影像组学| 基于多模态超声成像与前哨淋巴结影像组学免除乳腺癌腋窝分期手术文献速递

Oldlee

2026.11.5

本研究构建了一种融合前哨淋巴结灰阶超声与超声造影的深度双模态神经网络模型，能够高精度无创预测淋巴结转移状态，为免除乳腺癌患者不必要的腋窝分期手术提供了可靠决策支持。

Title题目

基于多模态超声成像与前哨淋巴结影像组学免除乳腺癌腋窝分期手术

Exempting axillary staging surgery in breast cancer using multimodal ultrasound imaging and radiomics of sentinel lymph nodes

文献速递介绍

前哨淋巴结活检是早期乳腺癌腋窝淋巴结分期的标准临床方案，但作为有创操作仍会带来淋巴水肿等并发症，并消耗较多术中病理资源。临床研究显示，约85%的正常腋窝结构患者并未发生淋巴结转移，常规活检导致了大量过度治疗。尽管常规灰阶超声广泛应用于术前评估，但其难以精准识别特定前哨淋巴结，对微转移的漏诊率较高。而经皮注射微泡造影剂的超声造影技术能够实时清晰显示淋巴管引流及前哨淋巴结。本研究旨在通过深度学习整合前哨淋巴结的灰阶超声与超声造影特征，开发无创评估模型，推动乳腺癌腋窝管理向精准去创伤化发展。

Aastract摘要

前哨淋巴结活检是早期乳腺癌腋窝分期的标准手段，但仍具有创伤性，且多数无转移患者接受了不必要的侵入性手术。本研究基于三家医疗中心的1374例乳腺癌患者数据，构建了结合前哨淋巴结超声造影与灰阶超声的多模态深度双模态融合网络模型，旨在术前无创评估前哨淋巴结转移风险。实验结果显示，该融合模型在内部独立测试集中的阴性预测值达到0.973，受试者工作特征曲线下面积达0.912，特异性达0.987，并在三个多中心前瞻性测试队列中均保持超过0.90的高阴性预测值，性能显著优于单一模态超声模型。该方法有望精准识别无前哨淋巴结转移的乳腺癌患者，从而安全免除不必要的腋窝分期手术。

Method方法

研究连续纳入来自四川省人民医院、云南省肿瘤医院和福建省肿瘤医院的1374例经病理确诊的乳腺癌患者。通过术前超声造影定位前哨淋巴结，并结合纳米碳悬液或钛夹标记，使影像与术后病理金标准实现精准对应。数据被划分为训练集763例、内部验证集132例、内部独立测试集298例，以及三个前瞻性多中心测试队列共181例。研究首先采用语义分割网络提取淋巴结感兴趣区域并标准化至统一尺寸，以DenseNet161为主干网络构建了深度双模态融合网络，实现多层级的跨模态特征交互融合。考虑到免除手术对安全性的严苛要求，研究以阴性预测值作为首要评价指标，特异性为次要评价指标。

Conclusion结论

研究结果表明，结合灰阶超声与超声造影的多模态深度学习模型能够实现极高的阴性预测值，为临床决策提供了坚实的安全屏障。与SOUND等仅纳入严格低危老年患者的临床试验相比，本研究人群涵盖了更高比例的中青年、高组织学分级以及三阴性与HER2阳性亚型，具有更强的真实世界代表性。通过双模态深层特征融合，模型有效规避了常规超声主观性强、易漏检微转移的问题。该系统应作为临床医生的辅助决策工具，人机协作模式尤其有助于医疗资源匮乏地区提高分期准确性。未来研究需进一步融合原发肿瘤特征和分子病理信息，并在更广泛的人群与设备中验证模型效能。

Results结果

在内部独立测试集中，深度双模态融合网络取得了0.973的高阴性预测值和0.912的受试者工作特征曲线下面积，特异性达0.987，均显著优于单模态灰阶超声与单模态超声造影模型。在三个独立的前瞻性测试队列中，该模型的阴性预测值均保持在0.90以上，受试者工作特征曲线下面积分别为0.893、0.866和0.862，充分展现了跨中心泛化能力。虽然前瞻性队列由于设备与造影剂差异出现轻度性能波动，但模型在全部测试队列中对真正阴性患者的误判率极低，且漏诊病例绝大多数仅为单枚转移或微转移。基于Grad-CAM的可视化热力图进一步证实，模型注意力主要聚焦于淋巴结病变核心区域。

Figure图

图1.

展示了从三家中心招募的1568例乳腺癌患者的筛选流程，经排除后共纳入1374例，并详细划分了回顾性训练集、内部验证集、内部独立测试集以及三个前瞻性独立测试队列的设计。

图2.

展示了模型训练阶段与测试阶段的技术路径，包括感兴趣区域的语义分割、数据增强策略、单模态及双模态网络构建，以及在不同队列上的性能评估指标计算。

图3.

详细展示了深度双模态融合网络的架构细节，灰阶超声与超声造影图像经过分割裁剪后，分别送入并行的DenseNet161特征提取主干，并在深层进行持续的多层中间特征交叉融合，最终完成二分类预测。

图4.

对比了双模态融合模型与单模态灰阶超声模型、单模态超声造影模型在内部测试集及三个前瞻性测试队列中的ROC曲线，直观呈现了双模态融合网络在AUC上的显著优势。

图5：

通过Grad-CAM算法生成的激活热力图清晰表明，模型关注的高权重区域与淋巴结病灶本身高度吻合，证明了深度学习模型决策依据符合超声专家的临床判读逻辑。