来源：期刊VIP网 时间：
作者：张澳祺;朱秋扬;刘梦玲;李冉;朱芸;汤晓敏;赵灿灿;何杰;谢宗玉;
单位：蚌埠医科大学第一附属医院放射科;蚌埠医科大学医学影像学院;安徽科技学院信息与网络工程学院网络安全系;浙江大学医学院附属邵逸夫医院放射科;
摘要：目的 探讨基于动态对比增强MRI(dynamic contrast-enhanced MRI, DCE-MRI)瘤内瘤周深度学习影像组学（deep learning radiomics,DLR）融合模型预测三阴性乳腺癌（triple-negative breast cancer,TNBC）新辅助化疗（neoadjuvant chemotherapy, NAC）疗效响应的价值。材料与方法 回顾性收集两个医学中心接受NAC的161名TNBC患者资料及每位患者NAC前的DCE-MRI图像，将来自中心一的数据作为训练集（n=112），中心二的数据作为外部验证集（n=49）。公开数据集TICA数据（n=74）构成外部测试集。研究分为三个部分：传统影像组学、深度学习和DLR融合模型。基于PyRadiomics提取瘤内及瘤周3、5、7 mm区域影像组学特征，在不同的特征模型下测试了7个分类器的性能，分别为支持向量机（support vector machine, SVM）、K近邻（k nearest neighbors, KNN）、极端梯度提升决策树（extreme gradient boosting, XGBoost）、极端随机树（extra trees, ET)、逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、朴素贝叶斯（naive bayes, NB），获得最佳分类器，以构建影像组学模型。深度学习基于3D DenseNet-121架构。在完成深度学习模型训练和预测后，将模型产生的深度学习评分（DL＿score）与组学特征进行融合，选择最优分类器XGBoost构建DLR融合模型。通过受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）评价模型的诊断效能，利用校准曲线评价模型的拟合能力，决策曲线评估预测模型的临床实用性。结果 最佳影像组学模型为基于ET构建的瘤内联合瘤周3 mm区域模型，在训练集、外部验证集及外部测试集中AUC值分别为0.847、0.780、0.720。与影像组学模型相比，深度学习模型在识别TNBC患者NAC疗效方面更好：训练集、外部验证集及外部测试集中AUC值分别为0.865、0.810、0.820。与单一模型相比，DLR融合模型进一步提高了区分能力：训练集、外部验证集及外部测试集的AUC及准确度分别为0.917、0.898、0.886及90.1%、87.9%、86.5%，具有更好的临床效益和良好的校准性。结论 基于DCE-MRI的瘤内瘤周特征的DLR融合模型在预测TNBC患者NAC疗效方面具有潜在的临床应用价值。
关键词：三阴性乳腺癌;;影像组学;;深度学习;;新辅助治疗;;磁共振成像
基金资助：蚌埠医科大学重点支持和培育学科领域专项（量子医学专项）（编号：2024bypy017）;蚌埠医科大学研究生科研创新项目（编号：Byycx24106）~~
