乳腺癌是女性最常见的恶性肿瘤，在中国癌症报告中居女性癌症死亡的第五位。术前准确评估乳腺癌患者腋窝淋巴结转移情况对患者腋窝手术方式的选择及其预后具有重要意义。前哨淋巴结活检是目前临床上预测乳腺癌患者腋窝淋巴结转移情况的重要方法。前哨淋巴结活检结果为≤2个阳性的乳腺癌患者可不行腋窝淋巴结清扫术，而≥3个阳性前哨淋巴结的乳腺癌患者则需进一步行腋窝淋巴结清扫术。然而前哨淋巴结活检术耗时较长，增加患者手术风险，存在假阴性率和假阳性率，43-65%患者因前哨淋巴结活检阳性而行腋窝淋巴结清扫后发现并没有非前哨淋巴结转移。因此，临床上迫切需要能在术前准确评估乳腺癌患者腋窝淋巴结转移的方法，减少不必要前哨淋巴结活检和腋窝淋巴结清扫手术。
超声检查由于具有使用方便、无辐射、价廉等优点，广泛应用于乳腺癌筛查和乳腺病灶的术前评估，但常规超声检查诊断乳腺癌腋窝淋巴结转移的效能较低，AUC仅为0.585-0.719，无法满足临床需求。
中山大学肿瘤防治中心超声科周建华教授团队联合复旦大学信息科学与工程学院电子工程系余锦华教授团队和中国科学院深圳先进技术研究院的研究人员，发现深度学习超声影像组学能够有效预测早期乳腺癌患者的腋窝淋巴结转移状态，预测N0（无腋窝淋巴结转移）和N+（≥1）（一个及以上淋巴结转移）的AUC达0,.902，预测N+(1-2)（1到2个淋巴结转移）和N+(≥3)（3个及以上淋巴结转移）的效能达到0.905。该原创性研究成果于近日在Nature Communications在线发表，题目为Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer。
近年来随着深度学习的高速发展，深度学习在影像方面的应用日益增多。深度学习影像组学通过高通量提取超声图像定量特征，将图像转换为可采集的数据，并与患者其它临床资料相结合，通过复杂的生物信息学工具进行挖掘，提高病变诊断和预后分析的准确性以提供决策支持。研究收集了584例患者，采用基于深度学习的影像组学方法提取乳腺癌病灶的灰阶超声和剪切波弹性成像的高通量特征参数，同时联合临床病理信息建立预测模型（见下图），不仅能够有效预测乳腺癌患者有无腋窝淋巴结转移，在预测0个或≥1个腋窝淋巴结转移的曲线下面积达0.902，而且能够有效预测腋窝淋巴结的转移负荷，在预测1-2个或≥3个腋窝淋巴结转移中，曲线下面积达0.905，预测效能均显著高于腋窝超声检查、临床病理信息预测模型和单纯基于图像的深度学习模型。本研究对术前准确评估早期乳腺癌患者腋窝淋巴结转移状况提供了无创的影像学标记，对于指导乳腺癌患者腋窝手术方式的选择和提高乳腺癌患者生活质量均具有重要意义。
中山大学肿瘤防治中心郑雪怡（硕士生）、黄仪妮（博士生）、复旦大学信息科学与工程学院电子工程系姚钊（硕士生）、中国科学院深圳先进技术研究院的于妍妍为共同第一作者。
参考文献：
Zheng, X., Yao, Z., Huang, Y. et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer. Nat Commun 11, 1236 (). /10.1038/s41467-020-15027-z
