利用双模态放射组学预测浸润性乳腺癌中Ki-67的表达

这项研究对患者的重要性

对于面临浸润性乳腺癌诊断的女性来说，一个关键问题是肿瘤可能以多快的速度生长和转移。医生通常依赖一种称为Ki-67的蛋白来估计癌细胞分裂的速度，但测量它通常需要通过针吸或手术取组织。这项研究探讨了常规乳腺影像——超声和钼靶——中隐藏的信息能否被计算机结合并分析，以在不增加侵入性检查的情况下预测Ki-67水平，从而可能在减少不适和风险的前提下帮助个体化治疗。

看到肉眼无法识别的细节

超声和钼靶是发现和描述乳腺肿瘤的常用工具。放射科医生会观察形状、边界及其他可见特征，但每幅影像还包含许多亮度与纹理的微妙模式，复杂到肉眼难以全面解读。放射组学是一种将医学影像转换为数百个可测量特征的技术，把每个肿瘤变成丰富的数字指纹。作者推测，这些指纹可能反映肿瘤的侵袭性，包括其Ki-67水平是高还是低。

结合两种影像方法

研究团队回顾性分析了在一家医院接受治疗的206例浸润性乳腺癌女性患者。所有患者均有清晰的术前超声和钼靶影像，以及实验室测定的Ki-67结果。按常用的界值将肿瘤分为低Ki-67（≤20%）和高Ki-67（>20%）。专家在影像上描绘了每个肿瘤的轮廓，计算机软件分别从两种影像中提取了超过一千个特征。这些特征描述了基本亮度、肿瘤形状以及细微的纹理模式，既包括原始影像也包括为突出隐藏结构而进行数学变换后的结果。

教计算机预测肿瘤的侵袭性

由于不是所有特征都有用，研究者使用统计方法将特征精简为包含最高预测能力的一小部分。随后他们训练了几类机器学习模型来区分高Ki-67和低Ki-67的肿瘤，构建了三种版本：仅基于超声的模型、仅基于钼靶的模型，以及结合两者特征的模型。他们通过重复交叉验证对模型进行了严格测试，这一过程通过反复重洗并分割数据为训练组和测试组来检验模型在新病例上的稳健性。

模型从影像中学到了什么

结合模型明显优于单一影像方法的模型。其曲线下面积（AUC）达到了0.882，意味着在近九成的病例中能正确区分高Ki-67与低Ki-67肿瘤，并在敏感性（检测侵袭性肿瘤）与特异性（避免误报）之间取得良好平衡。仅超声或仅钼靶的准确性明显较低。许多最重要的特征反映了纹理——即肿瘤内部灰度的均匀性或差异性——以及肿瘤形状的某些方面。通过一种名为SHAP的解释工具，作者展示了哪些特征更强烈地推动模型做出高风险或低风险的预测，从而增加了决策的透明度。

对临床的潜在影响与下一步

研究表明，结合超声与钼靶的信息，计算机能够估计肿瘤的生长活性，其结果与基于活检的Ki-67检测高度一致。在临床实践中，这类工具或可帮助医生在难以获得活检或需要随访多次测量时决定何时加大治疗或加强监测。然而，该研究为单中心且为回顾性设计，仍需在更大、更多样化的患者群体以及前瞻性试验中验证。如果得到确认，这种双模态放射组学方法可望成为指导个体化乳腺癌治疗的有价值、无创辅助手段。

引用: Xu, R., Lin, Q., Zheng, C. et al. Prediction of Ki-67 expression in invasive breast cancer with dual-modality radiomics. Sci Rep 16, 12129 (2026). https://doi.org/10.1038/s41598-026-42827-y

关键词: 乳腺癌, Ki-67, 放射组学, 超声, 钼靶摄影