首页 > 文章详情

【大咖话学术·第一期】 “箭不虚发”——智能VABB提供更精准样本，以判定乳腺癌NST疗效

2021年05月11日

亲爱的小伙伴们，在大家的支持和陪伴下，「乳腺V学院」专栏已经走过将近500个日夜，今天【大咖话学术】专题也正式与大家见面啦！每期我们都会邀请业内知名专家就前沿文献、权威指南更新进行点评与经验分享。“变化”的是内容与权威性，“不变”的是我们一如既往的学术精神，也欢迎大家给到宝贵建议。

·····●

本期大咖

●·····

本期我们邀请到的是中国人民解放军总医院第一医学中心超声诊断科王知力主任医师，她将与我们一起讨论这篇前沿文献。

引言

新辅助治疗是指在手术前进行的化疗、内分泌治疗和分子靶向治疗等全身药物治疗。根据肿瘤生物学和分期，接受新辅助全身治疗（NST）的患者中约35%实现了病理学完全缓解（pCR）¹。新型治疗方案更是将三阴性乳腺癌患者的pCR率提高到80%，将HER-2+乳腺癌患者的pCR率提高到70%^2-3。在这样的情况下，对患者行保乳手术或乳房切除术均可能被认定为“过度治疗”。那么NST后病变缩小，如何实现VABB精准取样，精确诊断？

然而，目前仍需行乳腺手术以确定是否遗留残留病变。如何通过微创方法准确判定患者是否实现pCR？德国海德堡大学、美国安德森癌症中心等多家机构的学者基于患者特征、肿瘤特征和真空辅助乳腺活检（VABB）建立了4种多变量算法*，在接受NST的患者中评估了智能VABB对pCR患者的识别率，研究结果于2021年1月发表在《European Journal of Cancer》上¹。

* 四种算法：
1）具有弹性网络惩罚的Logistic回归；
2）极端梯度提升（XGBoost）决策树模型；
3）径向基函数核的支持向量机；
4）经修正线性单元激活的深度多层神经网络，以及Nesterov动量模型优化的Adam优化器。

该研究在美国、德国和韩国的23家研究中心进行，试验入组了478例临床I-III期乳腺癌患者，且患者通过超声检查、乳腺X线摄影或磁共振成像（MRI）证实NST后实现病理学部分或完全缓解。最终，21例患者因使用空芯针活检（CNB）而非VABB或使用了小于10G活检针而被排除，剩余的457例患者被随机分配（2:1）到训练集（n=305）和测试集（n=152）。在超声或MRI引导下行微创VABB。主要观察指标为假阴性率（FNR）和特异性。最佳算法在独立的第四次试验中得到验证（n=50）。

4种多因素算法、以及影像和/或VABB的表现：与其他2种多变量算法相比，深度多层神经网络的精准评估效果更好

研究VABB或常规临床影像应答评估单独或组合用于检测NST后残留病变检测的诊断性能（影像学无肿瘤且VABB无肿瘤时，假设为实现乳腺pCR），以及多变量算法的性能。

在测试集中（n=152），使用弹性网络惩罚、XGboost决策树模型、支持向量机和深度多层神经网络的Logistic回归分析显示FNR为1.2%（1/85例漏诊残癌患者）（表1）。弹性网络惩罚logistic回归的特异性为52.2%（35/67），XGBoost决策树模型的特异性为55.2%（37/67），支持向量机的特异性为62.7%（42/67），深度多层神经网络的特异性为67.2%（45/67）。深度多层神经网络的外部验证（n=50）显示FNR为0%（0/27），特异性为65.2%（15/23）。深度多层神经网络ROC曲线下面积为0.97（95%CI，0.94-1.00）。与其他三种多变量算法相比，深度多层神经网络的精准评估效果更好。

表1 多变量算法与标准成像和VABB性能测试的比较

智能VABB能够为乳腺癌患者提供更精准样本，假阴性率相对较低

研究通过部分解读方法，对两个黑箱模型的变量重要性进行了分析。

从XGBoost决策树模型看（图1a），VABB样本中肿瘤细胞存在与否、VABB探针尺寸对预测残留肿瘤具有重要意义，例如，VABB样本中不存在肿瘤细胞，则很大可能性乳腺中无残留肿瘤。

从深度多层神经网络算法模型来看（图1b），同样得到VABB中肿瘤细胞的存在与否和预测乳腺中有无残留肿瘤一致。

图1a XGBoost决策树模型的SHAP值汇总图

X轴上的阳性SHAP值表明该变量对预测乳腺残余肿瘤有重要意义；负值表明该变量对预测乳腺无残留肿瘤很重要。紫色表示高变量值（例如VABB中的肿瘤细胞：是）；黄色表示低变量值（例如，VABB中的肿瘤细胞：否）。Y轴上的值表示全局变量的整体重要性

图1b 深度多层神经网络的局部可解释模型-预后解释（LIME）汇总图及其对测试集的预测

蓝色表示该变量对预测乳腺残留肿瘤有重要意义；红色表示该变量对预测乳腺无残留肿瘤很重要

据我们所知，本研究是有关智能VABB理念的第一个循证证据，表明大多数实现乳腺pCR患者可被智能VABB准确地识别出，且存在残留病变的FNR非常低。换言之，VABB能够为乳腺癌患者pCR的识别提供更为精准的样本，并且在多变量算法模型的“加持”下可达到极低的FNR和较高的诊断特异性，避免患者在NST后已经实现完全pCR却仍进行了不必要的乳腺手术，减少患者痛苦及治疗负担。

大咖说

该文献聚焦前沿，结合人工智能（AI）技术与真空辅助乳腺活检（VABB），提出智能VABB理念，并研究智能VABB能否准确识别出新辅治疗后病理学完全缓解（pCR）的乳腺癌患者，为临床提供新的循证证据。智能VABB的出现，提供了一种能微创判定乳腺癌患者是否得到pCR的方法，使患者避免不必要的手术，减少患者痛苦及治疗负担。

与之前AI的研究热点不同，本文献并未利用AI识别病变影像学特征来判断患者是否pCR。作者巧妙地应用AI，纳入年龄、影像上肿块的大小、肿瘤分级、肿瘤标记物、新辅助治疗方案、活检针大小、引导方式等人为手动设计的变量（handcrafted variables），得出了最佳的模型。这为将来应用AI提供了新思路，建立出不仅仅能结合影像学资料，而且还能结合患者的其它临床资料综合判断的模型。

#相关阅读#

# VABB预测新辅助治疗后残癌，哪几要素必不可少？

参考文献：

1.Pfob A, et al. Eur J Cancer. 2021,143:134-146.

2.van Ramshorst MS, et al. Lancet Oncol. 2018,19(12):1630-1640.

3.Santonja A, et al. Oncotarget. 2018,9(41):26406-26416.