近年来，乳腺癌的发病率正逐年上升，严重威胁女性健康。以往的研究证实与腋窝淋巴结阴性的乳腺癌患者相比，转移阳性患者的5年总生存率往往下降高达40%，因此，准确评估腋窝淋巴结对乳腺癌患者的后续治疗和预后至关重要，尤其是前哨淋巴结（SLN）的精准评价。前评估乳腺癌患者的SLN和NLSN状态具有重要的临床价值。

2023年8月24日，浙江大学丽水医院（温州医科大学附属第五医院，丽水市中心医院）纪建松教授团队的研究成果于医学综合性期刊eClinicalMedicine（中科院一区，Top期刊，最新影响因子为15.1）在线发表，论文题目为“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”。该研究聚焦于开发并验证一种基于动态对比增强磁共振图像（DCE-MRI）的深度学习自动化评估工具，能够有效实现术前腋窝前哨淋巴结（SLN）和非前哨淋巴结（NSLN）转移风险的无创精准预测。

该研究是一项多中心回顾性研究，纳入了国内三家不同医疗机构的临床基线数据和影像资料，具体数据集分布见图1。采用主流的残差网络18 （ResNet-18）构建模型，模型训练流程如图2所示。首先，图像经过初步处理后输入到模型，ResNet18-I算法将所有纳入研究中的乳腺癌患者输出为两个亚组。如果Res Net18-I预测腋窝淋巴转移风险较低，则直接将受试者输出为SLN低风险组。当Res Net18-I识别患者为SLN高风险时，则需要结合SLN活检结果，排除该亚组中SLN阴性患者。Res Net18-II将继续鉴别SLN阳性患者的NSLN状态。ResNet18-II可以将SLN+&NSLN+患者归为NSLN高风险亚组，而NSLN低风险亚组（SLN+&NSLN-）患者可以避免进一步的腋窝淋巴结清扫治疗，从而指导临床治疗方案选择。此外，还构建了基于潜在临床危险因素的临床模型和传统的影像组学模型，通过曲线下面积（AUC）、准确性、敏感性和特异性来对比不同模型预测腋窝淋巴结转移的表现。

图1. 研究对象纳入流程图

图2. 实验流程示意图

图3. 各个模型的ROC曲线

结果表明，CNN模型在预测SLN方面明显优于临床模型和传统影像组学模型。如图3a所示，各个模型在预测SLN转移的表现：单纯临床模型在验证集和两个外部测试集的AUC分别为0.709、0.486和0.615，影像组学模型在验证集和两个外部测试集的AUC分别为0.735、0.561和0.535，CNN模型在验证集和两个外部测试集的AUC分别为0.899、0.885和0.768；此外，如图3b所示，CNN模型在预测NSLN转移的表现：在验证集和两个外部测试集的AUC分别为0.8、0.763和0.728，表明该模型在预测NSLN方面具有较好的泛化性。

图4. 卷积神经网络(CNN)模型热力图

为了更好地理解模型，使用类激活映射(CAM)对深度神经网络的内部特征进行可视化。CAM可以生成一个突出分类目标输入区域的粗略定位图，可帮助了解CNN是否关注合适的肿瘤区域，提高模型的可解释性。结果发现，CNN模型关注的区域主要集中在病灶内部和肿瘤周围区域，以此来判断SLN或NSLN状态，符合放射科医生诊断的逻辑。

图5. 卷积神经网络(CNN)模型使用示意图

研究结论表明，CNN模型在预测乳腺癌患者术前SLN和NSLN转移方面表现优于放射科医生、临床模型和传统的影像组学模型，且不受肿瘤大小影响。利用诊疗过程中现有的DCE-MRI图像，该CNN模型可作为术前腋窝淋巴结智能评估工具，为乳腺癌患者提供精准个体化医疗管理策略。

该文的通讯作者为浙江大学丽水医院（温州医科大学附属第五医院，丽水市中心医院）纪建松教授和卢陈英教授，以及浙江大学附属第一医院孙军辉教授，第一作者为浙江大学2021级博士研究生陈铭珍以及浙江省影像诊断与介入微创研究重点实验室孔春丽老师，该工作得到国家自然科学基金等项目的资助。

原文链接：

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(23)00353-X/fulltext