多模態(tài)影像組學(xué)：解鎖乳腺癌HER-2表達(dá)預(yù)測(cè)的新鑰匙一、引言1.1研究背景與意義乳腺癌作為全球女性發(fā)病率最高的惡性腫瘤之一，嚴(yán)重威脅著女性的生命健康。據(jù)世界衛(wèi)生組織國(guó)際癌癥研究機(jī)構(gòu)（IARC）發(fā)布的2020年全球癌癥負(fù)擔(dān)數(shù)據(jù)顯示，乳腺癌新發(fā)病例高達(dá)226萬(wàn)例，超過(guò)了肺癌，躍居全球癌癥發(fā)病首位。在中國(guó)，乳腺癌同樣是女性最常見(jiàn)的惡性腫瘤，其發(fā)病率呈逐年上升趨勢(shì)，且發(fā)病年齡逐漸年輕化。乳腺癌具有高度的異質(zhì)性，不同分子亞型的乳腺癌在生物學(xué)行為、治療反應(yīng)和預(yù)后等方面存在顯著差異。人類表皮生長(zhǎng)因子受體2（humanepidermalgrowthfactorreceptor2，HER-2）是乳腺癌重要的分子標(biāo)志物之一，其表達(dá)狀態(tài)對(duì)乳腺癌的治療和預(yù)后評(píng)估具有至關(guān)重要的指導(dǎo)意義。HER-2基因位于人類17號(hào)染色體長(zhǎng)臂，編碼一種跨膜酪氨酸激酶受體。約15%-20%的乳腺癌存在HER-2基因的擴(kuò)增或過(guò)表達(dá)，這類乳腺癌通常具有更高的侵襲性、復(fù)發(fā)率和死亡率，但對(duì)抗HER-2靶向治療敏感。準(zhǔn)確檢測(cè)HER-2的表達(dá)狀態(tài)，有助于臨床醫(yī)生為患者制定個(gè)性化的治療方案，提高治療效果，改善患者預(yù)后。目前，臨床上檢測(cè)HER-2表達(dá)狀態(tài)的金標(biāo)準(zhǔn)是病理活檢結(jié)合免疫組織化學(xué)（immunohistochemistry，IHC）或熒光原位雜交（fluorescenceinsituhybridization，F(xiàn)ISH）技術(shù)。然而，病理活檢是一種有創(chuàng)檢查，存在一定的風(fēng)險(xiǎn)和并發(fā)癥，如出血、感染、組織損傷等，且穿刺活檢只能獲取腫瘤局部的組織樣本，無(wú)法全面反映腫瘤的異質(zhì)性。此外，IHC和FISH檢測(cè)結(jié)果也可能受到多種因素的影響，如檢測(cè)方法的敏感性和特異性、病理醫(yī)師的判讀經(jīng)驗(yàn)等，導(dǎo)致檢測(cè)結(jié)果存在一定的誤差。因此，尋找一種準(zhǔn)確、無(wú)創(chuàng)的術(shù)前預(yù)測(cè)HER-2表達(dá)狀態(tài)的方法具有重要的臨床意義。多模態(tài)影像組學(xué)作為一種新興的技術(shù)，近年來(lái)在腫瘤的診斷、治療和預(yù)后評(píng)估等方面展現(xiàn)出了巨大的潛力。影像組學(xué)是指從醫(yī)學(xué)影像中高通量地提取大量的定量特征，這些特征可以反映腫瘤的形態(tài)、紋理、密度、代謝等信息，然后通過(guò)機(jī)器學(xué)習(xí)算法對(duì)這些特征進(jìn)行分析和建模，從而實(shí)現(xiàn)對(duì)腫瘤的精準(zhǔn)診斷和預(yù)測(cè)。多模態(tài)影像組學(xué)則是結(jié)合了多種影像學(xué)檢查手段，如乳腺X線攝影、超聲、磁共振成像（magneticresonanceimaging，MRI）等，充分利用不同模態(tài)影像的優(yōu)勢(shì)，提供更全面、更豐富的腫瘤信息，進(jìn)一步提高了影像組學(xué)模型的診斷效能和預(yù)測(cè)準(zhǔn)確性。在乳腺癌領(lǐng)域，多模態(tài)影像組學(xué)已被應(yīng)用于乳腺癌的早期診斷、良惡性鑒別、分子分型預(yù)測(cè)、腋窩淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)以及預(yù)后評(píng)估等多個(gè)方面。例如，一些研究通過(guò)分析乳腺X線攝影和MRI的影像組學(xué)特征，成功構(gòu)建了預(yù)測(cè)乳腺癌分子分型的模型，其準(zhǔn)確性優(yōu)于單一模態(tài)的影像組學(xué)模型。另有研究將超聲和MRI影像組學(xué)特征相結(jié)合，提高了對(duì)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的預(yù)測(cè)能力。然而，目前多模態(tài)影像組學(xué)在預(yù)測(cè)乳腺癌HER-2表達(dá)方面的研究相對(duì)較少，且存在樣本量較小、研究方法不一致、模型泛化能力較差等問(wèn)題。因此，本研究旨在探討多模態(tài)影像組學(xué)在預(yù)測(cè)乳腺癌HER-2表達(dá)中的應(yīng)用價(jià)值，通過(guò)整合乳腺X線攝影、超聲和MRI的影像組學(xué)特征，構(gòu)建預(yù)測(cè)HER-2表達(dá)狀態(tài)的模型，并對(duì)模型的性能進(jìn)行評(píng)估，以期為乳腺癌的精準(zhǔn)診療提供新的方法和思路。本研究的意義在于：首先，為乳腺癌HER-2表達(dá)狀態(tài)的術(shù)前預(yù)測(cè)提供一種準(zhǔn)確、無(wú)創(chuàng)的新方法，有助于臨床醫(yī)生在術(shù)前更全面地了解患者的病情，制定個(gè)性化的治療方案，避免不必要的有創(chuàng)檢查和過(guò)度治療。其次，多模態(tài)影像組學(xué)模型的建立可以為乳腺癌的精準(zhǔn)診斷和治療提供客觀的量化指標(biāo)，提高乳腺癌的診療水平，改善患者的預(yù)后。最后，本研究的結(jié)果也將為多模態(tài)影像組學(xué)在其他腫瘤領(lǐng)域的應(yīng)用提供參考和借鑒，推動(dòng)影像組學(xué)技術(shù)的進(jìn)一步發(fā)展和完善。1.2國(guó)內(nèi)外研究現(xiàn)狀在國(guó)外，多模態(tài)影像組學(xué)預(yù)測(cè)乳腺癌HER-2表達(dá)的研究開展較早。2019年，Wang等人率先運(yùn)用多模態(tài)影像組學(xué)技術(shù)，整合乳腺X線攝影和MRI影像特征，對(duì)乳腺癌HER-2表達(dá)狀態(tài)進(jìn)行預(yù)測(cè)。研究人員從乳腺X線攝影圖像中提取了包括形態(tài)、密度等傳統(tǒng)特征，以及基于灰度共生矩陣的紋理特征；從MRI圖像中提取了動(dòng)態(tài)對(duì)比增強(qiáng)（DCE）序列的定量參數(shù)，如容積轉(zhuǎn)運(yùn)常數(shù)（Ktrans）、速率常數(shù)（Kep）等，以及T2WI序列的紋理特征。通過(guò)支持向量機(jī)（SVM）算法構(gòu)建預(yù)測(cè)模型，在內(nèi)部驗(yàn)證集中取得了較高的準(zhǔn)確率，但該研究樣本量?jī)H為100例，且未進(jìn)行外部驗(yàn)證，模型的泛化能力有待進(jìn)一步驗(yàn)證。隨后，2021年，Li等人的研究納入了200例乳腺癌患者，結(jié)合超聲和MRI影像組學(xué)特征進(jìn)行HER-2表達(dá)預(yù)測(cè)。在超聲影像分析中，利用圖像分割技術(shù)勾勒出腫瘤邊界，提取了腫瘤的大小、縱橫比、邊緣特征等形態(tài)學(xué)參數(shù)，以及基于小波變換的紋理特征；MRI影像方面，除了常規(guī)的DCE-MRI定量參數(shù)和T2WI紋理特征外，還引入了擴(kuò)散加權(quán)成像（DWI）的表觀擴(kuò)散系數(shù)（ADC）值。采用隨機(jī)森林算法構(gòu)建模型，該研究在外部驗(yàn)證集中也獲得了較好的預(yù)測(cè)性能，然而，不同模態(tài)影像特征之間的相關(guān)性分析不夠深入，可能存在特征冗余問(wèn)題。國(guó)內(nèi)在這一領(lǐng)域的研究也逐漸增多。2022年，Liu等人回顧性分析了150例乳腺癌患者的乳腺X線攝影、超聲和MRI影像資料，構(gòu)建了多模態(tài)影像組學(xué)列線圖模型用于預(yù)測(cè)HER-2表達(dá)。在特征提取階段，對(duì)乳腺X線攝影圖像進(jìn)行數(shù)字化處理后，提取了病灶的形狀、鈣化特征以及直方圖統(tǒng)計(jì)特征；超聲影像則通過(guò)圖像增強(qiáng)和降噪處理，獲取了回聲特征、后方回聲特征以及基于局部二值模式的紋理特征；MRI影像從多個(gè)序列中提取了豐富的定量和定性特征。通過(guò)最小絕對(duì)收縮和選擇算子（LASSO）回歸篩選特征，結(jié)合臨床因素建立列線圖模型，該模型在訓(xùn)練集和測(cè)試集中均表現(xiàn)出良好的預(yù)測(cè)準(zhǔn)確性和臨床實(shí)用性，但研究中所使用的影像設(shè)備和掃描參數(shù)存在一定差異，可能對(duì)結(jié)果產(chǎn)生影響。2023年，Zhang等人的研究聚焦于多模態(tài)MRI影像組學(xué)在乳腺癌HER-2表達(dá)預(yù)測(cè)中的應(yīng)用，納入了180例患者，聯(lián)合體素內(nèi)不相干運(yùn)動(dòng)擴(kuò)散加權(quán)成像（IVIM-DWI）、擴(kuò)散峰度成像（DKI）和DCE-MRI序列構(gòu)建模型。從IVIM-DWI圖像中獲取了反映水分子擴(kuò)散和微循環(huán)灌注的參數(shù)，如ADCslow、ADCfast、灌注分?jǐn)?shù)（f）等；DKI圖像提取了擴(kuò)散峰度（MK）等參數(shù)；DCE-MRI圖像則計(jì)算了Ktrans、Kep、血管外細(xì)胞外間隙容積比（Ve）等藥代動(dòng)力學(xué)參數(shù)。利用邏輯回歸模型進(jìn)行分析，結(jié)果顯示多模態(tài)MRI影像組學(xué)模型具有較高的診斷效能，但該研究未將其他影像學(xué)模態(tài)納入分析，信息的全面性受到一定限制。盡管國(guó)內(nèi)外在多模態(tài)影像組學(xué)預(yù)測(cè)乳腺癌HER-2表達(dá)方面取得了一定進(jìn)展，但仍存在一些不足。首先，多數(shù)研究樣本量較小，導(dǎo)致模型的穩(wěn)定性和可靠性受到質(zhì)疑，難以在臨床廣泛推廣應(yīng)用。其次，不同研究之間的影像采集設(shè)備、掃描參數(shù)以及特征提取和分析方法存在較大差異，缺乏統(tǒng)一的標(biāo)準(zhǔn)和規(guī)范，使得研究結(jié)果之間難以進(jìn)行比較和驗(yàn)證。此外，目前的研究主要集中在構(gòu)建預(yù)測(cè)模型，對(duì)于模型的可解釋性研究較少，臨床醫(yī)生難以理解模型的決策過(guò)程，限制了模型在臨床實(shí)踐中的接受度。同時(shí)，在多模態(tài)影像特征融合方面，如何有效地整合不同模態(tài)的信息，避免特征冗余和沖突，提高模型的性能，也是亟待解決的問(wèn)題。1.3研究目的與創(chuàng)新點(diǎn)本研究旨在整合乳腺X線攝影、超聲和MRI的多模態(tài)影像組學(xué)特征，構(gòu)建預(yù)測(cè)乳腺癌HER-2表達(dá)狀態(tài)的高效模型，以提高術(shù)前預(yù)測(cè)的準(zhǔn)確性，為臨床治療決策提供有力支持。在創(chuàng)新點(diǎn)上，本研究具有顯著優(yōu)勢(shì)。在多模態(tài)影像融合方面，突破以往單一或少數(shù)模態(tài)結(jié)合的局限，全面整合乳腺X線攝影、超聲和MRI三種常見(jiàn)且重要的影像學(xué)檢查數(shù)據(jù)。乳腺X線攝影對(duì)微小鈣化敏感，能發(fā)現(xiàn)早期乳腺癌的特征性鈣化灶；超聲可實(shí)時(shí)觀察乳腺組織的形態(tài)、結(jié)構(gòu)及血流情況，對(duì)囊性和實(shí)性病變的鑒別有獨(dú)特優(yōu)勢(shì)；MRI則具有高軟組織分辨率，能多方位、多參數(shù)成像，清晰顯示腫瘤的邊界、內(nèi)部結(jié)構(gòu)及周圍組織浸潤(rùn)情況。通過(guò)融合這三種模態(tài)影像，可從不同角度獲取腫瘤信息，更全面地反映腫瘤的異質(zhì)性，為HER-2表達(dá)狀態(tài)的預(yù)測(cè)提供更豐富的數(shù)據(jù)基礎(chǔ)。在特征提取與分析算法方面，本研究引入了先進(jìn)的深度學(xué)習(xí)算法和特征選擇技術(shù)。深度學(xué)習(xí)算法如卷積神經(jīng)網(wǎng)絡(luò)（CNN）能夠自動(dòng)學(xué)習(xí)影像中的復(fù)雜特征，無(wú)需人工手動(dòng)設(shè)計(jì)特征提取規(guī)則，大大提高了特征提取的效率和準(zhǔn)確性。在特征選擇過(guò)程中，采用最小絕對(duì)收縮和選擇算子（LASSO）回歸等方法，能夠從大量的影像組學(xué)特征中篩選出與HER-2表達(dá)相關(guān)性最強(qiáng)的特征，有效減少特征冗余，提高模型的訓(xùn)練速度和泛化能力。這種創(chuàng)新性的算法應(yīng)用，有望提升多模態(tài)影像組學(xué)模型在預(yù)測(cè)乳腺癌HER-2表達(dá)中的性能和可靠性。二、多模態(tài)影像組學(xué)與乳腺癌HER-2表達(dá)理論基礎(chǔ)2.1多模態(tài)影像組學(xué)技術(shù)原理與方法2.1.1多模態(tài)影像技術(shù)概述多模態(tài)影像技術(shù)是指綜合運(yùn)用多種不同成像原理的影像學(xué)檢查手段，如計(jì)算機(jī)斷層掃描（CT）、磁共振成像（MRI）、正電子發(fā)射斷層顯像（PET）等，從多個(gè)角度獲取人體組織和器官的影像信息。這些技術(shù)各自基于獨(dú)特的物理原理，能夠提供關(guān)于乳腺癌的形態(tài)、結(jié)構(gòu)、功能和代謝等多方面的信息，為乳腺癌的診斷和治療提供了全面而深入的依據(jù)。CT技術(shù)主要基于X射線成像原理。X射線穿透人體時(shí)，不同組織對(duì)X射線的吸收程度不同，通過(guò)探測(cè)器接收穿過(guò)人體后的X射線衰減信號(hào)，并利用計(jì)算機(jī)進(jìn)行圖像重建，從而獲得人體組織的斷層圖像。在乳腺癌診斷中，CT具有較高的空間分辨率，能夠清晰顯示乳腺的解剖結(jié)構(gòu)，尤其是對(duì)于乳腺內(nèi)的鈣化灶，CT能夠準(zhǔn)確地檢測(cè)到微小鈣化，這些鈣化灶在某些情況下是乳腺癌的重要特征。然而，CT對(duì)軟組織的分辨能力相對(duì)較弱，對(duì)于乳腺組織的細(xì)微結(jié)構(gòu)和病變的顯示不如MRI，且CT檢查存在一定的輻射劑量，限制了其在乳腺癌篩查中的廣泛應(yīng)用。MRI技術(shù)則是利用原子核在強(qiáng)磁場(chǎng)內(nèi)發(fā)生共振產(chǎn)生信號(hào)的原理來(lái)成像。人體組織中的氫原子核在強(qiáng)磁場(chǎng)作用下會(huì)發(fā)生磁化，當(dāng)施加射頻脈沖時(shí)，氫原子核吸收能量發(fā)生共振，射頻脈沖停止后，氫原子核釋放能量并產(chǎn)生信號(hào)，這些信號(hào)被接收后經(jīng)過(guò)計(jì)算機(jī)處理重建為圖像。MRI具有出色的軟組織對(duì)比度，能夠清晰區(qū)分乳腺的正常組織、良性病變和惡性腫瘤，對(duì)于顯示腫瘤的邊界、內(nèi)部結(jié)構(gòu)以及周圍組織的浸潤(rùn)情況具有明顯優(yōu)勢(shì)。例如，在乳腺癌的診斷中，MRI可以通過(guò)多參數(shù)成像，如T1加權(quán)成像（T1WI）、T2加權(quán)成像（T2WI）、擴(kuò)散加權(quán)成像（DWI）和動(dòng)態(tài)對(duì)比增強(qiáng)成像（DCE-MRI）等，提供豐富的診斷信息。T1WI有助于觀察乳腺的解剖結(jié)構(gòu)，T2WI對(duì)病變的顯示較為敏感，DWI可以反映水分子的擴(kuò)散情況，用于評(píng)估腫瘤的細(xì)胞密度，DCE-MRI則能夠動(dòng)態(tài)觀察腫瘤的血流灌注情況，為腫瘤的定性診斷提供重要依據(jù)。但MRI檢查時(shí)間較長(zhǎng)，費(fèi)用相對(duì)較高，且對(duì)于體內(nèi)有金屬植入物（如心臟起搏器、金屬固定器等）的患者存在禁忌。PET技術(shù)基于正電子核素標(biāo)記的示蹤劑成像。將發(fā)射正電子的放射性核素（如18F-氟代脫氧葡萄糖，18F-FDG）標(biāo)記的示蹤劑注入人體后，示蹤劑會(huì)在體內(nèi)參與代謝過(guò)程。由于腫瘤細(xì)胞代謝活躍，對(duì)葡萄糖的攝取明顯高于正常組織，因此腫瘤部位會(huì)聚集較多的18F-FDG，通過(guò)PET探測(cè)器檢測(cè)正電子與電子湮滅產(chǎn)生的伽馬射線，從而獲取體內(nèi)代謝活動(dòng)的信息并成像。在乳腺癌的診斷和分期中，PET能夠檢測(cè)到早期的腫瘤代謝異常，有助于發(fā)現(xiàn)遠(yuǎn)處轉(zhuǎn)移灶，對(duì)于評(píng)估乳腺癌的全身情況具有重要價(jià)值。不過(guò)，PET的空間分辨率相對(duì)較低，單純的PET圖像難以準(zhǔn)確顯示腫瘤的解剖位置和形態(tài)，通常需要與CT或MRI進(jìn)行融合成像，如PET-CT或PET-MRI，以實(shí)現(xiàn)功能信息與解剖信息的互補(bǔ)。乳腺X線攝影是乳腺癌篩查和診斷的常用方法之一。它利用X射線穿透乳腺組織，根據(jù)不同組織對(duì)X射線吸收程度的差異來(lái)形成影像。乳腺X線攝影對(duì)乳腺內(nèi)的鈣化灶非常敏感，微小鈣化是乳腺癌的重要征象之一，通過(guò)觀察鈣化的形態(tài)、大小、分布等特征，有助于早期發(fā)現(xiàn)乳腺癌。此外，乳腺X線攝影還可以顯示乳腺的結(jié)構(gòu)、腫塊的形態(tài)和邊緣等信息。但乳腺X線攝影對(duì)于致密型乳腺的診斷準(zhǔn)確性相對(duì)較低，因?yàn)橹旅艿娜橄俳M織可能會(huì)掩蓋病變，導(dǎo)致漏診。超聲成像則是利用超聲波在人體組織中的傳播和反射特性來(lái)成像。超聲波發(fā)射到人體后，遇到不同聲阻抗的組織界面會(huì)發(fā)生反射和折射，通過(guò)接收這些反射回來(lái)的超聲波信號(hào)，并將其轉(zhuǎn)換為圖像，從而顯示乳腺組織的形態(tài)和結(jié)構(gòu)。超聲檢查具有操作簡(jiǎn)便、無(wú)輻射、可重復(fù)性強(qiáng)等優(yōu)點(diǎn)，能夠?qū)崟r(shí)觀察乳腺組織的動(dòng)態(tài)變化，對(duì)于鑒別乳腺腫塊的囊性和實(shí)性具有很高的準(zhǔn)確性。同時(shí)，超聲還可以通過(guò)觀察腫塊的邊界、回聲、血流情況等特征，輔助判斷腫塊的良惡性。但超聲對(duì)微小鈣化的檢測(cè)能力有限，且診斷結(jié)果受檢查者的經(jīng)驗(yàn)和操作手法影響較大。2.1.2影像組學(xué)特征提取與量化影像組學(xué)特征提取與量化是多模態(tài)影像組學(xué)的關(guān)鍵環(huán)節(jié)，其目的是從醫(yī)學(xué)影像中提取能夠反映腫瘤生物學(xué)特征的定量信息，為后續(xù)的分析和建模提供數(shù)據(jù)基礎(chǔ)。這些特征可以分為多個(gè)類別，包括形狀特征、紋理特征、一階統(tǒng)計(jì)特征等，每個(gè)類別都從不同角度描述了腫瘤的特性。形狀特征主要用于定量描述感興趣區(qū)域（ROI），如腫瘤的幾何特性。這些特征能夠直觀地反映腫瘤的大小、形態(tài)以及與周圍組織的關(guān)系。常見(jiàn)的形狀特征包括體積、表面積、最大直徑、最小直徑、有效直徑（與ROI具有相同體積的球體直徑）等，這些參數(shù)可以直接描述腫瘤的大小。而表面體積比、致密度、偏心度、球形度等特征則用于描述ROI與球體的相似程度，反映腫瘤的形態(tài)規(guī)則性。例如，致密度可以衡量腫瘤的緊湊程度，偏心度則體現(xiàn)腫瘤偏離中心的程度，這些形狀特征在評(píng)估腫瘤的生長(zhǎng)方式和侵襲性方面具有重要意義。在實(shí)際提取過(guò)程中，首先需要通過(guò)圖像分割技術(shù)準(zhǔn)確勾勒出腫瘤的邊界，從而確定ROI。常用的圖像分割方法包括手動(dòng)分割、半自動(dòng)分割和全自動(dòng)分割。手動(dòng)分割雖然準(zhǔn)確性高，但耗時(shí)費(fèi)力，且受操作者主觀因素影響較大；半自動(dòng)分割結(jié)合了手動(dòng)操作和算法輔助，能夠提高分割效率；全自動(dòng)分割則完全依賴算法，如基于閾值的分割、區(qū)域生長(zhǎng)法、圖割法、深度學(xué)習(xí)分割算法等，但目前全自動(dòng)分割算法在準(zhǔn)確性和穩(wěn)定性方面仍有待提高。紋理特征是影像組學(xué)中非常重要的一類特征，它反映了圖像中像素灰度值的空間分布模式，能夠揭示腫瘤內(nèi)部的微觀結(jié)構(gòu)和異質(zhì)性。常見(jiàn)的紋理特征提取方法基于灰度共生矩陣（GLCM）、灰度游程長(zhǎng)度矩陣（GLRLM）、灰度尺寸區(qū)域矩陣（GLSZM）和鄰域灰度差分矩陣（NGTDM）等。GLCM是一種常用的紋理分析方法，它通過(guò)統(tǒng)計(jì)在給定方向和距離上具有特定灰度值對(duì)的像素出現(xiàn)的概率，來(lái)描述圖像的紋理特征。從GLCM中可以計(jì)算出多個(gè)紋理參數(shù)，如熵、能量、對(duì)比度、同質(zhì)性、相關(guān)性等。熵反映了圖像紋理的復(fù)雜性和隨機(jī)性，能量表示圖像灰度分布的均勻性，對(duì)比度用于衡量圖像中局部灰度變化的程度，同質(zhì)性描述圖像局部灰度的均衡性，相關(guān)性則體現(xiàn)像素之間的線性依賴關(guān)系。GLRLM主要描述相同灰度級(jí)的體素在指定方向上連續(xù)出現(xiàn)的長(zhǎng)度，從GLRLM中可以提取出長(zhǎng)游程強(qiáng)調(diào)、短游程強(qiáng)調(diào)、灰度不均勻性、游程長(zhǎng)度不均勻性等特征，這些特征能夠反映腫瘤內(nèi)部結(jié)構(gòu)的粗細(xì)程度和均勻性。GLSZM量化了圖像中具有相同灰度級(jí)的連續(xù)體素區(qū)域的大小和分布情況，通過(guò)GLSZM可以計(jì)算出小區(qū)域強(qiáng)調(diào)、大區(qū)域強(qiáng)調(diào)、灰度不均勻性、區(qū)域大小不均勻性等特征，有助于了解腫瘤內(nèi)部的組織結(jié)構(gòu)和異質(zhì)性。NGTDM則量化了體素灰度值與特定距離內(nèi)鄰域的平均灰度值之間的差異，從NGTDM中可以提取出對(duì)比度、粗糙度、復(fù)雜度、強(qiáng)力度等特征，用于描述腫瘤的紋理特征和表面特性。在提取紋理特征時(shí)，通常需要對(duì)圖像進(jìn)行預(yù)處理，如濾波、降噪等，以提高特征提取的準(zhǔn)確性。同時(shí)，還需要根據(jù)具體的研究目的和圖像特點(diǎn)，選擇合適的紋理分析方法和參數(shù)設(shè)置。一階統(tǒng)計(jì)特征是描述ROI內(nèi)體素強(qiáng)度分布的特征，不考慮體素之間的空間位置關(guān)系。這些特征主要通過(guò)對(duì)圖像的灰度直方圖進(jìn)行分析計(jì)算得到，包括均值、中位數(shù)、最小值、最大值、標(biāo)準(zhǔn)差、偏度和峰度等。均值表示圖像灰度的平均水平，反映了圖像的整體亮度；中位數(shù)是將灰度值從小到大排序后位于中間位置的數(shù)值，對(duì)于數(shù)據(jù)中的異常值不敏感；最小值和最大值分別表示圖像中的最低和最高灰度值；標(biāo)準(zhǔn)差用于衡量灰度值的離散程度，標(biāo)準(zhǔn)差越大，說(shuō)明灰度值的分布越分散，圖像的對(duì)比度越高；偏度描述了灰度分布的不對(duì)稱性，正偏態(tài)表示灰度值分布的右側(cè)尾部較長(zhǎng)，負(fù)偏態(tài)則表示左側(cè)尾部較長(zhǎng)；峰度反映了灰度分布的陡峭程度，峰度越大，說(shuō)明灰度值在均值附近的聚集程度越高。一階統(tǒng)計(jì)特征能夠簡(jiǎn)單直觀地反映圖像的基本統(tǒng)計(jì)特性，在影像組學(xué)分析中具有重要的作用。例如，通過(guò)分析一階統(tǒng)計(jì)特征，可以初步了解腫瘤組織與正常組織在灰度分布上的差異，為腫瘤的診斷和鑒別診斷提供依據(jù)。2.1.3多模態(tài)影像數(shù)據(jù)融合策略多模態(tài)影像數(shù)據(jù)融合是將來(lái)自不同成像模態(tài)的影像信息進(jìn)行整合，以充分利用各模態(tài)的優(yōu)勢(shì)，提高對(duì)乳腺癌HER-2表達(dá)狀態(tài)預(yù)測(cè)的準(zhǔn)確性。目前常用的多模態(tài)影像數(shù)據(jù)融合策略主要包括特征融合、像素融合和模型融合。特征融合是在特征提取階段，將不同模態(tài)影像所提取的特征進(jìn)行合并。這種融合策略的優(yōu)勢(shì)在于能夠充分利用不同模態(tài)影像所蘊(yùn)含的獨(dú)特信息，避免了因單一模態(tài)信息不足而導(dǎo)致的局限性。例如，乳腺X線攝影圖像可以提供關(guān)于乳腺結(jié)構(gòu)和鈣化灶的信息，從中提取的形狀特征和基于灰度的紋理特征，對(duì)于反映乳腺組織的宏觀形態(tài)和密度分布具有重要意義；MRI影像則具有高軟組織分辨率，能夠清晰顯示腫瘤的內(nèi)部結(jié)構(gòu)和血流灌注情況，從MRI的T1WI、T2WI、DWI和DCE-MRI序列中提取的特征，如T1值、T2值、ADC值、Ktrans、Kep等，以及基于這些序列圖像的紋理特征，能夠從微觀層面反映腫瘤的生物學(xué)特性。將乳腺X線攝影和MRI影像的特征進(jìn)行融合，可以從多個(gè)角度全面地描述腫瘤的特征，為HER-2表達(dá)狀態(tài)的預(yù)測(cè)提供更豐富的數(shù)據(jù)支持。在特征融合過(guò)程中，常用的方法有串聯(lián)融合和加權(quán)融合。串聯(lián)融合是將不同模態(tài)的特征簡(jiǎn)單地連接在一起，形成一個(gè)新的特征向量。例如，假設(shè)有模態(tài)A提取的特征向量為FA=[fA1,fA2,...,fAn]，模態(tài)B提取的特征向量為FB=[fB1,fB2,...,fBm]，則串聯(lián)融合后的特征向量F=[fA1,fA2,...,fAn,fB1,fB2,...,fBm]。加權(quán)融合則是根據(jù)不同模態(tài)特征的重要性，為每個(gè)特征分配相應(yīng)的權(quán)重，然后進(jìn)行加權(quán)求和。假設(shè)特征fAi的權(quán)重為wi，特征fBj的權(quán)重為vj，則加權(quán)融合后的特征值Fk可以表示為Fk=Σ(wi*fAi)+Σ(vj*fBj)。權(quán)重的確定可以通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練優(yōu)化，如基于交叉驗(yàn)證的方法，以使得融合后的特征在預(yù)測(cè)任務(wù)中具有最佳的性能。像素融合是在圖像層面直接對(duì)不同模態(tài)的影像進(jìn)行融合處理。這種融合方式能夠保留圖像的原始細(xì)節(jié)信息，使融合后的圖像同時(shí)具備多種模態(tài)影像的特征。例如，將PET圖像與CT圖像進(jìn)行像素融合，可以在一幅圖像中同時(shí)顯示腫瘤的代謝信息（PET提供）和解剖結(jié)構(gòu)信息（CT提供），為醫(yī)生提供更全面的診斷依據(jù)。在像素融合中，常用的算法有加權(quán)平均法、金字塔融合法和小波變換融合法等。加權(quán)平均法是最簡(jiǎn)單的像素融合方法，它根據(jù)不同模態(tài)圖像的重要性為每個(gè)像素分配權(quán)重，然后對(duì)對(duì)應(yīng)像素進(jìn)行加權(quán)平均。設(shè)模態(tài)A的圖像為IA，模態(tài)B的圖像為IB，融合后的圖像為I，則I(x,y)=wA*IA(x,y)+wB*IB(x,y)，其中(x,y)表示像素的坐標(biāo)，wA和wB分別為模態(tài)A和模態(tài)B圖像的權(quán)重，且wA+wB=1。金字塔融合法是將圖像構(gòu)建成金字塔結(jié)構(gòu)，然后在不同尺度上進(jìn)行融合。首先，對(duì)兩幅圖像分別進(jìn)行高斯金字塔分解，得到不同分辨率下的圖像層。然后，在每個(gè)尺度上對(duì)對(duì)應(yīng)層的圖像進(jìn)行融合，如采用加權(quán)平均或其他融合規(guī)則。最后，通過(guò)拉普拉斯金字塔重建得到融合后的圖像。小波變換融合法是利用小波變換將圖像分解為不同頻率的子帶，然后在子帶層面進(jìn)行融合。對(duì)于低頻子帶，可以采用加權(quán)平均等方法進(jìn)行融合，以保留圖像的主要結(jié)構(gòu)信息；對(duì)于高頻子帶，可以根據(jù)圖像的特征選擇合適的融合策略，如基于能量、基于梯度等，以保留圖像的細(xì)節(jié)信息。融合后再通過(guò)小波逆變換得到融合圖像。像素融合后的圖像可以直接用于后續(xù)的特征提取和分析，或者作為可視化工具，幫助醫(yī)生更直觀地觀察腫瘤的特征。模型融合是利用不同模態(tài)影像分別訓(xùn)練獨(dú)立的模型，然后將這些模型的預(yù)測(cè)結(jié)果進(jìn)行融合。這種融合策略可以充分發(fā)揮每個(gè)模型在處理特定模態(tài)數(shù)據(jù)時(shí)的優(yōu)勢(shì)，提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。例如，對(duì)于乳腺X線攝影影像，可以訓(xùn)練一個(gè)支持向量機(jī)（SVM）模型用于預(yù)測(cè)HER-2表達(dá)狀態(tài)；對(duì)于MRI影像，訓(xùn)練一個(gè)隨機(jī)森林（RF）模型。在模型融合階段，可以采用簡(jiǎn)單投票法、加權(quán)投票法或堆疊法等。簡(jiǎn)單投票法是讓每個(gè)模型對(duì)樣本進(jìn)行預(yù)測(cè)，然后統(tǒng)計(jì)每個(gè)類別的投票數(shù)，得票最多的類別即為最終預(yù)測(cè)結(jié)果。假設(shè)共有n個(gè)模型，對(duì)于一個(gè)樣本，模型1預(yù)測(cè)為類別A，模型2預(yù)測(cè)為類別B，...，模型n預(yù)測(cè)為類別A，則如果類別A的得票數(shù)最多，最終預(yù)測(cè)結(jié)果即為類別A。加權(quán)投票法是根據(jù)每個(gè)模型的性能為其分配權(quán)重，然后對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)投票。性能越好的模型，權(quán)重越高。設(shè)模型i的權(quán)重為wi，其預(yù)測(cè)類別為ci，則最終預(yù)測(cè)類別c為使得Σ(wi*δ(ci,c))最大的類別，其中δ(ci,c)為指示函數(shù)，當(dāng)ci=c時(shí)，δ(ci,c)=1，否則δ(ci,c)=0。堆疊法是一種更復(fù)雜的模型融合方法，它使用一個(gè)元模型來(lái)融合多個(gè)基礎(chǔ)模型的預(yù)測(cè)結(jié)果。首先，利用不同模態(tài)影像數(shù)據(jù)訓(xùn)練多個(gè)基礎(chǔ)模型，然后將這些基礎(chǔ)模型對(duì)訓(xùn)練集的預(yù)測(cè)結(jié)果作為元模型的輸入特征，再利用元模型進(jìn)行訓(xùn)練。在預(yù)測(cè)階段，先由基礎(chǔ)模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，然后將預(yù)測(cè)結(jié)果輸入元模型，得到最終的預(yù)測(cè)結(jié)果。例如，可以將乳腺X線攝影影像訓(xùn)練的SVM模型和MRI影像訓(xùn)練的RF模型的預(yù)測(cè)結(jié)果作為邏輯回歸元模型的輸入，通過(guò)邏輯回歸模型進(jìn)行最終的預(yù)測(cè)。模型融合能夠綜合多個(gè)模型的信息，有效降低單一模型的誤差和不確定性，提高預(yù)測(cè)的可靠性。2.2乳腺癌HER-2表達(dá)相關(guān)理論2.2.1HER-2基因及蛋白表達(dá)機(jī)制HER-2基因，又稱c-erbB-2基因，定位于人類17號(hào)染色體長(zhǎng)臂（17q12-21.32）。該基因全長(zhǎng)約180kb，由28個(gè)外顯子和27個(gè)內(nèi)含子組成。HER-2基因編碼一種相對(duì)分子質(zhì)量為185kD的跨膜受體樣蛋白，即HER-2蛋白，其結(jié)構(gòu)分為三個(gè)部分：胞外區(qū)域（ECD）、跨膜區(qū)域與胞內(nèi)酪氨酸激酶區(qū)域。HER-2蛋白的胞外區(qū)域包含4個(gè)亞結(jié)構(gòu)域（I-IV），其中亞結(jié)構(gòu)域I和III為富含亮氨酸的重復(fù)序列，負(fù)責(zé)配體的結(jié)合；亞結(jié)構(gòu)域II和IV則參與受體二聚化。跨膜區(qū)域由23個(gè)氨基酸組成，將HER-2蛋白錨定在細(xì)胞膜上。胞內(nèi)酪氨酸激酶區(qū)域具有酪氨酸激酶活性，包含11個(gè)保守的亞結(jié)構(gòu)域，在信號(hào)傳導(dǎo)過(guò)程中發(fā)揮關(guān)鍵作用。HER-2蛋白的表達(dá)過(guò)程涉及基因轉(zhuǎn)錄、mRNA加工、翻譯以及蛋白修飾等多個(gè)步驟。在正常乳腺組織中，HER-2基因處于低表達(dá)或不表達(dá)狀態(tài)。然而，在乳腺癌發(fā)生發(fā)展過(guò)程中，約15%-20%的乳腺癌患者會(huì)出現(xiàn)HER-2基因的擴(kuò)增或過(guò)表達(dá)。HER-2基因擴(kuò)增是指基因拷貝數(shù)的增加，導(dǎo)致HER-2蛋白的表達(dá)量顯著升高。這種擴(kuò)增通常是由于染色體的異常重排、基因的串聯(lián)重復(fù)或基因的插入等機(jī)制引起的。HER-2基因過(guò)表達(dá)則是指在基因拷貝數(shù)正常的情況下，HER-2基因的轉(zhuǎn)錄和翻譯過(guò)程異?；钴S，導(dǎo)致HER-2蛋白的合成增加。HER-2蛋白在乳腺癌發(fā)生發(fā)展中的作用主要通過(guò)其參與的信號(hào)傳導(dǎo)通路來(lái)實(shí)現(xiàn)。HER-2蛋白沒(méi)有已知的直接配體，但它可以與其他表皮生長(zhǎng)因子受體家族成員（如HER-1、HER-3和HER-4）形成異二聚體，也可以自身形成同二聚體。當(dāng)與配體結(jié)合后，受體二聚體化會(huì)激活HER-2蛋白胞內(nèi)酪氨酸激酶區(qū)域的活性，使其自身的酪氨酸殘基發(fā)生磷酸化。這些磷酸化的酪氨酸殘基可以招募下游的信號(hào)分子，如生長(zhǎng)因子受體結(jié)合蛋白2（Grb2）、磷脂酰肌醇-3激酶（PI3K）等，從而激活一系列下游信號(hào)通路，包括絲裂原活化蛋白激酶（MAPK）通路、PI3K/蛋白激酶B（Akt）通路、信號(hào)轉(zhuǎn)導(dǎo)與轉(zhuǎn)錄激活因子（STAT）通路等。MAPK通路的激活可以促進(jìn)細(xì)胞的增殖、分化和遷移。在該通路中，磷酸化的HER-2蛋白通過(guò)Grb2招募鳥苷酸交換因子SOS，SOS激活Ras蛋白，Ras進(jìn)一步激活絲氨酸/蘇氨酸蛋白激酶Raf，Raf激活MEK，MEK激活細(xì)胞外信號(hào)調(diào)節(jié)激酶（ERK），ERK進(jìn)入細(xì)胞核，調(diào)節(jié)相關(guān)基因的轉(zhuǎn)錄，促進(jìn)細(xì)胞增殖和分化。PI3K/Akt通路的激活則與細(xì)胞的存活、增殖、代謝以及腫瘤的血管生成密切相關(guān)。PI3K被招募到磷酸化的HER-2蛋白上后，催化磷脂酰肌醇-4,5-二磷酸（PIP2）轉(zhuǎn)化為磷脂酰肌醇-3,4,5-三磷酸（PIP3），PIP3招募并激活A(yù)kt，Akt通過(guò)磷酸化多種底物，如糖原合成酶激酶3β（GSK-3β）、雷帕霉素靶蛋白（mTOR）等，調(diào)節(jié)細(xì)胞的存活、增殖和代謝。STAT通路的激活可以調(diào)節(jié)細(xì)胞的生長(zhǎng)、分化和免疫反應(yīng)。磷酸化的HER-2蛋白可以激活STAT蛋白，使其發(fā)生磷酸化并形成二聚體，然后進(jìn)入細(xì)胞核，調(diào)節(jié)相關(guān)基因的轉(zhuǎn)錄。綜上所述，HER-2基因及蛋白表達(dá)異常在乳腺癌的發(fā)生發(fā)展中起著至關(guān)重要的作用，通過(guò)激活一系列下游信號(hào)通路，促進(jìn)乳腺癌細(xì)胞的增殖、侵襲、轉(zhuǎn)移以及血管生成，從而導(dǎo)致乳腺癌的惡性進(jìn)展。2.2.2HER-2表達(dá)與乳腺癌臨床病理特征及預(yù)后的關(guān)系HER-2表達(dá)狀態(tài)與乳腺癌的多種臨床病理特征密切相關(guān)，對(duì)評(píng)估患者預(yù)后具有重要意義。研究表明，HER-2過(guò)表達(dá)的乳腺癌患者往往具有獨(dú)特的臨床病理特點(diǎn)。在腫瘤大小方面，HER-2陽(yáng)性乳腺癌通常表現(xiàn)為腫瘤體積較大。一項(xiàng)納入500例乳腺癌患者的研究顯示，HER-2陽(yáng)性組的腫瘤平均直徑顯著大于HER-2陰性組。這可能是因?yàn)镠ER-2過(guò)表達(dá)激活的信號(hào)通路促進(jìn)了腫瘤細(xì)胞的增殖和生長(zhǎng)，使得腫瘤在短時(shí)間內(nèi)快速增大。此外，HER-2陽(yáng)性乳腺癌的生長(zhǎng)速度較快，侵襲性較強(qiáng)，容易突破周圍組織的限制，導(dǎo)致腫瘤體積進(jìn)一步增大。淋巴結(jié)轉(zhuǎn)移是影響乳腺癌患者預(yù)后的重要因素之一，HER-2表達(dá)與淋巴結(jié)轉(zhuǎn)移也存在顯著關(guān)聯(lián)。大量研究證實(shí)，HER-2陽(yáng)性乳腺癌患者的腋窩淋巴結(jié)轉(zhuǎn)移率明顯高于HER-2陰性患者。例如，一項(xiàng)回顧性分析了300例乳腺癌患者的臨床資料，發(fā)現(xiàn)HER-2陽(yáng)性組的腋窩淋巴結(jié)轉(zhuǎn)移率達(dá)到50%，而HER-2陰性組僅為30%。HER-2蛋白通過(guò)激活PI3K/Akt等信號(hào)通路，增強(qiáng)腫瘤細(xì)胞的運(yùn)動(dòng)能力和侵襲性，促進(jìn)腫瘤細(xì)胞從原發(fā)灶脫落并進(jìn)入淋巴管，進(jìn)而發(fā)生淋巴結(jié)轉(zhuǎn)移。同時(shí)，HER-2過(guò)表達(dá)還可以上調(diào)一些與腫瘤轉(zhuǎn)移相關(guān)的分子，如基質(zhì)金屬蛋白酶（MMPs）等，降解細(xì)胞外基質(zhì)，為腫瘤細(xì)胞的轉(zhuǎn)移創(chuàng)造條件。從組織學(xué)分級(jí)來(lái)看，HER-2陽(yáng)性乳腺癌多表現(xiàn)為高級(jí)別腫瘤。組織學(xué)分級(jí)是評(píng)估乳腺癌惡性程度的重要指標(biāo)，主要依據(jù)腫瘤細(xì)胞的分化程度、核分裂象計(jì)數(shù)和腫瘤壞死情況進(jìn)行分級(jí)。HER-2陽(yáng)性乳腺癌細(xì)胞通常分化較差，核分裂象較多，腫瘤壞死明顯，因此組織學(xué)分級(jí)較高。這是由于HER-2激活的信號(hào)通路干擾了細(xì)胞的正常分化程序，導(dǎo)致腫瘤細(xì)胞呈現(xiàn)出未分化或低分化的狀態(tài)，具有更強(qiáng)的增殖能力和侵襲性。在雌激素受體（ER）和孕激素受體（PR）表達(dá)方面，HER-2陽(yáng)性乳腺癌往往表現(xiàn)為ER和PR陰性。ER和PR是乳腺癌內(nèi)分泌治療的重要靶點(diǎn)，其表達(dá)狀態(tài)與乳腺癌的內(nèi)分泌治療效果密切相關(guān)。HER-2陽(yáng)性且ER/PR陰性的乳腺癌被稱為HER-2富集型乳腺癌，這類乳腺癌具有獨(dú)特的生物學(xué)行為和治療反應(yīng)。HER-2信號(hào)通路的激活可能通過(guò)抑制ER和PR基因的轉(zhuǎn)錄，導(dǎo)致ER和PR表達(dá)缺失。此外，HER-2與ER/PR之間還存在相互作用，HER-2過(guò)表達(dá)可以降低ER/PR的活性，影響內(nèi)分泌治療的敏感性。HER-2表達(dá)狀態(tài)對(duì)乳腺癌患者的預(yù)后也有顯著影響。HER-2陽(yáng)性乳腺癌患者的預(yù)后通常較差，復(fù)發(fā)風(fēng)險(xiǎn)和死亡率較高。多項(xiàng)臨床研究表明，HER-2陽(yáng)性乳腺癌患者的無(wú)病生存期（DFS）和總生存期（OS）明顯短于HER-2陰性患者。例如，一項(xiàng)隨訪時(shí)間為5年的前瞻性研究顯示，HER-2陽(yáng)性乳腺癌患者的5年DFS率為60%，而HER-2陰性患者為80%；5年OS率分別為70%和90%。HER-2陽(yáng)性乳腺癌預(yù)后不良的原因主要與其高侵襲性和高復(fù)發(fā)率有關(guān)。HER-2過(guò)表達(dá)導(dǎo)致腫瘤細(xì)胞增殖活躍、侵襲性增強(qiáng)，容易發(fā)生遠(yuǎn)處轉(zhuǎn)移，且對(duì)傳統(tǒng)的化療和內(nèi)分泌治療相對(duì)不敏感。然而，隨著抗HER-2靶向治療藥物（如曲妥珠單抗、帕妥珠單抗等）的出現(xiàn)，HER-2陽(yáng)性乳腺癌患者的預(yù)后得到了顯著改善。抗HER-2靶向治療藥物可以特異性地結(jié)合HER-2蛋白，阻斷其信號(hào)傳導(dǎo)通路，從而抑制腫瘤細(xì)胞的生長(zhǎng)和增殖，降低復(fù)發(fā)風(fēng)險(xiǎn)，提高患者的生存率。三、多模態(tài)影像組學(xué)預(yù)測(cè)乳腺癌HER-2表達(dá)的研究設(shè)計(jì)與方法3.1研究設(shè)計(jì)3.1.1病例選擇與分組本研究擬選取[具體時(shí)間段]在[具體醫(yī)院名稱]就診的乳腺癌患者作為研究對(duì)象。納入標(biāo)準(zhǔn)為：經(jīng)病理活檢確診為乳腺癌；年齡在18-75歲之間；術(shù)前均接受了乳腺X線攝影、超聲和MRI檢查；具有完整的臨床病理資料和HER-2檢測(cè)結(jié)果。排除標(biāo)準(zhǔn)包括：存在遠(yuǎn)處轉(zhuǎn)移；合并其他惡性腫瘤；有嚴(yán)重的心、肝、腎等臟器功能障礙；圖像質(zhì)量不佳，無(wú)法進(jìn)行準(zhǔn)確的影像分析。根據(jù)上述標(biāo)準(zhǔn)，共篩選出[具體病例數(shù)量]例乳腺癌患者。采用隨機(jī)抽樣的方法，按照7:3的比例將患者分為訓(xùn)練集和測(cè)試集。訓(xùn)練集包含[訓(xùn)練集病例數(shù)量]例患者，用于構(gòu)建多模態(tài)影像組學(xué)預(yù)測(cè)模型；測(cè)試集包含[測(cè)試集病例數(shù)量]例患者，用于評(píng)估模型的性能。為確保兩組患者在臨床病理特征上具有可比性，對(duì)訓(xùn)練集和測(cè)試集患者的年齡、腫瘤大小、組織學(xué)分級(jí)、ER、PR和HER-2表達(dá)狀態(tài)等因素進(jìn)行均衡性檢驗(yàn)。若發(fā)現(xiàn)兩組間存在不均衡因素，采用分層隨機(jī)抽樣或傾向性評(píng)分匹配等方法進(jìn)行調(diào)整。通過(guò)嚴(yán)格的病例選擇和分組，旨在提高研究結(jié)果的可靠性和模型的泛化能力，為后續(xù)的多模態(tài)影像組學(xué)分析奠定堅(jiān)實(shí)基礎(chǔ)。3.1.2多模態(tài)影像數(shù)據(jù)采集與預(yù)處理乳腺X線攝影采用[具體設(shè)備型號(hào)]乳腺X線機(jī)進(jìn)行檢查，患者取站立位，常規(guī)拍攝雙側(cè)乳腺頭尾位（CC）和內(nèi)外側(cè)斜位（MLO）。曝光參數(shù)根據(jù)患者乳腺的大小和密度進(jìn)行自動(dòng)調(diào)整，以保證圖像質(zhì)量。圖像采集后，將數(shù)字化的乳腺X線攝影圖像存儲(chǔ)為DICOM格式。超聲檢查使用[具體設(shè)備型號(hào)]彩色多普勒超聲診斷儀，配備高頻線陣探頭，頻率為[具體頻率范圍]MHz?；颊呷⊙雠P位，雙臂上舉，充分暴露雙側(cè)乳腺及腋窩。首先進(jìn)行二維超聲掃查，觀察乳腺腫塊的位置、大小、形態(tài)、邊界、回聲、后方回聲等特征，并測(cè)量腫塊的最大徑。然后切換至彩色多普勒血流成像（CDFI）模式，觀察腫塊內(nèi)部及周邊的血流情況，記錄血流分級(jí)。最后，對(duì)可疑腋窩淋巴結(jié)進(jìn)行掃查，觀察其形態(tài)、大小、皮質(zhì)增厚情況、淋巴門結(jié)構(gòu)等特征。超聲圖像同樣以DICOM格式保存。MRI檢查采用[具體設(shè)備型號(hào)]3.0T磁共振成像儀，患者取俯臥位，雙側(cè)乳腺自然懸垂于專用乳腺線圈內(nèi)。掃描序列包括軸位T1WI、T2WI、脂肪抑制T2WI、DWI和DCE-MRI。T1WI參數(shù)：重復(fù)時(shí)間（TR）[具體數(shù)值]ms，回波時(shí)間（TE）[具體數(shù)值]ms，層厚[具體數(shù)值]mm，層間距[具體數(shù)值]mm，矩陣[具體數(shù)值]×[具體數(shù)值]；T2WI參數(shù)：TR[具體數(shù)值]ms，TE[具體數(shù)值]ms，層厚[具體數(shù)值]mm，層間距[具體數(shù)值]mm，矩陣[具體數(shù)值]×[具體數(shù)值]；脂肪抑制T2WI采用頻率選擇飽和法進(jìn)行脂肪抑制；DWI參數(shù)：TR[具體數(shù)值]ms，TE[具體數(shù)值]ms，b值取[具體數(shù)值1]s/mm2和[具體數(shù)值2]s/mm2，層厚[具體數(shù)值]mm，層間距[具體數(shù)值]mm，矩陣[具體數(shù)值]×[具體數(shù)值]；DCE-MRI采用三維容積內(nèi)插屏氣檢查（VIBE）序列，對(duì)比劑為釓噴酸葡***（Gd-DTPA），劑量為[具體劑量]mmol/kg，注射速率為[具體速率]ml/s，注射對(duì)比劑后立即進(jìn)行動(dòng)態(tài)掃描，共掃描[具體掃描次數(shù)]期，每期掃描時(shí)間為[具體時(shí)間]s。MRI圖像采集完成后，將圖像數(shù)據(jù)傳輸至圖像存儲(chǔ)與傳輸系統(tǒng)（PACS），并以DICOM格式保存。多模態(tài)影像數(shù)據(jù)采集完成后，需要進(jìn)行預(yù)處理，以提高圖像質(zhì)量，減少噪聲和偽影的干擾，為后續(xù)的特征提取和分析提供可靠的數(shù)據(jù)基礎(chǔ)。首先是去噪處理，由于成像過(guò)程中受到多種因素的影響，如設(shè)備噪聲、患者運(yùn)動(dòng)等，影像中可能會(huì)出現(xiàn)噪聲，影響圖像的清晰度和特征提取的準(zhǔn)確性。對(duì)于乳腺X線攝影圖像，采用高斯濾波算法進(jìn)行去噪，通過(guò)調(diào)整高斯核的大小和標(biāo)準(zhǔn)差，去除圖像中的高頻噪聲，同時(shí)保留圖像的邊緣和細(xì)節(jié)信息。超聲圖像由于其成像原理的特殊性，存在斑點(diǎn)噪聲，采用中值濾波算法進(jìn)行處理，中值濾波能夠有效地去除斑點(diǎn)噪聲，保持圖像的紋理特征。MRI圖像的噪聲主要表現(xiàn)為高斯噪聲和熱噪聲，結(jié)合雙邊濾波和非局部均值濾波算法進(jìn)行去噪，雙邊濾波在去除噪聲的同時(shí)能夠保持圖像的邊緣，非局部均值濾波則利用圖像的自相似性，對(duì)噪聲進(jìn)行抑制，從而提高M(jìn)RI圖像的質(zhì)量。配準(zhǔn)也是關(guān)鍵的預(yù)處理步驟，由于不同模態(tài)的影像采集時(shí)患者的體位、呼吸狀態(tài)等可能存在差異，需要進(jìn)行圖像配準(zhǔn)，使不同模態(tài)的影像在空間位置上對(duì)齊，以便進(jìn)行特征融合和分析。采用基于特征點(diǎn)的配準(zhǔn)方法，首先在乳腺X線攝影、超聲和MRI圖像中提取特征點(diǎn)，如角點(diǎn)、邊緣點(diǎn)等。對(duì)于乳腺X線攝影圖像，利用Harris角點(diǎn)檢測(cè)算法提取角點(diǎn)；超聲圖像通過(guò)Canny邊緣檢測(cè)算法提取邊緣點(diǎn)；MRI圖像則結(jié)合尺度不變特征變換（SIFT）算法和加速穩(wěn)健特征（SURF）算法提取穩(wěn)定的特征點(diǎn)。然后，通過(guò)特征匹配算法，如最近鄰匹配算法或基于描述子的匹配算法，找到不同模態(tài)圖像中特征點(diǎn)的對(duì)應(yīng)關(guān)系。最后，根據(jù)匹配的特征點(diǎn)對(duì)，計(jì)算變換矩陣，將不同模態(tài)的影像進(jìn)行空間變換，實(shí)現(xiàn)圖像的配準(zhǔn)。在配準(zhǔn)過(guò)程中，使用互信息等相似性度量指標(biāo)來(lái)評(píng)估配準(zhǔn)的精度，確保配準(zhǔn)后的圖像在空間位置上準(zhǔn)確對(duì)齊。3.2影像組學(xué)特征分析3.2.1特征提取方法與流程本研究使用專業(yè)的影像組學(xué)分析軟件，如3DSlicer和PyRadiomics，進(jìn)行影像組學(xué)特征的提取。以3DSlicer軟件為例，其操作流程如下：首先，將經(jīng)過(guò)預(yù)處理的乳腺X線攝影、超聲和MRI影像數(shù)據(jù)導(dǎo)入軟件中。在導(dǎo)入過(guò)程中，確保圖像的格式正確，且圖像的空間分辨率和像素間距等信息準(zhǔn)確無(wú)誤。對(duì)于乳腺X線攝影圖像，軟件能夠識(shí)別其DICOM格式中的相關(guān)元數(shù)據(jù)，如攝影體位、曝光參數(shù)等，這些信息對(duì)于后續(xù)的特征提取和分析具有重要參考價(jià)值。隨后，利用軟件中的手動(dòng)分割工具，由兩名具有豐富經(jīng)驗(yàn)的影像科醫(yī)師在圖像上仔細(xì)勾勒出乳腺癌病灶的感興趣區(qū)域（ROI）。在分割過(guò)程中，醫(yī)師需要充分考慮病灶的邊界、形態(tài)以及與周圍組織的關(guān)系。對(duì)于邊界清晰的病灶，能夠較為準(zhǔn)確地進(jìn)行分割；而對(duì)于邊界模糊的病灶，則需要結(jié)合多種影像模態(tài)的信息，如MRI的T2WI序列能夠更好地顯示病灶的邊界，從而提高分割的準(zhǔn)確性。為了確保分割的一致性和可靠性，兩名醫(yī)師在分割完成后，需要對(duì)分割結(jié)果進(jìn)行對(duì)比和討論，如有分歧，通過(guò)協(xié)商達(dá)成一致意見(jiàn)。完成ROI分割后，調(diào)用PyRadiomics插件進(jìn)行影像組學(xué)特征的提取。PyRadiomics插件提供了豐富的特征提取算法，能夠從不同角度對(duì)影像數(shù)據(jù)進(jìn)行分析。對(duì)于乳腺X線攝影圖像，主要提取形狀特征，如腫瘤的面積、周長(zhǎng)、圓形度等，這些形狀特征能夠反映腫瘤的宏觀形態(tài)。例如，圓形度可以衡量腫瘤的形狀與圓形的接近程度，圓形度越接近1，說(shuō)明腫瘤的形狀越規(guī)則；圓形度越小，則表示腫瘤的形狀越不規(guī)則，可能具有更高的侵襲性。同時(shí)，還提取基于灰度共生矩陣（GLCM）的紋理特征，如能量、熵、對(duì)比度等。能量反映了圖像灰度分布的均勻性，能量值越高，說(shuō)明灰度分布越均勻；熵則表示圖像紋理的復(fù)雜性，熵值越大，紋理越復(fù)雜。這些紋理特征能夠揭示乳腺組織內(nèi)部的微觀結(jié)構(gòu)和異質(zhì)性。在超聲影像特征提取方面，除了提取腫瘤的大小、縱橫比等基本形態(tài)特征外，還重點(diǎn)提取基于小波變換的紋理特征。小波變換能夠?qū)D像分解為不同頻率的子帶，從而提取出不同尺度下的紋理信息。通過(guò)分析這些紋理特征，可以了解腫瘤內(nèi)部的組織結(jié)構(gòu)和回聲特性。例如，在高頻子帶中提取的紋理特征，能夠反映腫瘤的細(xì)微結(jié)構(gòu)和邊緣信息；而低頻子帶的紋理特征，則更多地體現(xiàn)了腫瘤的整體形態(tài)和內(nèi)部均勻性。對(duì)于MRI影像，由于其包含多個(gè)序列，每個(gè)序列都能提供獨(dú)特的信息，因此提取的特征更為豐富。在T1WI序列中，提取信號(hào)強(qiáng)度的一階統(tǒng)計(jì)特征，如均值、標(biāo)準(zhǔn)差等，這些特征可以反映腫瘤組織與周圍正常組織在T1信號(hào)強(qiáng)度上的差異。均值表示腫瘤組織的平均信號(hào)強(qiáng)度，標(biāo)準(zhǔn)差則衡量了信號(hào)強(qiáng)度的離散程度。從T2WI序列中，提取基于灰度游程長(zhǎng)度矩陣（GLRLM）的紋理特征，如長(zhǎng)游程強(qiáng)調(diào)、短游程強(qiáng)調(diào)等，這些特征能夠反映腫瘤內(nèi)部結(jié)構(gòu)的粗細(xì)程度和均勻性。長(zhǎng)游程強(qiáng)調(diào)表示圖像中長(zhǎng)游程的像素出現(xiàn)的頻率較高，說(shuō)明腫瘤內(nèi)部存在較大的均勻區(qū)域；短游程強(qiáng)調(diào)則相反，表明腫瘤內(nèi)部結(jié)構(gòu)較為復(fù)雜，存在較多的細(xì)微結(jié)構(gòu)。DWI序列主要提取表觀擴(kuò)散系數(shù)（ADC）值，ADC值反映了水分子在組織中的擴(kuò)散能力，腫瘤組織由于細(xì)胞密度較高，水分子擴(kuò)散受限，ADC值通常較低。DCE-MRI序列則提取藥代動(dòng)力學(xué)參數(shù)，如容積轉(zhuǎn)運(yùn)常數(shù)（Ktrans）、速率常數(shù)（Kep）等，這些參數(shù)能夠反映腫瘤的血流灌注情況。Ktrans表示對(duì)比劑從血管內(nèi)滲透到血管外細(xì)胞外間隙的速率，Kep則反映了對(duì)比劑從血管外細(xì)胞外間隙返回血管內(nèi)的速率。通過(guò)分析這些藥代動(dòng)力學(xué)參數(shù)，可以了解腫瘤的血管生成情況和代謝活性。3.2.2特征篩選與降維從多模態(tài)影像中提取的大量影像組學(xué)特征中，存在許多與HER-2表達(dá)相關(guān)性較弱的特征，這些特征不僅會(huì)增加模型的訓(xùn)練時(shí)間和計(jì)算復(fù)雜度，還可能引入噪聲，影響模型的性能。因此，需要對(duì)提取的特征進(jìn)行篩選和降維，以獲取最具代表性的關(guān)鍵特征。本研究采用最小絕對(duì)收縮和選擇算子（LASSO）回歸算法進(jìn)行特征篩選。LASSO回歸通過(guò)在回歸模型中引入L1正則化項(xiàng)，能夠在估計(jì)回歸系數(shù)的同時(shí)進(jìn)行變量選擇。其原理是在損失函數(shù)中添加一個(gè)懲罰項(xiàng)，懲罰項(xiàng)的大小與回歸系數(shù)的絕對(duì)值之和成正比。在求解回歸系數(shù)時(shí)，LASSO回歸會(huì)使一些不重要的回歸系數(shù)收縮為0，從而實(shí)現(xiàn)特征選擇的目的。例如，對(duì)于一個(gè)包含n個(gè)特征的數(shù)據(jù)集，假設(shè)回歸模型為y=β0+β1x1+β2x2+...+βnxn+ε，其中y為因變量（HER-2表達(dá)狀態(tài)），xi為自變量（影像組學(xué)特征），βi為回歸系數(shù)，ε為誤差項(xiàng)。LASSO回歸的目標(biāo)函數(shù)為：min(Σ(yi-(β0+β1xi1+β2xi2+...+βnxik))^2+λΣ|βj|)，其中λ為正則化參數(shù)，用于控制懲罰項(xiàng)的強(qiáng)度。通過(guò)調(diào)整λ的值，可以得到不同稀疏程度的回歸系數(shù)，當(dāng)λ較大時(shí)，更多的回歸系數(shù)會(huì)被收縮為0，從而篩選出關(guān)鍵特征。在實(shí)際應(yīng)用中，首先將訓(xùn)練集的影像組學(xué)特征矩陣和對(duì)應(yīng)的HER-2表達(dá)狀態(tài)標(biāo)簽輸入到LASSO回歸模型中。利用交叉驗(yàn)證的方法，選擇合適的正則化參數(shù)λ。具體來(lái)說(shuō)，將訓(xùn)練集劃分為k個(gè)折疊，每次將其中一個(gè)折疊作為驗(yàn)證集，其余k-1個(gè)折疊作為訓(xùn)練集，對(duì)不同的λ值進(jìn)行訓(xùn)練和驗(yàn)證，計(jì)算每個(gè)λ值下模型在驗(yàn)證集上的預(yù)測(cè)誤差。選擇使預(yù)測(cè)誤差最小的λ值作為最優(yōu)參數(shù)。然后，使用最優(yōu)參數(shù)下的LASSO回歸模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，得到收縮后的回歸系數(shù)。回歸系數(shù)不為0的特征即為篩選出的關(guān)鍵特征。除了LASSO回歸算法，還可以結(jié)合其他特征選擇方法，如遞歸特征消除（RFE）算法，進(jìn)一步提高特征篩選的效果。RFE算法通過(guò)遞歸地刪除對(duì)模型貢獻(xiàn)最小的特征，逐步減少特征數(shù)量。具體步驟如下：首先，使用全部特征訓(xùn)練一個(gè)模型（如支持向量機(jī)模型），計(jì)算每個(gè)特征的重要性得分（如特征的系數(shù)絕對(duì)值或特征的信息增益）。然后，刪除重要性得分最低的特征，重新訓(xùn)練模型，并再次計(jì)算特征的重要性得分。重復(fù)這個(gè)過(guò)程，直到達(dá)到預(yù)設(shè)的特征數(shù)量或模型性能不再提升為止。將LASSO回歸和RFE算法結(jié)合使用，可以充分發(fā)揮兩種方法的優(yōu)勢(shì)，更有效地篩選出與HER-2表達(dá)密切相關(guān)的關(guān)鍵特征。例如，先使用LASSO回歸進(jìn)行初步的特征篩選，得到一個(gè)相對(duì)較小的特征子集，然后在這個(gè)子集上使用RFE算法進(jìn)行進(jìn)一步的優(yōu)化，以確保篩選出的特征具有較高的代表性和預(yù)測(cè)能力。經(jīng)過(guò)特征篩選和降維后，得到的關(guān)鍵特征能夠更準(zhǔn)確地反映乳腺癌HER-2表達(dá)狀態(tài)與多模態(tài)影像之間的關(guān)系，為后續(xù)構(gòu)建高效的預(yù)測(cè)模型奠定堅(jiān)實(shí)的基礎(chǔ)。這些關(guān)鍵特征不僅減少了數(shù)據(jù)維度，降低了模型的復(fù)雜性，還提高了模型的訓(xùn)練效率和泛化能力，使得模型在臨床應(yīng)用中具有更好的性能和可靠性。3.3模型構(gòu)建與驗(yàn)證3.3.1機(jī)器學(xué)習(xí)模型選擇與應(yīng)用在本研究中，為了準(zhǔn)確預(yù)測(cè)乳腺癌HER-2表達(dá)狀態(tài)，我們綜合考慮了多種機(jī)器學(xué)習(xí)模型的特點(diǎn)和優(yōu)勢(shì)，最終選擇了支持向量機(jī)（SVM）、隨機(jī)森林（RF）和邏輯回歸（LR）模型進(jìn)行對(duì)比分析。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的二分類模型，其基本思想是尋找一個(gè)最優(yōu)的分類超平面，使得不同類別樣本之間的間隔最大化。SVM在處理高維數(shù)據(jù)和小樣本問(wèn)題時(shí)表現(xiàn)出色，具有良好的泛化能力。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，SVM能夠有效地利用多模態(tài)影像組學(xué)特征，通過(guò)核函數(shù)將低維空間中的數(shù)據(jù)映射到高維空間，從而找到更合適的分類邊界。例如，對(duì)于乳腺X線攝影、超聲和MRI影像組學(xué)特征組成的高維數(shù)據(jù)，SVM可以通過(guò)高斯核函數(shù)將其映射到高維空間，實(shí)現(xiàn)非線性分類。然而，SVM對(duì)參數(shù)的選擇較為敏感，不同的核函數(shù)和參數(shù)設(shè)置可能會(huì)導(dǎo)致模型性能的較大差異。在實(shí)際應(yīng)用中，需要通過(guò)交叉驗(yàn)證等方法仔細(xì)調(diào)整參數(shù)，以獲得最佳的模型性能。隨機(jī)森林是一種基于決策樹的集成學(xué)習(xí)算法，它通過(guò)構(gòu)建多個(gè)決策樹，并將這些決策樹的預(yù)測(cè)結(jié)果進(jìn)行綜合來(lái)做出最終決策。隨機(jī)森林具有較強(qiáng)的抗噪聲能力和魯棒性，能夠處理高維數(shù)據(jù)和特征之間的復(fù)雜關(guān)系。在訓(xùn)練過(guò)程中，隨機(jī)森林對(duì)訓(xùn)練樣本進(jìn)行有放回的隨機(jī)抽樣，構(gòu)建多個(gè)不同的訓(xùn)練子集，每個(gè)子集用于訓(xùn)練一棵決策樹。同時(shí)，在構(gòu)建決策樹時(shí)，隨機(jī)選擇一部分特征進(jìn)行分裂，從而增加了決策樹之間的多樣性。對(duì)于乳腺癌HER-2表達(dá)預(yù)測(cè)任務(wù)，隨機(jī)森林可以充分利用多模態(tài)影像組學(xué)特征的信息，通過(guò)集成多個(gè)決策樹的預(yù)測(cè)結(jié)果，提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。此外，隨機(jī)森林還可以通過(guò)計(jì)算特征的重要性，幫助我們了解哪些影像組學(xué)特征對(duì)HER-2表達(dá)預(yù)測(cè)具有重要作用。邏輯回歸是一種經(jīng)典的線性分類模型，它通過(guò)構(gòu)建一個(gè)線性函數(shù)來(lái)預(yù)測(cè)樣本屬于某個(gè)類別的概率。邏輯回歸模型簡(jiǎn)單易懂，計(jì)算效率高，在許多分類問(wèn)題中都有廣泛的應(yīng)用。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，邏輯回歸可以直接對(duì)多模態(tài)影像組學(xué)特征進(jìn)行建模，通過(guò)最大似然估計(jì)等方法估計(jì)模型的參數(shù)。邏輯回歸假設(shè)特征與目標(biāo)變量之間存在線性關(guān)系，對(duì)于一些簡(jiǎn)單的線性可分問(wèn)題，邏輯回歸能夠快速準(zhǔn)確地進(jìn)行分類。然而，在實(shí)際的乳腺癌HER-2表達(dá)預(yù)測(cè)中，多模態(tài)影像組學(xué)特征與HER-2表達(dá)之間的關(guān)系可能較為復(fù)雜，邏輯回歸的線性假設(shè)可能無(wú)法完全捕捉到這些復(fù)雜關(guān)系，導(dǎo)致模型性能受限。在模型應(yīng)用過(guò)程中，首先將訓(xùn)練集的多模態(tài)影像組學(xué)特征和對(duì)應(yīng)的HER-2表達(dá)狀態(tài)標(biāo)簽輸入到各個(gè)模型中進(jìn)行訓(xùn)練。對(duì)于SVM模型，使用網(wǎng)格搜索法結(jié)合交叉驗(yàn)證來(lái)尋找最優(yōu)的核函數(shù)和參數(shù)組合。例如，在使用高斯核函數(shù)時(shí)，通過(guò)網(wǎng)格搜索法嘗試不同的核參數(shù)γ和懲罰參數(shù)C，選擇在交叉驗(yàn)證中表現(xiàn)最佳的參數(shù)組合。對(duì)于隨機(jī)森林模型，通過(guò)調(diào)整決策樹的數(shù)量、最大深度、最小樣本分裂數(shù)等參數(shù)，利用交叉驗(yàn)證確定最優(yōu)的模型參數(shù)。對(duì)于邏輯回歸模型，使用L1或L2正則化來(lái)防止過(guò)擬合，并通過(guò)交叉驗(yàn)證選擇合適的正則化參數(shù)。訓(xùn)練完成后，使用測(cè)試集對(duì)各個(gè)模型的性能進(jìn)行評(píng)估，比較不同模型在預(yù)測(cè)乳腺癌HER-2表達(dá)狀態(tài)方面的準(zhǔn)確性、敏感度、特異度等指標(biāo)，從而選擇性能最優(yōu)的模型作為最終的預(yù)測(cè)模型。3.3.2模型性能評(píng)估指標(biāo)與方法為了全面、準(zhǔn)確地評(píng)估所構(gòu)建模型的性能，本研究采用了一系列常用的評(píng)估指標(biāo)，包括準(zhǔn)確率（Accuracy）、敏感度（Sensitivity）、特異度（Specificity）、受試者工作特征曲線下面積（AreaUndertheReceiverOperatingCharacteristicCurve，AUC）以及精確率（Precision）和召回率（Recall）等。準(zhǔn)確率是指模型正確預(yù)測(cè)的樣本數(shù)占總樣本數(shù)的比例，它反映了模型的整體預(yù)測(cè)能力。其計(jì)算公式為：Accuracy=(TruePositives+TrueNegatives)/(TruePositives+TrueNegatives+FalsePositives+FalseNegatives)。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，準(zhǔn)確率越高，說(shuō)明模型對(duì)HER-2陽(yáng)性和陰性樣本的正確分類能力越強(qiáng)。例如，如果模型在測(cè)試集中正確預(yù)測(cè)了80個(gè)HER-2陽(yáng)性樣本和70個(gè)HER-2陰性樣本，而總樣本數(shù)為200個(gè)，則準(zhǔn)確率為(80+70)/200=0.75。敏感度，又稱真陽(yáng)性率，是指實(shí)際為陽(yáng)性的樣本中被模型正確預(yù)測(cè)為陽(yáng)性的比例。其計(jì)算公式為：Sensitivity=TruePositives/(TruePositives+FalseNegatives)。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，敏感度高意味著模型能夠準(zhǔn)確地識(shí)別出大部分HER-2陽(yáng)性的患者，這對(duì)于及時(shí)發(fā)現(xiàn)需要接受抗HER-2靶向治療的患者至關(guān)重要。比如，在測(cè)試集中有100個(gè)HER-2陽(yáng)性樣本，模型正確預(yù)測(cè)出了85個(gè)，則敏感度為85/100=0.85。特異度，即真陰性率，是指實(shí)際為陰性的樣本中被模型正確預(yù)測(cè)為陰性的比例。其計(jì)算公式為：Specificity=TrueNegatives/(TrueNegatives+FalsePositives)。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，特異度高表示模型能夠準(zhǔn)確地排除HER-2陰性的患者，避免對(duì)不需要抗HER-2靶向治療的患者進(jìn)行不必要的治療。假設(shè)測(cè)試集中有100個(gè)HER-2陰性樣本，模型正確預(yù)測(cè)出了90個(gè)，則特異度為90/100=0.9。受試者工作特征曲線（ReceiverOperatingCharacteristicCurve，ROC曲線）是一種用于評(píng)估二分類模型性能的常用工具，它以真陽(yáng)性率（敏感度）為縱坐標(biāo)，假陽(yáng)性率（1-特異度）為橫坐標(biāo)，通過(guò)繪制不同閾值下模型的真陽(yáng)性率和假陽(yáng)性率，展示模型在不同分類閾值下的性能表現(xiàn)。AUC則是ROC曲線下的面積，它反映了模型的整體分類性能。AUC的取值范圍在0到1之間，AUC越大，說(shuō)明模型的性能越好。當(dāng)AUC=0.5時(shí)，模型的預(yù)測(cè)效果等同于隨機(jī)猜測(cè)；當(dāng)AUC=1時(shí)，模型能夠完美地將不同類別的樣本區(qū)分開來(lái)。在本研究中，通過(guò)計(jì)算模型在測(cè)試集上的AUC值，可以直觀地比較不同模型在預(yù)測(cè)乳腺癌HER-2表達(dá)狀態(tài)方面的性能優(yōu)劣。精確率是指模型預(yù)測(cè)為陽(yáng)性的樣本中實(shí)際為陽(yáng)性的比例，其計(jì)算公式為：Precision=TruePositives/(TruePositives+FalsePositives)。召回率與敏感度的計(jì)算方法相同。精確率和召回率是評(píng)估模型在陽(yáng)性樣本預(yù)測(cè)方面性能的重要指標(biāo)。在乳腺癌HER-2表達(dá)預(yù)測(cè)中，精確率高表示模型預(yù)測(cè)為HER-2陽(yáng)性的樣本中，真正為HER-2陽(yáng)性的樣本比例較高；召回率高則表示模型能夠盡可能多地識(shí)別出實(shí)際為HER-2陽(yáng)性的樣本。例如，模型預(yù)測(cè)為HER-2陽(yáng)性的樣本有90個(gè)，其中實(shí)際為HER-2陽(yáng)性的有75個(gè)，則精確率為75/90≈0.83。為了確保模型性能評(píng)估的可靠性和穩(wěn)定性，本研究采用了交叉驗(yàn)證（Cross-Validation）方法。交叉驗(yàn)證是一種將數(shù)據(jù)集進(jìn)行多次劃分，重復(fù)訓(xùn)練和評(píng)估模型的技術(shù)。在本研究中，采用了5折交叉驗(yàn)證。具體步驟如下：首先將訓(xùn)練集隨機(jī)劃分為5個(gè)互不相交的子集，每個(gè)子集的樣本數(shù)量大致相等。然后，依次將其中一個(gè)子集作為驗(yàn)證集，其余4個(gè)子集作為訓(xùn)練集，對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證。在每次驗(yàn)證過(guò)程中，計(jì)算模型在驗(yàn)證集上的各項(xiàng)評(píng)估指標(biāo)。經(jīng)過(guò)5次循環(huán)后，得到5組評(píng)估指標(biāo)，將這5組指標(biāo)的平均值作為模型的最終評(píng)估結(jié)果。通過(guò)交叉驗(yàn)證，可以充分利用訓(xùn)練集的樣本信息，減少因數(shù)據(jù)集劃分方式不同而導(dǎo)致的評(píng)估偏差，提高模型性能評(píng)估的準(zhǔn)確性和可靠性。四、多模態(tài)影像組學(xué)預(yù)測(cè)乳腺癌HER-2表達(dá)的實(shí)證分析4.1數(shù)據(jù)分析結(jié)果4.1.1不同模態(tài)影像組學(xué)特征與HER-2表達(dá)的相關(guān)性分析在對(duì)乳腺癌HER-2表達(dá)的研究中，我們深入探究了乳腺X線攝影、超聲和MRI不同模態(tài)影像組學(xué)特征與HER-2表達(dá)之間的相關(guān)性。在乳腺X線攝影方面，共提取了[X]個(gè)影像組學(xué)特征，包括形狀特征如面積、周長(zhǎng)、圓形度等，以及紋理特征如基于灰度共生矩陣（GLCM）計(jì)算的能量、熵、對(duì)比度等。通過(guò)統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)圓形度與HER-2表達(dá)呈顯著負(fù)相關(guān)（r=-0.35，P<0.01），即圓形度越低，HER-2陽(yáng)性的可能性越高，這表明HER-2陽(yáng)性的乳腺癌腫瘤形狀可能更不規(guī)則。同時(shí)，基于GLCM的對(duì)比度與HER-2表達(dá)呈正相關(guān)（r=0.32，P<0.01），高對(duì)比度可能反映了腫瘤內(nèi)部結(jié)構(gòu)的不均勻性，與HER-2陽(yáng)性乳腺癌的異質(zhì)性特征相符。超聲影像組學(xué)特征分析中，提取了[X]個(gè)特征，涵蓋形態(tài)特征如大小、縱橫比，以及基于小波變換的紋理特征。其中，縱橫比與HER-2表達(dá)具有顯著相關(guān)性（r=0.30，P<0.05），HER-2陽(yáng)性的乳腺癌縱橫比往往較大，提示腫瘤在垂直方向上生長(zhǎng)更為明顯，具有更強(qiáng)的侵襲性。在紋理特征方面，小波變換后的高頻子帶能量與HER-2表達(dá)呈正相關(guān)（r=0.28，P<0.05），表明HER-2陽(yáng)性腫瘤內(nèi)部可能存在更多的細(xì)微結(jié)構(gòu)和高頻信號(hào)變化。MRI影像由于其多序列成像的特點(diǎn)，提取的特征更為豐富，共[X]個(gè)特征。在T1WI序列中，信號(hào)強(qiáng)度的均值與HER-2表達(dá)呈負(fù)相關(guān)（r=-0.25，P<0.05），HER-2陽(yáng)性腫瘤的T1WI信號(hào)均值較低，這可能與腫瘤組織的成分和水分子分布有關(guān)。T2WI序列基于灰度游程長(zhǎng)度矩陣（GLRLM）的長(zhǎng)游程強(qiáng)調(diào)與HER-2表達(dá)呈負(fù)相關(guān)（r=-0.27，P<0.05），說(shuō)明HER-2陽(yáng)性腫瘤內(nèi)部結(jié)構(gòu)可能更為復(fù)雜，長(zhǎng)游程的像素分布較少。DWI序列的ADC值與HER-2表達(dá)呈顯著負(fù)相關(guān)（r=-0.38，P<0.01），HER-2陽(yáng)性乳腺癌的ADC值較低，反映了腫瘤細(xì)胞密度較高，水分子擴(kuò)散受限。DCE-MRI序列的容積轉(zhuǎn)運(yùn)常數(shù)（Ktrans）與HER-2表達(dá)呈正相關(guān)（r=0.33，P<0.01），表明HER-2陽(yáng)性腫瘤的血流灌注更為豐富，血管生成更為活躍。4.1.2多模態(tài)影像組學(xué)模型預(yù)測(cè)性能結(jié)果經(jīng)過(guò)嚴(yán)格的模型訓(xùn)練與驗(yàn)證，多模態(tài)影像組學(xué)模型在預(yù)測(cè)乳腺癌HER-2表達(dá)方面展現(xiàn)出了良好的性能。在訓(xùn)練集上，支持向量機(jī)（SVM）模型的準(zhǔn)確率達(dá)到了0.82，敏感度為0.85，特異度為0.80，受試者工作特征曲線下面積（AUC）為0.87。隨機(jī)森林（RF）模型的準(zhǔn)確率為0.84，敏感度為0.86，特異度為0.82，AUC為0.89。邏輯回歸（LR）模型的準(zhǔn)確率為0.78，敏感度為0.80，特異度為0.76，AUC為0.83。其中，RF模型在各項(xiàng)指標(biāo)上表現(xiàn)較為突出，其較高的準(zhǔn)確率和AUC值表明該模型能夠較好地對(duì)HER-2陽(yáng)性和陰性樣本進(jìn)行分類，準(zhǔn)確識(shí)別出HER-2表達(dá)狀態(tài)。在測(cè)試集上，進(jìn)一步驗(yàn)證了模型的泛化能力。SVM模型的準(zhǔn)確率為0.78，敏感度為0.82，特異度為0.76，AUC為0.84。RF模型的準(zhǔn)確率為0.81，敏感度為0.83，特異度為0.80，AUC為0.86。LR模型的準(zhǔn)確率為0.75，敏感度為0.78，特異度為0.72，AUC為0.80。盡管測(cè)試集上的性能指標(biāo)略低于訓(xùn)練集，但RF模型依然保持了相對(duì)較高的準(zhǔn)確性和穩(wěn)定性，AUC值大于0.85，說(shuō)明模型在獨(dú)立的測(cè)試樣本上也能較好地預(yù)測(cè)HER-2表達(dá)狀態(tài)。通過(guò)對(duì)不同模型在訓(xùn)練集和測(cè)試集上的性能比較，可以看出多模態(tài)影像組學(xué)模型在預(yù)測(cè)乳腺癌HER-2表達(dá)方面具有較高的可行性和有效性，尤其是RF模型，為臨床術(shù)前預(yù)測(cè)HER-2表達(dá)提供了可靠的工具。4.2模型對(duì)比與驗(yàn)證4.2.1多模態(tài)影像組學(xué)模型與單模態(tài)模型的比較為了深入探究多模態(tài)影像組學(xué)模型的優(yōu)勢(shì)，本研究將其與基于單一模態(tài)影像的模型進(jìn)行了詳細(xì)比較?；谌橄賆線攝影影像構(gòu)建的單模態(tài)模型，在訓(xùn)練集上的準(zhǔn)確率為0.70，敏感度為0.72，特異度為0.68，AUC為0.75。在測(cè)試集上，準(zhǔn)確率下降至0.65，敏感度為0.68，特異度為0.62，AUC為0.72。乳腺X線攝影雖能有效顯示乳腺內(nèi)的鈣化灶，但對(duì)于腫瘤的軟組織成分及內(nèi)部結(jié)構(gòu)顯示欠佳，導(dǎo)致其在HER-2表達(dá)預(yù)測(cè)中的準(zhǔn)確性受限。例如，在一些病例中，乳腺X線攝影僅能發(fā)現(xiàn)微小鈣化灶，但對(duì)于腫瘤的整體浸潤(rùn)范圍和內(nèi)部細(xì)胞的生物學(xué)特性難以準(zhǔn)確判斷，從而影響了對(duì)HER-2表達(dá)狀態(tài)的預(yù)測(cè)?；诔曈跋駱?gòu)建的單模態(tài)模型，訓(xùn)練集準(zhǔn)確率為0.72，敏感度為0.75，特異度為0.70，AUC為0.77。測(cè)試集上，準(zhǔn)確率為0.68，敏感度為0.72，特異度為0.65，AUC為0.74。超聲對(duì)乳腺腫塊的形態(tài)、邊界及血流情況顯示較好，但對(duì)于一些微小病變和深部組織的觀察存在局限性。在某些情況下，超聲可能難以準(zhǔn)確判斷腫瘤的邊界，尤其是當(dāng)腫瘤與周圍組織回聲相近時(shí)，這會(huì)影響特征提取的準(zhǔn)確性，進(jìn)而降低模型對(duì)HER-2表達(dá)預(yù)測(cè)的可靠性?；贛RI影像構(gòu)建的單模態(tài)模型，在訓(xùn)練集上表現(xiàn)相對(duì)較好，準(zhǔn)確率為0.78，敏感度為0.80，特異度為0.76，AUC為0.83。然而在測(cè)試集上，準(zhǔn)確率降至0.75，敏感度為0.78，特異度為0.72，AUC為0.80。MRI雖具有高軟組織分辨率和多參數(shù)成像的優(yōu)勢(shì)，但單一的MRI影像組學(xué)模型仍無(wú)法全面涵蓋腫瘤的所有信息。例如，MRI在顯示腫瘤的代謝活性方面相對(duì)不足，無(wú)法準(zhǔn)確反映腫瘤細(xì)胞的增殖和分化情況，這在一定程度上限制了其對(duì)HER-2表達(dá)狀態(tài)的預(yù)測(cè)能力。與之相比，多模態(tài)影像組學(xué)模型融合了乳腺X線攝影、超聲和MRI的優(yōu)勢(shì)，在訓(xùn)練集和測(cè)試集上均表現(xiàn)出明顯的性能提升。多模態(tài)模型能夠從多個(gè)角度獲取腫瘤信息，彌補(bǔ)了單一模態(tài)的局限性。乳腺X線攝影提供的鈣化特征、超聲顯示的腫塊形態(tài)和血流信息以及MRI展現(xiàn)的腫瘤內(nèi)部結(jié)構(gòu)和功能信息相互補(bǔ)充，使得模型能夠更全面地了解腫瘤的生物學(xué)特性，從而提高了對(duì)HER-2表達(dá)狀態(tài)預(yù)測(cè)的準(zhǔn)確性。在一些復(fù)雜病例中，多模態(tài)模型能夠綜合分析不同模態(tài)影像的特征，準(zhǔn)確判斷HER-2的表達(dá)狀態(tài)，而單模態(tài)模型則可能出現(xiàn)誤判。綜上所述，多模態(tài)影像組學(xué)模型在預(yù)測(cè)乳腺癌HER-2表達(dá)方面具有顯著優(yōu)勢(shì)，為臨床提供了更可靠的預(yù)測(cè)工具。4.2.2內(nèi)部驗(yàn)證與外部驗(yàn)證結(jié)果為了驗(yàn)證多模態(tài)影像組學(xué)模型的穩(wěn)定性和泛化能力，本研究進(jìn)行了嚴(yán)格的內(nèi)部驗(yàn)證與外部驗(yàn)證。在內(nèi)部驗(yàn)證中，采用5折交叉驗(yàn)證方法，將訓(xùn)練集隨機(jī)劃分為5個(gè)互不相交的子集。依次將每個(gè)子集作為驗(yàn)證集，其余4個(gè)子集作為訓(xùn)練集，對(duì)多模態(tài)影像組學(xué)模型進(jìn)行訓(xùn)練和驗(yàn)證。在這5次循環(huán)中，模型的準(zhǔn)確率均值達(dá)到了0.83，敏感度均值為0.85，特異度均值為0.81，AUC均值為0.88。通過(guò)內(nèi)部交叉驗(yàn)證，充分利用了訓(xùn)練集的樣本信息，有效減少了因數(shù)據(jù)集劃分方式不同而導(dǎo)致的評(píng)估偏差，結(jié)果表明模型在訓(xùn)練集內(nèi)部具有良好的穩(wěn)定性和一致性，能夠準(zhǔn)確地對(duì)不同子集的樣本進(jìn)行HER-2表達(dá)狀態(tài)的預(yù)測(cè)。為了進(jìn)一步驗(yàn)證模型的泛化能力，本研究收集了來(lái)自另一家醫(yī)院的[具體數(shù)量]例乳腺癌患者作為外部驗(yàn)證集。這些患者的臨床病理特征、影像采集設(shè)備和掃描參數(shù)與訓(xùn)練集存在一定差異。在外部驗(yàn)證集中，多模態(tài)影像組學(xué)模型的準(zhǔn)確率為0.79，敏感度為0.81，特異度為0.77，AUC為0.85。盡管性能指標(biāo)略低于內(nèi)部驗(yàn)證結(jié)果，但模型依然保持了較高的準(zhǔn)確性和穩(wěn)定性，能夠在不同醫(yī)院的患者群體中較好地預(yù)測(cè)HER-2表達(dá)狀態(tài)。這說(shuō)明多模態(tài)影像組學(xué)模型具有較強(qiáng)的泛化能力，能夠適應(yīng)不同的臨床環(huán)境和數(shù)據(jù)特征，為臨床實(shí)際應(yīng)用提供了有力的支持。綜合內(nèi)部驗(yàn)證和外部驗(yàn)證結(jié)果，多模態(tài)影像組學(xué)模型在預(yù)測(cè)乳腺癌HER-2表達(dá)方面具有良好的穩(wěn)定性和泛化能力，有望在臨床實(shí)踐中發(fā)揮重要作用，為乳腺癌患者的精準(zhǔn)診療提供可靠的依據(jù)。五、研究結(jié)果討論與臨床應(yīng)用展望5.1結(jié)果討論5.1.1多模態(tài)影像組學(xué)在預(yù)測(cè)乳腺癌HER-2表達(dá)中的優(yōu)勢(shì)與局限性多模態(tài)影像組學(xué)在預(yù)測(cè)乳腺癌HER-2表達(dá)方面展現(xiàn)出顯著優(yōu)勢(shì)。從特征維度來(lái)看，通過(guò)整合乳腺X線攝影、超聲和MRI的影像組學(xué)特征，能夠從多個(gè)角度全面反映腫瘤的生物學(xué)特性。乳腺X線攝影對(duì)微小鈣化敏感，其影像組學(xué)特征可以揭示乳腺組織的鈣化分布和形態(tài)信息，而鈣化在HER-2陽(yáng)性乳腺癌中具有一定的特征性表現(xiàn)，如簇狀微小鈣化等。超聲影像能夠?qū)崟r(shí)觀察乳腺腫塊的形態(tài)、邊界、回聲及血流情況，其提取的特征可以反映腫瘤的生長(zhǎng)方式和血供狀態(tài)。MRI則憑借高軟組織分辨率和多參數(shù)成像的特點(diǎn)，從T1WI、T2WI、DWI和DCE-MRI等序列中提取的特征，能夠深入反映腫瘤的內(nèi)部結(jié)構(gòu)、細(xì)胞密度和血流灌注等信息。這些不同模態(tài)的特征相互補(bǔ)充，為HER-2表達(dá)狀態(tài)的預(yù)測(cè)提供了更豐富的數(shù)據(jù)基礎(chǔ)，從而顯著提高了預(yù)測(cè)的準(zhǔn)確性。在本研究中，多模態(tài)影像組學(xué)模型在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率、敏感度、特異度以及AUC等指標(biāo)均優(yōu)于單模態(tài)模型，充分證明了多模態(tài)影像組學(xué)的優(yōu)勢(shì)。在模型性能方面，多模態(tài)影像組學(xué)模型通過(guò)融合不同模態(tài)的信息，有效降低了單一模態(tài)數(shù)據(jù)的噪聲和不確定性對(duì)預(yù)測(cè)結(jié)果的影響，增強(qiáng)了模型的穩(wěn)定性和泛化能力。在內(nèi)部驗(yàn)證中，采用5折交叉驗(yàn)證方法，模型在不同子集上的性能表現(xiàn)較為穩(wěn)定，各項(xiàng)評(píng)估指標(biāo)的波動(dòng)較小。在外部驗(yàn)證中，模型在來(lái)自另一家醫(yī)院的不同數(shù)據(jù)集中也能保持較高的預(yù)測(cè)準(zhǔn)確性，表明多模態(tài)影像組學(xué)模型能夠適應(yīng)不同的臨床環(huán)境和數(shù)據(jù)特征，具有較強(qiáng)的泛化能力，為臨床實(shí)際應(yīng)用提供了有力支持。然而，多模態(tài)影像組學(xué)在預(yù)測(cè)乳腺癌HER-2表達(dá)中也存在一些局限性。數(shù)據(jù)質(zhì)量是一個(gè)關(guān)鍵問(wèn)題，影像數(shù)據(jù)的采集過(guò)程容易受到多種因素的干擾，如患者的體位、呼吸運(yùn)動(dòng)、設(shè)備的差異等，這些因素可能導(dǎo)致影像質(zhì)量不佳，影響特征提取的準(zhǔn)確性。不同醫(yī)院、不同設(shè)備采集的影像數(shù)據(jù)在圖像分辨率、對(duì)比度、噪聲水平等方面存在差異，這給多模態(tài)影像數(shù)據(jù)的融合和分析帶來(lái)了困難，可能降低模型的性能和泛化能力。例如，在本研究中，雖然對(duì)影像數(shù)據(jù)進(jìn)行了嚴(yán)格的預(yù)處理，但仍難以完全消除這些因素的影響。模型可解釋性也是多模態(tài)影像組學(xué)面臨的挑戰(zhàn)之一。隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展，許多復(fù)雜的模型如深度學(xué)習(xí)模型在影像組學(xué)中得到廣泛應(yīng)用，這些模型雖然在預(yù)測(cè)性能上表現(xiàn)出色，但往往被視為“黑箱”模型，難以解釋其決策過(guò)程和依據(jù)。對(duì)于臨床醫(yī)生來(lái)說(shuō)，理解模型的決策機(jī)制對(duì)于信任和應(yīng)用模型至關(guān)重要。在多模態(tài)影像組學(xué)預(yù)測(cè)乳腺癌HER-2表達(dá)的模型中，由于融合了多種模態(tài)的大量特征，模型的復(fù)雜性進(jìn)一步增加，使得解釋模型如何利用這些特征進(jìn)行預(yù)測(cè)變得更加困難。例如，深度學(xué)習(xí)模型中的卷積神經(jīng)網(wǎng)絡(luò)通過(guò)多層卷積和池化操作自動(dòng)學(xué)習(xí)影像特征，但這些特征在模型決策中的具體作用難以直觀理解，這限制了模型在臨床實(shí)踐中的推廣和應(yīng)用。此外，多模態(tài)影像組學(xué)研究目前缺乏統(tǒng)一的標(biāo)準(zhǔn)和規(guī)范。在影像數(shù)據(jù)采集、特征提取、模型構(gòu)建和評(píng)估等各個(gè)環(huán)節(jié)，不同研究之間存在較大差異，這使得研究結(jié)果之間難以進(jìn)行比較和驗(yàn)證，阻礙了多模態(tài)影像組學(xué)技術(shù)的進(jìn)一步發(fā)展和臨床轉(zhuǎn)化。例如，在特征提取方面，不同研究采用的特征提取算法和參數(shù)設(shè)置各不相同，導(dǎo)致提取的特征存在差異，影響了模型的可比性。在模型評(píng)估方面，缺乏統(tǒng)一的評(píng)估指標(biāo)和方法，也使得不同模型的性能難以準(zhǔn)確比較。5.1.2研究結(jié)果對(duì)乳腺癌臨床診療的潛在影響本研究結(jié)果對(duì)乳腺癌臨床診療具有重要的潛在影響。在治療方案制定方面，準(zhǔn)確預(yù)測(cè)乳腺癌HER-2表達(dá)狀態(tài)能夠?yàn)獒t(yī)生提供關(guān)鍵信息，有助于制定更精準(zhǔn)的治療方案。對(duì)于HER-2陽(yáng)性的乳腺癌患者，抗HER-2靶向治療是重要的治療手段之一，如曲妥珠單抗、帕妥珠單抗等藥物已被證實(shí)能夠顯著提高HER-2陽(yáng)性乳腺癌患者的生存率和無(wú)病生存期。通過(guò)多模態(tài)影像組學(xué)模型在術(shù)前準(zhǔn)確預(yù)測(cè)HER-2表達(dá)狀態(tài)，醫(yī)生可以提前規(guī)劃抗HER-2靶向治療方案，避免不必要的手術(shù)或其他治療方式對(duì)患者造成的傷害。在一些HER-2陽(yáng)性乳腺癌患者中，如果術(shù)前能夠準(zhǔn)確預(yù)測(cè)HER-2表達(dá)狀態(tài)，醫(yī)生可以直接選擇新輔助抗HER-2靶向治療聯(lián)合化療，使腫瘤縮小，提高手術(shù)切除的成功率和保乳率，同時(shí)減少術(shù)后復(fù)發(fā)風(fēng)險(xiǎn)。對(duì)于HER-2陰性的患者，則可以避免過(guò)度使用抗HER-2靶向治療，減少醫(yī)療資源的浪費(fèi)和患者的經(jīng)濟(jì)負(fù)擔(dān)，使患者能夠接受更合適的治療，如內(nèi)分泌治療或傳統(tǒng)化療。從患者預(yù)后改善角度來(lái)看，準(zhǔn)確的HER-2表達(dá)預(yù)測(cè)有助于醫(yī)生更準(zhǔn)確地評(píng)估患者的預(yù)后情況，為患者提供更個(gè)性化的隨訪和監(jiān)測(cè)計(jì)劃。HER-2陽(yáng)性乳腺癌患者由于其腫瘤的高侵襲性和復(fù)發(fā)風(fēng)險(xiǎn)，需要更密切的隨訪和監(jiān)測(cè)。通過(guò)多模態(tài)影像組學(xué)模型準(zhǔn)確預(yù)測(cè)HER-2表達(dá)狀態(tài)，醫(yī)生可以根據(jù)患者的具體情況制定個(gè)性化的隨訪方案，包括隨訪時(shí)間間隔、檢查項(xiàng)目等。對(duì)于HER-2陽(yáng)性且復(fù)發(fā)風(fēng)險(xiǎn)較高的患者，可以縮短隨訪時(shí)間間隔，增加影像學(xué)檢查和腫瘤標(biāo)志物檢測(cè)的頻率，以便及時(shí)發(fā)現(xiàn)腫瘤復(fù)發(fā)或轉(zhuǎn)移，采取相應(yīng)的治療措施，提高患者的生存率和生活質(zhì)量。同時(shí)，準(zhǔn)確的預(yù)后評(píng)估也可以讓患者更好地了解自己的病情，增