前沿分子生物学技术（37）

撰文：德尔

责编：文迪

IF=11.878

推荐度：⭐⭐⭐⭐⭐

亮点：

1、提供了一种非侵入性成像生物标志物，可预测早期乳腺癌患者的转移程度。

2、深度学习放射学可用于分析SWE图像，并在预测肝纤维化分期方面表现出出色的性能。本研究在此基础上提供了检测乳腺癌淋巴结转移的可能，展现了深度学习放射学检测其他癌症的潜力。

3、与性能最佳的传统方法相比，该方法性能提高了约20％（AUC=0.902）。

乳腺癌是全世界女性中最常被诊断出的癌症，并成为癌症相关死亡的第二大主要原因。准确识别乳腺癌患者的腋窝淋巴结转移（ALN）对于预后和治疗决策至关重要。

放射学可以自动从医学图像中提取大量的定量图像特征。该方法最初在临床分析CT或MRI图像肿瘤学中证明有效。但通过放射线学分析图像具有一些局限性，包括对象分割和硬编码特征的提取。深度学习放射学（DLR）是一种新开发的方法，它可以通过监督学习从医学图像中提供定量和高通量的特征。当用于分析医学图像时，深度学习放射学通常会遇到小样本学习问题。结合了临床信息和网络特征的临床参数组合深度学习放射学可以帮助为图像特征提供补充信息，并共同使用临床信息和US图像特征来构建模型，从而改善模型性能。

近日，来自中山大学肿瘤防治中心超声心电科的周建华课题组联合复旦大学电子工程系的余锦华课题组在杂志Nature Communications上发表了文章‘Deep learning radiomics can predict axillary lymphnode status in early-stage breast cancer’，提供了一种非侵入性成像生物标志物，可预测早期乳腺癌患者ALN的转移程度。

超声在美国已被广泛用于术前表征乳腺病变并确定淋巴结转移。一项研究表明，临床T期和术前腋窝超声检查（US）的结果与早期乳腺癌患者的淋巴结转移状况有关，但腋窝超声检查的诊断性能差，AUC仅为0.585-0.719。在先前的研究中，仅使用临床病理学数据不够准确，AUC为0.66-0.7415。此外，术前无法获得某些数据，例如淋巴管浸润和组织学肿瘤大小，但术前了解淋巴结转移的状态对于确定适当的腋窝治疗选择至关重要。

2D-SWE（剪切波弹性成像）是一种用于测量组织刚度的美国新技术，将B模式图像与彩色编码图集成在一起，该图显示了剪切波速度的分布。这项技术在区分恶性和良性乳腺病变方面显示出了希望。一些研究表明，乳腺癌的僵硬是ALN状态的预测指标。乳腺癌的更高剪切波速度表明淋巴结转移的可能性高。然而，2D-SWE的性能取决于感兴趣区域（ROI）的位置和AUC仅为0.759。因此，仅乳腺癌的SWE图像可能不足以准确评估淋巴结转移的状态。

本研究的目的是评估临床参数组合DLR对乳腺癌的常规US图像和SWE图像的诊断性能，以预测早期乳腺癌患者中淋巴结转移的参与程度。结果表明，临床参数组合深度学习放射学在预测无病腋窝（N0）与任何腋窝转移灶（N +（≥1））之间淋巴结转移的状态时，具有最佳的诊断性能，在测试集中AUC为0.902。在乳腺常规US和SWE图像上结合临床参数的深度学习放射学提供了一种非侵入性的成像生物标记，可用于预测术前淋巴结转移的程度，并有可能为早期乳腺癌患者确定适当的腋窝治疗方案。

最近的研究表明，深度学习放射学可用于分析SWE图像，并在预测肝纤维化分期方面表现出出色的性能。本研究在此基础上提供了检测乳腺癌淋巴结转移的可能，展现了深度学习放射学检测其他癌症的潜力。

参考文献

1. Zheng, X., Yao, Z.,Huang, Y. et al. Deep learning radiomics can predict axillary lymph node statusin early-stage breast cancer. Nat Commun 11, 1236 (2020).

教授介绍

周建华，主任医师、博士生导师。2001年中山医科大学本科毕业后一直在中山大学肿瘤防治中心超声科工作，2009年获中山大学临床医学博士学位，2009和2014年赴美国杰弗逊大学医学院和斯坦福大学医学院分子影像实验室从事合作研究。2009年入选中山大学肿瘤防治中心首批优秀青年人才，2012年被评为广州市珠江科技新星，2013年入选教育部新世纪优秀人才支持计划，2012年入选广东省高等学校“千百十人才培养工程”校级培养对象，2018年入选广东省杰出青年医学人才。擅长肝胆、泌尿系、乳腺、甲状腺、淋巴结等肿瘤的超声诊断及介入诊断治疗，在甲状腺结节、乳腺结节和淋巴结的介入诊断与微创治疗方面具有丰富经验。

余锦华，复旦大学电子工程系，教授、博导。研究方向：（1）医学信号处理（深度学习，医疗大数据，影像组学，医学影像处理）。（2）医学超声成像（成像原理、方法，非线性超声成像）。（3）计算机辅助诊断（基于磁共振、超声、CT的计算机辅助诊断系统）。