超声影像组学联合临床特征的机器学习模型预测HER2阳性乳腺癌新辅助治疗病理完全缓解的价值

摘要

背景与目的:人表皮生长因子受体2(HER2)阳性乳腺癌具有高度侵袭性及明显异质性,新辅助化疗(NAC)联合抗HER2靶向治疗虽可提高病理完全缓解(pCR)率,但不同患者治疗反应差异较大。构建治疗前无创预测模型,对筛选潜在获益人群及优化个体化治疗具有重要意义。本研究探讨基于超声影像组学及临床病理特征构建的机器学习模型预测HER2阳性乳腺癌患者NAC联合抗HER2靶向治疗后pCR的临床价值。方法:回顾性纳入2019年10月—2024年10月湖南省肿瘤医院及中南大学湘雅三医院经病理证实并接受NAC联合抗HER2靶向治疗的HER2阳性乳腺癌患者353例。其中湖南省肿瘤医院275例作为内部数据集,中南大学湘雅三医院78例作为外部验证集。基于治疗前超声图像提取影像组学特征,并结合临床病理特征,经相关性分析及LASSO回归筛选关键特征后,分别采用极端梯度提升(XGBoost)、随机森林及朴素贝叶斯算法构建临床模型、超声影像组学模型及联合模型。采用受试者工作特征曲线评估模型预测效能,采用决策曲线分析(DCA)评价模型临床获益,并利用SHAP算法解释最优模型特征重要性。结果:共筛选出12个临床病理特征及7个超声影像组学特征用于建模。三种算法中,XGBoost模型整体预测性能最佳。与单纯临床模型或超声影像组学模型相比,联合模型显示出更优预测效能。XGBoost联合模型在训练集、内部验证集及外部验证集中的曲线下面积分别为0.964(95%CI=0.893～0.965)、0.857(95%CI=0.822～0.960)和0.771(95%CI=0.765～0.946)。DCA结果显示,该模型在多数阈值概率范围内均具有较高净获益。SHAP分析提示HER2表达状态、靶向治疗方式、雌激素状态及部分纹理特征对模型预测贡献较大。结论:基于超声影像组学联合临床病理特征构建的XGBoost机器学习模型能够较准确地预测HER2阳性乳腺癌患者NAC联合抗HER2靶向治疗后的pCR状态,具有较好的临床应用潜力,可为个体化治疗决策提供参考。

关键词

乳腺肿瘤 / 新辅助疗法 / 病理完全缓解 / 影像组学 / 机器学习

基金资助

湖南省自然科学基金资助项目(2026JJ82069)