基于影像组学的三阴型乳腺癌新辅助化疗疗效预测研究

Triple-negative breast cancer (TNBC) has great biological heterogeneity. Response to neoadjuvant chemotherapy (NAC) differs between the different molecular subtypes. Selecting patients showing good therapeutic effects after NAC is a problem needs to be solved. Using data mining technology, Radiomics extracts and quantifies large amount of features from medical images so as to analyze clinical information. This project intends to use Radiomics method to study the data of patients with TNBC who have completed neoadjuvant therapy and create the neoadjuvant therapy efficacy prediction model integrating clinical, pathological and imaging information and, therefore, to replace TNBC gene classification method and guide clinical decision-making in patients with breast cancer.

三阴型乳腺癌呈现生物学高度异质性，不同分子亚型新辅助化疗疗效差异较大，筛选合适的患者行新辅助化疗是一个急需解决的问题。影像组学是利用数据挖掘技术，从影像中提取并量化海量特征数据，解析临床信息。本课题拟用影像组学方法分析已完成新辅助治疗的三阴乳腺癌患者数据，构建集成临床、病理和影像等信息的新辅助治疗的疗效预测模型，替代尚未进入临床的三阴型乳癌基因分型方法，指导临床决策。

新辅助治疗（NAC）能够检测乳腺癌药物敏感性并提高保乳治疗的可能性，并且在NAC后达到病理完全缓解（pCR）时，提示有利的无病生存期和总体生存期。因此，pCR可以作为长期生存的替代早期临床终点。目前针对NAC疗效预测的模型主要包括临床病理特征模型，基因模型，免疫微环境模型的等，但因为预测效能或可及性，并不能很好地应用于临床。因此，本研究基于四个中心的乳腺癌影像数据，开发并验证了MRI多参数模型。该模型的开发基于MRIT1WI、T2WI及DWI筛选出多个影像特征，同时结合了临床病理的独立风险因素。在预测乳腺癌新辅助化疗（NAC）疗效方面取得较好的预测效果，显著优于目前的单独基于临床因素的预测模型，尤其是HR+HER2-型和TNBC型乳腺癌，其AUC可达0.86。该模型可运用于临床预测乳腺癌pCR，进而指导临床决策。