乳腺癌是在全世界女性中发病率最高的恶性肿瘤。新辅助化疗（Neoadjuvant chemotherapy, NAC）已被广泛应用，病理完全响应（Pathologic complete response, pCR）是用来评估NAC治疗疗效，能达到pCR的患者被证实能具有更好的预后和更长的生存期。但是，乳腺癌患者中只有7%-38%能达到pCR的治疗效果。因此，在NAC治疗前能预测患者pCR应答效果是至关重要的，这对达到pCR概率较低的患者而言能及时地调整治疗方案，避免不必要的化疗毒性。
磁共振成像（magnetic resonance imaging, MRI）能从宏观角度反映病灶的变化，进而有效地评估治疗的响应情况。除了常用的形态学特征外，由动态增强磁共振成像（dynamic contrast-enhanced MRI， DCE-MRI）计算而来的血液动力学参数（如：Ktrans， Kep, Vp）能进一步反映血管密度和通透性等肿瘤微血管功能。此外，病理分子信息与治疗的敏感性也被证实具有相关性，能为疗效预测提供重要信息。
近期，苏州医工所杨晓冬研究员课题组与中山大学附属孙逸仙纪念医院合作，构建了基于DCE-MRI图像的NAC疗效预测辅助诊断深度学习模型。本研究回顾性收集356例乳腺癌患者NAC治疗前的MRI影像及病理分子数据。模型首先利用ResNeXt50为主干网络提取DCE-MRI的图像特征，并利用度量损失提升图像特征对NAC疗效预测的能力。此外，通过融合DCE-MRI图像信息、血液动力学参数信息及病理分子信息，利用更全面的病灶信息进一步提升模型预测能力。模型构建如图1所示，对比实验结果表明利用三类信息的深度学习融合模型显著优于影像组学融合模型（深度学习融合模型和影像组学融合模型的AUC分别为0.83和0.781，P<0.001）。且融合模型的预测性能也优于单一或两类信息构建的模型。该模型的构建将为临床医生针对乳腺癌患者个性化精准治疗方案的制定提供重要指导意见。
图 1. NAC疗效预测深度学习融合模型构建示意图
该研究成果“Pretreatment DCE-MRI-based deep learning outperforms radiomics analysis in predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer”已发布在Frontiers in Oncology杂志上（IF=6.244, DOI: 10.3389/fonc.2022.846775），研究生彭云松及程子亮医生为共同第一作者，郑健研究员和沈君主任为通讯作者。该项工作受到广东省重点领域研究与发展计划（2019B020235001）、国家自然科学基金（U1801681）、广东省高等院校珠江学者资助计划（2017）和苏州市科学技术局（SJC2021023）等项目的经费支持。
论文链接：https://www.frontiersin.org/articles/10.3389/fonc.2022.846775/full
附件下载：
