Radiology（IF=15.2）广东省人民医院肿瘤中心乳腺癌科王坤团队：基于肿瘤内微生物组的MRI模型预测乳腺癌新辅助治疗后肿瘤萎缩模式

01文献学习本次分享的文献是由广东省人民医院肿瘤中心乳腺癌科王坤等团队联合暨南大学第一附属医院、长江大学附属荆州医院、中山大学附属第一医院等多家团队于2025年8月26日在《Radiology》中科院1区topIF15.2上发表的研究“Intratumoral Microbiome–related MRI Model for Predicting Breast Cancer Shrinkage Pattern Following Neoadjuvant Therapy”即基于肿瘤内微生物组的MRI模型预测乳腺癌新辅助治疗后肿瘤退缩模式该研究开发并验证了一种基于肿瘤内微生物组的MRI融合模型用于预测乳腺癌患者在接受新辅助治疗后的肿瘤萎缩模式特别是同心性萎缩以辅助保乳手术的术前规划。创新点①首次融合肿瘤内微生物组与多模态影像将微生物丰度与放射组学、深度学习特征结合构建预测模型。②采用纵向多时点MRI分析融合新辅助治疗前与治疗中影像提升模型时序预测能力。③引入三维U-Net自动分割与栖息地放射组学实现高效、精准的肿瘤异质性量化与特征提取。临床价值①辅助保乳手术决策通过预测肿瘤退缩模式帮助医生评估手术可行性提高保乳成功率。②实现治疗反应早期评估为新辅助治疗期间调整方案提供依据推动个体化治疗。③模型具较强泛化能力经多中心大样本验证显示跨亚型与分期的稳定性具备临床转化潜力。图 2研究设计总览A患者分组与数据类型核心信息2249例中国多中心乳腺癌患者分为训练集671例、内部验证集335例、外部验证集1243例关键数据所有患者均具备“治疗前pre-NATMRI治疗中mid-NATMRI”部分患者配套肿瘤内微生物组数据。B特征整合流程两大核心数据①影像学数据治疗前/治疗中MRI②生物学数据肿瘤内微生物组通过IHC和FISH检测特征矩阵构建将微生物组丰度分别与“生境放射组学特征”“深度学习特征”融合生成“微生物组-放射组学矩阵”和“微生物组-深度学习矩阵”。C特征选择与建模流程特征提取从MRI中提取形状、强度、纹理、小波等放射组学特征从3D ResNet-50模型提取深度学习特征特征筛选通过“ICC检验重复性→Mann-Whitney U检验与退缩模式相关性→Spearman相关与微生物组相关性→LASSO回归降维→Boruta算法特征重要性”5步筛选结局定义肿瘤退缩模式分为“同心退缩”病理完全缓解单灶退缩和“非同心退缩”多灶退缩弥漫退缩稳定疾病进展性疾病建模方法采用支持向量机SVM构建融合模型通过ROC曲线评估性能。D模型预测结果内部外部验证集内部验证集n335同心退缩191例153例预测正确80.1%38例预测错误19.9%非同心退缩144例126例预测正确87.5%18例预测错误12.5%外部验证集n1243同心退缩677例502例预测正确74.2%175例预测错误25.8%非同心退缩566例483例预测正确85.3%83例预测错误14.7%02研究背景及目的研究背景乳腺癌作为全球女性最常见的恶性肿瘤其发病率持续上升。新辅助治疗NAT已成为局部晚期可手术乳腺癌的标准治疗手段旨在术前缩小肿瘤而病理完全缓解与患者的无事件生存期和总生存期密切相关。肿瘤收缩模式TSP在NAT后的手术决策中至关重要特别是同心性收缩有利于保乳手术的成功实施而非同心性收缩则可能增加术后残留、局部复发和远处转移的风险。然而目前缺乏能够准确预测同心性收缩的可靠生物标志物。MRI在评估肿瘤形态和动力学方面具有关键作用基于MRI的放射组学在预测乳腺癌治疗反应方面展现出潜力但传统方法将肿瘤视为均质整体忽略了瘤内异质性。近年来生境放射组学和深度学习技术如三维U-Net和ResNet-50的发展为捕捉肿瘤内部空间异质性、改善特征提取提供了新途径。同时研究表明瘤内微生物组可能通过调节肿瘤微环境影响治疗反应但如何将其与影像特征整合用于TSP预测尚未见报道。因此结合瘤内微生物组信息与多模态MRI特征构建能够精准预测TSP的模型对于优化手术规划和提高保乳手术率具有重要的临床需求与研究价值。研究目的本研究旨在开发并验证一种基于瘤内微生物组相关MRI特征的融合模型以精准预测乳腺癌患者在新辅助治疗后的肿瘤收缩模式。具体目标包括通过整合术前pre-NAT和中期mid-NAT的MRI数据结合三维U-Net自动分割、生境放射组学特征以及深度学习ResNet-50提取的高维特征构建多时间点预测模型同时引入瘤内微生物组丰度数据探索其与影像特征的关联性并以此为基础建立微生物-影像矩阵。研究采用回顾性多中心数据来自12家机构将患者分为训练集、内部验证集和外部验证集系统比较单一时间点模型如pre-NAT生境模型、mid-NAT ResNet-50模型与融合模型的预测效能。最终通过受试者操作特征曲线、决策曲线及混淆矩阵等指标评估模型性能并利用Shapley加性解释方法增强模型可解释性。该研究的长期目标是为临床提供一种能够在NAT早期准确识别同心性收缩模式的工具以辅助保乳手术的个体化规划从而有望提高手术成功率和患者预后。03数据和方法研究数据1研究对象总样本量2249名女性乳腺癌患者中位年龄49岁IQR42-56岁纳入标准①浸润性乳腺癌②接受标准新辅助治疗后手术③有治疗前pre-NAT和治疗中mid-NAT乳腺MRI扫描④基线数据完整。排除标准①既往乳腺癌治疗史②诊断时已发生转移③MRI图像质量差或序列不完整④非标准新辅助治疗方案⑤在非参与机构手术。2数据分组训练集n671来自机构I和II用于模型构建内部验证集n335来自机构I和II与训练集2:1随机分配用于初步验证外部验证集n1243来自机构III-XII用于跨中心验证。3结局指标肿瘤退缩模式TSP通过术后病理评估分为“同心退缩”和“非同心退缩”同心退缩病理完全缓解无残留浸润癌或单灶退缩单个浸润灶最大直径缩小≥30%非同心退缩多灶退缩、弥漫退缩、稳定疾病或进展性疾病。图 1患者纳入流程图技术方法1MRI采集与预处理扫描设备1.5T或3.0T MRI扫描仪采集动态对比增强T1加权序列治疗前和治疗中扫描参数一致预处理步骤信号强度归一化、体素重采样至1mm³、N4偏置场校正以消除设备和扫描差异。2病理与微生物组评估病理评估由具有9-11年经验的病理学家根据AJCC指南结合免疫组化IHC和荧光原位杂交FISH评估肿瘤亚型HER2、HR/HER2-、三阴性、Ki-67指数等微生物组评估通过16S核糖体DNA逆转录定量PCR和免疫组化脂多糖染色量化肿瘤内微生物组丰度。3肿瘤分割与特征提取自动分割使用3D U-Net模型自动分割肿瘤感兴趣区ROI经验丰富的放射科医生8-12年经验手动勾勒ROI进行验证计算Dice系数评估分割准确性生境放射组学通过无监督k-means聚类将肿瘤分为不同“生境”反映侵袭性和血管生成特征提取形状、强度、纹理、小波等放射组学特征深度学习特征从预训练3D ResNet-50模型的最终层提取高维特征特征融合结合肿瘤内微生物组数据生成“微生物组-放射组学”和“微生物组-深度学习”矩阵。4特征选择保留高重复性特征组内相关系数ICC0.8筛选与同心退缩显著相关的特征Mann-Whitney U检验P0.05筛选与微生物组丰度相关的特征Spearman相关P0.05通过LASSO回归减少特征冗余采用Boruta算法保留重要性优于影子特征的最终特征共11个生境特征11个深度学习特征。5模型构建与验证模型类型①4个单时间点模型治疗前生境、治疗中生境、治疗前ResNet-50、治疗中ResNet-50②1个融合模型整合临床因素、放射组学特征、深度学习特征评估指标ROC曲线下面积AUC、准确率、灵敏度、特异度、混淆矩阵统计分析使用R软件3.6.3版本采用DeLong检验比较AUCShapley additive explanations解释模型输出亚组分析验证不同分子亚型和肿瘤分期的模型性能。04实验结果1患者基线与微生物组特征55%1238/2249患者出现同心退缩同心退缩患者的肿瘤内微生物组丰度显著高于非同心退缩患者P0.001训练集中同心退缩患者的HER2亚型比例53%和高分级肿瘤比例42%更高P0.05外部验证集中两组在临床T分期、TNM分期、分子亚型和Ki-67指数上存在差异P0.05。2肿瘤分割准确性3DU-Net自动分割的Dice系数治疗前MRI在训练集、内部验证集、外部验证集分别为0.96、0.92、0.91治疗中MRI分别为0.96、0.90、0.8893%的栖息地特征ICC0.8证实自动分割与手动分割的一致性。3模型性能融合模型的准确率训练集89.9%、内部验证集83.3%、外部验证集79.2%融合模型的灵敏度/特异度内部验证集80.1%/87.5%外部验证集74.2%/85.3%均显著优于单时间点模型P0.05。4亚组分析分子亚型融合模型在HER2AUC 0.85-0.96、HR/HER2-AUC 0.87-0.95、三阴性AUC 0.89-0.97亚型中均表现稳健肿瘤分期II期AUC 0.89-0.96和III期AUC 0.84-0.94患者中预测效能一致。5模型可解释性Shapley分析证实所有保留的栖息地特征和深度学习特征均独立预测TSP且与肿瘤内微生物组丰度强相关Spearman r0.8P0.05。图 3特征相关性与模型性能展示“成像特征-微生物组-肿瘤退缩模式”三者的关联包括Spearman相关性矩阵治疗前/治疗中MRI、混淆矩阵训练集/内部验证集/外部验证集图 4病理与影像学对照图A非同心退缩患者B同心退缩患者通过直观的病理切片和MRI图像对比展示“肿瘤内微生物组丰度”与“肿瘤退缩模式”的影像学表型关联。05研究结论本研究构建并验证了一种基于肿瘤内微生物组相关MRI特征的融合模型能够准确预测乳腺癌新辅助治疗后的肿瘤收缩模式。该模型整合了治疗前、治疗中期的栖息地放射组学特征、深度学习特征及肿瘤内微生物组数据在内部验证集和外部验证集上分别达到AUC为0.89和0.87显著优于单一时间点模型。研究表明向心性收缩患者的肿瘤内微生物丰度显著更高且模型在不同分子亚型与肿瘤分期中均表现稳健AUC范围0.84–0.91。通过Shapley可解释性分析确认影像特征与微生物组具有独立预测价值。该模型有望辅助临床进行保乳手术规划提升治疗个体化水平但其临床实用性仍需前瞻性研究进一步验证。参考文献Huang Y, Song X, Chen Y, Qiu H, Zhou T, Wang S, Zhou Y, Li W, Lin Y, Wang Q, Gu W, Zhu T, Wang K. Intratumoral Microbiome-related MRI Model for Predicting Breast Cancer Shrinkage Pattern Following Neoadjuvant Therapy. Radiology. 2025 Aug;316(2):e243545. doi: 10.1148/radiol.243545.