超声影像组学在乳腺癌分子分型诊断中的应用进展.docxVIP

超声影像组学在乳腺癌分子分型诊断中的应用进展

[关键词]超声；乳腺癌；分子分型；影像组学

[中图分类号]R445.1；R737.9[文献标识码]A[DOI]10.3969/j.issn.1673-9701.2025.03.024

1超声影像组学相关概念

影像组学包括2种形式，一种是传统影像组学，也称手工影像组学（handcraftedradiomics，HCR）；另一种是深度学习影像组学（deeplearningradiomics，DLR）[14]。二者都是利用人工智能算法从大量医学图像中发现人眼无法识别的微小变化，建立定量图像特征与生物学信息之间关系的模型，以辅助提高对疾病诊断、治疗效果预测和预后评估的准确性[15]。HCR是机器学习在医学图像中的应用，可分析建模过程中所用具体特征权重，可解释性较强，但需手动分割感兴趣区域（regionofinterest，ROI）。DLR是HCR的发展和延伸，深度学习技术是科学家模仿人脑的生物神经网络开发的人工神经网络，可自动识别和提取多层特征，诊断效能更高，但所需样本量大，可解释性低[16]。乳腺病变常用的影像学检查方法包括X线摄影、超声和MRI。X线摄影有电离辐射，多次照射可对人体造成一定的伤害，且对致密性乳腺病灶的诊断具有一定的局限性。MRI的费用较高，亦不适用于多次检查。超声作为目前应用最广泛、最实用的乳腺病灶术前评估手段，其优势在于实时成像、方位灵活、无辐射等。相关研究显示乳腺癌的分子分型与超声图像特征有一定的相关性，但存在一定的主观性。超声影像组学有望成为一种准确、客观、无创评价乳腺癌受体类型和亚型的潜在方法[17-19]。

2超声影像组学在预测乳腺癌生物标志物表达中的应用

2.1超声影像组学预测HR表达水平

HR阴性患者因不适合接受内分泌治疗预后较差。许荣等[16]收集342例乳腺癌患者的359个超声病灶图像，构建ER、PR双阴性乳腺癌影像组学模型，共筛选出37个最佳影像组学特征，采用支持向量机对训练集数据进行训练，训练集ER、PR双阴性乳腺癌的曲线下面积（areaunderthecurve，AUC）为0.872。Wu等[20]纳入505例乳腺癌患者的资料用于鉴别HR阳性和阴性乳腺癌，发现二维超声下肿瘤大小与肿瘤长轴及短轴的影像组学评分相结合构建的模型优于拆分的各个模型，其在测试集中的AUC为0.788，外部测试集中AUC为0.822。

2.2超声影像组学预测Ki-67表达水平

2.3超声影像组学预测HER2表达水平

3超声影像组学预测乳腺癌的分子分型

4小结与展望

受体分子状态一直以来都是各种恶性肿瘤的治疗靶点之一，根据分子受体状态划分的分子分型更是乳腺癌精准医疗体系中的重要一环。目前，在超声影像组学与乳腺癌分子分型的相关研究中，研究者不断开拓创新，从卷积神经网络的巧妙运用于深度挖掘其对超声图像处理的强大功能，到对肿瘤瘤周信息开展全面深入探索，试图从中获取更多肿瘤特征线索。同时，超声新技术也不断涌现，如ABVS、CEUS及多模态超声融合等的应用，为乳腺癌分子分型的研究注入新的活力。

综上，超声影像组学在乳腺癌分子分型领域的研究已取得显著进步。通过对超声图像进行特征提取和分析，可有效区分不同分子分型的乳腺癌，为临床诊断和治疗方案的制定提供重要参考。其优势在于无创、便捷且重复性高，可对肿瘤的异质性进行量化评估。然而，目前该技术仍面临一些挑战，如影像组学特征的标准化、不同研究间数据的可比性及模型的泛化能力等问题。未来需进一步加强多中心、大样本研究，优化特征选择和模型构建方法，提高超声影像组学在区分乳腺癌分子分型中的准确性和可靠性。结合其他影像学技术及临床病理信息，有望实现更加精准的乳腺癌分子分型，为患者的个体化治疗带来更多可能。

利益冲突：所有作者均声明不存在利益冲突。

[参考文献]

[1]SungH，FerlayJ，SiegelRL，etal.Globalcancerstatistics2020：GLOBOCANestimatesofincidenceandmortalityworldwidefor36cancersin185countries[J].CACancerJClin，2021，71（3）：209–249.

[2]JafariSH，SaadatpourZ，SalmaninejadA，etal.Breastcancerdiagnosis：Imagingtechniquesandbiochemicalmarkers[J].JCellPhysiol，2018，233（7）：5200–5213.

[4]TsoutsouP