超声影像组学在乳腺癌分子分型预测中的应用

1. 项目背景与临床意义

乳腺癌分子分型是制定个体化治疗方案的重要依据，其中雌激素受体（ER）和孕激素受体（PR）的双阴性表达（ER-/PR-）约占所有乳腺癌病例的15-20%。这类患者往往具有独特的生物学行为和临床特征：

• 对内分泌治疗不敏感
• 更易发生早期转移
• 总体预后较激素受体阳性患者差

传统受体状态检测需要通过穿刺或手术获取组织样本进行免疫组化（IHC）检查，存在以下局限性：

1. 有创性操作带来额外风险
2. 检测周期长（通常需要3-5个工作日）
3. 肿瘤异质性可能导致取样误差

超声影像组学（Radiomics）通过从常规超声图像中提取高通量特征，结合机器学习算法构建预测模型，为无创、快速评估受体状态提供了新思路。我们团队开发的这个预测系统具有以下临床价值：

• 术前辅助决策：帮助医生提前预判受体状态，优化新辅助治疗方案
• 动态监测：治疗过程中无创评估受体表达变化
• 减少不必要活检：对疑似双阴性病例提供参考依据

2. 技术实现路径详解

2.1 数据采集与预处理

我们采用GE Logiq E9超声仪采集患者乳腺病灶图像，设置参数如下：

• 探头频率：7-12MHz线性阵列
• 深度调节：根据病灶位置设定，确保完整显示病灶及周边1cm正常组织
• 增益：统一设置为50dB
• 动态范围：60dB

图像预处理流程：

1. DICOM格式转换
2. 各向同性重采样（0.5mm×0.5mm）
3. 灰度归一化（采用z-score标准化）
4. 双边滤波去噪（σ_d=3，σ_r=0.05）

关键提示：采集时需确保病灶最大径切面图像，要求患者保持均匀呼吸状态，避免运动伪影。我们发现有呼吸配合训练可使图像质量评分提高27%。

2.2 病灶分割策略

采用三级分割方案确保准确性：

1. 初级分割：U-Net自动分割（Dice系数0.82）
2. 人工修正：由2名5年以上经验的超声医师独立完成
3. 一致性检验：Kappa>0.75时取交集区域

特殊情形处理：

• 伴微钙化病灶：先进行非局部均值去噪
• 后方回声增强型：采用自适应阈值分割
• 边界模糊型：结合弹性成像图像辅助界定

2.3 特征提取与筛选

从每个病灶提取1218个组学特征，分为5大类：

| 特征类别 | 提取方法