基于機器學(xué)習的組合模型在預(yù)測乳腺癌新輔助化療療效中的價值

岳文怡，張洪濤，高珅，周娟，蔡劍鳴，田寧，董景輝，劉淵，白旭，盛復(fù)庚*

0 引言

新輔助化療（neoadjuvant chemotherapy, NAC）作為目前中晚期乳腺癌患者進行系統(tǒng)性全身細胞藥物治療方法之一，其作用在于降低腫瘤分期，控制潛在的轉(zhuǎn)移病灶，觀察腫瘤對藥物的敏感性，增加手術(shù)成功的機會[1-3]。然而，高達30%的患者可能對NAC 不敏感，部分患者還伴有肝腎功能損傷及心力衰竭等不良反應(yīng)[4-5]。此外，大約5%的患者在接受NAC 治療后出現(xiàn)疾病進展[6]?；熐皩颊哌M行有效評估有助于避免潛在的毒副作用，加快不敏感患者的手術(shù)進程[7]，在臨床實踐中，尋找一種無創(chuàng)、準確的方式來預(yù)測乳腺癌患者對NAC的敏感性是至關(guān)重要的。

磁共振成像（magnetic resonance imaging, MRI）較其他影像技術(shù)具有更高的軟組織分辨率，評估殘余浸潤性病灶范圍的能力更加敏感[8-9]。在NAC有效的病例中，大部分腫瘤體積縮小，在MRI上顯示腫瘤在動態(tài)增強掃描序列上的強化信號減低。其中，動態(tài)對比增強MRI（dynamic contrast-enhanced MRI,DCE-MRI）可以反映組織病理狀態(tài)變化及腫瘤形態(tài)學(xué)特征，是檢測乳腺癌和評估療效最敏感的方法之一[10-11]。實體瘤療效評定標準（Response Evaluation Criteria in Solid Tumors, RECIST）是基于影像學(xué)幫助規(guī)范腫瘤對系統(tǒng)性治療反應(yīng)的評估，通過比較NAC前后MRI 上腫瘤直徑的變化來評估療效[12]。以前絕大多數(shù)的療效評估是通過治療后再次進行MRI檢查并對比兩次圖像獲得的，不能在治療前預(yù)測療效[13]。

影像組學(xué)作為一種新型的定量分析方法，無創(chuàng)地提取影像中放射科醫(yī)生無法肉眼獨立識別的大量定量信息，并將其轉(zhuǎn)化為高層次的定量特征[14]。其常規(guī)流程包括：圖像獲取，圖像分割，特征提取和選擇，模型的建立和驗證[15]。機器學(xué)習作為影像組學(xué)的一種方法，已經(jīng)在腫瘤診斷、分類和預(yù)后預(yù)測等方面展現(xiàn)出潛力[16-17]。同時有研究表明，使用影像組學(xué)特征可以預(yù)測乳腺癌NAC 療效[18-19]，然而方法各不相同，獲得的結(jié)果存在相似和差異，但均證明影像組學(xué)預(yù)測NAC療效值得進一步研究。

之前的研究通過Miller-Payne 分級系統(tǒng)將病理完全緩解（pathologic complete response, pCR）率作為預(yù)測結(jié)果的參考指標[20-21]。但既往研究都是基于pCR 結(jié)果使用影像組學(xué)對NAC 進行預(yù)測，盡管手術(shù)切除得到的組織病理學(xué)檢查是療效評估的金標準，但過程有創(chuàng)且結(jié)果具有滯后性，而且該過程通過比較化療前后腫瘤細胞的變化來判斷，需要進行二次穿刺，部分患者可能因有創(chuàng)而拒絕穿刺，無法通過患者是否達到pCR進行評估[22-23]。

與既往研究的標準不同，本研究旨在基于RECIST 結(jié)果，使用機器學(xué)習組合模型拓展影像組學(xué)預(yù)測腫塊型乳腺癌NAC 療效，補充既往基于pCR 的影像組學(xué)研究，針對一些無法及時進行二次穿刺的患者，無創(chuàng)地預(yù)測患者對NAC的敏感性，使影像組學(xué)在預(yù)測乳腺癌NAC療效的能力更為豐富。

1 材料與方法

1.1 研究對象

本研究遵守《赫爾辛基宣言》，經(jīng)中國人民解放軍總醫(yī)院第五醫(yī)學(xué)中心科學(xué)研究倫理委員會批準，免除受試者知情同意，批準文號：KY-2022-9-70-1。在分析所有數(shù)據(jù)前，所有患者的信息都被匿名化?；仡櫺苑治?018 年1 月到2021 年10 月在中國人民解放軍總醫(yī)院第五醫(yī)學(xué)中心接受新輔助化療的97例乳腺癌患者的臨床及影像資料。納入標準：（1）在治療前接受了乳腺MRI檢查并且均在同一型號儀器上掃 描；（2）接 受 了NAC 治 療；（3）有 完 整 的 臨 床RECIST 結(jié)果；（4）MRI 顯示為腫塊型乳腺癌。排除標準：（1）患側(cè)乳腺病灶在MRI檢查前接受過任何治療；（2）有嚴重的器官衰竭和釓對比劑過敏史；（3）哺乳期、妊娠期和乳房整形手術(shù)史；（4）治療前發(fā)生遠處轉(zhuǎn)移。

1.2 分組標準

本研究納入患者所接受的NAC治療方案均為紫杉醇序貫或聯(lián)合蒽環(huán)類，伴或不伴鉑類。NAC 的持續(xù)時間為4～8 個月，所有患者隨訪至2022 年3 月，最短的隨訪時間為6 個月，最長隨訪時間為50 個月，平均隨訪時間為26個月。

腫瘤化療反應(yīng)是根據(jù)RECIST 1.1 中腫瘤最長徑的變化來評價的。腫瘤反應(yīng)評價分為四類：完全緩解（complete response, CR）、部 分 緩 解（partial response, PR）、疾病穩(wěn)定（stable disease, SD）和疾病進展（progressive disease, PD）。CR 是指所有病灶消失，無新病灶出現(xiàn)，并維持4 周以上；PR 是指所有病灶最長徑總和減少≥30%，并維持至少4 周以上；PD是指病變最長直徑增加至少20%，或在化療結(jié)束時，病變直徑之和呈上升趨勢，或出現(xiàn)一個或多個新病變；SD是指化療后病灶最長徑總和縮小但未達到PR水平，也沒有進展到PD 水平的階段[21]。根據(jù)RECIST 的結(jié)果，將患者分為兩組。有效組，包括CR和PR；無效組，包括SD和PD。

1.3 MR圖像采集與分析

所有患者的MRI 檢查均采用Siemens Espree Pink 1.5 T 超導(dǎo)型MR 儀，使用乳腺專用8 通道線圈?；颊呷「┡P位，雙乳下垂，緊貼線圈。本研究僅選取DCE-MRI 進行后續(xù)研究，掃描采用容積內(nèi)插體部檢查序列（TR 4.53 ms，TE 1.66 ms，層厚1.0 mm），分6 個時相采集圖像，每個時相掃描時間60 s，按照0.2 mmoL/kg 靜脈團注釓噴酸葡胺（分包裝企業(yè): 拜耳醫(yī)藥保健有限公司廣州分公司），注射流率2.5 mL/s，并以相同流率追加20 mL 生理鹽水。后續(xù)使用DCE-MRI減影第一期對病變進行特征提取。

1.4 病理分析

根據(jù)2017年中國抗癌協(xié)會乳腺癌診治指南和病理醫(yī)生分析的組織病理報告中的免疫組化結(jié)果來確定乳腺癌分子亞型[24]，使用雌激素受體（estrogen receptor, ER）、孕酮受體（progesterone receptor, PR）、人表皮生長因子受體2（human epidermal growth factor receptor 2, HER-2）狀態(tài)和Ki-67 指數(shù)來確定分子亞型，Luminal A 型（ER/PR 陽 性，且PR≥20%，HER-2 陰性，Ki-67＜20%）；Luminal B 型（ER/PR 陽性，HER-2 陰性，且Ki-67≥20%或PR＜20%；ER 陽性，HER-2 陽性，任何Ki-67，任何PR）；HER-2 陽性（ER、PR 陰性；HER-2 陽性）；三陰型（ER、PR、HER-2 均陰性）。EP 和PR 陽性定義為細胞染色大于1%。根據(jù)St.Gallen 2015 年共識會議，本研究選擇了Ki-67 的界限為20%，Ki-67≥20%為高表達，＜20%為低表達。HER-2 陽性定義為免疫組化檢測3+或熒光原位雜交法檢測陽性[25]。

1.5 病灶分割、影像組學(xué)特征提取及模型建立

DICOM 格式的MR 圖像被用于進一步的影像組學(xué)分析。一名有15年工作經(jīng)驗的放射科主治醫(yī)師使用ITK-SNAP 軟件（www.itksnap.org）在DCE-MRI 減影第一期圖像對97 名患者的病灶進行手動標注，因為這一期是識別和勾畫病灶最清晰的一期，得到病灶感興趣區(qū)（region of interest, ROI）。在病變的各個截面完成了標記，之后兩名專業(yè)的放射科副主任醫(yī)師（工作經(jīng)驗20 年，25 年）對97 例標記結(jié)果進行了復(fù)核，復(fù)核階段如兩名放射科醫(yī)師無法確定病灶或出現(xiàn)其他意見分歧，雙方通過協(xié)商最后達成一致。示例見圖1。

圖1 4 種分子亞型乳腺癌患者橫斷面DCE-MRI 減影第一期圖像及其分割圖像。1A：Luminal A 型；1B：Luminal B 型；1C：HER-2 陽性型；1D：三陰型。DCE-MRI：動態(tài)對比增強MRI；HER-2：人表皮生長因子受體2。Fig.1 Axial view of DCE-MRI subtracted phase I images and the segmented images in patients with four molecular subtypes of breast cancer.1A: Luminal A; 1B:Luminal B; 1C: HER-2 subtype; 1D: Triple negative subtype.DCE-MRI: dynamic contrast-enhanced MRI; HER-2: human epidermal growth factor receptor 2.

影像組學(xué)特征提?。菏褂肞yradiomics 軟件對勾畫的ROI 區(qū)域進行特征提取，提取的組學(xué)特征包括以下幾類：（1）用于描述病灶大小和形狀的三維形狀特征，可以顯示出病灶區(qū)域的形狀和范圍；（2）用于描述體素強度分布的一階特征，包括偏度，峰度，均值、方差和熵等；（3）用于描述病灶區(qū)域的紋理特征，包括灰度共生矩陣（gray-level co-occurrence matrix，GLCM）、灰度游程矩陣（gray-level run-length matrix,GLRLM）、灰度區(qū)域大小矩陣（gray-level size zone matrix, GLSZM）、相鄰灰度差分矩陣（neighborhood gray-tone difference matrix NGTDM）和灰度依賴矩陣（gray-level dependence matrix, GLDM）特征等；（4）為了強化病灶的紋理信息，還引入了高通或低通小波濾波器和不同參數(shù)的拉普拉斯-高斯濾波器對原始MR 圖像進行預(yù)處理，實現(xiàn)去除圖像噪聲和增強病灶邊界及紋理特征的目的，預(yù)處理后的圖像與原始MR圖像一起送入特征提取器中提取組學(xué)特征，最終，對于每個病灶共有1 316 個影像組學(xué)特征被提取出來，并進行Z-score 標準化；（5）除此之外，本研究還納入了4種臨床及影像信息，分別為患者年齡，分子亞型，是否存在治療后淋巴結(jié)轉(zhuǎn)移以及表觀擴散系數(shù)（apparent diffusion coefficient, ADC）值在NAC 治療前后的差異信息，這4種信息與影像特征組合到一起共同應(yīng)用到模型建立中。

模型建立：本研究中采用了特征篩選器與機器學(xué)習分類器交叉組合的方案。在特征篩選上，采用了基于單變量分析和多變量分析的特征選擇方法，單變量分析包括F檢驗、卡方檢驗和互信息；多變量分析采用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）；在分類器上，本研究采用支持向量機（support vector machine,SVM）、隨機森林（random forest, RF）、logistic 回歸分析（logistic regression, LR）三種機器學(xué)習方法建立模型。通過交叉組合，共有12 種特征篩選器和機器學(xué)習分類器的組合。模型訓(xùn)練時，本研究采用了10次重復(fù)的五折交叉驗證避免過擬合風險，在每一次交叉驗證中，數(shù)據(jù)集首先被分為5份，然后使用其中4份數(shù)據(jù)集訓(xùn)練模型得到最佳參數(shù)，最后在剩下的1份數(shù)據(jù)中進行測試得到模型預(yù)測結(jié)果。另外，由于正負樣本數(shù)據(jù)差異較大，本研究也使用了合成少數(shù)類過采樣技術(shù)（synthetic minority oversampling technique, SMOTE），自適應(yīng)合成抽樣（adaptive synthetic sampling, ADASYN）等算法對特征值進行二次采樣，避免數(shù)據(jù)不均衡對分類的影響。

1.6 統(tǒng)計學(xué)分析

采用SPSS 25.0 和Python 3.8 進行統(tǒng)計分析。符合正態(tài)分布的計量資料以±s表示，計數(shù)資料以例數(shù)表示。對計量資料先進行正態(tài)分布檢驗，采用兩獨立樣本t檢驗進行有效者和無效者之間臨床特征的組間比較；分類變量資料的組間比較采用卡方檢驗和Fisher 確切概率法。以P＜0.05 為差異有統(tǒng)計學(xué)意義。采用曲線下面積（area under the curve, AUC）、敏感度、特異度、準確率、陽性預(yù)測值和陰性預(yù)測值來評估影像組學(xué)的預(yù)測性能。

2 結(jié)果

2.1 基線資料比較

本研究一共納入了97 例腫塊型乳腺癌患者，所有患者均為女性，年齡為31～78（50±9）歲。有效組包括2 名達到CR 和62 名達到PR 的患者，無效組包括1 名達到PD 和32 名達到SD 的患者，共產(chǎn)生了64 名有效組（66%）和33 名無效組（34%）。Luminal A 型13 例，Luminal B 型37 例，HER-2 陽性23 例，三陰型24 例。其中對有效組和無效組間的臨床病理特征進行比較，組間的HER-2 和Ki-67 差異有統(tǒng)計學(xué)意義（P＜0.05），其余臨床病理特征比較差異均無統(tǒng)計學(xué)意義（表1）。

表1 腫塊型乳腺癌NAC療效有效組和無效組患者基本臨床和病理特征的比較Tab.1 Comparison of basic clinical and pathologic characteristics of patients in the effective and ineffective groups of NAC efficacy in mass enhancement breast cancer

2.2 交叉組合模型預(yù)測性能比較

在所有交叉組合的方案中，取得最佳分類性能的特征篩選方法是單變量分析中的F檢驗方法，最佳的分類器是SVM模型，該組合共篩選出191個影像組學(xué)特征，AUC為0.83[95%置信區(qū)間（confidence interval,CI）：0.80～0.86]，準確率為77%（95%CI：74%～80%），特異度為81%（95%CI：78%～84%），敏感度為71%（95%CI：65%～77%），陽性預(yù)測值為67%（95%CI：62%～72%），陰 性 預(yù) 測 值 為85%（95%CI：83%～87%）。另外兩種分類器中，LR 的AUC 為0.82，準確率為79%，而RF只得到了0.73的AUC和69%的準確率。具體的模型預(yù)測指標見表2，三種模型預(yù)測的受試者工作特征（receiver operating characteristic, ROC）曲線見圖2。12 種特征篩選器和機器學(xué)習分類器的組合模型的預(yù)測效能見表3，加入4 種臨床及影像信息的模型效能無提升。

表2 三種分類模型的預(yù)測指標Tab.2 Predictors of the three classification models

圖2 三種模型預(yù)測結(jié)果的ROC 曲線圖。ROC：受試者工作特征；SVM：支持向量機；AUC：曲線下面積。Fig.2 ROC graphs of the predicted results of the three models.ROC:receiver operating characteristic; SVM: support vector machine; AUC:area under the curve.

在用于建模的191個影像組學(xué)特征中，我們根據(jù)特征對分類影響的大小列出了10個特征和對應(yīng)的權(quán)重占比（圖3）。在前10 個特征中，有7 個是圖像紋理特征，剩余3 個是一階特征，其中權(quán)重最大的特征是通過濾波變換后的GLRLM 計算得到的長游程因子（long run emphasis, LRE）。測試中所有數(shù)據(jù)的預(yù)測分數(shù)圖見圖4。

圖3 支持向量機模型中權(quán)重最大的前10個特征信息。Fig.3 Information on the top ten features with the highest weight in the support vector machine.

圖4 測試中所有數(shù)據(jù)的預(yù)測分數(shù)圖。紅色代表有效組，藍色代表無效組，柱的長短代表該數(shù)據(jù)被預(yù)測出的分數(shù)值，分數(shù)越高代表數(shù)據(jù)被預(yù)測出的敏感性越高。縱坐標是分類器輸出的預(yù)測score（無單位）；橫坐標代表每一例數(shù)據(jù)。Fig.4 Plot of predicted scores for all data in the test.Red represents the effective group, blue represents the ineffective group.The length of the bar represents the value of the score that is predicted for that data, with higher scores representing higher sensitivity to the data being predicted.

3 討論

本研究通過分析97例腫塊型乳腺癌患者的臨床和影像信息開發(fā)了一種基于F檢驗和SVM 的機器學(xué)習組合模型，以RECIST 結(jié)果作為參考標準，取得了0.83 的AUC 值，這驗證了基于RECIST 角度的影像組學(xué)可以為后續(xù)無法及時進行穿刺活檢的患者提供NAC治療結(jié)果的預(yù)測。

3.1 特征篩選的意義

影像組學(xué)在腫瘤影像學(xué)中被廣泛應(yīng)用，其在乳腺腫瘤影像學(xué)中的應(yīng)用仍在不斷增加，尤其是在預(yù)測NAC 的療效方面[26-27]。一些紋理特征可以提供傳統(tǒng)影像學(xué)無法提供的信息，影像組學(xué)的特征參數(shù)——熵代表圖像灰度分布，熵值越高代表灰度分布不均勻，腫瘤異質(zhì)性越高，這也證實了NAC療效差異的原因，這與XIONG 等[28]和姚純等[29]研究結(jié)果相似。本研究還加入了偏度、峰度、均值和方差的一階特征，峰度及偏度也反映腫瘤的異質(zhì)性，其絕對值越高腫瘤的異質(zhì)性越強，這與王蘭蘭等[30]發(fā)現(xiàn)一階特征與不同分子亞型的異質(zhì)性有關(guān)的結(jié)果相似。本研究權(quán)重最高的特征是通過濾波變換后的GLRLM 計算得到的LRE，GLRLM 主要是對圖像像素點的分布進行統(tǒng)計得到的紋理特征，能夠提供病灶的空間信息，反映圖像灰度關(guān)于方向、幅度變化以及相鄰間隔的綜合信息，是分析圖像局部及排列規(guī)則的基礎(chǔ)[31]。LRE 表示圖像的紋理越粗，值越大，GLRLM 在良惡性腫瘤的診斷及鑒別中已有相關(guān)研究[32]，本研究的結(jié)果或許可以提示GLRLM 在惡性腫瘤療效預(yù)測方面的價值。上述研究均表明，紋理特征及臨床信息可以用于乳腺癌NAC的療效預(yù)測。

3.2 組合模型的意義

為了保證模型具有穩(wěn)健高效的預(yù)測效能，我們選擇了特征篩選器與機器學(xué)習分類器交叉組合，體現(xiàn)不同特征選擇方法和不同機器學(xué)習算法的最大效能，選擇LR、RF 及SVM 這三種分類器是由于它們具有較高的預(yù)測效能并且得到了廣泛應(yīng)用[33-34]。大部分影像組學(xué)的研究僅通過組學(xué)特征建立的模型進行后續(xù)探索，組合模型可以最大程度地提高效能，通過對比不同特征篩選方法和機器學(xué)習分類器組間的模型，證明即使同一種特征篩選方法，結(jié)合不同的機器學(xué)習算法時也會產(chǎn)生不同的結(jié)果，ZHANG 等[35]比較了不同組合模型預(yù)測晚期鼻咽癌預(yù)后的能力，發(fā)現(xiàn)RF 與RF 構(gòu)建的特征選擇分類器組合得到了最好的預(yù)測效能。此外，本研究得出的SVM 算法具有最高準確率和AUC 值的結(jié)果與夏冰清等[36]相似，證明SVM 算法作為一種適合小樣本的模型，可以高效且穩(wěn)定地處理數(shù)據(jù)集，目前也可應(yīng)用于預(yù)測淋巴結(jié)轉(zhuǎn)移和臨床分類等問題，而RF 在樣本較多的情況下會具有更好的隨機性和泛化能力；LR 也主要應(yīng)用于二分類問題，計算效率較高，也更適合數(shù)據(jù)量較大的情況[37-39]。同時，我們考慮到了有效組和無效組數(shù)據(jù)比率不平衡的問題，采用SMOTE 進行二次采樣，這是一種用于改進隨機過采樣的方法，可以減少模型過擬合的問題[40]。而且ER、PR、HER-2、Ki-67對于乳腺癌的治療和預(yù)后非常重要，本研究中有效組和無效組組間的HER-2 和Ki-67 差異有統(tǒng)計學(xué)意義，這也證明了生物標志物在療效評估中的應(yīng)用價值，聯(lián)合多種生物標志物可能會提高預(yù)測模型的效能，未來可以加入腫瘤標志物如CEA/CA-153-3 等聯(lián)合建立模型。

3.3 基于影像組學(xué)預(yù)測NAC的臨床意義

乳腺癌患者對NAC的反應(yīng)與制訂個體化治療方案有關(guān)，但只有少數(shù)患者能達到pCR，早期預(yù)測患者的NAC反應(yīng)可以減少不必要的治療副作用以及手術(shù)創(chuàng)傷[41]。乳腺鉬靶及超聲對預(yù)測NAC 療效有一定價值，但效果不如MRI，DCE-MRI可以提供功能信息和參數(shù)，具有較高的敏感度（76%～92%）、特異度（60%～89%）和準確率（76%～90%）[42]。本研究結(jié)果與以往預(yù)測NAC 反應(yīng)的研究相似，驗證了影像組學(xué)對于預(yù)測NAC 療效具有重要作用。然而，既往研究中大多數(shù)針對pCR 的結(jié)果來預(yù)測NAC 療效，一些大型的隨機試驗也證明pCR 是臨床療效的潛在替代標志物[43]，EUN 等[44]對136 名實施NAC 并接受手術(shù)的乳腺癌患者使用T2WI、擴散加權(quán)成像（diffusion weighted imaging, DWI）、表觀擴散系數(shù)（apparent diffusion coefficient, ADC）、DCE-MRI 的序列結(jié)合6 種機器學(xué)習分類器的模型對pCR 進行預(yù)測，AUC 達0.82。PENG 等[45]納入了356 例NAC 后接受手術(shù)的乳腺癌患者，在卷積神經(jīng)網(wǎng)絡(luò)中加入動力學(xué)參數(shù)等信息，取得了預(yù)測pCR良好的性能。TAHMASSEBI等[46]篩選了38 名乳腺癌患者，在兩個周期NAC 前后進行乳腺MRI 檢查，使用DCE-MRI、DWI 和T2WI 對每個病變提取23 個特征，發(fā)現(xiàn)XGBoost 分類器實現(xiàn)了最穩(wěn)定的性能和最高的準確率。國內(nèi)外有許多研究均可證明使用影像組學(xué)或機器學(xué)習等方法可以預(yù)測乳腺癌患者的pCR，但存在一些沒有進行手術(shù)切除而無法獲得病理結(jié)果的患者，本研究旨在針對腫塊型乳腺癌從RECIST 角度預(yù)測NAC 的療效，補充了以往基于pCR 的影像組學(xué)研究，為乳腺癌NAC 療效預(yù)測提供有效臨床輔助。FAN 等[47]也曾證明基于RECIST研究DCE-MRI 影像組學(xué)特征的定量分析可作為NAC 療效預(yù)測的重要手段；李海蛟等[48]使用ADC 的全域直方圖基于RECIST 對宮頸癌進行NAC 的療效預(yù)測，得到了較好的預(yù)測性能；同時，有研究表明，RECIST 分級可成為NAC 患者腋窩淋巴結(jié)轉(zhuǎn)移的獨立預(yù)測因素，達到CR 的患者腋窩淋巴結(jié)pCR 的可能性更大[49]；KIM 等[50]通過列線圖證明腫瘤對化療的反應(yīng)程度與腋窩pCR 的可能性增加呈顯著相關(guān)，RECIST 結(jié)果對于反映乳腺癌整體的療效都存在借鑒意義。上述研究表明，基于RECIST 結(jié)合影像組學(xué)來預(yù)測乳腺癌NAC 療效是存在臨床意義的，本研究旨在針對一些無法及時進行手術(shù)治療的患者，從無創(chuàng)的角度分析預(yù)測對NAC 的敏感度，同時采用了特征篩選器與機器學(xué)習分類器交叉組合，使影像組學(xué)在預(yù)測乳腺癌NAC療效的能力得到充分發(fā)揮。

3.4 局限性

本研究也存在著幾個局限性。首先，本研究是一個單中心的回顧性研究，樣本量較小，因此本研究采用了10次重復(fù)的五折交叉驗證避免過擬合風險，由于正負樣本數(shù)據(jù)差異較大，也使用了SMOTE 和ADASYN 等算法對特征值進行二次采樣，避免數(shù)據(jù)不均衡對分類的影響，后續(xù)研究可以進一步收集多中心病例進行外部驗證，擴大樣本量實現(xiàn)非腫塊型和不同分子亞型乳腺癌的預(yù)測模型；第二，本研究提取的高階特征數(shù)量有限，后續(xù)可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)等深度學(xué)習方法與影像組學(xué)方法結(jié)合，提取更多高階特征進行預(yù)測；第三，本研究只使用了DCE-MRI 減影第一期圖像和部分臨床特征，雖然加入了ADC 值的差異信息，但臨床和病理信息仍較少，后續(xù)研究可以使用T2WI、DWI、ADC 圖像以及TNM分期等臨床信息進一步研究；第四，本研究少部分患者隨訪時間較短，后續(xù)將對此部分患者繼續(xù)進行隨訪，并將隨訪信息納入模型進行驗證。

4 結(jié)論

本研究基于RECIST 結(jié)果，開發(fā)了一種基于F檢驗和SVM 的機器學(xué)習組合模型，進一步證實了影像組學(xué)可以預(yù)測腫塊型乳腺癌患者的NAC 療效，補充了以往基于pCR 預(yù)測NAC 療效的影像組學(xué)研究，可為乳腺癌NAC療效預(yù)測提供有效臨床輔助。針對一些無法及時進行二次穿刺的患者，無創(chuàng)地預(yù)測患者對NAC 的敏感度，未來仍需要進一步研究確定更好的模型去利用影像組學(xué)為臨床提供幫助。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：盛復(fù)庚設(shè)計本研究的方案，對稿件重要內(nèi)容進行了修改；岳文怡起草和撰寫稿件，獲取、分析和解釋本研究的數(shù)據(jù)；張洪濤、高珅、周娟、蔡劍鳴、田寧、董景輝、劉淵、白旭獲取、分析或解釋本研究的數(shù)據(jù)，對稿件重要內(nèi)容進行了修改；盛復(fù)庚獲得了國家自然科學(xué)基金項目資助；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。