news 2026/5/1 6:43:52

Radiology(IF=15.2)法国居里研究所等团队:治疗后MRI预测三阴性乳腺癌对新辅助化疗免疫治疗的病理完全缓解

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Radiology(IF=15.2)法国居里研究所等团队:治疗后MRI预测三阴性乳腺癌对新辅助化疗免疫治疗的病理完全缓解

01

文献学习

今天分享的文献是由法国居里研究所等团队于2025年7月在《Radiology》(中科院1区top,IF=15.2)上发表的研究“Posttreatment MRI to Predict Pathologic Complete Response of Triple-Negative Breast Cancer to Neoadjuvant Chemoimmunotherapy”即治疗后MRI预测三阴性乳腺癌新辅助化疗免疫治疗的病理完全缓解,该研究是一项前瞻性多中心研究,旨在评估治疗后动态增强MRI在预测早期三阴性乳腺癌(TNBC)患者接受新辅助化疗免疫治疗(NACI)后是否达到病理完全缓解(pCR)的性能。研究发现,放射学完全缓解(rCR)对pCR具有较高的预测价值(AUC=0.83),结合基线淋巴结状态和Ki-67指数可进一步提升预测性能(AUC=0.88)。在特定亚组(淋巴结阴性、Ki-67>30%)中,rCR的假发现率仅为3.5%,提示这些患者可能适合豁免手术的临床试验。对于存在残留增强的患者,影像组学模型可进一步区分pCR与非pCR(AUC=0.80)。

创新点:①首次评估NACI后MRI预测pCR效能:填补了新辅助化疗免疫治疗背景下乳腺MRI预测病理完全应答的研究空白。②构建并验证多变量预测模型:联合rCR、淋巴结状态和Ki-67的三因素模型,AUC达0.88,显著优于单用影像学模型。③开发残留强化放射组学评分:基于形态和一阶特征,联合病灶数将假阴性率从37%降至20%,有效区分炎症与残瘤。

临床价值:①高阳性预测值支持治疗决策:rCR预测pCR的PPV达90%,可辅助识别新辅助治疗后可能达到pCR的患者。②识别手术豁免潜在人群:在淋巴结阴性且Ki-67>30%亚组中,rCR假发现率仅3.5%,均为低危残留,提示可探索免手术策略。③减少假阴性误判:放射组学模型将MRI阴性预测值提升至80%,降低漏诊残留病变风险,指导辅助治疗升级。

02

研究背景和目的

研究背景

三阴性乳腺癌(TNBC)约占早期乳腺癌的15%,是一种高度侵袭性、增殖迅速的亚型,复发风险高、预后较差。根据KEYNOTE-522临床试验的结果,对于II期或III期TNBC患者,新辅助化疗联合免疫治疗(neoadjuvant chemoimmunotherapy, NACI)已成为当前标准治疗方案,可使约65%的患者达到病理完全缓解(pathologic complete response, pCR)。pCR被证实是长期生存的有效替代标志物。然而,未达到pCR的患者,尤其是残留癌症负荷(residual cancer burden, RCB)较高者,复发和死亡风险显著升高。因此,准确评估NACI后的治疗反应,对于识别需要辅助治疗升级的患者至关重要。在各类影像学方法中,乳腺MRI被公认为评估新辅助治疗后肿瘤反应和残留病灶最准确的手段,能提供病灶大小、体积和强化模式的详细信息。尽管如此,现有研究在MRI预测pCR的灵敏度上仍不理想,尤其是在不考虑乳腺癌亚型时,难以可靠地识别可豁免手术的患者。随着NACI显著提高了pCR率,临床上对微创、精准评估治疗反应的需求日益增加。然而,针对TNBC患者在接受NACI后,动态增强MRI预测pCR的准确性尚未得到系统验证,这成为本研究的核心背景问题。

研究目的

基于上述研究背景,本研究的核心目的是系统评估治疗后乳腺MRI在预测接受NACI的早期TNBC患者pCR中的诊断性能。具体而言,研究团队希望通过前瞻性多中心队列,验证MRI上定义的放射学完全缓解(radiologic complete response, rCR)——即肿瘤床区域在增强扫描中无任何强化——是否能有效预测pCR。为此,研究构建并外部验证了一个多变量逻辑回归模型,将rCR、基线淋巴结状态和Ki-67增殖指数相结合,以提升预测准确性。此外,研究还针对存在残留强化(非rCR)的病例,开发并测试了一个基于形状特征和一阶特征的放射组学评分模型,旨在进一步区分真性残留病灶与治疗引起的炎症或纤维化改变。通过计算假发现率(false-discovery rate, FDR),研究还试图识别出那些在rCR前提下仍存在非pCR风险的患者亚组,从而为未来探索豁免手术的可行性提供影像学依据。最终,该研究希望为临床提供一种非侵入性、精准的NACI反应评估工具,助力个体化治疗决策,减少不必要的手术创伤。

03

数据和方法

研究数据

总样本量:259名女性(训练集175人,外部测试集84人)

数据来源:法国三家三级医疗中心(2021年8月–2024年6月)

纳入标准:II或III期TNBC,接受KEYNOTE-522方案NACI

pCR率:总体67%(173/259)

图 1:患者筛选流程图

技术方法

研究设计:前瞻性、多中心、诊断准确性研究

MRI评估:动态增强MRI,定义rCR为肿瘤床无强化

病理评估:pCR定义为乳腺和腋窝淋巴结无残留浸润癌

影像组学:提取32个形状和一阶特征,使用LASSO回归构建评分

统计方法:AUC、FDR、多变量逻辑回归、校准曲线、Youden指数

04

实验结果

rCR预测pCR:AUC=0.83(测试集),PPV=90%,FDR=10%

三因素模型(rCR + 淋巴结状态 + Ki-67):AUC=0.88(测试集)

低FDR亚组(淋巴结阴性、Ki-67>30%):FDR仅3.5%(测试集)

残留增强患者:影像组学模型AUC=0.80,提升阴性预测值至80%

假阳性rCR:多为RCB-I级微小残留病灶

图 2:预测模型的ROC曲线与校准曲线

该图包含四个子图。图2A(训练集)显示,单纯rCR预测pCR的AUC为0.81;加入基线淋巴结状态和Ki-67指数后,三因素模型AUC提升至0.86,显著优于临床病理模型(AUC 0.69)。图2B(外部测试集)中,三因素模型AUC达到0.88(95% CI: 0.81-0.96),同样优于rCR单独(0.83)和临床病理模型(0.65)。图2C和2D为校准曲线,通过1000次bootstrap重采样显示,预测概率与实际观察概率在训练集(P=0.44)和测试集(P=0.89)上均高度一致,无失校准证据,证明模型具有良好的泛化能力。

图 3:真阳性rCR示例——MRI无残留增强且病理证实pCR

该图展示了一位53岁女性患者,NACI后MRI表现为真阳性放射学完全缓解(rCR)。图3A-3C为治疗前增强MRI,显示左乳内一个20mm球形肿块强化(箭头),腋窝淋巴结未见转移(箭头头)。图3D和3E为治疗后MRI,原肿瘤床内无任何残留强化,仅可见线圈标记(虚线箭头)。图3F为病理组织学(HE染色,×200),证实乳腺和淋巴结内均无残留浸润性癌,达到病理学完全缓解(pCR)。该案例形象说明了rCR与pCR高度吻合的理想情况。

图 4:假阳性rCR示例——MRI无增强但淋巴结存在微小转移

该图展示了一位29岁患者,NACI后MRI表现为rCR(假阳性)。图4A-4B为基线MRI,左乳18mm球形肿块强化(箭头),且腋窝淋巴结受累(箭头头,细针穿刺证实)。图4C-4E为治疗后MRI:乳腺原肿瘤床内无残留强化(虚线箭头),呈rCR;腋窝淋巴结亦未见肿大(箭头头)。然而图4F病理检查(HE,×50)显示:乳腺虽无浸润癌,但一个淋巴结内存在5mm转移灶(箭头),属于残留癌负荷I级(RCB-I)。该案例强调了rCR时仍可能遗漏淋巴结微小残留。

图 5:假阴性rCR示例——MRI有残留增强但病理实际为pCR

该图展示了一位53岁患者,NACI后MRI表现为非rCR(有残留增强),但最终病理为pCR(假阴性)。图5A-5B为基线MRI,右乳25mm球形肿块强化(箭头),伴导管原位癌(DCIS)。图5C-5D为治疗后MRI,原肿瘤床内可见淡片状非肿块残留强化(虚线箭头),被判定为非rCR。然而图5E病理(HE,×100)显示:乳腺和淋巴结均无浸润癌残留,仅见12mm的残余DCIS(箭头),符合pCR定义。该案例说明炎性改变或DCIS可模拟残留强化,导致MRI高估残留病灶。

图 6:放射组学在残留增强病例中的增量价值

该图展示了放射组学如何纠正假阴性的rCR判断。图6A-6C为假阴性案例:一位49岁患者治疗后MRI呈细长非肿块强化(非rCR),但基于一阶特征最大值较高计算出的放射组学评分>0.4,提示pCR;病理证实仅炎性改变(箭头),无浸润癌。图6D-6F为真阴性案例:一位39岁患者治疗后MRI呈球形肿块强化,放射组学评分低,正确预测非pCR;病理证实RCB-II残留浸润癌(箭头)。该图表明,联合放射组学评分(≥0.4)和病灶计数可将MRI的阴性预测值提高至80%(假阴性率从37%降至20%)。

05

研究结论

该研究通过前瞻性多中心队列证实,新辅助化疗免疫治疗(NACI)后的乳腺MRI对早期三阴性乳腺癌(TNBC)的病理完全缓解(pCR)具有较高的预测价值。其中,影像学完全缓解(rCR)(定义为肿瘤床无强化)预测pCR的ROC曲线下面积(AUC)达0.83,阳性预测值为90%。进一步联合基线淋巴结状态和Ki-67指数构建的三因素模型在外部验证集中AUC提升至0.88,显著优于单独使用rCR或临床病理指标。特别值得关注的是,在基线淋巴结阴性且Ki-67 >30%的患者亚组中,rCR的假发现率(FDR)仅约3.5%,且假阳性病例多为残余癌症负荷(RCB)I级(预后相对良好),提示这部分患者可能具备免除乳腺和腋窝手术的潜在条件。对于存在残余强化的非rCR病例,引入基于形状和一阶特征的影像组学评分联合病灶数量,可将MRI的阴性预测值提升至80%(漏诊率降至20%)。综上,NACI后MRI联合临床病理因素可精准识别pCR患者,尤其是rCR、淋巴结阴性及高Ki-67者有望成为手术降阶梯试验的合适候选人群,但需注意该结论仍需更大样本外验证及长期随访支持。

06

Q&A

Q1:这项研究的临床意义与局限性是什么?
A1临床意义在于,rCR + 淋巴结阴性 + Ki-67 > 30%的TNBC患者可能是未来省略手术的候选人群,降低手术并发症。局限性包括:样本量仍偏小、未纳入DWI或超快成像、未评估残留DCIS的影响,且尚需前瞻性试验验证才能改变临床实践。

Q2:研究中“放射学完全缓解(rCR)”如何定义?判读一致性如何?
A2rCR定义为治疗后动态增强MRI上原肿瘤床无任何强化,只要有细微强化即视为非rCR。三位放射科医生独立判读的组内相关系数为0.88(95% CI: 0.87–0.91),表明具有良好的可重复性。严格的定义有助于提高阳性预测值,但可能将部分炎性改变误判为非rCR。

Q3:对于有残留强化的患者(非rCR),研究提出什么解决办法?效果如何?
A3研究提取形状与一阶放射组学特征构建评分,联合MRI上可疑病灶数量,预测pCR的AUC达到0.80,显著优于仅用病灶数量的模型(AUC=0.63)。该模型将非rCR组中的假阴性率从37%降至20%,帮助区分真性残留肿瘤与治疗后炎症或纤维化。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/1 6:41:27

Fast-GitHub:让GitHub下载速度飙升的浏览器扩展神器

Fast-GitHub:让GitHub下载速度飙升的浏览器扩展神器 【免费下载链接】Fast-GitHub 国内Github下载很慢,用上了这个插件后,下载速度嗖嗖嗖的~! 项目地址: https://gitcode.com/gh_mirrors/fa/Fast-GitHub 还在为GitHub龟速下…

作者头像 李华
网站建设 2026/5/1 6:41:02

hotel-demo: Fatal error compiling: 无效的目标发行版: 17 -> [Help 1]

hotel-demo: Fatal error compiling: 无效的目标发行版: 17 -> [Help 1] 一、异常信息 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project hotel-demo: Fatal error compiling: 无效的目标发行版…

作者头像 李华
网站建设 2026/5/1 6:40:24

工业知识库智能检索落地失败率高达67%(2024制造业AI应用白皮书数据):Dify 0.12.0+自研分词器适配方案首次公开

更多请点击: https://intelliparadigm.com 第一章:工业知识库智能检索落地失败率的根源剖析 工业知识库智能检索系统在制造、能源、化工等垂直领域落地时,平均失败率高达62%(据2023年《中国工业AI应用白皮书》抽样统计&#xff0…

作者头像 李华
网站建设 2026/5/1 6:30:12

AI代理+区块链:ShillClawd去中心化推广市场技术架构与合约机制解析

1. 项目概述:一个为AI代理设计的去中心化推广市场最近在探索AI代理的商业模式时,我遇到了一个挺有意思的项目——ShillClawd。简单来说,这是一个专门为像Claude、GPTs这类AI代理(他们称之为“KOL Agent”)搭建的推广任…

作者头像 李华
网站建设 2026/5/1 6:22:25

Obsidian Style Settings:5分钟掌握终极笔记个性化定制指南

Obsidian Style Settings:5分钟掌握终极笔记个性化定制指南 【免费下载链接】obsidian-style-settings A dynamic user interface for adjusting theme, plugin, and snippet CSS variables within Obsidian 项目地址: https://gitcode.com/gh_mirrors/ob/obsidia…

作者头像 李华