融合腫瘤及腺體影像特征的乳腺癌分型預(yù)測(cè)

劉偉芬，范 明，厲力華

(杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州 310018)

0 引 言

世界衛(wèi)生組織發(fā)表的2020年全球癌癥報(bào)告顯示，全球每年有六分之一的人死于癌癥，其中乳腺癌是全球女性中最常被確診的癌癥類型，也是女性癌癥死亡的主要原因[1]。乳腺癌作為一種高度異質(zhì)性的疾病，不同患者個(gè)體間或者同一患者體內(nèi)不同部位腫瘤細(xì)胞間從基因型到表型上都存在差異[2]，這種復(fù)雜性與多樣性給乳腺癌的診療帶來(lái)巨大困難。針對(duì)乳腺癌異質(zhì)性導(dǎo)致的治療后復(fù)發(fā)、轉(zhuǎn)移和耐藥性，研究者運(yùn)用基因表達(dá)分析方法對(duì)腫瘤進(jìn)行分型。Perou等[3]首先依據(jù)基因譜表達(dá)方法對(duì)乳腺腫瘤進(jìn)行不同亞型的分類，成為乳腺癌分子分型的基礎(chǔ)。然而乳腺癌全基因組分析成本過(guò)高，隨著分子生物醫(yī)學(xué)研究的不斷發(fā)展，臨床上采取免疫組化方法來(lái)檢測(cè)孕激素受體(Progesterone Receptor，PR)、雌激素受體(Estrogen Receptor，ER)、細(xì)胞增殖相關(guān)核抗原(Ki-67 抗原)、人類表皮生長(zhǎng)因子受體2(Human Epidermal Growth factor 2，HER-2)、等生物分子標(biāo)記信息，將乳腺癌分為4種分子分型，分別為管腔A型(Luminal A)、管腔B型(Luminal B)、HER-2過(guò)表達(dá)型(HER-2)、基底細(xì)胞樣型(Basal-like)[4]。不同分子分型的乳腺癌在發(fā)病率、治療反應(yīng)、預(yù)后、復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)等臨床表現(xiàn)上存在很大差異，分子亞型是乳腺癌腫瘤異質(zhì)性的體現(xiàn)[5-7]。

目前，臨床檢查主要通過(guò)活檢穿刺獲取患者的病理信息，但是活檢對(duì)人體有侵入式傷害，易受其他因素干擾，無(wú)法對(duì)腫瘤內(nèi)部的異質(zhì)性進(jìn)行描述，也無(wú)法反映腫瘤組織的整體情況[2]。隨著醫(yī)學(xué)影像學(xué)技術(shù)的不斷發(fā)展，影像學(xué)檢查作為非侵入式無(wú)創(chuàng)檢測(cè)技術(shù)，能描述腫瘤組織的時(shí)間與空間性質(zhì)，與病理學(xué)檢查形成互補(bǔ)[8]。DCE-MRI是磁共振成像最主要的技術(shù)之一。DCE-MRI需要靜脈注射造影劑釓噴酸葡胺(Gadolinium-diethylenetetramine Pentaacetic Acid，Gd-DTPA)，對(duì)注射前中后不同時(shí)間點(diǎn)的同一位置進(jìn)行多組掃描，全面描述造影劑流入和流出腫瘤的動(dòng)力學(xué)過(guò)程，間接反映腫瘤內(nèi)不同部位的血流特性[8-9]。研究表明影像學(xué)分析可用于乳腺癌分子亞型預(yù)測(cè)。Grimm等[10]用計(jì)算機(jī)視覺(jué)法從腫瘤DCE-MRI影像中提取了56個(gè)圖像特征，揭示了特征與Luminal A型、Luminal B型之間的關(guān)聯(lián)性。王世健等[11]使用計(jì)算機(jī)半自動(dòng)化方法從腫瘤影像中提取了65維特征，表明DCE-MRI特征可作為潛在乳腺癌分子分型的影像學(xué)標(biāo)記。Fan等[12]使用進(jìn)化算法從腫瘤DCE-MRI中識(shí)別了24個(gè)重要影像特征，并結(jié)合2個(gè)臨床病理學(xué)特征，對(duì)乳腺癌分子亞型進(jìn)行預(yù)測(cè)，揭示了從腫瘤DCE-MRI獲得的特征是預(yù)測(cè)乳腺癌分子亞型的潛在生物標(biāo)志物。Mazurowski等[13]研究了腫瘤DCE-MRI影像及背景實(shí)質(zhì)之間的增強(qiáng)率關(guān)系，指出Luminal B型與腫瘤強(qiáng)化動(dòng)態(tài)及背景組織相關(guān)。乳腺影像特征與分子分型的關(guān)聯(lián)性研究雖已取得一定進(jìn)展，但相關(guān)研究多數(shù)只針對(duì)腫瘤影像進(jìn)行分析，忽略了腫瘤周圍腺體組織對(duì)腫瘤的新陳代謝及浸潤(rùn)生長(zhǎng)的動(dòng)態(tài)調(diào)控作用。例如，腫瘤間質(zhì)干細(xì)胞能夠分泌驅(qū)化因子用于應(yīng)答癌細(xì)胞發(fā)出的信號(hào)，并反作用于癌細(xì)胞，激發(fā)侵襲行為[14]；位于腫瘤周邊的巨噬細(xì)胞能夠通過(guò)間質(zhì)降解酶促進(jìn)癌細(xì)胞局部侵襲與生長(zhǎng)[15]等。為充分利用腫瘤與腺體之間的相互關(guān)系，全面探索乳腺癌腫瘤及腺體影像特征對(duì)分子分型預(yù)測(cè)的重要作用，本文研究聯(lián)合腫瘤及腺體影像特征，建立基于腫瘤和腺體融合的影像組學(xué)分子分型預(yù)測(cè)模型。

1 數(shù)據(jù)與方法

1.1 患者信息

本文實(shí)驗(yàn)所用的數(shù)據(jù)采自浙江省中醫(yī)院，所有病例在DCE-MRI檢查前均未進(jìn)行任何乳腺手術(shù)或者化療。對(duì)205例病例進(jìn)行病理信息統(tǒng)計(jì)，患者均為女性，年齡分布在29～84歲，平均年齡52歲；絕經(jīng)94例，未絕經(jīng)111例；分子分型Luminal A型50例，Luminal B型75例，Basal-like型32例，HER-2型33例。以不同分子分型對(duì)經(jīng)期狀態(tài)進(jìn)行卡方檢驗(yàn)，對(duì)年齡進(jìn)行方差分析，P值分別為0.096 7和0.154 5，表明經(jīng)期狀態(tài)及年齡在4種分子分型中沒(méi)有統(tǒng)計(jì)差異。

1.2 影像采集及參數(shù)設(shè)置

DCE-MRI影像數(shù)據(jù)由德國(guó)西門子8通道雙乳房線圈MAGNETOM Verio 3.0T超導(dǎo)型磁共振成像系統(tǒng)采集?；颊吒┡P于雙側(cè)乳腺線圈上，雙乳對(duì)稱自然垂懸于乳腺線圈中央。動(dòng)態(tài)增強(qiáng)掃描參數(shù)設(shè)置如下：重復(fù)時(shí)間(TR)4.51 ms，回聲時(shí)間(TE)1.61 ms，層厚(ST)1 mm，翻轉(zhuǎn)角度(FA)10°，視野(FOV)340 mm×340 mm，采集矩陣(AM)448×448，層間距1 mm，像素分辨率0.759 mm×0.759 mm。使用0.2 mmol/kg的造影劑Gd-DTPA以4 ml/s的速度靜脈注射，注射前首先掃描獲取蒙片序列記作S0序列，注射后每隔60 s采集一個(gè)增強(qiáng)序列，記作S1，S2，S3，S4，S5序列。

1.3 影像感興趣區(qū)域分割

由于造影劑的增強(qiáng)作用，在增強(qiáng)序列中，腫瘤區(qū)域信號(hào)明顯高于背景組織，采用自適應(yīng)的空間模糊C-均值聚類(Fuzzy C-Means，F(xiàn)CM)算法與馬爾科夫隨機(jī)場(chǎng)(Markov Random Field，MRF)相互結(jié)合的三維分割方法對(duì)乳腺腫瘤DCE-MRI影像進(jìn)行分割[16]。首先，人工標(biāo)注腫瘤區(qū)域起止切片、腫瘤最大截面切片的粗略輪廓及中心點(diǎn)；然后，根據(jù)DCE-MRI上下切片之間的強(qiáng)空間相似性，以腫瘤最大徑所在圖像切片兩端為起始位置，以上一張切片的腫瘤分割結(jié)果作為下一張切片的分割起始模板，采用FCM算法對(duì)腫瘤進(jìn)行級(jí)聯(lián)分割粗分割；最后，運(yùn)用MRF調(diào)整粗邊緣實(shí)現(xiàn)精細(xì)分割。

乳腺腺體是指乳房組織內(nèi)包括乳腺血管、輸乳管、纖維結(jié)締組織等的乳腺實(shí)質(zhì)性部分。造影劑對(duì)乳腺血管有增強(qiáng)作用，但是對(duì)輸乳管、纖維結(jié)締組織等無(wú)增強(qiáng)作用，在增強(qiáng)序列中進(jìn)行自適應(yīng)聚類分割的方法不再適用；而蒙片序列中腺體組織信號(hào)平穩(wěn)均勻，且高于脂肪信號(hào)，故在蒙片序列中進(jìn)行腺體的分割。首先，綜合灰度變換、均值濾波、邊緣檢測(cè)、連通區(qū)域分析、多角度差分、圖像相似度比較等圖像處理基本方法，確定乳房區(qū)域邊緣；然后，采用FCM算法分離腺體與背景區(qū)域；最后，選取腫瘤外20 mm內(nèi)的腺體區(qū)域作為感興趣區(qū)域[17]。

1.4 影像組學(xué)特征提取

本文的研究針對(duì)DCE-MRI病灶影像選擇1個(gè)蒙片序列(S0)，2個(gè)減影序列，分別為第3增強(qiáng)序列減去蒙片序列(S3-S0)、第5增強(qiáng)序列減去蒙片序列(S5-S0)，以及1個(gè)增強(qiáng)率序列，即第5增強(qiáng)序列減去第3增強(qiáng)序列，再除以第3增強(qiáng)序列減去蒙片序列(S5-S3)/(S3-S0)，共4個(gè)序列進(jìn)行分析，分別提取111維特征。具體包括：中位數(shù)、極差、標(biāo)準(zhǔn)差、信息熵等19維統(tǒng)計(jì)特征[18]；體積、中心距、矩形度、粗糙度等17維形態(tài)特征[19]；基于灰度共生矩陣(Gray-level Co-occurrence Matrix，GLCM)[20]的對(duì)比度、同質(zhì)性、集群突出物、能量等24維紋理特征，基于灰度區(qū)域大小矩陣(Gray-Level Size Zone Matrix，GLSZM)[21]的小區(qū)域優(yōu)勢(shì)、大區(qū)域優(yōu)勢(shì)、區(qū)域大小非一致性、區(qū)域比等16維紋理特征，基于灰度游程矩陣(Gray-level Run-Length Matrix，GLRLM)[22]的短游程優(yōu)勢(shì)、長(zhǎng)游程優(yōu)勢(shì)、游程分布、游程比等16維紋理特征，基于鄰域灰度差矩陣(Neighboring Gray Tone Difference Matrix，NGTDM)[23]的粗糙度、復(fù)雜度等5維紋理特征，基于灰度相關(guān)矩陣(Gray Level Dependence Matrix，GLDM)[24]的小依賴因子、大依賴因子、依賴方差等14維紋理特征。

1.5 機(jī)器學(xué)習(xí)模型分析

為了探究DCE-MRI影像腫瘤和腺體的聯(lián)合對(duì)乳腺癌分子分型預(yù)測(cè)性能的影響，將205例病例數(shù)據(jù)集按照2∶1的比例隨機(jī)劃分為訓(xùn)練集與測(cè)試集，即訓(xùn)練集137例，測(cè)試集68例，對(duì)腫瘤和腺體提取的特征分別建立單特征及多特征機(jī)器學(xué)習(xí)模型，最后使用不同的融合方法對(duì)腫瘤/腺體多特征模型進(jìn)行融合，以預(yù)測(cè)乳腺癌分子分型。通過(guò)對(duì)已知數(shù)據(jù)的學(xué)習(xí)，實(shí)現(xiàn)未知數(shù)據(jù)的預(yù)測(cè)，預(yù)測(cè)未知數(shù)據(jù)時(shí)出現(xiàn)的誤差被稱為泛化誤差。因此，需要制定合理的策略，本文選取十折交叉驗(yàn)證(10-fold cross-validation)進(jìn)行模型性能驗(yàn)證，十折交叉驗(yàn)證結(jié)合網(wǎng)格搜索法(Grid Search Method，GSM)進(jìn)行影像特征選擇和模型參數(shù)選擇。最后根據(jù)測(cè)試結(jié)果繪制接受者工作特征(Receiver Operating Characteristic，ROC)曲線評(píng)價(jià)模型的性能。為了對(duì)模型進(jìn)行量化分析，計(jì)算ROC曲線下面積(Area Under the ROC，AUC)，AUC的取值在0～1之間，AUC越大，說(shuō)明模型預(yù)測(cè)性能越好。

1.5.1 基于腫瘤/腺體影像的單特征模型

對(duì)DCE-MRI影像腫瘤和腺體提取的特征進(jìn)行單特征分析。分別對(duì)4種分子分型進(jìn)行預(yù)測(cè)，如預(yù)測(cè)Luminal A型時(shí)，令Luminal A型為1，非Luminal A型為0。以訓(xùn)練集構(gòu)建支持向量機(jī)(Support Vector Machine，SVM)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，計(jì)算AUC評(píng)價(jià)模型的性能，采用t檢驗(yàn)比較單個(gè)特征在不同分子分型標(biāo)簽下的統(tǒng)計(jì)學(xué)差異，最后繪制4種分子分型的最優(yōu)單特征盒形圖。

1.5.2 基于腫瘤/腺體的多特征預(yù)測(cè)模型

由于腫瘤存在異質(zhì)性，單個(gè)特征可能無(wú)法對(duì)其進(jìn)行客觀有效的描述，為分析多特征共同作用的效果，建立基于腫瘤/腺體的多特征預(yù)測(cè)模型。DCE-MRI影像經(jīng)特征提取后，獲得了相當(dāng)數(shù)量的影像特征，但不是每個(gè)特征都對(duì)乳腺癌分子分型預(yù)測(cè)起重要作用，因此，使用無(wú)監(jiān)督學(xué)習(xí)的特性選擇法，即皮爾遜相關(guān)性分析對(duì)特征進(jìn)行降維處理。通過(guò)計(jì)算特征之間的兩兩相關(guān)性，篩選出相關(guān)性大于0.9的特征對(duì)，比較該特征對(duì)中2個(gè)特征與其他特征相關(guān)性大于0.9的數(shù)量總和，剔除數(shù)量總和較大特征，完成去冗余過(guò)程。初步篩選后，在訓(xùn)練集中，采用有監(jiān)督學(xué)習(xí)的SVM-RFE算法獲得特征重要性排序，依據(jù)重要性排序，在訓(xùn)練集中逐個(gè)添加特征，依次建立SVM預(yù)測(cè)模型，運(yùn)用留一法交叉驗(yàn)證計(jì)算AUC，最大AUC對(duì)應(yīng)的特征子集即為最優(yōu)特征子集。由于采用RBF核函數(shù)涉及到懲罰因子c和徑向作用范圍g參數(shù)的選取設(shè)定，故采用固定的參數(shù)組，針對(duì)每個(gè)特征子集，結(jié)合十折交叉驗(yàn)證法與網(wǎng)格搜索法，查找對(duì)應(yīng)SVM模型最優(yōu)參數(shù)。在訓(xùn)練集中，以最優(yōu)特征子集及其對(duì)應(yīng)的最優(yōu)模型參數(shù)建立SVM多特征預(yù)測(cè)模型，使用測(cè)試集來(lái)評(píng)價(jià)模型的性能。

1.5.3 基于腫瘤和腺體的預(yù)測(cè)模型融合

基于腫瘤/腺體的多特征預(yù)測(cè)分析中，對(duì)訓(xùn)練集進(jìn)行特征篩選，獲得最優(yōu)特征子集，建立SVM預(yù)測(cè)模型，用測(cè)試集AUC評(píng)價(jià)模型性能。由于基于腫瘤/腺體的多特征預(yù)測(cè)模型相互獨(dú)立，可采用模型融合的方法結(jié)合2個(gè)預(yù)測(cè)模型以提升學(xué)習(xí)性能。本文研究采用概率平均法、概率加權(quán)平均法和Stacking學(xué)習(xí)法進(jìn)行模型的融合。概率平均法將基于腫瘤/腺體影像特征的預(yù)測(cè)模型賦予相同權(quán)值，對(duì)腫瘤/腺體模型預(yù)測(cè)分析得到的概率預(yù)測(cè)值求平均值，作為融合模型的預(yù)測(cè)結(jié)果。概率加權(quán)平均法將腫瘤/腺體預(yù)測(cè)模型進(jìn)行融合，對(duì)預(yù)測(cè)性能較好的模型設(shè)置更高的權(quán)值，相對(duì)表現(xiàn)較差的模型設(shè)置較低的權(quán)值，具體權(quán)值占比為(AUC腫瘤/腺體-0.5)/(AUC腫瘤-0.5+AUC腺體-0.5)。Stacking學(xué)習(xí)法通過(guò)留一法交叉驗(yàn)證來(lái)選擇初始數(shù)據(jù)集，訓(xùn)練初級(jí)學(xué)習(xí)器，以初級(jí)學(xué)習(xí)器的預(yù)測(cè)結(jié)果作為新特征輸入次級(jí)學(xué)習(xí)器，得到最終決策結(jié)果，學(xué)習(xí)器采用SVM模型。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 腫瘤/腺體影像單特征模型預(yù)測(cè)結(jié)果

DCE-MRI單個(gè)影像特征對(duì)分子分型的預(yù)測(cè)結(jié)果如表1所示。從表1可以看出，對(duì)于腫瘤預(yù)測(cè)Luminal A型、Luminal B型、Basal-like型、HER-2型性能最優(yōu)的單特征對(duì)應(yīng)AUC分別為0.840 9，0.681 9，0.729 3，0.799 4。對(duì)于腺體預(yù)測(cè)Luminal A型、Luminal B型、Basal-like型、HER-2型性能最優(yōu)的單特征對(duì)應(yīng)AUC分別為0.704 8，0.653 2，0.743 6，0.737 4。Luminal A型、Luminal B型、HER-2型單序列最優(yōu)單特征P值均小于0.05，說(shuō)明分布差異具有統(tǒng)計(jì)學(xué)意義，Basal-like型單序列最優(yōu)單特征P值大于0.05，分布差異沒(méi)有統(tǒng)計(jì)學(xué)意義。比較腫瘤與腺體，腫瘤單特征模型總體效果更好。

表1 最優(yōu)單特征模型預(yù)測(cè)結(jié)果

乳腺癌分子分型預(yù)測(cè)任務(wù)的最優(yōu)單特征盒形圖如圖1所示。圖1(a)中，Luminal A型的腫瘤最優(yōu)單特征為與區(qū)域具有相同標(biāo)準(zhǔn)二階中心距的橢圓的短軸長(zhǎng)度，腺體最優(yōu)單特征為基于灰度區(qū)域大小矩陣的區(qū)域大小非一致性，圖1(a)特征值大小表明，相對(duì)于其他分型，Luminal A型腫瘤體積小，腺體內(nèi)部灰度分布均勻。圖1(b)中，Luminal B型的腫瘤最優(yōu)單特征為基于灰度共生矩陣的信息相關(guān)性度量，腺體最優(yōu)單特征為基于灰度區(qū)域大小矩陣的區(qū)域比，圖1(b)特征值大小表明，相對(duì)于其他分型，Luminal B型腫瘤內(nèi)部相關(guān)性低，腺體內(nèi)部差異性高。圖1(c)中，Basal-like型的腫瘤最優(yōu)單特征為基于灰度區(qū)域大小矩陣的灰度方差，腺體最優(yōu)單特征為四分位距，圖1(c)特征值大小表明，相對(duì)于其他分型，Basal-like型腫瘤灰度強(qiáng)度的變化小，腺體灰度級(jí)分布范圍大。圖1(d)中，HER-2型的腫瘤最優(yōu)單特征為最大直徑，腺體最優(yōu)單特征為基于灰度游程矩陣的游程分布，圖1(d)特征值大小表明，相對(duì)于其他分型，HER-2型腫瘤體積大，腺體灰度分布均勻。

注：“*”表示P<0.05，“**”表示P<0.01，“***”表示P<0.000 1。圖1 乳腺癌分子分型預(yù)測(cè)任務(wù)的最優(yōu)單特征盒形圖

2.2 腫瘤/腺體多特征模型預(yù)測(cè)結(jié)果

對(duì)DEC-MRI各序列影像進(jìn)行多特征預(yù)測(cè)分析，結(jié)果如表2所示。

表2 腫瘤/腺體多特征模型AUC

從表2可以看出，(S5-S3)/(S3-S0)序列預(yù)測(cè)Luminal A型效果最佳，測(cè)試集AUC為0.801 4；S3-S0序列預(yù)測(cè)Luminal B型效果最佳，測(cè)試集AUC為0.650 2；(S5-S3)/(S3-S0)序列預(yù)測(cè)Basal-like型效果最佳，測(cè)試集AUC為0.593 8；S0序列預(yù)測(cè)HER-2型效果最佳，測(cè)試集AUC為0.662 9。對(duì)于腺體模型，S3-S0序列預(yù)測(cè)Luminal A型取得了最佳效果，測(cè)試集AUC為0.711 2；(S5-S3)/(S3-S0)序列預(yù)測(cè)Luminal B型取得了最佳效果，測(cè)試集AUC為0.621 0；S0序列預(yù)測(cè)Basal-like型取得了最佳效果，測(cè)試集AUC為0.601 9；(S5-S3)/(S3-S0)序列預(yù)測(cè)HER-2型取得了最佳效果，測(cè)試集AUC為0.647 8。

在腫瘤/腺體上分別將4個(gè)序列特征串聯(lián)融合，模型預(yù)測(cè)效果得到明顯提升。對(duì)于腫瘤模型，Luminal A型測(cè)試集AUC為0.801 4，優(yōu)于所有單序列；Luminal B型測(cè)試集AUC為0.751 0，優(yōu)于所有單序列；Basal-like型測(cè)試集AUC為0.631 0，優(yōu)于所有單序列；HER-2型測(cè)試集AUC為0.768 4，優(yōu)于所有單序列；對(duì)于腺體模型，Luminal A型測(cè)試集AUC為0.702 1，僅次于S3-S0序列；Luminal B型測(cè)試集AUC為0.620 0，僅次于(S5-S3)/(S3-S0)序列；Basal-like型測(cè)試集AUC為0.604 2，優(yōu)于所有單序列；HER-2型測(cè)試集AUC為0.713 7，優(yōu)于所有單序列。結(jié)果表明，相比單特征預(yù)測(cè)模型，多特征預(yù)測(cè)模型可以更大限度地利用從影像數(shù)據(jù)中提取的信息，提升了模型的泛化能力，提高了模型的預(yù)測(cè)性能。

2.3 基于腫瘤和腺體的預(yù)測(cè)模型融合結(jié)果

分別采用概率平均法、概率加權(quán)平均法和Stacking學(xué)習(xí)法這3種不同的影像組學(xué)特征聯(lián)合方法，將基于腫瘤和腺體分別構(gòu)建的預(yù)測(cè)模型進(jìn)行融合，得到預(yù)測(cè)結(jié)果如表3所示。

表3 腫瘤和腺體預(yù)測(cè)模型融合AUC

從表3可以看出，相對(duì)于腫瘤/腺體模型的多序列融合模型，腫瘤和腺體融合模型在Luminal B型、Basal-like型和HER-2型上的預(yù)測(cè)效果均得到提升。相比于腫瘤模型序列融合的Luminal B型最優(yōu)AUC，概率加權(quán)平均法和Stacking學(xué)習(xí)法融合模型預(yù)測(cè)性能均有所提高，其中概率加權(quán)平均法預(yù)測(cè)Luminal B型的達(dá)到最優(yōu)AUC，為0.757 3；相比于腫瘤模型序列融合的Basal-like型最優(yōu)AUC，概率平均法、概率加權(quán)平均法和Stacking學(xué)習(xí)法融合模型預(yù)測(cè)性能均有所提高，其中概率加權(quán)平均法預(yù)測(cè)Basal-like型達(dá)到最優(yōu)AUC，為0.656 3；相比于腫瘤模型序列融合的HER-2型最優(yōu)AUC，概率平均法、概率加權(quán)平均法和Stacking學(xué)習(xí)法預(yù)融合模型預(yù)測(cè)性能也均有所提高，其中概率平均法預(yù)測(cè)HER-2型的達(dá)到最優(yōu)AUC，為0.785 3。Luminal A型的預(yù)測(cè)在腫瘤多序列融合模型中達(dá)到最優(yōu)AUC，為0.801 4。

綜上可知，腫瘤和腺體融合模型對(duì)于Luminal A型、Luminal B型、和HER-2型均取得了良好的預(yù)測(cè)效果，Basal-like型稍差。Basal-like型是一種特殊的亞型，其腫瘤異質(zhì)性程度高，腫瘤細(xì)胞轉(zhuǎn)移存在異常機(jī)制，易于復(fù)發(fā)[25]，預(yù)后差且無(wú)針對(duì)性的標(biāo)準(zhǔn)治療方案[26]，因此預(yù)測(cè)精度低于其他亞型[27]。

實(shí)驗(yàn)及分析表明，本文聯(lián)合腫瘤和腺體影像進(jìn)行乳腺癌分子分型預(yù)測(cè)基本達(dá)到預(yù)期效果。但是，也存在局限性，一是樣本數(shù)據(jù)集規(guī)模較小，且分子分型樣本分布不均衡，后續(xù)研究可以通過(guò)增加數(shù)據(jù)集來(lái)提高模型的魯棒性；二是乳房腺體區(qū)域個(gè)體化差異大，分割精度相對(duì)粗糙，如何進(jìn)行有效、精準(zhǔn)、快速的腺體分割有待進(jìn)一步研究。

3 結(jié)束語(yǔ)

針對(duì)現(xiàn)階段腫瘤空間異質(zhì)性的問(wèn)題，本文提出一種融合腫瘤和周圍腺體影像特征的乳腺癌分子分型預(yù)測(cè)研究方法。相對(duì)僅分析腫瘤影像特征的方法而言，有效提高了乳腺癌分子分型預(yù)測(cè)模型的預(yù)測(cè)性能，為乳腺癌的精準(zhǔn)診療提供參考。后續(xù)將通過(guò)增加不同機(jī)型不同分辨率的數(shù)據(jù)進(jìn)行驗(yàn)證，進(jìn)一步提升模型的臨床應(yīng)用性。