基于BRCA谱系的三阴性乳腺癌放射组学乳腺X线分析的初步探索

为什么乳腺影像可能比肉眼看到的更多

大多数人在想到乳腺X线（钼靶）时，会联想到医生在寻找明显的肿块或可疑斑点。本研究提出了更深层的问题：常规乳腺X线中的微妙模式，是否也能在病理学或基因检测之前，揭示女性是否携带高风险的遗传突变，例如BRCA基因？如果成立，常用于癌症筛查的日常影像可能也能帮助标识有较高遗传风险的女性，从而引导更密切的随访或遗传咨询。

一种棘手的乳腺癌类型与遗传风险

研究者集中研究三阴性乳腺癌，这是一种较为侵袭性的类型，缺乏三种常见的激素和生长因子标志物，目前可供选择的靶向治疗较少。携带BRCA1或BRCA2基因有害变异的女性更易出现三阴性肿瘤，这些基因参与受损DNA的修复。然而，目前确认这些突变仍需基因检测。研究团队想知道，在已确诊为三阴性乳腺癌的患者中，乳腺X线本身是否包含对有无BRCA突变具有辨别力的隐匿线索——这些线索对人眼而言过于细微。

将乳腺X线转化为数值

为探讨这一点，研究人员对52例在任何治疗前接受了数字乳腺摄影且已知BRCA状态的三阴性乳腺癌女性进行了回顾性分析。13例携带BRCA突变，39例不携带。放射科医师在乳腺X线图像上手动勾画出每个可见肿瘤的轮廓，并在对侧看来正常的乳腺中选择最均匀的区域绘制标准大小的椭圆作为对照。研究者使用开源软件将每个勾画区域转换为195个数值描述符或“特征”，这些特征捕捉亮度、对比度及细尺度纹理——明暗模式的细微差别，提示组织在微观层面的组织结构。

让算法去寻找有意义的模式

由于数百个测量值可能存在冗余，团队使用统计工具将特征缩减到若干信息量大且互不强相关的项。随后他们建立了三类模型：仅基于健康乳腺组织特征的模型、仅基于肿瘤特征的模型以及两者结合的模型。若干现成的机器学习分类器——包括逻辑回归、支持向量机和决策树——在反复打乱的数据子集上进行训练与测试，以估算这些方法区分携带BRCA突变与不携带患者的能力。

静默的健康乳腺组织传递出最强信号

出人意料的是，最准确的模型并非来自肿瘤本身，而是来自对侧看似正常的腺体组织。一个仅基于该健康组织三项特征的简单线性模型，就能较好地区分突变携带者与非携带者，并表现出较高的特异性——即假阳性较少。其中一项纹理度量称为“和熵”（sum entropy），反映像素模式的随机性或复杂性，在携带BRCA突变的女性中持续较高。作者推测，DNA修复的遗传缺陷可能在肿块形成之前或超出肉眼可见范围地微妙改变乳腺组织的微观结构，而这种改变在钼靶影像中以更不规则的纹理表现出来。

这对未来筛查可能意味着什么

对于非专业读者来说，关键结论是标准乳腺X线可能蕴含比放射科医师当前利用的更多信息。在这项初步研究中，对“背景”乳腺组织（而非仅肿瘤）的计算机分析有助于在已患三阴性乳腺癌的群体中区分高风险BRCA突变携带者与非携带者。如果更大规模、多中心的研究证实这些发现并将其与临床数据整合，常规筛查影像将来可能支持非侵入性工具来评估遗传风险，帮助决定谁应被推荐接受基因检测或更密切的监测，而无需改变乳腺X线本身的采集方式。

引用: Pecchi, A., Sessa, G., Nocetti, L. et al. Preliminary exploration of radiomic mammographic analysis in triple negative breast cancer related to BRCA profile. Sci Rep 16, 8765 (2026). https://doi.org/10.1038/s41598-026-35774-1

关键词: 三阴性乳腺癌, BRCA 突变, 乳腺X线摄影, 放射组学, 放射基因组学