《Frontiers in Oncology》：Enhanced differentiation of breast lesions through integration of microvascular flow imaging and machine learning algorithms
编辑推荐：
摘要引言：乳腺癌诊断依赖于影像学，但传统多普勒超声在可视化肿瘤微血管方面存在局限性。本研究旨在比较微血管流动成像（MV-Flow）与彩色多普勒血流成像（CDFI），并评估整合MV-Flow参数的机器学习（ML）框架用于鉴别乳腺病变。方法：在这项前瞻性研究中，来
摘要引言：乳腺癌诊断依赖于影像学，但传统多普勒超声在可视化肿瘤微血管方面存在局限性。本研究旨在比较微血管流动成像（MV-Flow）与彩色多普勒血流成像（CDFI），并评估整合MV-Flow参数的机器学习（ML）框架用于鉴别乳腺病变。方法：在这项前瞻性研究中，来自79名患者的101个乳腺病变接受了灰阶超声、CDFI和MV-Flow检查。获得了Adler分级和定量血管指数（VI）。基于六个特征（年龄、大小、CDFI/MV-Flow Adler分级、VI、BI-RADS），训练了八个ML模型（80%数据）并测试（20%数据）。评估了模型性能，并通过SHAP分析确定了关键预测因子。结果：MV-Flow显示出优越的灵敏度，检测到CDFI漏诊的16个病变中的血流，并显示出显著更高的观察者间一致性（加权Kappa=0.68 vs. CDFI的0.51）。恶性病变的中位VI显著高于良性病变（20.25 vs. 3.10, P<0.001）。MV-Flow Adler分级、单独VI及其组合的诊断AUC分别为0.874、0.823和0.888。在基于六个临床和超声特征训练的八个ML模型中，K-最近邻（K-Nearest Neighbors, KNN）模型在独立测试集上取得了最佳性能，准确率为0.927，F1分数为0.947。SHAP分析确定了BI-RADS分类和患者年龄为模型中最重要的预测特征。结论：MV-Flow在描绘乳腺肿瘤微血管方面优于CDFI。整合MV-Flow参数的ML模型可以优化诊断准确性，为临床决策支持提供客观工具。
以下是根据论文主体内容撰写的解读文章：
乳腺癌作为全球女性发病率最高的恶性肿瘤，其早期诊断对改善预后至关重要。超声检查因其无辐射、实时成像及对致密型乳腺的高敏感性，已成为一线筛查和诊断工具。然而，传统彩色多普勒血流成像（Color Doppler Flow Imaging, CDFI）由于技术限制，仅能显示直径>0.2 mm且流速相对较高的血管，无法准确反映肿瘤内复杂的微循环网络。微血管流动成像（Microvascular Flow Imaging, MV-Flow）作为一种新型超声多普勒技术，具有更高的灵敏度和空间分辨率，能够检测低速微血流并抑制杂波伪影，同时提供定量血管指数（Vascular Index, VI）。此外，乳腺影像报告和数据系统（Breast Imaging Reporting and Data System, BI-RADS）评估主要依赖半定量的Adler分级，存在主观性强、观察者间一致性低的问题。目前，如何最优整合MV-Flow提供的丰富定量血管信息与临床及常规超声参数，以最大化诊断性能，仍是关键知识空白。同时，机器学习（Machine Learning, ML）模型在融合多模态特征实现客观准确鉴别方面展现出巨大潜力。因此，研究人员开展了一项前瞻性研究，系统比较MV-Flow与CDFI在显示乳腺肿瘤微血管结构中的诊断效用，并构建多种ML模型探索最优整合策略，旨在建立更客观、准确、可重复的诊断框架。该论文发表在《Frontiers in Oncology》。
研究人员为开展研究采用的主要关键技术和样本队列来源包括：基于三星Medison R10超声系统（LA2-14A线性探头，2–14 MHz）对79例患者（共101个乳腺病变）进行连续前瞻性入组；使用Adler半定量分级系统由两名独立放射科医师对CDFI和MV-Flow图像进行分级，并通过MV-Flow模式手动勾画感兴趣区（Region of Interest, ROI）计算定量VI；基于六个特征（年龄、肿瘤最大径、CDFI衍生Adler分级、MV-Flow衍生Adler分级、VI、BI-RADS分类）构建八种ML模型（逻辑回归、支持向量机、K-最近邻、随机森林、XGBoost、朴素贝叶斯、决策树、神经网络），采用80%数据训练、20%数据独立测试；通过SHAP（SHapley Additive exPlanations）进行模型可解释性分析。
研究结果如下：
3.1 人口统计学与临床特征：共纳入79名女性患者（年龄19–84岁，平均44.49±14.29岁）的101个靶病变，其中44个经病理证实（恶性20个，良性24个），57个基于12个月影像随访无显著形态学改变判定为良性。恶性病变患者平均年龄显著高于良性病变（57.15±12.95 vs. 39.49±11.78, P<0.001）。
3.2 靶病变的超声特征与结果：MV-Flow在16个CDFI未检测到血流的病变中检出血流信号。MV-Flow的Adler分级观察者间一致性（加权Kappa=0.68）显著高于CDFI（0.51）。恶性病变的中位VI为20.25（范围1.0–60.6），显著高于良性病变的3.10（0.0–44.5）（P<0.001）。最终BI-RADS分类分布：BI-RADS 3（66个）、4A（13个）、4B（12个）、4C（10个）。
3.3 MV-Flow衍生Adler分级和VI单独及联合鉴别乳腺良恶性病变的诊断效能：以Adler I级为截断值时，MV-Flow衍生Adler分级的曲线下面积（Area Under the Curve, AUC）为0.874，敏感性95.0%，特异性70.4%。VI以15.8为截断值时，AUC为0.823，敏感性65.0%，特异性87.7%。两者联合应用的AUC为0.888，敏感性95.0%，特异性71.6%。
3.4 患者基线特征与变量分布：密度曲线显示恶性组年龄轻微右移，肿瘤大小在高值区间分布更广，VI在恶性组呈显著右移且峰值集中在高值区间，表明恶性肿瘤新生血管更丰富且杂乱。良性组与恶性组在BI-RADS分类分布上呈现分层差异。
3.5 超声特征与乳腺肿瘤恶性的相关性分析：CDFI衍生Adler分级与MV-Flow衍生Adler分级呈强正相关（r=0.84）；BI-RADS分类与VI呈中等正相关（r=0.63）；肿瘤大小与CDFI衍生Adler分级（r=0.67）、MV-Flow衍生Adler分级（r=0.58）、VI（r=0.40）及BI-RADS分类（r=0.52）均呈正相关；年龄除与BI-RADS分类外，与其余变量相关性弱（r<0.20）。
3.6 基于超声特征的模型诊断性能评估与比较：在训练集中多数模型性能接近1.0，但测试集中出现分化。K-最近邻（KNN）模型在独立测试集上表现最优，准确率0.927，F1分数0.947。支持向量机（SVM）和神经网络也取得较好结果，而随机森林和逻辑回归相对较低。KNN模型在判别能力与泛化能力间达到最佳平衡。
3.7 模型可解释性分析：SHAP特征重要性排序显示BI-RADS分类全局重要性最高，其次是患者年龄，VI全局重要性最低。SHAP摘要图表明，较高的BI-RADS类别（红色点）驱动模型预测恶性，年龄增大也倾向恶性预测，肿瘤尺寸增大增加恶性概率。VI的低值（蓝色点）主要与良性预测关联，高值（红色点）贡献方向相对分散。
讨论部分总结：MV-Flow在检测微血管灌注方面灵敏度显著优于CDFI，提高了观察者间一致性（加权Kappa从0.51升至0.68）。尽管MV-Flow衍生Adler分级诊断特异度较低（70.4%），但联合定量VI后AUC提升至0.888，敏感性达95.0%，避免了单纯VI低灵敏度（65.0%）导致的漏诊风险。ML模型整合多参数后，KNN模型在测试集上准确率0.927，F1分数0.947，超越单项及简单联合参数。SHAP分析验证了模型决策逻辑与临床指南高度一致（BI-RADS和年龄为主要驱动因素），增强了模型可靠性。本研究存在局限性：单中心、恶性样本量较小（n=20）、部分良性病变依赖随访而非病理、超声特征提取仍具主观性、未采用患者级数据划分等。
研究结论：本研究不仅进一步证实了MV-Flow技术在评估乳腺肿瘤血管分布中的显著优势，而且创新性展示了ML模型在整合多参数超声数据以实现准确鉴别诊断中的巨大潜力和临床转化价值。先进血管成像技术与可解释人工智能算法的结合，有望发展成可靠的智能工具，辅助超声医师进行临床决策。这种“成像技术+人工智能”创新模式有望显著提高诊断的客观性、效率和准确性，优化临床诊疗路径，最终惠及广大患者。
