基于纵向时间影像动态增强模式分析的乳腺癌新辅助化疗疗效预测

新辅助化疗由于其较长的治疗周期，对化疗最终疗效早期准确的预测具有重要的临床参考价值。传统影像组学方法由于肿瘤异质性及影像部分容积效应等因素的存在，使得预测的精度难以进一步提高。本研究通过深度影像分解生成不同动态增强模式影像，对深度模式进行分析并基于纵向时间影像特征对新辅助化疗疗效进行预测分析。实验将采集的191例乳腺癌患者影像进行预处理，得到肿瘤和腺体感兴趣区域影像并分别提取影像组学特征，计算纵向时间特征变化率。使用随机森林模型对疗效进行预测分析并结合AUC指标对模型分类性能进行评估分析。结果表明，在分解前原始影像的预测任务中取得0.791的最佳AUC。在影像深度分解实验中，肿瘤影像的纵向模式变化在疗效组别中分布更具显著差异(P<0.01),在不同动态模式影像特征的预测任务中取得0.888的最佳AUC。综上，通过结合多区域影像和纵向时间特征，相比于分解前影像，深度分解后的不同模式影像进一步提升了基于特征水平的疗效预测能力，有望对患者早期诊断和方案调整提供重要的参考依据。     

动态增强影像映射图的深度学习方法预测乳腺癌新辅助化疗疗效

新辅助化疗有助于提高乳腺癌患者的后期存活率,但疗效评估具有一定滞后性,准确的新辅助化疗疗效评估可以给医师更有效的临床建议,实施更优化的治疗方案。为了更好利用影像的空间信息和增强影像的时间序列信息,本研究提出一种基于动态增强影像映射模式图的乳腺癌新辅助化疗疗效预测方法。回顾性收集208例接受新辅助化疗前患者乳腺癌影像,依据Miller&Payne分级系统将数据标签为有反应组和无反应组,并随机划分为训练集126例,测试集82例。对影像做预处理及分割感兴趣区域后挑选肿瘤最大径及其邻近共7张切片构建映射模式图,结合增强时间序列构建原始切片影像、不同映射模式下多序列影像及融合两种映射模式多序列影像。使用深度学习网络对映射模式图做预测,绘制预测结果的ROC曲线并计算AUC、敏感性、特异性等评价指标对模型类型性能做评估。其中融合两种映射模式的多序列影像的预测模型效果最佳,AUC为0.832。实验表明,相较于使用原始切片影像,结合时间序列影像和切片间空间特征的方法对新辅助化疗疗效预测分类效果提升有效。     

MRI纹理分析在预测新辅助化疗乳腺癌患者疗效中的价值分析

研究MRI纹理分析在预测新辅助化疗乳腺癌患者疗效中的应用价值。统计126例乳腺癌患者新辅助化疗（NAC）2周后疗效,并分析NAC不同疗效患者治疗前后MRI纹理参数（包括逆差矩、熵、能量及相关性）差异及其在鉴定乳腺癌NAC疗效中的价值。研究发现,治疗后熵、能量及相关性参数在预测NAC治疗疗效中均具有较好的效能（AUC=0...     

基于多参数磁共振影像组学的乳腺癌病理信息预测模型研究

联合动态增强磁共振成像(DCE-MRI)、T2加权成像(T2WI)以及弥散加权成像(DWI)的影像特征,建立基于多参数影像组学的预测模型,分别对乳腺癌分子分型、组织学分级和Ki-67表达进行预测。采集150例术前、化疗前的浸润性导管癌患者乳腺MRI数据,获取DCE-MRI、T2WI和DWI影像。分割各参数影像的病灶区域,并提取多参数影像特征。在训练集采用支持向量机递归特征消除(SVM-RFE)算法,获得影像组学最优特征子集并构建基于SVM的预测模型,在测试集中测试模型性能。采用概率平均法、概率投票法和概率模型优化法,分别将基于不同参数影像构建的预测模型进行融合,得到多参数影像联合预测结果,并计算ROC曲线下的面积(AUC)评估模型的分类性能。单参数影像模型预测Luminal A、Luminal B、HER2和Basal-like等4种分子分型的最佳AUC分别为0.672 1、0.694 0、0.677 7和0.708 6,多参数影像模型的预测结果提高到AUC分别为0.799 5、0.727 9、0.737 5和0.792 5。单参数影像模型预测分级的最佳AUC为0.753 3,多参数影...     

DCE-MRI对局部进展期乳腺癌新辅助化疗的临床指导价值研究

目前新辅助化疗作为局部进展期乳腺癌的标准治疗方式之一,临床应用愈加广泛,如何及时、有效并准确地评价其化疗疗效至关重要。近年来多种成像方法均可以显示肿块化疗前后的变化情况,但有局限性,DCE-MRI在评估新辅助化疗疗效、检测残余病灶、指导保乳手术、预测患者预后中无可代替,本文旨在DCE-MRI定量及半定量评价指标对乳腺癌新辅助化疗的临床指导价值进行综述。     

DCE-MRI及DWI影像特征对乳腺癌病理组织学分级及Ki-67表达的预测研究

联合动态增强磁共振成像(DCE-MRI)以及弥散加权成像(DWI)的影像特征,通过建立模型,分别对乳腺癌的组织学分级以及Ki-67的表达进行预测。对144例未经过任何手术或化疗的乳腺浸润性导管癌患者的数据进行回顾性分析,这些患者均采用3T 扫描仪进行术前乳腺 MRI 检查,从中获取DCE-MRI以及DWI影像,并从 DWI 中计算得到表观扩散系数 (ADC)。对不同参数磁共振影像进行肿瘤分割,并分别从整个肿瘤区域中提取纹理特征、统计特征、形态特征等。采用无监督判别特征选择方法(UDFS)和Fisher Score算法进行特征选择,将分类模型分别应用于DCE-MRI及DWI图像数据,将得到的不同分类器进行多分类器模型融合,最终得到多参数图像的联合预测结果。为了评估所建立模型的分类性能, 通过留一法交叉验证 (LOOCV) 的方法计算ROC曲线下的面积(AUC)。对于分级任务,DCE-MRI的第二增强序列达到0.780的最优AUC,(特异度为0.647,灵敏度为0.934);对于Ki-67预测任务,DWI序列达到0.756的最优AUC(特异度为0.806,灵敏度为0.695)。经过融合,分级的预测结果提高到AUC为0.808(特异度为0.706,灵敏度为0.895),Ki-67的预测结果提高到AUC为0.783(特异度为0.778,灵敏度为0.722)。结果表明,相比采用单一参数的磁共振图像数据,DCE-MRI和DWI的影像特征联合可以提高分类器的性能。     

SWE联合CEUS在乳腺癌患者新辅助化疗效果评估中的应用

目的:分析剪切波弹性成像(Shear wave elastrography,SWE)联合超声增强造影(Contrast-enhanced ultrasound,CEUS)在乳腺癌患者新辅助化疗效果评估中的应用价值.方法:选取2019年2月至2021年2月于本院就诊的78例乳腺癌患者作为研究对象.所有乳腺癌患者均给予AC-T化疗方案治疗,治疗4个疗程.化疗后,按照不同疗效对患者进行分组,将完全缓解和部分缓解患者纳入有效组;将稳定、进展的患者纳入无效组.于新辅助化疗结束后2 d内进行SWE以及CEUS检查,分析SWE联合CEUS评估乳腺癌患者新辅助化疗效果的价值.结果:化疗后,78例乳腺癌患者中缓解57例(完全缓解0例,部分缓解57例),占比73.08％;未缓解21例(稳定16例,进展5例),占比26.92％.未缓解组弹性模量最大值、病灶与周围组织弹性模量比值、峰值强度、区域血流量均高于缓解组,差异有统计学意义(P<0.05);绘制受试者工作特征(Receiver Operating Characteristic,ROC)曲线,结果显示,弹性模量最大值、病灶与周围组织弹性模量比值、峰值强度、区域血流量单独及联合评估新辅助化疗效果的曲线下面积(Area Under Curve,AUC)均>0.7,具有一定的评估价值,且联合检查的评估价值较高.结论:SWE联合CEUS对乳腺癌患者新辅助化疗效果的评估价值较高,可为临床疗效评估提供定量依据.     

血清miR-34a表达水平预测乳腺癌新辅助化疗疗效

目的探讨血清miR-34a对乳腺癌新辅助化疗疗效的预测价值。方法本研究包括78名确诊的原发性乳腺癌患者和30名健康志愿者。每位患者在化疗开始前,第二个周期结束和新辅助化疗结束时抽取6ml静脉血。实时定量PCR检测血清miR-34a的表达,其与化疗响应的关系被分析。结果血清miR-34a的表达水平在乳腺癌患者化疗开始前显著高于健康志愿者。在治疗有效组和无效组,血清miR-34a的表达水平在化疗开始前,两周期结束时和化疗结束时均无显著差异。而血清miR-34a表达水平的变化是与治疗反应显著相关的。在治疗有效组,患者的血清miR-34a水平在化疗第二周期后和化疗结束时均低于化疗开始前(P=0.023和P=0.036),而无效组无显著变化。ROC曲线显示血清miR-34a表达水平的变化能准确地预测新辅助化疗的疗效。结论血清miR-34a是一个新的、非侵入性的生物标记物,能够准确地预测乳腺癌新辅助化疗的疗效。     

四项肿瘤标志物在乳腺癌新辅助化疗疗效评估中的作用

乳腺癌是女性最常见的恶性肿瘤之一,严重威胁着妇女的身心健康.新辅助化疗又称术前化疗、首次化疗和诱导化疗,是指在局部治疗(手术或放疗)前进行的化疗,是具有重要意义,疗效优良的乳腺癌治疗方式之一.临床上通常通过查体、B超及钼靶X线等方法来评定新辅助化疗的疗效[1],但这些方法对设备要求高,操作过程复杂,费时,费用高,因此寻找简便有效的检测手段指导临床就显得十分迫切.近年来,CA15-3、CA125、CEA、CYFRA21-1等血清肿瘤标志物检测在乳腺癌的诊断、随访中发挥了重要的作用,将其用于乳腺癌化疗后效果判断的目前也有较多报道[2-3],而用于乳腺癌新辅助化疗疗效评价方面目前研究较为有限,为此,本文通过检测乳腺癌患者新辅助化疗前后,该四项血清标志物浓度的变化,探索利用血清标志物检测对乳腺癌患者新辅助化疗疗效进行预测、评估的方法.     

Ki67免疫组化分析在乳腺癌治疗中的临床意义

通过分析Ki67在乳腺癌表达水平与临床病理特征相关性以及研究其在术后新辅助化疗前后的变化,探讨Ki67标记指数在乳腺癌治疗中的临床意义。采取免疫组化法(SP法)检测2012年后该院的246例乳腺癌患者的336例乳腺癌病理组织中Ki67的阳性表达情况,其中包括90例患者新辅助化疗前后的组织标本。Ki67阳性比例为67.5%(166/246),Ki67的表达与肿瘤大小、淋巴结转移、组织细胞学分级和人表皮生长因子受体-2成正相关(为P0.05或P0.01),与年龄、雌激素受体、孕激素受体表达成负相关(均为P0.01),与TNM分期无明显相关性;Ki67在新辅助化疗前后的表达变化值与化疗疗效明显相关(P0.01),新辅助化疗效果越好,Ki67下降越明显。Ki67阳性表达与乳腺癌的临床病理特征有密切的相关性,对乳腺癌的早期诊断、治疗与预后有指导意义,另外术后新辅助化疗影响Ki67的表达,Ki67对预测新辅助化疗的疗效有重要意义,但其是否可以作为乳腺癌诊断预后及新辅助化疗疗效的可靠指标仍需进一步研究。     

Treatment Response Evaluation of Breast Cancer after Neoadjuvant Chemotherapy and Usefulness of the Imaging Parameters of MRI and PET/CT

This study was aimed to evaluate the ability of imaging parameters measured on dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI), diffusion-weighted MRI (DWI) and positron emission tomography/computed tomography (PET/CT) to serve as response markers in breast cancer after neoadjuvant chemotherapy (NAC). In 20 patients with breast cancer, DCE-MRI and DWI using a 3 T scanner and PET/CT were performed before and after NAC. DCE-MRI was analyzed using an automatic computer-aided detection program (MR-CAD). The response imaging parameters were compared with the pathologic response. The areas under the curve (AUCs) for DCE-MRI using MR-CAD analysis, DWI and PET/CT were 0.77, 0.59 and 0.76, respectively. The combination of all parameters measured by MR-CAD showed the highest diagnostic performance and accuracy (AUC = 0.77, accuracy = 90%). The combined use of the parameters of PET/CT with DCE-MRI or DWI showed a trend toward improved specificity and negative predictive value (100%, 100%, accuracy = 87.5%). The use of DCE-MRI using MR-CAD parameters indicated better diagnostic performance in predicting the final pathological response compared with DWI and PET/CT, although no statistically significant difference was observed. The combined use of PET/CT with DCE-MRI or DWI may improve the specificity for predicting a pathological response.

Graphical Abstract

     

Feature Selection in Computer-Aided Breast Cancer Diagnosis via Dynamic Contrast-Enhanced Magnetic Resonance Images

The accuracy of computer-aided diagnosis (CAD) for early detection and classification of breast cancer in dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) is dependent upon the features used by the CAD classifier. Here, we show that fast orthogonal search (FOS), which provides a more efficient iterative manner of computing stepwise regression feature selection, can select features with predictive value from a set of kinetic and texture candidate features computed from dynamic contrast-enhanced magnetic resonance images. FOS can in minutes search candidate feature sets of millions of terms, which may include cross-products of features up to second-, third- or fourth-order. This method is tested on a set of 83 DCE-MRI images, of which 20 are for cancerous and 63 for benign cases, using a leave-one-out trial. The features selected by FOS were used in a FOS predictor and nearest-neighbour predictor and had an area under the receiver operating curve (AUC) of 0.889 and 0.791 respectively. The FOS predictor AUC is significantly improved over the signal enhancement ratio predictor with an AUC of 0.706 (p = 0.0035 for the difference in the AUCs). Moreover, using FOS-selected features in a support vector machine increased the AUC over that resulting when the features were manually selected.     

Systemic immune mediators reflect tumour-infiltrating lymphocyte intensity and predict therapeutic response in triple-negative breast cancer

Triple-negative breast cancer (TNBC) is an aggressive form of breast cancer (BC). Neoadjuvant chemotherapy has proven efficacy in its treatment, and a pathological complete response (pCR) to therapy is predictive of improved long-term survival. The immune response is key to successful neoadjuvant chemotherapy, as indicated by the relation between the percentage of stromal tumour-infiltrating lymphocytes (TILs) in pre-treated tumour tissue samples and the likelihood of achieving pCR. Here we studied systemic immune mediators from volunteer TNBC patients before undergoing neoadjuvant chemotherapy to determine the systemic response association with TIL intensity, treatment response and survival. Patients were classified into pCR responder or non-responder at time of surgery. We found higher levels of immune mediators before treatment began in patients that went on to be pCR responders versus non-pCR, with area under the curve (AUC) values of 0.64–0.80. We also observed a positive correlation between inflammatory systemic immune mediators and the percentage of TILs in pCR responder patients. Combining TILs and systemic immune mediator levels provided stronger AUC values (range of 0.72–0.82). Last, performing a progression-free survival analysis with several of the systemic cytokines that predict pCR, segregated the patients into long- and short-survival groups based on high and low production of the cytokines, respectively. Our study demonstrates that circulating cytokines, before treatment begins, predict pCR in TNBC patients treated with neoadjuvant chemotherapy. Moreover, they may act as a surrogate marker of high TILs or together with TILs to better predict pCR and survival.     

基于DCE-MRI影像组学非负矩阵分解的乳腺癌病理信息缺失填充研究

乳腺癌病理报告是乳腺癌诊断和治疗的主要依据,在实际诊疗过程中可能存在临床病理信息缺失的问题.利用动态增强磁共振影像(DCE-MRI)病灶区域的影像特征,结合对应乳腺癌患者的临床病理信息,建立影像组学非负矩阵分解填充模型,以实现对缺失的乳腺癌分子分型和细胞角蛋白5/6(CK5/6)基因表达信息的填充.共采集139例乳腺癌...     

基于深度学习的肺腺癌肿瘤突变负荷的预测

肿瘤突变负荷(TMB)与非小细胞肺癌(NSCLC)的免疫治疗疗效呈正相关,并且在近期的相关研究中,肿瘤突变负荷对靶向治疗及化疗的疗效也有一定的预测作用.因此,提出一种融合注意力机制的Inception深度学习模型(CAIM),用于对TCGA数据库中的非小型细胞肺癌中的肺腺癌的病理切片进行识别.首先,对数据样本进行切分,...     

基于迁移学习和支持向量机的乳腺癌分子分型预测

乳腺癌分子分型对乳腺癌的治疗具有决定性的参考作用,传统的分型方法有创且可能存在假阳性问题,而已有的基于影像学的分型方法准确率较低。本文提出一种利用迁移学习提取特征并结合支持向量机的分型预测方法,对乳腺癌PET/CT标记图像进行融合和归一化,再使用Xception迁移学习网络进行特征提取,最后使用支持向量机进行分类实现分型。对样本测试集进行性能评估表明,Xception+SVM模型的准确率达到0.687,AUC为0.787,优于现有基于影像学的方法,验证了本文方法的有效性。