瘤周影像组学在乳腺癌研究中的应用进展

摘要：乳腺癌已成为威胁全球女性健康最常见的癌症类型。影像组学通过深入挖掘和分析医学图像的深层次信息，提供传统影像学检查及人眼无法识别的肿瘤内在异质性信息，但以往研究多围绕肿瘤本体特征，忽略了瘤周区域特征对乳腺癌的发生、发展及转移的作用，因此越来越多的研究开始探索瘤周影像组学特征的潜在应用价值。本文将围绕基于乳腺X线摄影、磁共振及超声成像的瘤周影像组学在乳腺癌的良恶性鉴别诊断、分子分型预测、治疗疗效评估、淋巴结转移及患者预后预测研究中的应用展开综述，阐述目前存在的局限性，并对其未来发展进行展望，为后续深入研究提供思路，以期促进乳腺癌精准医疗的进一步发展。

关键词：乳腺癌；瘤周；影像组学；预测

Progress in the application of peritumoral radiomics in breast cancer research

CHEN Xiuting1， 2， LI Jie1， 2， GAO Zhizhen1

1Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China; 2School of Graduate， Bengbu Medical University， Bengbu 233030， China

Abstract： Breast cancer has become the most common type of cancer that threatens women's health worldwide. Radiomics provides intrinsic heterogeneity information of tumors that cannot be recognized by traditional imaging examinations and human eyes through in-depth excavation and analysis of deep-seated information of medical images. However， previous studies mostly focused on tumor ontology features， ignoring the role of peritumoral region features in the occurrence， development and metastasis of breast cancer. Therefore， more and more studies have begun to explore the potential application value of peritumoral radiomics features. This article will centre on the application of peritumoral radiomics based on mammography， magnetic resonance imaging and ultrasound imaging in the differential diagnosis of benign and malignant breast cancer， molecular typing prediction， evaluation of therapeutic efficacy， lymph node metastasis and prognosis prediction of patients， expound the existing limitations， and look forward to its future development， provide ideas for deeper research， expect to promote the further development of precision medicine for breast cancer.

Keywords： breast cancer; peritumor; radiomics; prediction

国际癌症研究机构最新统计数据显示，2022年全球乳腺癌新发病例占所有癌症类型的11.6%，是仅次于肺癌的第二大常见癌症，成为女性患癌死亡的主要原因［1］ 。尽管现阶段乳腺癌的诊断、治疗和预后取得了一定进展［2］，但早期诊断和个性化治疗仍是提高患者生存率和生存质量的关键。影像组学是一种非侵入性的预测方法，与传统的影像成像所提供的信息如病变形态、大小、边缘等相比，它更加专注于图像分析，从影像中高通量提取和筛选非肉眼能够察觉的特征，从而量化肿瘤的异质性［3］，现阶段已广泛应用于临床各类肿瘤的良恶性鉴别、新辅助化疗疗效评估及生存期预测等相关研究中［4-6］，以提高临床医生对肿瘤术前诊断、预后预测的准确性，为患者制定更为详细和适宜的治疗计划，从而为肿瘤的精准诊疗提供更高的参考价值。

以往关于乳腺癌的影像组学研究多基于肿瘤本身特征［7-9］，针对瘤周微环境及瘤周实质预测性能的相关研究十分有限，然而肿瘤的异质性来源于瘤内异质性及瘤周异质性，瘤周区域作为肿瘤微环境的重要组成部分，同样蕴含着丰富的生物学信息。部分研究表明瘤周区域也存在一些重要的生物学因素会促进肿瘤生长［5］，通过提取瘤周微环境中的有用特征能够更有效地捕捉肿瘤的异质性，从而更准确地评估其生物学行为并及早进行诊断和治疗。瘤周影像组学正是通过提取肿瘤周围区域的影像组学特征，来揭示这些生物学因素与乳腺肿瘤生长与转移等过程之间的关系，这不仅有助于更深入地理解乳腺癌的发病机制，也为乳腺癌的精准诊疗提供了新思路，基于乳腺X线摄影、MRI、超声成像等乳腺疾病常用检查方式的瘤周影像组学分析已成为乳腺癌诊疗领域的研究热点，瘤周微环境作为乳腺癌潜在治疗靶点日益受到关注［10］。本文将围绕基于乳腺X线摄影、MRI、超声成像方式的瘤周影像组学在乳腺癌研究中的各种应用进展进行综述。

1 "影像组学概述

作为一种新兴医学影像研究领域，基于医学影像大数据分析的影像组学充分结合了大数据处理技术与医学影像信息，通过利用各种先进的计算方法，将标准的医学图像转换为可量化的数据，并从海量的医学影像数据中提取出丰富的定量信息［11， 12］。这些定量信息不仅涵盖了组织结构的细微特征，还包括了功能代谢等多方面的数据［13］。通过对这些数据的深入挖掘，基于影像组学在乳腺癌的诊断、治疗、预后等方面的研究已经取得了许多令人瞩目的成果［14-16］。影像组学的核心实践流程主要分为四个步骤：图像采集、图像分割、影像组学特征提取与筛选、模型构建及模型性能评估［17］。

目前大多数研究中瘤周影像组学的分割方法多为手动勾画，仅部分研究采用自动分割模式。手动分割方法一般由医师利用如3D-Slicer、ITK-SNAP等专业软件沿肿瘤边缘标记瘤内感兴趣区域（ROI），以瘤内ROI边界为基础外扩不同的瘤周范围大小［18， 19］，而自动分割模式则基于深度学习神经网络模型在不需要人为操作的情况下获取所需的瘤周ROI［20］。两种分割方法各有利弊，手动分割方法受勾画者经验及病灶特征的局限性较大，耗时耗力，且分割结果的稳定性及可重复性无法得到保证，但优势是灵活性和适应性较强，勾画者可根据不同类型的肿瘤病灶调整边界，包括自动分割难以解决的情况；而自动分割方法能够极大地提高勾画效率，有效避免人为因素的干扰，但目前应用仍较少，其适用性及精准性有待进一步探索。

2 "瘤周影像组学在鉴别乳腺病变良恶性中的应用

及早且准确地判断乳腺病变的良恶性是对患者进行后续治疗的前提，目前穿刺活检仍是临床评估乳腺病变的金标准，尽管可以对病灶做出定性诊断，但它属于有创操作，会对乳腺周围正常组织的血供造成破坏，对身体创伤性大，也可能会增加癌细胞转移的潜在风险，且穿刺受医师操作经验或病灶性质等因素的局限性较大，穿刺面积有限，所获活检组织无法代表整个病灶信息［21-23］，故早期无创性鉴别乳腺病变的良恶性对患者的个性化治疗具有重要意义。

2.1 "乳腺X线摄影

有研究基于185例乳腺病变患者的数字乳腺断层合成X线摄影（DBT）图像利用从瘤内及不同瘤周范围（2、4、6、8、10 mm）提取的影像组学特征及临床危险因素建立列线图模型预测病变的良恶性，结果显示基于瘤周2 mm区域提取并筛选出了4个最有价值的特征，所构建的预测模型鉴别性能最佳。其中lbp-2D-glrlm特征值恶性患者高于良性患者，其值越高，表明肿瘤的质地和异质性越复杂，提示肿瘤趋向于恶性；log-sigma-3-0-mm-3D-glszm特征值良性患者高于恶性患者，其值越高，表明肿瘤边界越清晰，提示病变越趋向于良性［24］。以上表明瘤周2 mm区域信息对于乳腺癌具有较高的诊断价值。另有学者基于对比增强能谱乳腺X线摄影（CESM）图像对190例患者的共233个乳腺病变进行影像组学研究，从瘤内及1、3、5 mm瘤周区域提取特征并利用LASSO回归等方法筛选，构建了7个影像组学模型，结果显示在训练集与验证集中3 mm瘤周模型均获得了最高的AUC，分别为0.990、0.930，提示瘤周影像组学分析有助于早期诊断乳腺癌，且瘤周3 mm区域可提供最有价值的信息［25］。此外，瘤内瘤周特征结合后综合模型的AUC仍较高，证实在瘤内特征的基础上融入瘤周特征后，可有效提高模型的预测性能。也有研究以CESM图像上的瘤内及5 mm、10 mm瘤周特征构建5个模型，结果显示由瘤内、5 mm瘤周、瘤内+10 mm瘤周特征共同构建的综合模型对预测乳腺影像报告和数据系统（BI-RADS）4类病变具有较高的AUC、敏感度及准确性，可有效协助放射科医生提高诊断效率［26］。另一项研究以117例BI-RADS 4类病变患者的全数字化乳腺X线检查（FFDM）图像为基础构建瘤内及5 mm瘤周模型，结果显示联合模型对BI-RADS 4类病变的鉴别能力优于单一模型［2］，此项研究补充了基于FFDM影像组学对此类乳腺疾病瘤周区域的价值探索，表明5 mm瘤周生物学信息可协助诊断医师提高诊断效能，减少不必要的活检或手术。

2.2 "MRI

有研究基于动态增强MRI（DCE-MRI）分析191例BI-RADS 4类乳腺病变的良恶性，选择DCE-MRI第二期图像上病变最大层面构建瘤内、5 mm瘤周及联合模型。结果显示联合诊断模型鉴别性能优于单一模型，表明瘤周特征能够为乳腺疾病的鉴别诊断提供与瘤内特征不同的信息［27］。另外，该研究发现基于瘤周区域提取到的高阶纹理特征复杂度“Complexity”及纹理强度“Strength”量化值的增高与乳腺恶性病变的大肿瘤直径、瘤周毛刺征、瘤周新生血管通透性增加等一些传统影像学诊断难以发现的生物学行为相符，这同样体现了瘤周微环境信息的价值。

2.3 "超声

有学者对300例乳腺结节患者的超声图像进行影像组学分析，在二维图像上分别构建瘤内、2 mm瘤周及联合预测模型来鉴别乳腺结节良恶性，瘤内+瘤周模型实现了最佳鉴别效能；此外，用于构建此模型的18个最优特征中包含1个瘤内特征和17个瘤周特征，这表明基于超声图像的2 mm瘤周区域信息对乳腺结节具有较高的诊断价值，与瘤内特征联合后诊断效能更高，可有效降低乳腺癌的漏诊率［28］。

由以上研究可知，目前对于乳腺病变良恶性的鉴别诊断研究多集中于乳腺X线摄影方面，这是由于其具有成像速度快、价格低廉、适用性广等优势，已成为乳腺癌的筛查与早期诊断的首选检查方法。根据BI-RADS分类相关标准，4类病变需进行活检以明确其恶性风险，但此类病变恶性概率范围非常大［29］，因此目前较多研究更倾向于探索瘤周影像组学对4类病变的鉴别价值以期减少不必要的活检。综上，瘤周特征对于乳腺疾病具有较高的鉴别价值，但不能完全取代肿瘤本体特征，大部分仍以瘤内联合瘤周特征具有最佳预测效能。

3 "瘤周影像组学在预测乳腺癌激素受体状态、分子分型中的应用

乳腺癌具有高度异质性，雌激素受体（ER）、孕激素受体（PR）、Ki-67、人表皮生长因子受体2（HER-2）是目前乳腺癌分子分型的重要生物学标志物，根据不同的受体状态，临床上将乳腺癌分为Luminal A型、Luminal B型、HER-2阳性及三阴性乳腺癌。与其他亚型相比，三阴性乳腺癌（即ER、PR、HER-2表达均为阴性）恶性程度更高，具有强侵袭性及高复发性的特点，而现阶段受体状态仍需通过侵入性的活检手术明确，因此早期精准且无创性判断乳腺癌分子分型对治疗方案的选择及治疗效果的评估等至关重要。

3.1 "乳腺X线摄影

有研究基于178例患者的DBT图像构建瘤内、3 mm瘤周及联合模型探讨其在评估浸润性导管癌HER-2表达状态中的应用价值，结果提示联合模型较单一模型预测效能最佳，可见3 mm瘤周特征的加入补充了瘤内区域的信息，有效提高了模型的预测效能，可作为术前预测HER-2表达状态的有效工具，有助于辅助医师制定临床决策及个体化治疗计划［30］。

3.2 "MRI

有研究基于351例患者的6个DCE-MRI功能参数图提取瘤内、4 mm瘤周特征，分别开发了3个模型以预测HER-2和Ki-67状态，结果显示联合模型预测能力优于单一模型，AUC分别为0.713、0.749；该研究还探讨了HER-2、Ki-67状态与瘤周区域参数图的一阶统计特征之间的关联，发现从瘤周区域提取的偏度和峰度特征值在HER-2阳性组、阴性组之间及Ki-67表达高低组之间的差异有统计学意义，偏度描述了像素分布的不对称特性，峰度是衡量数据相对于正态分布是重尾还是轻尾的度量，高峰度意味着乳腺癌HER-2及Ki-67阳性风险更高［15］。以上提示瘤周4 mm区域信息对于乳腺癌激素受体状态具有较高的预测价值。还有研究基于312例患者的DCE-MRI图像提取瘤内、5 mm瘤周及二者联合的三维特征并构建模型，综合分析发现联合模型预测效能最优，瘤周区域中偏度特征的权重系数最大，与Ki-67增殖水平显著相关，Ki-67高增殖组中峰度值更高［31］。也有研究沿肿瘤边界外扩5 mm探讨瘤周信息预测HER-2表达状态的价值，结果显示瘤周特征的预测能力略优于瘤内特征，二者联合模型在训练集与验证集中表现出更高的效能，这也表明瘤周微环境信息能够为HER-2阳性乳腺癌的诊断、治疗及预后提供一定的指导作用［32］。有研究同样以313例患者的DCE-MRI图像构建瘤内及5 mm瘤周预测模型得出了相似的结论［33］。在乳腺癌分子分型的预测方面，有研究基于143例患者的DCE-MRI图像构建瘤内、5 mm瘤周及联合模型，其鉴别三阴性与非三阴性乳腺癌效能较高，AUC为0.81，联合模型鉴别性能总体优于单一模型，此结果提示瘤周微环境的存在有助于提高综合模型性能［34］。有研究基于422例浸润性导管癌患者的DCE-MRI图像提取瘤内及2、4、6、8 mm瘤周特征进行多分类影像组学分析，结果显示在预测HR阳性型与非HR型、三阴性与非三阴性乳腺癌的分类任务中6 mm被确定为最佳瘤周范围，在预测HER-2过表达型与非HER-2过表达型乳腺癌的分类任务中8 mm被认为是最佳瘤周大小［35］。与单一模型相比，纳入最佳瘤周影像组学特征的联合模型具有更高的价值，强调了瘤周信息在分子分型预测中的潜在作用。另有研究同样以232例患者的DCE-MRI图像，逐层勾画三维瘤内ROI并外扩2、4、6、8 mm获取4个三维瘤周ROI，以探索预测三阴性乳腺癌的最佳瘤周范围大小，结果表明6 mm瘤周模型较其他大小的瘤周模型预测性能更优，认为6 mm是最佳瘤周范围［36］。融合瘤内特征后联合模型效能进一步提升，能够更精确地鉴别三阴性乳腺癌。也有研究基于209例患者的DCE-MRI图像提取瘤内及3、6、9、12、15 mm瘤周区域的纹理特征，结果表明9～12 mm瘤周区域内获取的纹理特征较瘤内和其他范围的瘤周特征对HER-2阳性乳腺癌具有更好的鉴别能力，有助于识别乳腺癌分子亚型，深入理解瘤周微环境中存在的免疫反应，提高瘤周信息在指导治疗中的潜在益处［37］。

3.3 "超声

有研究基于197例患者的自动乳腺全容积超声扫描图像提取瘤内及5、10、20 mm瘤周特征构建7个预测模型评估Ki-67表达状态，结果提示瘤内联合10 mm瘤周模型表现最佳，这表明10 mm瘤周特征具有潜在的应用价值，可为预测乳腺癌Ki-67表达状态提供额外的见解，补充了瘤内特征提供的信息，这种无创性术前预测方法可作为穿刺活检的有效辅助手段［38］。与其他研究不同的是，此研究将20 mm的大瘤周范围纳入到研究中，但并未表现出较好的预测效能，原因可能是随着瘤周范围的扩大，更多正常组织被包括在内而降低了模型的整体性能。

3.4 "多模态预测模型

单模态影像组学模型可能还不足以说明瘤周特征的预测价值，多项研究进行了多模态预测模型效能探讨。有学者在其研究中基于FFDM、DBT、DCE-MRI及磁共振弥散加权成像（DWI）4种模态分析预测乳腺癌Ki-67表达状态的价值，结果证实了在瘤内特征基础上加入4 mm瘤周特征可以提高模型预测性能，其中DCE-MRI与 DWI联合预测模型的AUC及特异度优于FFDM联合DBT模型，但敏感度较弱，通过综合瘤内、4 mm瘤周特征及临床因素的列线图比单一模型更具有优势，可作为预测Ki-67增殖水平潜在的有效工具［39］。还有研究纳入了241例患者的资料探究不同模态的瘤周特征对分子亚型的预测价值，结果显示瘤内模型及4 mm瘤周模型具有相似的预测效能，AUC、敏感度和特异度无明显差异，若结合二者信息，瘤内+瘤周联合模型预测四种分子亚型乳腺癌的AUC显著提高［40］。通过比较联合模型在4种模态中的预测效能还发现，FFDM联合DBT模型预测Luminal A型与B型乳腺癌的AUC较DCE-MRI、DWI更高，这可能是因为FFDM与DBT对结构扭曲、毛刺征及可疑钙化等恶性征象更加敏感，而这些征象正是Luminal A型与B型乳腺癌的常见征象，但对于HER-2阳性及三阴性乳腺癌的预测效能较DCE-MRI联合DWI低，原因可能是DCE-MRI的定量增强参数能够反映HER-2阳性及三阴性乳腺癌病灶血流情况及血管通透性。

综上，对乳腺癌激素受体状态、分子分型的预测研究多集中于MRI方面，因为相较于其他成像方式，DCE-MRI能够强化病灶，还可以通过时间-信号强度曲线分析肿瘤的血流动力学情况，提供更加充分的病灶形态学、功能性信息。以上研究证实了基于多种成像方式的瘤周影像组学对乳腺癌激素受体状态及分子分型具有较高的预测价值，可作为辅助临床决策、改善患者预后的个性化有效工具。

4 瘤周影像组学在预测乳腺癌腋窝淋巴结转移状态中的应用

大多数晚期乳腺癌患者并非死于乳腺原发肿瘤，而是远处器官转移［41］，腋窝淋巴结（ALN）正是淋巴转移最常见的部位［42］。研究表明，随着转移性ALN数量的增加，患者5年生存率会大大降低［43］，术前准确预测ALN是否发生转移对患者的临床分期及治疗方案至关重要。

4.1 "乳腺X线摄影

有学者首次探索分析了基于CESM图像的不同瘤周区域（5 mm、10 mm）影像组学特征对非前哨淋巴结状态的潜在预测价值，与多数研究不同的是，该研究收集了多中心的数据作为外部验证数据集并取得了较高的预测效能，基于瘤内联合瘤内+10 mm瘤周特征利用支持向量机分类器构建的综合预测模型，在内部测试集与外部测试集中均实现了最佳预测效能，证实了瘤周特征的有用性及综合模型的泛化能力，可被视为辅助临床准确判断乳腺癌患者ALN转移情况的有效工具［44］。另有研究依据210例患者的DBT图像构建瘤内及3 mm瘤周模型预测ALN转移情况，也得到了类似的结论［10］。

4.2 "MRI

有研究基于DCE-MRI图像从瘤内和5 mm瘤周区域提取特征预测乳腺癌ALN转移状态，所构建的瘤内+瘤周模型预测效能较好，AUC分别为0.867、0.768，并结合MRI报告的ALN状态及肿瘤最大径建立了影像组学列线图模型，AUC为0.872、0.863，证实了结合瘤周特征的列线图模型具有较好的区分度［45］。有研究同样以215例患者的DCE-MRI图像构建瘤内及5 mm瘤周预测模型，也得到了相似的结论［46］。另一项研究利用180例患者的DCE-MRI图像构建瘤内及6 mm瘤周模型预测ALN转移，结果表明在瘤内特征基础上融入6 mm瘤周特征后模型的预测效能得到了有效提高，联合模型训练集、验证集AUC分别为0.884、0.857。从瘤周区域提取的特征中占比最大的是小波特征wavelet-LLH-firstorder-mean，其权重系数与ALN的转移情况呈负相关关系，即特征值越大，ALN转移概率越小［5］。还有学者探究了不同瘤周范围对前哨淋巴结（SLN）状态的预测价值，有研究基于163例患者的DCE-MRI图像提取瘤内和4 mm瘤周特征，通过影像组学分析以期提供预测SLN状态潜在的非侵入性生物标志物，结果发现联合特征的预测价值较高，通过进一步联合临床信息所构建的列线图相较于单一模型具有更佳的预测效能，AUC达0.914、0.869，可用于指导乳腺癌的进一步治疗计划；同时研究邀请另一位医师对验证集中病灶的瘤周范围进行第二次手动勾画并比较，结果模型性能略有下降，可能是由于训练集中的ROI是由第一位具有11年丰富乳腺疾病诊断经验的医师所勾画，而第二位为初级诊断医师，这也提示了手动分割存在的局限性，无法保证模型的稳定性及可重复性，未来研究可进一步开发基于机器学习的自动化分割模式，为乳腺癌患者建立全自动的无创性淋巴结评估工具［47］。有研究分析了162例进行DCE-MRI检查的患者图像，分别探讨瘤内及2、4、6、8 mm瘤周特征的预测效能，同样发现4 mm瘤周特征建立的模型AUC最高，分别为0.942、0.841，表明瘤周4 mm区域可能会提供更有价值的信息，进一步验证了瘤周特征在乳腺癌SLN转移影像组学分析中的有效性［48］。

4.3 "超声

有研究基于超声影像组学探讨了预测乳腺癌ALN转移的最佳瘤周范围，通过比较0.5、1.0、1.5、2.0、2.5、3.0、3.5 mm瘤周效能，认为瘤周0.5 mm区域可能包含最丰富的微环境信息，能提供最有价值的信息，是预测ALN转移的最佳瘤周区域，进而以超声、乳腺X线图像上的瘤内特征结合超声0.5 mm瘤周特征进行多模态影像组学分析，联合年龄及病理类型两个临床特征构建列线图，取得了良好的预测准确性，为个体化精准预测ALN转移提供了可靠参考［49］。

综上，MRI作为乳腺癌患者ALN情况的常用影像学评估方法，仍然是研究热点。以上研究提示瘤周组织包含了与ALN转移相关的重要信息，基于不同成像方式的瘤周影像组学模型有望作为评估乳腺癌ALN转移状态无创且有效的工具以进一步指导临床决策。

5 "瘤周影像组学在预测乳腺癌新辅助治疗效果中的应用

在临床实践中，通过术前行新辅助化疗（NAC）以期有效降低肿瘤临床分期、提高进展期乳腺癌患者保乳可能性，并改善患者的预后情况［50， 51］。有研究表明，获得病理完全缓解（pCR）是NAC的理想情况，获得pCR患者的无病生存期及总生存期长于未获得pCR的患者［52］。现阶段对治疗疗效的评估大多基于常规影像学检查方法，但这无助于临床医师及时了解和掌握治疗过程中肿瘤细胞的反应和动态变化。因此，无创性预测pCR对于乳腺癌患者NAC前临床治疗计划的制定是十分重要的。

5.1 "乳腺X线摄影

一项研究首次基于118例乳腺癌患者的CESM图像提取瘤内及5 mm、10 mm瘤周影像组学特征，构建5个模型用来评估患者对NAC治疗的反应和获益情况，其中瘤内+5 mm瘤周的联合模型的预测性能及准确性较高，对乳腺癌患者NAC效果预测展示出最大的总体净收益，表明瘤周5 mm区域的组织信息有助于乳腺癌的个性化治疗［53］。

5.2 "MRI

有研究表明，基于DCE-MRI图像的单一瘤内模型未能显著区分pCR，分类结果较差，通过联合瘤周提取的纹理特征后可以有效预测HER-2阳性乳腺癌靶向治疗后pCR，并进一步探索了从0～3 mm瘤周区域提取的Gabor特征表达与肿瘤淋巴细胞浸润密度的相关性，其相关性越强，细胞距离瘤体位置越远，相关性越弱，瘤周淋巴细胞分布越致密，这也为探索肿瘤微环境免疫反应的作用提供了新视角［37］。另一项研究利用5种机器学习方法对117例患者DCE-MRI图像上提取的瘤内及2.5～5 mm瘤周特征进行训练，认为联合模型在无需提前了解受体状态的情况下也能够有效地预测pCR效果；该研究还发现不同分子亚型乳腺癌的影像组学特征预测能力不尽相同，基于三阴性、HER-2阳性乳腺癌的瘤周区域提取到的Laws特征能够揭示pCR患者肿瘤浸润淋巴细胞的存在及旺盛的淋巴细胞反应，这同样证明了瘤周区域的重要作用［54］。有研究探讨了基于110例患者T1WI图像的瘤内、8 mm瘤周及联合模型预测化疗效果的价值，结果表明瘤周预测模型相较于瘤内模型具有更高的准确性，联合模型预测效能较单一的瘤内或瘤周模型更优，可能是由于瘤周区域富含与pCR相关的特殊细胞、腺体及血管等组织，基于T1WI瘤内及瘤周特征联合临床因素的综合预测模型AUC及准确率显著提高，可作为预测乳腺癌NAC治疗效果的有效工具［6］。此外，还有研究分析了448例非转移性浸润性导管癌患者NAC前的MRI图像，从T1WI、T2WI和DWI-ADC序列图像中沿肿瘤边界逐层勾画三维ROI，基于机器学习算法提取瘤内及10 mm瘤周特征进行影像组学分析，在瘤内模型中加入瘤周特征后的联合模型显示出最高的预测准确性，在训练集和验证集中AUC分别为0.98、0.92，这同样强调了瘤周特征在NAC效果预测中潜在的临床应用价值，有望为个体化预测pCR提供一种非侵入性工具［55］。

以上研究提示，瘤周影像组学特征对于提高术前预测NAC后pCR效果的准确性有较高的价值，瘤周影像组学在其他乳腺成像方式中的疗效预测价值有待进一步挖掘。

6 "总结与展望

综上所述，肿瘤周围区域包含了可以补充乳腺疾病生物学信息的有用信息，这对乳腺肿瘤的术前评估、临床治疗方案的制定、患者预后的预测具有重大意义。基于乳腺X线、超声、MRI等不同的成像方式，通过影像组学方法深入挖掘图像上瘤周区域中的生物学标志物及影像学特征以反映瘤周微环境与肿瘤发生、发展及转移的密切联系，在乳腺癌的良恶性鉴别诊断、分子分型预测、免疫组化标志物状态预测、淋巴结转移预测及治疗效果评估等方面体现出重要价值。

现阶段瘤周影像组学的研究已逐步应用至全身各个系统，在图像分割、特征提取和模型建立方面都提出了很多新的方法和发现，但目前仍存在一定的局限性。首先，大多数研究为小样本量的单中心的研究，病例选择可能存在偏倚，未来可进行大样本量的多中心研究；其次，来自不同医院和不同型号设备的影像图像采集标准差异较大，无法保证模型的稳定性及可重复性，未来研究需统一机器扫描设置及高质量图像采集标准；再次，大部分研究中均分割二维瘤周ROI，忽略了病灶的三维性质，这可能会造成重要瘤周微环境信息的缺失，未来可勾画三维ROI以期获得更加全面的瘤周信息；最后，不同研究中纳入的瘤周区域大小不同且多为单瘤周范围效能探讨，尚未有确切结论可证明最能反映肿瘤侵袭性等生物学信息的最佳瘤周范围大小，未来可通过建立多瘤周预测模型进行探讨。

多模态、多中心、大样本、全自动分割仍然是未来研究的探索方向，随着人工智能的持续发展，未来研究可进一步利用机器学习算法深入开展瘤周微环境在乳腺癌诊疗领域中的多方面应用探索，使其更好地指导临床决策并实现个体化的精准医疗。

参考文献：

［1］ " Bray F， Laversanne M， Sung H， et al. Global cancer statistics 2022： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2024， 74（3）： 229-63.

［2］ " 王昭华， 马彦云， 崔曹哲， 等. 探究不同乳腺实质区域的全视野数字化乳腺摄影影像组学对BI-RADS 4类病变鉴别的价值［J/OL］. "临床放射学杂志， 2024， 43（3）： 346-51.

［3］ " "郑 "璐， 汤 "铜， 赵 "茹， 等. MRI影像组学模型预测乳腺癌组织中HER-2低表达状态的价值［J］. 现代肿瘤医学， 2024， 32（6）： 1110-4.

［4］ " "刘婷婷， 林佳璐， 娄鉴娟， 等. 多参数MRI影像组学评估浸润性乳腺癌HER-2表达状态的临床应用价值［J］. 南京医科大学学报（自然科学版）， 2024， 44（2）： 218-27.

［5］ " "赵楠楠， 朱 "芸， 汤晓敏， 等. 基于瘤内及瘤周MRI影像组学列线图预测乳腺癌腋窝淋巴结转移[J]. 磁共振成像， 2023， 14（3）： 81-7， 94.

［6］ " "徐海敏， 戴 "瑶， 马雨竹， 等. MR T1WI瘤体及瘤周影像组学联合临床特征预测乳腺癌新辅助化疗疗效［J］. 中国医学影像技术， 2023， 39（10）： 1520-5.

［7］ " "韩剑剑， 马培旗， 王小雷， 等. 基于数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的多中心研究［J］. 放射学实践， 2024， 39（5）： 634-40.

［8］ " "王 "惠， 陈 "飞， 李金桥， 等. 乳腺癌ABVS超声影像组学特征联合ABVS超声及血清学特征预测HER2状态［J］. 中国超声医学杂志， 2024， 40（5）： 516-20.

［9］ " "谢宗玉， 姚文宇， 杨静茹， 等. 基于DCE-MRI影像组学列线图预测三阴性乳腺癌血管生成拟态表达状态的研究［J］. 蚌埠医学院学报， 2024， 49（4）： 425-30.

［10］ "陈修婷， 李欣欣， 周大伟， 等. 基于瘤内与瘤周乳腺断层合成X线摄影影像组学列线图可有效预测乳腺癌腋窝淋巴结转移［J］. 分子影像学杂志， 2024， 47（5）： 465-73.

［11］ "Wang XY， Xie TS， Luo JR， et al. Radiomics predicts the prognosis of patients with locally advanced breast cancer by reflecting the heterogeneity of tumor cells and the tumor microenvironment［J］. Breast Cancer Res， 2022， 24（1）： 20.

［12］ "Zhang YX， Liu FJ， Zhang H， et al. Diagnostic value of radiomics analysis in contrast‑enhanced spectral mammography for identifying triple-negative breast cancer［J］. Front Oncol， 2021， 11： 773196.

［13］ "魏竹馨， 文 "玲， 王希明. 影像基因组学在乳腺癌中的研究现状与进展［J］. 国际医学放射学杂志， 2020， 43（6）： 681-5， 692.

［14］ "Wang H， Chen W， Jiang SS， et al. Intra- and peritumoral radiomics features based on multicenter automatic breast volume scanner for noninvasive and preoperative prediction of HER2 status in breast cancer： a model ensemble research［J］. Sci Rep， 2024， 14（1）： 5020.

［15］ "Li CL， Song LR， Yin JD. Intratumoral and peritumoral radiomics based on functional parametric maps from breast DCE‑MRI for prediction of HER‑2 and ki‑67 status［J］. J Magn Reson Imaging， 2021， 54（3）： 703-14.

［16］ Zhou J， Tan HN， Li W， et al. Radiomics signatures based on multiparametric MRI for the preoperative prediction of the HER2 status of patients with breast cancer［J］. Acad Radiol， 2021， 28（10）： 1352-60.

［17］ "Liu ZY， Wang S， Dong D， et al. The applications of radiomics in precision diagnosis and treatment of oncology： opportunities and challenges［J］. Theranostics， 2019， 9（5）： 1303-22.

［18］ Pérez‑Morales J， Tunali I， Stringfield O， et al. Peritumoral and intratumoral radiomic features predict survival outcomes among patients diagnosed in lung cancer screening［J］. Sci Rep， 2020， 10（1）： 10528.

［19］ "Zhuo YY， Feng MX， Yang SY， et al. Radiomics nomograms of tumors and peritumoral regions for the preoperative prediction of spread through air spaces in lung adenocarcinoma［J］. Transl Oncol， 2020， 13（10）： 100820.

［20］ "侯 "娟， 刘文亚. 肿瘤瘤周的影像组学研究进展［J］. 磁共振成像， 2024， 15（3）： 230-24.

［21］ "Chen RX， Qi YN， Huang Y， et al. Diagnostic value of core needle biopsy for determining HER2 status in breast cancer， especially in the HER2‑low population［J］. Breast Cancer Res Treat， 2023， 197（1）： 189-200.

［22］ "Xu R， You T， Liu C， et al. Ultrasound-based radiomics model for predicting molecular biomarkers in breast cancer［J］. Front Oncol， 2023， 13： 1216446.

［23］ Wolff AC， Hammond MH， Allison KH， et al. Human epidermal growth factor receptor 2 testing in breast cancer： American society of clinical oncology/college of American pathologists clinical practice guideline focused update［J］. J Clin Oncol， 2018， 36（20）： 2105-22.

［24］ Niu SX， Yu T， Cao Y， et al. Digital breast tomosynthesis‑based peritumoral radiomics approaches in the differentiation of benign and malignant breast lesions［J］. Diagn Interv Radiol， 2022， 28（3）： 217-25.

［25］ Wang SM， Sun YQ， Li RM， et al. Diagnostic performance of perilesional radiomics analysis of contrast‑enhanced mammography for the differentiation of benign and malignant breast lesions［J］. Eur Radiol， 2022， 32（1）： 639-49.

［26］ "Zhang SJ， Shao HF， Li WJ， et al. Intra‑and peritumoral radiomics for predicting malignant BiRADS category 4 breast lesions on contrast-enhanced spectral mammography： a multicenter study［J］. Eur Radiol， 2023， 33（8）： 5411-22.

［27］ "张书海， 王小雷， 朱 "芸， 等. 基于瘤内及瘤周早期动态增强MRI的影像组学模型鉴别乳腺影像报告和数据系统4类肿瘤良性与恶性的价值［J］. 中华放射学杂志， 2022， 56（7）： 758-65.

［28］ "师 "琳， 钟李长， 马 "方， 等. 瘤周超声影像组学对乳腺结节良恶性的鉴别诊断价值［J］. 肿瘤影像学， 2023， 32（6）： 485-91.

［29］ "Gradishar WJ， Moran MS， Abraham J， et al. NCCN guidelines® insights： breast cancer， version 4.2023［J］. J Natl Compr Canc Netw， 2023， 21（6）： 594-608.

［30］ "李卓君， 杨晓芳， 姜增誉， 等. 基于DBT的瘤内和瘤周影像组学评估乳腺癌HER2状态的研究［J］. 临床放射学杂志， 2023， 42（9）： 1436-41.

［31］ "明 "洁， 陈 "莹， 刘 "莹， 等. 基于DCE-MRI瘤内联合瘤周影像组学模型术前预测乳腺癌Ki-67表达状态的价值［J］. 磁共振成像， 2022， 13（10）： 132-7， 149.

［32］ "张成孟， 丁治民， 陈 "鹏， 等. 基于DCE-MRI瘤内及瘤周影像组学联合TIC分型及Ki-67预测乳腺癌患者HER-2表达［J］. 磁共振成像， 2023， 14（4）： 68-75.

［33］ "王伟康， 林桂涵， 陈春妙， 等. 基于MRI动态增强扫描瘤内联合瘤周影像组学列线图术前预测乳腺癌HER-2状态的价值［J］. 中国中西医结合影像学杂志， 2023， 21（3）： 259-64.

［34］ "陆 "欢， 葛 "敏， 王世威. 动态增强MRI瘤内与瘤周影像组学特征对三阴性乳腺癌的诊断价值研究［J］. 浙江医学， 2021， 43（15）： 1647-51， 1710.

［35］ Zhang SH， Wang XL， Yang Z， et al. Intra‑and peritumoral radiomics model based on early DCE‑MRI for preoperative prediction of molecular subtypes in invasive ductal breast carcinoma： a multitask machine learning study［J］. Front Oncol， 2022， 12： 905551.

［36］ "吴 "韧， 李新宇， 陈 "随， 等. 基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值［J/OL］. 医学研究与战创伤救治， 2023， 36（4）： 375-81.

［37］ "Braman N， Prasanna P， Whitney J， et al. Association of peritumoral radiomics with tumor biology and pathologic response to preoperative targeted therapy for HER2 （ERBB2）-positive breast cancer［J］. JAMA Netw Open， 2019， 2（4）： e192561.

［38］ Wu YM， Ma QQ， Fan LF， et al. An automated breast volume scanner‑based intra‑and peritumoral radiomics nomogram for the preoperative prediction of expression of ki-67 in breast malignancy［J］. Acad Radiol， 2024， 31（1）： 93-103.

［39］ "Jiang T， Song JD， Wang XY， et al. Intratumoral and peritumoral analysis of mammography， tomosynthesis， and multiparametric MRI for predicting ki-67 level in breast cancer： a radiomics-based study［J］. Mol Imaging Biol， 2022， 24（4）： 550-9.

［40］ Niu SX， Jiang WY， Zhao NN， et al. Intra‑and peritumoral radiomics on assessment of breast cancer molecular subtypes based on mammography and MRI［J］. J Cancer Res Clin Oncol， 2022， 148（1）： 97-106.

［41］ Tan HN， Wu YP， Bao FC， et al. Mammography‑based radiomics nomogram： a potential biomarker to predict axillary lymph node metastasis in breast cancer［J］. Br J Radiol， 2020， 93（1111）： 20191019.

［42］ "Arefan D， Chai RM， Sun M， et al. Machine learning prediction of axillary lymph node metastasis in breast cancer： 2D versus 3D radiomic features［J］. Med Phys， 2020， 47（12）： 6334-42.

［43］ "Song DL， Yang F， Zhang YJ， et al. Dynamic contrast‑enhanced MRI radiomics nomogram for predicting axillary lymph node metastasis in breast cancer［J］. Cancer Imaging， 2022， 22（1）： 17.

［44］ Lin F， Li Q， Wang ZY， et al. Intratumoral and peritumoral radiomics for preoperatively predicting the axillary non-sentinel lymph node metastasis in breast cancer on the basis of contrast‑enhanced mammography： a multicenter study［J］. Br J Radiol， 2023， 96（1143）： 20220068.

［45］ Liu Y， Li X， Zhu LN， et al. Preoperative prediction of axillary lymph node metastasis in breast cancer based on intratumoral and peritumoral DCE‑MRI radiomics nomogram［J］. Contrast Media Mol Imaging， 2022， 2022： 6729473.

［46］ "张成孟， 丁治民， 陈 "鹏， 等. 基于DCE-MRI瘤内及瘤周影像组学特征的机器学习模型预测乳腺癌腋窝淋巴结转移的价值［J］. 中国医学计算机成像杂志， 2023， 29（6）： 618-24.

［47］ Liu CL， Ding J， Spuhler K， et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer by radiomic signatures from dynamic contrast-enhanced MRI［J］. J Magn Reson Imaging， 2019， 49（1）： 131-40.

［48］ Ding J， Chen SL， Serrano Sosa M， et al. Optimizing the peritumoral region size in radiomics analysis for sentinel lymph node status prediction in breast cancer［J］. Acad Radiol， 2022， 29（Suppl 1）： S223-S228.

［49］ Duan YY， Chen XB， Li WY， et al. Multimodal radiomics and nomogram‑based prediction of axillary lymph node metastasis in breast cancer： an analysis considering optimal peritumoral region［J］. J Clin Ultrasound， 2023， 51（7）： 1231-41.

［50］ Derks MGM， van de Velde CJH. Neoadjuvant chemotherapy in breast cancer： more than just downsizing［J］. Lancet Oncol， 2018， 19（1）： 2-3.

［51］ Cortazar P， Zhang LJ， Untch M， et al. Pathological complete response and long‑term clinical benefit in breast cancer： the CTNeoBC pooled analysis［J］. Lancet， 2014， 384（9938）： 164-72.

［52］ Early Breast Cancer Trialists' Collaborative Group （EBCTCG）. Long‑term outcomes for neoadjuvant versus adjuvant chemotherapy in early breast cancer： meta‑analysis of individual patient data from ten randomised trials［J］. Lancet Oncol， 2018， 19（1）： 27-39.

［53］ Mao N， Shi YH， Lian C， et al. Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast‑enhanced spectral mammography［J］. Eur Radiol， 2022， 32（5）： 3207-19.

［54］ Braman NM， Etesami M， Prasanna P， et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI［J］. Breast Cancer Res， 2017， 19（1）： 57.

［55］ "Li CC， Lu N， He ZF， et al. A noninvasive tool based on magnetic resonance imaging radiomics for the preoperative prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer［J］. Ann Surg Oncol， 2022， 29（12）： 7685-93.

（编辑：林 "萍）