Radiology：乳腺癌MRI动态增强分类对分子亚型的影响

现阶段，人们对扩大使用人工智能（AI）和计算机辅助诊断方法来识别乳腺肿瘤的分子亚型有很大的兴趣。一些研究仅使用免疫组化（IHC）染色作为雌激素受体、孕激素受体和人表皮生长因子受体2（HER2）的分子亚型的参考标准。然而，一部分研究使用了圣加仑标准，该标准包含了来自Ki-67的额外信息。使用哪种标准取决于几个因素，包括成本、速度和实验室资源，而且机构可能随着时间的推移改变标准。由于这两种亚型在预后和治疗上的相关差异，会进一步对患者的管理产生深远的影响。同时，在开发人工智能和计算机辅助诊断系统时使用不同的分子亚型参考标准将影响系统的性能。

在临床实践中，人们已经了解到了早期识别乳腺癌分子亚型对于早期的特殊治疗的重要性。一般来说，管状亚型具有良好的预后，尽管luminal B型肿瘤的预后比luminal A型要差。luminalB型乳腺癌的预后与富含HER2的乳腺癌和基底型乳腺癌更为相似。虽然目前luminal型乳腺癌的治疗方案通常涉及两种分子亚型的激素治疗，但对新辅助化疗的推荐往往仅限于HER2阴性。现阶段，使用AI从医学图像中确定乳腺癌亚型并不是目前的临床实践。然而，使用放射组学和机器学习方法来研究分子亚型参考标准之间的分歧对人工智能算法发展的影响十分有价值，但据我们所知，这在以前的文献中还没有得到很好的证实。

近日，发表在Radiology杂志的一项研究对利用计算机从动态增强（DCE）MRI扫描中提取的放射组学特征来描述管状乳腺癌的成像表型，并探讨了IHC和St Gallen分子亚型参考标准之间的分歧对合并这些特征时区分luminalA和luminalB肿瘤的AI方法的影响。

本项研究从2015年2月至2017年10月期间进行成像的乳腺肿瘤的DCE-MRI扫描中提取的28个放射学特征分为以下几组：(a)按两种参考标准分类为腔镜A的肿瘤（"一致"），(b)按IHC分类为luminal A的肿瘤和按St Gallen分类为luminal B的肿瘤（"不一致"），以及(c) 按两者分类为luminal B的肿瘤（"一致"）。利用放射学特征进行的luminal A或luminal B肿瘤分类使用了三组：（a）IHC分子亚型，（b）St Gallen分子亚型，和（c）协议肿瘤。在Kruskal-Wallis检验之后进行Mann-Whitney U检验，以确定同意和不同意的肿瘤中放射学特征的成对差异。使用逐步特征选择和线性判别分析进行五倍交叉验证，对每组肿瘤进行分类，并使用接受者操作特征曲线下的面积（AUC）来衡量性能。

研究共分析了来自872名女性（平均年龄48岁[范围19-75岁]）的877个乳腺癌肿瘤。六个特征（球形、不规则性、表面积与体积比、径向梯度直方图的方差、平均数、最强化体素的体积）在同意和不同意的肿瘤中有所不同（P≤.001）。AUC（中位数，0.74 [95% CI: 0.68, 0.80]）高于使用任一参考标准分型的肿瘤（IHC，0.66 [0.60, 0.71], P= .003；St Gallen，0.62 [0.58, 0.67], P= .001）。

图 第二次强化后的动态对比增强MRI扫描显示每个同意或不同意组的乳腺肿瘤实例。(A) 50岁女性的乳腺图像，肿瘤被两种参考标准确定为luminal A（luminal A_agreement）。(B) 49岁女性的乳腺图像，其肿瘤被两种参考标准确定为luminal B（luminal B_agreement）。(C) 53岁女性的乳腺图像，肿瘤仅通过免疫组化染色被确定为luminal A，而通过圣加仑参考标准被确定为luminal B（luminal AorB_disagreement）

研究表明，由于参考标准的不同，在将乳腺癌肿瘤分子分型为luminal A或luminal B方面存在分歧，可能会影响这些分子分型的成像表型（计算机提取的放射学特征）的定量描述，并降低人工智能（AI）方法的分类性能。如果人工智能用于决策支持，这还将对病人的管理产生重要的影响。

原文出处：

Yu Ji,Heather M Whitney,Hui Lim,et al.Differences in Molecular Subtype Reference Standards Impact AI-based Breast Cancer Classification with Dynamic Contrast-enhanced MRI.DOI:10.1148/radiol.220984