01文献学习今天分享的文献是由广东省人民医院放射科刘再毅教授团队联合南方医科大学、昆明医科大学第三附属医院、广州医科大学第一附属医院、中山大学等多中心团队近日2026年1月5日在肿瘤学领域顶刊《npj Precision Oncology》中科院1区topIF8上发表的研究“Longitudinal MRI-based deep learning model for predicting pathological complete response in breast cancer: a multicenter, retrospective cohort study”即基于纵向MRI的深度学习模型预测乳腺癌病理完全缓解一项多中心回顾性队列研究该研究提出了一种名为BSTNet的自监督时序学习框架利用纵向动态增强MRI数据预测乳腺癌患者在接受新辅助治疗后的病理完全缓解情况。该模型在多个独立队列中表现出优异的预测性能和良好的泛化能力。创新点①采用自监督学习处理纵向MRI提出BSTNet框架通过时间序列重排实现无监督预训练有效捕捉肿瘤动态变化减少对标注数据的依赖。②融合多头自注意力与LSTM机制结合时序特征提取与长短期记忆网络提升模型对不规则扫描间隔与缺失时间点的适应能力。③跨中心泛化能力强在多个独立外部验证中表现稳定适应不同扫描协议与分子亚型具备良好的临床适用性。临床价值①早期识别治疗反应不佳患者高特异性辅助临床及时调整治疗方案避免无效治疗与毒副作用推动个体化治疗决策。②非侵入性预测替代有创检查基于MRI的深度学习模型减少对组织活检的依赖提升患者依从性与诊疗体验。③优化医疗资源分配准确预测pCR可指导手术降级或强化治疗合理分配医疗资源提高整体治疗效率与效果。图 5研究整体设计流程图A患者诊疗流程关键节点活检确诊→1-4周期新辅助治疗NAT→末次NAT→手术→病理评估pCR/Non-pCR明确纳入患者的治疗轨迹。B数据队列来源训练内部验证集I-SPY2试验Center 12010-2016按8:2随机分配外部验证集Center 2广东省人民医院2015-2022、Center 3云南肿瘤医院2020-2021。C模型核心框架核心技术基于纵向MRI的乳腺自监督时间学习框架BSTNet聚焦pCR预测。D性能与可解释性评估评估方法ROC曲线AUC、决策曲线分析DCA、校准曲线可解释性工具Grad-CAM热力图。02研究背景及目的研究背景乳腺癌是全球女性最常见的恶性肿瘤也是癌症相关死亡的主要原因。新辅助治疗已成为当前乳腺癌系统治疗的关键组成部分而实现病理完全缓解不仅是手术降级如保乳手术替代乳房切除的关键前提更是一个经验证的替代终点能显著预测患者长期生存的改善。然而尽管具有重要临床价值仅有约19-30%的患者能够达到病理完全缓解凸显了早期预测治疗反应的紧迫性以便及时调整治疗方案、改善患者结局。现有预测方法存在明显局限基于血液或组织活检的生物标志物具有侵入性、成本高且缺乏大规模验证传统的动态对比增强磁共振成像分析则准确性不足。近年来基于单时间点医学影像的深度学习模型展现出潜力但未能充分利用治疗过程中肿瘤生物学与形态学的动态演变信息。纵向影像数据虽能捕捉这些时序变化但现有分析方法多依赖固定时间点的简单特征拼接难以有效建模复杂的肿瘤演进模式且对临床实践中多变的扫描间隔适应性差。因此迫切需要一种能够灵活、鲁棒地分析纵向影像数据的新方法以克服现有技术的不足实现更早期、更准确的病理完全缓解预测从而指导个体化的临床决策。研究目的本研究旨在开发并验证一个新颖的、基于自监督时序学习的深度学习框架用于早期预测乳腺癌患者在新辅助治疗后的病理完全缓解状态。该框架的核心目标是克服现有单时间点模型无法捕捉治疗动态变化以及传统纵向分析方法对固定扫描间隔和简单特征拼接依赖的局限性。具体而言研究试图通过构建名为BSTNet的模型利用治疗前及治疗期间多个时间点的纵向MRI数据自主学习肿瘤在治疗过程中的时序演变特征。研究目的包括验证该模型在预测病理完全缓解方面的判别性能与泛化能力在一个包含1339名患者的多中心回顾性队列中进行内部与外部验证评估其在不同分子亚型和不同扫描时间间隔下的性能稳定性并通过与临床模型、放射组学模型、单时间点深度学习模型以及无自监督的时序模型进行比较系统证明其优越性。最终本研究希望提供一个强大、实用且可解释的工具能够适应多变的临床影像采集协议辅助临床医生早期识别可能无法达到病理完全缓解的患者从而为及时调整治疗策略、避免无效治疗及减少相关毒性提供依据推动乳腺癌个性化治疗的发展。03数据和方法研究数据数据来源3个独立多中心队列共1339例患者、3928次MRI扫描。训练集内部验证集来自I-SPY2试验Center 12010-2016529例训练集pCR率34.0%、133例内部验证集pCR率33.8%。外部验证集1Center 2广东省人民医院381例pCR率35.2%2015年3月-2022年9月。外部验证集2Center 3云南肿瘤医院296例pCR率34.1%2020年4月-2021年11月。纳入标准病理确诊浸润性乳腺癌、NAT后接受手术、具有治疗前及1-4周期治疗后MRI扫描、术后病理评估pCR状态。关键变量患者年龄、激素受体HR状态、人表皮生长因子受体2HER2状态、Ki-67指数、肿瘤分期等临床病理特征纵向DCE-MRI影像数据1.5T或3.0T扫描仪峰值强化期图像。终点定义pCR定义为乳腺及腋窝淋巴结无浸润性肿瘤细胞ypT0/N0或ypTis/N0。技术方法影像预处理半自动化肿瘤分割nnU-Net模型放射科医生手动调整ICC0.952DSC0.944。图像重采样、肿瘤中心化3D感兴趣区VOI提取、z-score强度归一化。模型构建BSTNet核心架构3D ResNet18 CNN空间特征提取多头自注意力机制MHSA长短期记忆网络LSTM时间特征建模。自监督预训练通过662例患者的3-4个时间点序列T0治疗前T11周期后T24周期后T3术前生成2648个增强样本原始序列随机排列序列学习时间依赖关系。监督微调冻结编码器层优化时间处理模块和分类层采用加权交叉熵损失函数。对比模型临床模型基于多变量逻辑回归、放射组学模型预处理与末次影像差异特征、单扫描深度学习模型仅用术前或1-4周期影像、无自监督学习的多时间点模型No-SSL。评估指标主要指标为受试者工作特征曲线下面积AUC次要指标包括准确率、灵敏度、特异度、阳性预测值PPV、阴性预测值NPV校准曲线、决策曲线分析DCA评估临床效用Grad-CAM可视化模型可解释性。统计分析Shapiro-Wilk正态性检验、t检验/秩和检验、卡方检验、多变量逻辑回归、DeLong检验模型AUC比较、1000次bootstrap抽样计算95%CIP0.05为差异有统计学意义。图 6BSTNet的架构与模型训练流程架构组件空间特征提取3D ResNet18 CNN骨干网络对每个时间点的MRI扫描图独立处理生成256维特征向量。时间特征建模集成多头自注意力机制MHSA8头和长短期记忆网络LSTM捕捉多时间点间的动态依赖关系。分类输出全连接层256神经元二分类输出层pCR/Non-pCR损失函数为二元交叉熵。训练流程两阶段自监督预训练利用662例患者的3-4个时间点序列T0治疗前T11周期后T24周期后T3术前通过“时间序列置换”生成2648个增强样本1个原始序列3个随机排列序列让模型学习时间逻辑关系无需额外标注。监督微调冻结CNN编码器层仅更新时间处理模块和分类层采用加权交叉熵损失函数适配pCR预测任务对缺失时间点数据采用零填充处理保证输入结构一致性。04实验结果①模型性能BSTNet表现优异内部验证AUC0.88295% CI0.816-0.948外部验证Center 2 AUC0.85795% CI0.819-0.895Center 3 AUC0.85495% CI0.802-0.906。显著优于对比模型在外部验证中BSTNet AUC显著高于No-SSL0.783/0.759、放射组学模型0.602/0.710、临床模型0.705/0.733及单扫描模型0.643/0.613P0.05。②亚组与稳定性分子亚型一致性HR±、HER2±亚组AUC分别为0.827-0.886、0.818-0.895无显著差异。扫描时间点适应性Center 2中1-4周期扫描AUC0.841-0.893稳定Center 3中4周期扫描AUC达0.970最优。非pCR识别能力内部验证特异度86.4%Center 274.5%Center 385.1%。③临床效用决策曲线分析显示在0.3-0.7阈值概率范围内BSTNet在外部验证队列中的净获益显著高于其他模型优于“治疗所有患者”或“不治疗任何患者”的基线策略。④可解释性Grad-CAM可视化显示pCR患者治疗后激活集中于肿瘤核心区与同心收缩模式相关非pCR患者激活集中于肿瘤周边区与非同心收缩模式相关。图 1不同模型在内部及外部验证队列中的ROC曲线与AUC值对比展示了BSTNet与4种基准模型临床模型、放射组学模型、单扫描深度学习模型、无自监督学习的多时间点模型No-SSL的预测性能差异以AUC受试者工作特征曲线下面积为核心指标。图 2不同模型的综合性能雷达图与决策曲线分析DCA图 3BSTNet的混淆矩阵与校准曲线图 4BSTNet的Grad-CAM可视化模型可解释性通过热力图展示模型预测时关注的MRI区域揭示pCR与Non-pCR患者的肿瘤影像特征差异。05研究结论本研究成功开发了一种基于纵向MRI的自监督时序深度学习模型BSTNet用于早期预测乳腺癌新辅助治疗后的病理完全缓解pCR。该模型在包含1339例患者的多中心回顾性队列中表现出优异且稳定的预测性能内部验证AUC为0.882外部验证AUC分别为0.857和0.854。BSTNet在不同分子亚型HR/HR-、HER2/HER2-中均保持一致的预测能力且对非pCR患者具有较高的特异性内部验证86.4%外部验证74.5%和85.1%有助于临床早期识别治疗反应不佳的患者并调整策略。与单时间点模型、影像组学模型及无自监督的时序模型相比BSTNet显著优于现有方法尤其擅长捕捉治疗过程中肿瘤的动态变化并具备良好的跨中心泛化能力。该研究为乳腺癌个体化治疗提供了一种稳健、可解释且临床适用性强的AI辅助决策工具但其临床效用仍需前瞻性研究进一步验证。参考文献Huang X, Xu Z, Zhao Y, Wang Y, Liu Y, Hu W, Zhao K, Yao L, He J, Yu Y, Deng T, Wu L, Zhang W, Liang C, Liu Z. Longitudinal MRI-based deep learning model for predicting pathological complete response in breast cancer: a multicenter, retrospective cohort study. NPJ Precis Oncol. 2026 Jan 5. doi: 10.1038/s41698-025-01256-2.