临床放射学杂志

作者：卢辛辛, 吕帝, 刘小华, 陈冬莲, 郭俊

单位：341000 赣州，赣州市妇幼保健院肿瘤科（卢辛辛）;221002 徐州，徐州医科大学附属医院甲状腺乳腺外科（吕 帝），医学影像科（刘小华）;赣州 341000，赣州市妇幼保健院病理科（陈冬莲），放射科（郭 俊）

关键词：乳腺癌,新辅助治疗,动态对比增强磁共振成像,机器学习,SHAP,可解释性,病理完全缓解

基金：本研究系中华国际医学交流基金会资助项目（基金编号：Z-2014-08-2309-6）; 徐州医科大学-齐鲁制药联合基金资助（项目批准号：QLYB035）

<b>目的</b> 构建基于动态对比增强磁共振成像(DCE-MRI)特征与临床病理因素的机器学习模型，精准预测乳腺癌患者新辅助治疗(NAC)后病理完全缓解(pCR)，并通过可解释性分析揭示预测机制。<b>方法</b> 回顾性纳入多中心521例乳腺癌患者[赣州市妇幼保健院作为训练集140例、徐州医科大学附属医院作为外部验证集1共94例、癌症影像档案库(TCIA)的BRCA数据作为外部验证集2共287例]，均于NAC前完成DCE-MRI检查。提取影像组学特征及深度特征，经<em>t</em>检验、<em>Pearson</em>相关性分析及最小绝对收缩和选择算子（LASSO）回归筛选后，融合临床病理因素构建11种机器学习模型。以受试者工作特征曲线下面积(AUC)为主要指标评估模型性能，通过SHAP分析解析关键预测特征。<b>结果</b> 基于融合14个最优特征的CatBoost模型表现最佳，其训练集AUC达0.990(95% CI：0.969~1.000)，外部验证集AUC为0.805(95% CI：0.695~0.916)，TCIA验证集AUC为0.837(95% CI：0.773~0.901)。SHAP分析显示，MRI融合特征评分(RadDL评分，51.3%)、孕激素受体（PR）状态(18.3%)、入表皮生长因子受体-2（HER-2）状态(16.4%)及雌激素受体（ER）状态(14.0%)为核心预测因子，其中RadDL评分高及HER-2阳性提示pCR概率升高，而ER、PR阳性则提示pCR概率降低。<b>结论</b> 融合DCE-MRI多模态特征与临床病理因素的CatBoost模型可精准预测乳腺癌患者NAC后pCR，SHAP可解释性分析为临床个体化治疗决策提供可靠依据。

来源：2026年第2期

《临床放射学》期刊编辑部

查看临床放射学杂志2026年第2期