使用BI-RADS MRI特征和机器学习建模术前区分HER2-Zero和HER2-Low与HER2阳性浸润性导管乳腺癌

*仅供医学专业人士阅读参考

机器学习模型基于MRI特征可术前区分乳腺癌HER2表达水平。

乳腺癌是女性中最常被诊断的癌症之一，其异质性强，治疗方案及预后因分子亚型而异。HER2的精准评估对于选择靶向治疗方案至关重要。传统上，HER2状态被划分为阳性（过表达）与阴性。近年来，HER2低表达[HER2-low，即免疫组织化学（IHC）1+或IHC 2+且荧光原位杂交（FISH）无扩增]被确认为一个独特的类别，这部分患者可能受益于新型抗体药物偶联物（ADC）治疗，如德曲妥珠单抗（T-DXd）^[1]。因此，临床实践中正逐步将乳腺癌分为HER2-zero、HER2-low和HER2-positive三类。

尽管病理评估是金标准，但活检样本可能存在取样误差，且新辅助化疗后可能无残留肿瘤组织用于复查。乳腺磁共振成像（MRI）能够提供整个肿瘤的三维信息，在无创评估肿瘤生物学行为方面具有潜力^[2]。近期，一项研究旨在利用乳腺影像报告和数据系统（BI-RADS）MRI特征，通过机器学习（ML）算法术前区分三种HER2表达水平^[3]。本文对其主要内容进行概述，供读者参考。

研究方法

研究设计与患者队列

本研究为回顾性设计，最终纳入了2017年1月至2022年12月期间的621例经病理证实的浸润性导管癌患者。所有患者均在术前接受了乳腺MRI检查，且未接受过新辅助治疗。根据2018年美国临床肿瘤学会/美国病理学家学院（ASCO/CAP）指南，HER2状态被定义为：HER2-zero（IHC 0）、HER2-low（IHC 1+或IHC 2+且FISH阴性）、HER2-positive（IHC 3+或IHC 2+且FISH阳性）。

研究包含两个分类任务：

任务一（Task-1）：区分HER2-zero（n=245）与非zero（HER2-low + HER2-positive, n=376）。使用488例（80%）进行训练，133例（20%）进行测试。

任务二（Task-2）：在非zero组中，区分HER2-low（n=191）与HER2-positive（n=185）。使用294例进行训练，82例进行测试。

MRI图像采集与特征评估

所有MRI检查均在3.0 T扫描仪上完成，序列包括T2加权成像、扩散加权成像（DWI）和动态对比增强（DCE）MRI。由两位经验丰富的乳腺放射科医师在不知病理结果的情况下，根据BI-RADS标准对所有病灶的影像特征进行独立评估并达成共识。评估的特征包括：最大直径、形状、边缘、瘤周水肿、病灶数目、病灶形态[肿块或非肿块强化（NME）]、表观扩散系数（ADC）值、DCE时间-信号强度曲线模式以及内部强化模式。

机器学习模型构建与验证

首先使用随机森林（Random Forest）算法进行特征选择。随后，应用四种机器学习算法构建分类模型：决策树（DT）、支持向量机（SVM）、K-最近邻（K-NN）和人工神经网络（ANN）。模型在训练集中开发，并在独立的测试集中进行验证。性能通过受试者工作特征曲线下面积（AUC）、敏感性、特异性、准确度等指标进行评估。

统计分析

采用卡方检验、单因素方差分析或Kruskal-Wallis检验比较组间差异。P值<0.05认为具有统计学意义。

图2 该研究流程图展示了患者筛选流程，以及用于两项不同任务的训练和测试病例数。任务一用于区分HER2-zero与非zero（即HER2-low与HER2-positive），任务二用于区分HER2-low与HER2-positive

研究结果

模型的风险分层能力

在MRI特征的单变量分析中，HER2-positive肿瘤与HER2-low和HER2-zero相比，更常表现为多发灶、NME、瘤周水肿和DCE洗脱曲线（均P<0.05）。HER2-positive组的中位ADC值也显著高于HER2-low组（0.94 × 10⁻³ mm²/s vs. 0.89 × 10⁻³ mm²/s）^{Error! Reference source not found.}。

表1 HER2-zero、HER2-low与HER2-positive三组间MRI特征的比较

随机森林特征选择结果显示：

对于Task-1（区分HER2-zero与非zero），重要特征为：病灶数目、瘤周水肿、边缘和最大直径。
对于Task-2（区分HER2-low与HER2-positive），重要特征为：病灶数目、瘤周水肿和边缘。

模型的区分性能

■ 任务一（HER2-zero vs. 非zero）的性能：

在训练集中，K-NN模型表现最佳，AUC为0.86（95% CI: 0.82–0.90），敏感性0.76，特异性0.73，准确度0.75。在独立测试集中，该模型的AUC为0.79（95% CI: 0.71–0.87），敏感性0.72，特异性0.69，准确度0.71（表2）。

表2 四种机器学习模型在区分HER2-zero与非zero（HER2-low/positive）任务中的性能表现

■ 任务二（HER2-low vs. HER2-positive）的性能：

在训练集中，DT模型表现最佳，AUC为0.79（95% CI: 0.75–0.84），敏感性0.71，特异性0.77，准确度0.74。在独立测试集中，该模型的AUC为0.69（95% CI: 0.58–0.80），敏感性0.57，特异性0.87，准确度0.71（表3）。

表3 四种机器学习模型在区分HER2-low与HER2-positive任务中的性能表现

在所有任务中，基于相同特征构建的线性回归模型性能均逊于上述机器学习模型。

文章小结

本研究成功构建并验证了基于术前乳腺MRI BI-RADS特征的机器学习模型，用于区分浸润性导管癌中三种不同的HER2表达水平。研究结果表明，利用临床常规报告的影像特征，结合K-NN和DT等机器学习算法，能够在术前无创性地鉴别HER2-zero、HER2-low和HER2-positive肿瘤。

该研究为乳腺癌的术前精准评估提供了新的视角。通过常规MRI检查获取的BI-RADS特征具有较好的临床可行性与可解释性。若经过前瞻性多中心大样本研究的进一步验证，此类模型有望在未来辅助临床医生在治疗前更全面地评估HER2状态，特别是在活检样本受限或结果存疑时，为识别可能从新型ADC药物中受益的HER2-low患者、以及为HER2-positive患者选择合适的靶向治疗方案提供有价值的影像学参考，从而助力乳腺癌的个体化治疗决策。

参考文献：

[1]Modi S, Jacot W, Yamashita T, et al. Trastuzumab Deruxtecan in previously treated HER2-low advanced breast cancer. N Engl J Med. 2022;387(1):9-20.

[2]Marino MA, Helbich T, Baltzer P, et al. Multiparametric MRI of the breast: A review. J Magn Reson Imaging. 2018;47(2):301-315.

[3]Zhou J, Zhang Y, Miao H, et al. Preoperative Differentiation of HER2-Zero and HER2-Low from HER2-Positive Invasive Ductal Breast Cancers Using BI-RADS MRI Features and Machine Learning Modeling. J Magn Reson Imaging. 2025;61(2):928-941.

审批编号: CN-171657 有效期至:2026-11-12
本材料由阿斯利康提供，仅供医疗卫生专业人士参考

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。

更多医疗资讯，点击“阅读原文”查看