微精选

一、研究背景与目的

1、临床背景

（1）老年乳腺癌发病趋势：中国≥75 岁患者占比从 2008 年 16.5% 升至 2030 年预计 27%，群体逐年扩大。

（2）传统评估困境：SLNB/ALND 有创（并发症发生率高），老年患者耐受差；传统超声 AUC 仅 0.585-0.719，预测效能有限。

（3）治疗需求：老年患者合并症多，需精准无创评估以避免过度治疗。

2、研究目的

（1）开发整合深度学习（DL）、放射组学与临床超声特征的列线图模型；

（2）实现≥75 岁乳腺癌患者 ALN 转移风险的术前精准预测；

（3）为临床个体化治疗决策提供可靠工具。

二、研究设计与患者特征

1、研究设计

• 类型：单中心回顾性研究
• 时间范围：2018 年 1 月 – 2021 年 6 月
• 分组：训练集 289 例（79.4%）、验证集 75 例（20.6%），按 LNM 状态分层抽样，基线特征无差异（P>0.05）

2、患者特征

• 人口学：中位年龄 77 岁，BMI 均值 23.9-24.1kg/m²
• 病理特征：浸润性导管癌（IDC）占比最高；LNM 阳性率 32.4%
• 治疗方式：281 例行 SLNB，106 例行 ALND；均行保乳手术或乳房切除术

三、技术路线与模型构建

1、整体技术路线

超声图像 + 临床数据 → 预处理 → 特征提取（DL + 放射组学）→ 特征筛选 → 构建 Rad-Score → 列线图模型 → 模型评估

2、关键技术参数

• 深度学习：DenseNet-201（预训练权重 ImageNet），Adam 优化器（初始学习率 0.001）
• 放射组学：提取 480 个特征，ICC＞0.6 保留，最终筛选 20 个核心特征
• 列线图纳入因素：组织学类型、腋窝超声、Rad-Score

四、研究结果

（结果一）模型性能对比

1、训练集性能

模型类型	AUC	准确率	敏感性	特异性	F1-score
联合模型（DL + 放射组学 + 临床）	0.937	0.844	0.882	0.827	0.785
Rad-Score 模型	0.905	0.782	0.860	0.745	0.717
临床模型	0.784	0.782	0.634	0.852	0.652

2、验证集性能

模型类型	AUC	准确率	敏感性	特异性	F1-score
联合模型（DL + 放射组学 + 临床）	0.906	0.827	0.800	0.840	0.755
Rad-Score 模型	0.890	0.787	0.800	0.780	0.714
临床模型	0.744	0.733	0.560	0.820	0.583

（结果二）模型可靠性与临床价值

（1）校准度

• Hosmer-Lemeshow 检验：训练集 P=0.613，验证集 P=0.979（P>0.05，拟合良好）

（2）临床获益

• 决策曲线：联合模型净获益优于临床模型（0.1-0.8 阈值范围）
• 重分类改善：NRI=0.306，IDI=0.320
• 阴性预测值（NPV）：验证集 0.894（接近 90%）

（结果三）列线图模型

列线图的临床使用流程：

1. 输入患者组织学类型、腋窝超声结果
2. 基于超声图像计算 Rad-Score
3. 累加总得分，查询列线图获取转移风险概率
4. 风险＜0.266：避免有创操作；风险≥0.266：进一步评估

五、临床价值与创新点

1、核心价值

• 无创精准：AUC 达 0.906，减少老年患者手术并发症风险
• 个体化治疗：为合并症多、耐受差的患者提供决策依据
• 操作便捷：列线图可视化，适合基层医院推广

2、研究创新点

• 人群聚焦：首个针对≥75 岁老年乳腺癌患者的 DL + 放射组学超声列线图
• 技术融合：整合 DL 自动学习与放射组学可解释性，弥补单一技术缺陷
• 性能卓越：验证集 AUC 较传统临床模型提升 21.8%，F1-score 提升 29.3%

六、局限性与未来展望

1、局限性

• 单中心回顾性研究，外推性需多中心验证
• 未整合 MRI、CT 等多模态影像，可能低估模型潜力
• 超声设备与操作者差异可能引入偏倚

2、未来展望

• 开展多中心前瞻性研究，扩大样本量验证通用性
• 整合多模态影像及血液生物标志物，提升预测效能
• 开发在线交互工具，实现临床快速应用

七、总结

1. 本研究构建的DL + 放射组学超声列线图，对≥75 岁乳腺癌患者 ALN 转移预测准确率高（验证集 AUC=0.906）
2. 模型通过无创方式提供可靠转移风险评估，显著减少老年患者过度治疗与手术创伤
3. 列线图可视化设计兼顾专业性与实用性，为老年乳腺癌个体化治疗提供新工具