对于前哨淋巴结(SLN)转移和残留非SLN(NSLN)转移风险较低的患者,行腋窝淋巴结(ALN)清扫可能会导致过度治疗。Eclinicalmedicine 期刊(IF=15.1)近期发表了浙江大学丽水医院纪建松教授团队的一项基于卷积神经网络(CNN)模型预测乳腺癌(BC)患者SLN或NSLN转移风险的研究,结果表明,在预测BC患者SLN或NSLN转移风险方面,CNN模型具有良好的性能[1]。
研究背景
BC是女性最常见的恶性肿瘤之一,已对女性健康构成严重威胁。与ALN 阴性患者相比,ALN转移患者的5年总生存率下降40%[2],故准确评估ALN对BC患者的治疗和预后至关重要[3]。SLN是原发肿瘤向腋窝转移的第一途径。SLN清扫(SLND)通常用于评估临床淋巴结阴性的BC患者的ALN状态,并决定是否需要进行后续ALN清扫(ALND)[4]。在临床常规治疗中,如果SLN阳性,通常建议行ALND。根据国际乳腺癌研究组(IBCSG) 2301试验,有限 SLN 转移(SLNM)患者发生NSLN转移的风险较低[5]。对于这部分患者,与单纯 SLND 相比,ALND 并不能提高生存率,但由于手术范围扩大,可能会导致更严重的并发症。故NCCN指南指出,SLN 阳性但 NSLN 转移风险较低的患者可免于 ALND[6]。
既往研究表明,43%~65% 的 SLN 阳性患者进一步接受了不必要的腋窝手术,这增加了手术时间和患者负担[7,8]。因此,寻求一种无创方法进行术前鉴别,对这一亚组患者的临床治疗大有裨益。
乳腺动态增强磁共振成像(DCE-MRI)具有良好的软组织对比度和病灶强化模式,在评估ALN状态方面具有重要作用[9]。然而,DCE-MRI依赖于放射科医生的解读,肉眼无法准确区分SLN和NSLN状态。最近,放射组学已被证明有助于自动识别 BC 患者的 ALN[10,11]。然而,放射组学依赖于耗时的手动逐像素描绘,这限制了该技术的临床转化。
随着计算机分析技术的发展,深度学习在图像识别和分类方面的突出表现引起了广泛关注[12,13]。 CNN是一种具有发展前景的深度学习算法。与依赖于人工标注的放射组学不同,CNN能够自动提取和学习复杂的图像特征,从而高效地实现端到端的预测。 因此,CNN能够实现医学图像的自动、充分挖掘,使其更适合用于临床转化。
对BC患者术前淋巴结的分析很重要且具有挑战性。结合原发肿瘤DCE-MRI和深度学习预测SLN和NSLN状态可能会获得更好的诊断结果,并有助于BC患者腋窝手术的个性化管理。鉴于此,本研究旨在开发并验证一种基于CNN的自动化术前工具,利用DCE-MRI图像预测BC患者的SLN和NSLN的转移风险。
方法
患者招募与分组
研究者分别在2013年6月1日至2021年12月31日、2017年6月1日至2021年12月31日和2019年1月1日至2023年6月30日期间,从浙江省三家医院(浙江大学丽水医院、浙江大学附属第一医院和温州医科大学附属第三医院)招募了988例BC女性患者。患者被分配至训练集(n =519)、内部验证集(n =129)、外部测试集 1(n =296)和外部测试集 2(n =44)。
图1 研究流程图
临床数据收集和参照标准
从病历中收集临床和组织病理学数据,包括年龄、浸润性癌的组织学类型和分级、分子亚型、肿瘤大小和 MRI 报告的淋巴结状态。将 SLND 和 ALND 的术后病理结果作为建模的参照标准。相应的病理结果可分为以下三类:SLN 阳性但NSLN 阴性(SLN+ & NSLN-)、SLN和NSLN均为阳性(SLN+ & NSLN+),以及SLN阴性(SLN-)。
ALN转移预测CNN模型
作为最常用的深度学习算法,CNN可以直接将医学图像输入到网络中进行建模。通过对网络中各层的计算,提取突出特征,自动学习有助于图像识别和分类的关键信息。因此,在本研究中,设计了基于CNN的模型来预测SLN和NSLN的转移。本研究使用ResNet18 进行实验。
图2 CNN模型开发过程概述
与其他模型的比较
本研究开发了两种不同的预测模型进行比较:一种是结合病理学和放射学因素的临床模型,另一种是基于手工特征的放射组学模型。
主要结果
纳入患者的临床特征
所有纳入患者的中位年龄为51岁。大多数患者的组织学类型为浸润性导管癌(907/988, 91.8%)。多数患者的分子分型为Luminal B型(585/988,59.2%)。纳入患者特征详见表1。此外,所有纳入患者中,234例(23.7%)患者发生SLN转移(表2)。
表1 训练集、内部验证集和外部测试集患者的基线特征
表2 ALN转移的详细状态
SLN转移识别的算法性能
在SLN预测方面,表现最好的模型-CNN模型在训练集、内部验证集、外部测试集1和外部测试集2中的曲线下面积(AUC)分别为0.986(95%CI:0.962~1.000)、0.899(95%CI:0.887~0.911)、0.885(95%CI:0.867~0.903)和0.768(95%CI:0.738~0.798)。值得注意的是,根据DeLong检验,其在外部测试集1中取得了比临床模型(0.885 vs 0.486; P <0.001)和放射组学模型(0.885 vs 0.561; P <0.001)更高的AUC。此外,在外部测试集 1 中,CNN 模型的准确度为 89.2%,高于临床模型(43.9%)和放射组学模型(82.6%)。
图3显示,在外部测试集1中,与临床模型(灵敏度:48.8%;特异度:43.1%)和放射组学模型(灵敏度:60%;特异度:54.4%)相比,CNN模型获得了最高的灵敏度(75.5%)和特异度(88.3%)。
图3 临床模型、放射组学模型和 CNN 模型在训练集、内部验证集、外部测试集 1 和外部测试集 2 中的混淆矩阵
根据临床模型、放射组学模型和CNN模型预测SLN的受试者工作特征曲线(ROC曲线)如图4所示,表3总结了三种模型的详细性能。
图4 不同模型预测SLN状态的ROC结果
表3 各种方法在训练集、内部验证集和外部测试集中对SLN和NSLN状态的预测性能
此外,在验证集和测试数据集中,使用 CNN 模型进行 SLND 决策时,SLN 状态评估的假阳性率从 77.9% 降至 32.9%(图5)。本研究还发现,CNN 模型预测 SLN 状态的假阴性率低于放射科医生(10.3% vs 18.6%)。
图5 在验证集和测试集中,根据放射科医生的诊断或 CNN 模型对 BC 患者进行 SLND 的建议
NSLN转移识别的算法性能
对于NSLN的预测,CNN模型在训练集中实现了出色的性能,AUC为0.998(95%CI:0.994~1),准确度为100%。 在内部验证集(AUC:0.800;95%CI:0.783~0.817;准确度:79%)、外部测试集1(AUC:0.763;95%CI:0.732~0.794;准确度:77.8%)和外部测试集2(AUC:0.728;95%CI:0.719~0.738;准确度:73%)中,性能略有下降。相关性能详情见表3。
如混淆矩阵(图6)所示,在灵敏度和特异度方面,训练集分别为 100% 和 100%。内部验证集分别为 72.7% 和 86.1%,外部测试集 1分别为 90.5% 和 66.7%,外部测试集 2 则分别为 66.7% 和 88.9%。图 7 显示了 CNN 模型在不同数据集中预测 NSLN 的 ROC情况。
图6 NSLN的混淆矩阵
图7 CNN 模型在不同数据集中预测 NSLN 的 ROC
根据肿瘤大小判断SLN转移的模型性能
根据肿瘤大小的分类进一步比较CNN 模型的性能,结果如表 4 所示。在外部测试集 1 中,CNN 模型对病灶大小为 2.0 cm或更小的 SLN 转移患者的区分度最高(AUC:0.823;95%CI:0.781~0.865)。相应的准确度、灵敏度和特异度分别为 88.8%、90% 和 68.2%。此外,CNN模型在预测大于2.0 cm的乳腺病灶SLN转移方面仍优于其他模型,在外部测试集1中的AUC为0.858 (95% CI:0.824~0.891)。其准确度、灵敏度和特异度分别为86.5%、87%和79.1%。
表4 根据肿瘤大小比较临床模型、放射组学模型和 CNN 模型预测 SLN 的性能
结论
基于 CNN 的模型在预测 BC 患者术前 SLN 转移方面优于临床模型和传统的放射组学模型,与肿瘤大小无关。此外,该模型还能有效预测下一站引流淋巴结的转移情况,即 NSLN 肿瘤受累情况。
[1] Chen M, Kong C, Lin G, Chen W, Guo X, Chen Y, Cheng X, Chen M, Shi C, Xu M, Sun J, Lu C, Ji J. Development and validation of convolutional neural network-based model to predict the risk of sentinel or non-sentinel lymph node metastasis in patients with breast cancer: a machine learning study. EClinicalMedicine. 2023 Aug 24;63:102176. doi: 10.1016/j.eclinm.2023.102176. PMID: 37662514; PMCID: PMC10474371.
[2] Danko ME, Bennett KM, Zhai J, et al. Improved staging in nodepositive breast cancer patients using lymph node ratio: results in 1,788 patients with long-term follow-up. J Am Coll Surg. 2010;210:797–805.
[3] Ahmed M, Purushotham AD, Douek M. Novel techniques for sentinel lymph node biopsy in breast cancer: a systematic review. Lancet Oncol. 2014;15:e351–e362.
[4] DeSantis CE, Ma J, Gaudet MM, et al. Breast cancer statistics, 2019. CA Cancer J Clin. 2019;69:438–451.
[5] Galimberti V, Cole BF, Viale G, et al. Axillary dissection versus no axillary dissection in patients with breast cancer and sentinel-node micrometastases (IBCSG 23-01): 10-year follow-up of a randomised, controlled phase 3 trial. Lancet Oncol. 2018;19:1385–1393.
[6] National Comprehensive Cancer Network. (NCCN) Clinical practice guidelines in oncology. Breast Cancer Version 3. Natl compr cancer network clin pract guidel oncol https://www.nccn.org/professionals/physician_gls/default.aspx#breast; 2019. Accessed September 6, 2019.
[7] Chu KU, Turner RR, Hansen NM, et al. Sentinel node metastasis in patients with breast carcinoma accurately predicts immunohistochemically detectable nonsentinel node metastasis. Ann Surg Oncol. 1999;6(8):756–761.
[8] KamathVJ,Giuliano R,Dauway EL, et al. Characteristics of the sentinel lymph node in breast cancer predict further involvement of higherechelon nodes in the axilla: a study to evaluate the need for complete axillary lymph node dissection. Arch Surg. 2001;136(6):688–692.
[9] Berg WA, Gutierrez L, NessAiver MS, et al. Diagnostic accuracy of mammography, clinical examination, US, and MR imaging in preoperative assessment of breast cancer. Radiology. 2004;2333:830–849.
[10] Yu Y, He Z, Ouyang J, et al. Magnetic resonance imaging radiomics predicts preoperative axillary lymph node metastasis to support surgical decisions and is associated with tumor microenvironment in invasive breast cancer: a machine learning, multicenter study. EBioMedicine. 2021;69:103460.
[11] Yu YF, Tan YJ, Xie CM, et al. Development and validation of a preoperative magnetic resonance imaging radiomics-based signature to predict axillary lymph node metastasis and disease-free survival in patients with early-stage breast cancer. JAMA New Open. 2020;3(12):e2028086.
[12] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444.
[13] Bi WL, Hosny A, Schabath MB, et al. Artificial intelligence in cancer imaging: clinical challenges and applications. CA Cancer J Clin. 2019;69:127–157.
排版编辑:肿瘤资讯-饶运双