt;1000例）和多中心數據是構建模型的有力基礎，這可能成為將來研究的趨勢之一。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] 何思怡，"李賀，"曹毛毛，"等."全球及我國女性乳腺癌疾病負擔年齡分布及變化趨勢[J]."中國腫瘤，"2023，"32（1）："1–7.

[2] Arnold"M，"Morgan"E，"Rumgay"H，"et"al."Current"and"future"burden"of"breast"cancer："Global"statistics"for"2020"and"2040[J]."Breast，"2022，"66："15–23.

[3] Sung"H，"Ferlay"J，"Siegel"R"L，"et"al."Global"cancer"statistics"2020："GLOBOCAN"estimates"of"incidence"and"mortality"worldwidenbsp;for"36"cancers"in"185"countries[J]."CA"Cancer"J"Clin，"2021，"71（3）："209–249.

[4] Ngan"T"T，"Nguyen"N"T"Q，"Van"Minh"H，"et"al."Effectiveness"of"clinical"breast"examination"as"a"‘stand-alone’"screening"modality："An"overview"of"systematic"reviews[J]."BMC"Cancer，"2020，"20（1）："1070.

[5] Gillies"R"J，"Anderson"A"R，"Gatenby"R"A，"et"al."The"biology"underlying"molecular"imaging"in"oncology："From"genome"to"anatome"and"back"again[J]."Clin"Radiol，"2010，"65（7）："517–521.

[6] Lambin"P，"Rios-Velazquez"E，"Leijenaar"R，""et"al."Radiomics："Extracting"more"information"from"medical"images"using"advanced"feature"analysis[J]."Eur"J"Cancer，"2012，"48（4）："441–446.

[7] Kumar"V，"Gu"Y，"Basu"S，"et"al."Radiomics："The"process"and"the"challenges[J]."Magn"Reson"Imaging，"2012，"30（9）："1234–1248.

[8] Militello"C，"Rundo"L，"Dimarco"M，"et"al."3D"DCE-MRI"radiomic"analysis"for"malignant"lesion"prediction"in"breast"cancer"patients[J]."Acad"Radiol，"2022，"29（6）："830–840.

[9] Tagliafico"A"S，"Piana"M，"Schenone"D，"et"al."Overview"of"radiomics"in"breast"cancer"diagnosis"and"prognostication[J]."Breast，"2020，"49："74–80.

[10] Afshar"P，"Mohammadi"A，"Plataniotis"K"N，""""et"al."From"handcrafted"to"deep-learning-based"cancer"radiomics："Challenges"and"opportunities[J]."IEEE"Signal"Process"Mag，"2019，"36（4）："132–160.

[11] Lambin"P，"Leijenaar"R"T"H，"Deist"T"M，"et"al."Radiomics："The"bridge"between"medical"imaging"and"personalized"medicine[J]."Nat"Rev"Clin"Oncol，"2017，"14（12）："749–762.

[12] Saleh"G"A，"Batouty"N"M，"Gamal"A，"et"al."Impact"of"imaging"biomarkers"and"AI"on"breast"cancer"management："A"brief"review[J]."Cancers"（Basel），"2023，"15（21）："5216.

[13] Untch"M，"Gerber"B，"Harbeck"N，"et"al."13th"St."Gallen"International"Breast"Cancer"Conference"2013："Primary"therapy"of"early"breast"cancer"evidence，"controversies，"consensus"-"Opinion"of"a"German"team"of"experts"（Zurich"2013）[J]."Breast"Care"（Basel），"2013，"8（3）："221–229.

[14] 中國抗癌協會乳腺癌專業委員會，"中華醫學會腫瘤學分會乳腺腫瘤學組."中國抗癌協會乳腺癌診治指南與規范（2024年版）[J]."中國癌癥雜志，"2024，"33（12）："1092–1186.

[15] 肖榕."基于灰階超聲的影像組學預測乳腺腫瘤良惡性的價值[D]."合肥："安徽醫科大學，"2021.

[16] Zhong"L，"Shi"L，"Zhou"L，"et"al."Development"of"a"nomogram-based"model"combining"intra-"and"peritumoral"ultrasound"radiomics"with"clinical"features"for"differentiating"benign"from"malignant"in"breast"imaging"reporting"and"data"system"category"3-5"nodules[J]."Quant"Imaging"Med"Surg，"2023，"13（10）："6899–6910.

[17] Ma"Q，"Wang"J，"Xu"D，"et"al."Automatic"breast"volume"scanner"and"B-ultrasound-based"radiomics"nomogram"for"clinician"management"of"BI-RADS"4A"lesions[J]."Acad"Radiol，"2023，"30（8）："1628–1637.

[18] ZHU"J"Y，"HE"H"L，"LIN"Z"M，"et"al."Ultrasound-based"radiomics"analysis"for"differentiating"benign"and"malignant"breast"lesions："From"static"images"to"CEUS"video"analysis[J]."Front"Oncol，"2022，"12："951973.

[19] MOLINELLI"C，"JACOBS"F，"MARCHIò"C，"et"al."HER2-low"breast"cancer："Where"are"we？[J]."Breast"Care"（Basel），"2022，"17（6）："533–545.

[20] Li"Y，"Wang"S，"Yang"W，"et"al."Prognostic"significance"of"molecular"subtype，"metastatic"site"and"primary"tumor"surgery"for"survival"in"primary"metastatic"breast"cancer："A"SEER-based"study[J]."Medicine"（Baltimore），"2021，"100（27）："e26619.

[21] Zhu"S，"Li"Y，"Chen"W，"et"al."Molecular"subtype"may"be"more"associated"with"prognosis"and"chemotherapy"benefit"than"tumor"size"in"T1N0"breast"cancer"patients："An"analysis"of"2168"patients"for"possible"de-escalation"treatment[J]."Front"Oncol，"2021，"11："636266.

[22] GLAESER"A，"SINN"H"P，"GARCIA-ETIENNE"C，"et"al."Heterogeneous"responses"of"axillary"lymph"node"metastases"to"neoadjuvant"chemotherapy"are"common"and"depend"on"breast"cancer"subtype[J]."Ann"Surg"Oncol，"2019，"26（13）："4381–4389.

[23] Phung"M"T，"Tin"Tin"S，"Elwood"J"M."Prognostic"models"for"breast"cancer："A"systematic"review[J]."BMC"Cancer，"2019，"19（1）："230.

[24] Liu"J，"Wang"X，"Hu"M，"et"al."Development"of"an"ultrasound-based"radiomics"nomogram"to"preoperatively"predict"Ki-67"expression"level"in"patients"with"breast"cancer[J]."Front"Oncol，"2022，"12："963925.

[25] 孫芳，"許永波，"崔廣和，"等."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[J]."實用醫學雜志，"2022，"38（18）："2279–2283.

[26] Wu"J，"Ge"L，"Jin"Y，"et"al."Development"and"validation"of"an"ultrasound-based"radiomics"nomogram"for"predicting"the"luminal"from"non-luminal"type"in"patients"with"breast"carcinoma[J]."Front"Oncol，"2022，"12："993466.

[27] Zhang"X，"Wu"S，"Zu"X，"et"al."Ultrasound-based"radiomics"nomogram"for"predicting"HER2-low"expression"breast"cancer[J]."Front"Oncol，"2024，"14："1438923.

[28] JIANG"M，"ZHANG"D，"TANG"S"C，"et"al."Deep"learning"with"convolutional"neural"network"in"the"assessment"of"breast"cancer"molecular"subtypes"based"on"US"images："A"multicenter"retrospective"study[J]."Eur"Radiol，"2020，"31（6）："3673–3682.

[29] JIANG"M，"LI"C"L，"LUO"X"M，"et"al."Radiomics"model"based"on"shear-wave"elastography"in"the"assessment"of"axillary"lymph"node"status"in"early-stage"breast"cancer[J]."Eur"Radiol，"2021，"32（4）："2313–2325.

[30] Chen"Y，"Xie"Y，"Li"B，"et"al."Automated"breast"ultrasound"（ABUS）-based"radiomics"nomogram："An"individualized"tool"for"predicting"axillary"lymph"node"tumor"burden"in"patients"with"early"breast"cancer[J]."BMC"Cancer，"2023，"23（1）："340.

[31] Wang"C，"Zhao"Y，"Wan"M，"et"al."Prediction"of"sentinel"lymph"node"metastasis"in"breast"cancer"by"using"deep"learning"radiomics"based"on"ultrasound"images[J]."Medicine"（Baltimore），"2023，"102（44）："e35868.

[32] LIU"S"Q，"GAO"Z"J，"WU"J，"et"al."Single-cell"and"spatially"resolved"analysis"uncovers"cell"heterogeneity"of"breast"cancer[J]."J"Hematol"Oncol，"2022，"15（1）："19.

[33] Xiong"L，"Chen"H，"Tang"X，"et"al."Ultrasound-based"radiomics"analysis"for"predicting"disease-free"survival"of"invasive"breast"cancer[J]."Front"Oncol，"2021，"11："621993.

[34] Gradishar"W"J，"Anderson"B"O，"Abraham"J，""et"al."Breast"cancer，"version"3.2020，"NCCN"clinical"practice"guidelines"in"oncology[J]."J"Natl"Compr"Canc"Netw，"2020，"18（4）："452–478.

[35] YU"F"H，"MIAO"S"M，"LI"C"Y，"et"al."Pretreatment"ultrasound-based"deep"learning"radiomics"model"for"the"early"prediction"of"pathologic"response"to"neoadjuvant"chemotherapy"in"breast"cancer[J]."Eur"Radiol，"2023，"33（8）："5634–5644.

（收稿日期：2024–11–26）

（修回日期：2025–02–08）