📌 期刊名称：QIMS.
📌 影响因子（2023）: 2.9 (2区Q2)
文章标题：A prediction model based on dual-layer spectral detector computed tomography for distinguishing nonluminal from luminal invasive breast cancer
研究机构： Xiangya School of Medicine(湖南省肿瘤）
作者：Jun Liu#, Lanlan Wang#, Zhaodong Ai, Lian Jian, Ming Yang, Siye Liu, Xiaoping Yu
发表日期： 2024 Nov 11
📖 阅读链接：https://qims.amegroups.org/article/view/130863/html
🔍 背景：浸润性乳腺癌根据分子亚型可分为腔型（包括腔A和腔B亚型）和非腔型（包括HER2富集和三阴性亚型）。腔型乳腺癌恶性程度较低，对内分泌治疗敏感；而非腔型乳腺癌更具侵袭性，复发率高，预后较差。当前亚型的诊断依赖于免疫组化，但这是一种侵入性方法，且分子特征可能随时间和治疗而改变。研究探索基于影像学技术的无创方法来预测乳腺癌亚型具有重要临床意义。
📄 摘要
目的：本研究旨在利用双层探测器光谱CT（DLCT）的定量参数，构建一个预测腔型与非腔型乳腺癌分子亚型的列线图模型，并验证其诊断效能。
方法：回顾性纳入220例确诊为浸润性乳腺癌的患者，分为腔型（143例）和非腔型（77例）。排除特定类型（如粘液腺癌）、近期活检患者及接受过新辅助治疗者。均使用DLCT进行增强扫描，生成虚拟单能量图像（40 keV和70 keV）、碘浓度（IC）、有效原子数（Zeff）等参数。定量参数包括虚拟单能量HU值（HUVMI40）、标准化碘浓度（nIC）及光谱曲线斜率（λHU）、非增强HU值和电子密度等。单变量和多变量回归分析筛选独立预测因子。基于多变量分析结果构建列线图预测模型，使用ROC曲线和校准曲线评估模型的诊断效能。
统计学：（难度☆☆☆☆）
1.使用 R 软件（版本 3.5.1）和 SPSS 20 进行统计分析。这些软件提供了数据处理、统计建模和图形展示的工具。
2.Kolmogorov-Smirnov检验：用于评估连续变量的正态性分布。
3.独立样本 t 检验：比较正态分布的连续变量在两组独立样本之间的均值差异（如DLCT 参数在腔型和非腔型之间的比较）,结果以均值 ± 标准差（SD）表示。
4.Mann-Whitney U 检验：t 检验的非参数替代方法，用于分析不符合正态分布的连续变量。它比较两组独立样本的中位数，结果以中位数和四分位距（IQR）表示。
5.受试者工作特征（ROC）曲线分析：用于评估 DLCT 参数在区分腔型和非腔型类型中的诊断性能。ROC 曲线绘制了不同阈值设置下的真阳性率与假阳性率。
6.Youden 指数：用于从 ROC 曲线中确定最佳阈值（临界值）。通过最大化真阳性率和假阳性率之差，提高诊断的有效性。
7.单变量和多变量回归分析：进行单变量和多变量回归分析，识别区分这两种类型的显著 DLCT 参数。单变量分析单独检查每个变量，多变量分析同时考虑多个变量。计算风险比（HR）以量化影响大小。
8.列线图预测模型：基于多变量回归分析的结果，建立列线图——一种预测模型的图形表示，用于预测某一结果（如疾病类型）的概率。
9.通过 ROC 曲线评估预测效能：使用 ROC 曲线评估列线图模型的性能，确定模型在区分不同结果方面的判别能力。
10.校准曲线和Hosmer-Lemeshow 拟合优度检验：校准曲线用于评估模型预测概率与实际观察结果之间的一致性。Hosmer-Lemeshow 检验评估列线图的拟合优度，确定模型对数据的适配程度。
11.10 倍交叉验证：一种内部验证方法，用于评估列线图模型的稳定性和可靠性。将数据集分为十个子集，模型在九个子集上训练，在剩余一个子集上测试，重复十次。
12.双侧 P 值 < 0.05：统计显著性水平设定为 P 值小于 0.05。双侧检验考虑了关系的两个方向，若P值满足此标准，则结果被视为具有统计学显著性。
结果：非腔型乳腺癌患者的HUVMI40、nIC、λHU等值显著高于腔型（P < 0.001）。其他参数如非增强HU值和电子密度未见显著差异（P > 0.05）。多变量回归分析确定CT报告的淋巴结转移状态（HR=4.214，P < 0.001）、HUVMI40（HR=2.628，P=0.012）和nIC（HR=2.182，P=0.041）为独立预测因子。列线图模型的AUC为0.754，灵敏度和特异性分别为74.0%和57.3%。使用10折交叉验证，模型的平均AUC为0.75。
讨论：
1.DLCT参数的临床价值：HUVMI40和nIC反映肿瘤的血流供应和微血管密度，非腔型乳腺癌表现为更高的血流增强。λHU反映肿瘤组织的光谱特性，可用于区分恶性程度。
2.模型优势：与MRI相比，DLCT提供了一种高效、经济的乳腺癌分子亚型预测方法。
结论：基于DLCT定量参数的列线图模型可无创预测乳腺癌的腔型和非腔型分子亚型，为个体化治疗提供了支持。
新发现与创新点:1.结合DLCT参数和CT报告特征，构建了区分乳腺癌分子亚型的预测模型。2.提供了一种适用于术前检查的无创影像学解决方案。
意义:本研究成果提高了腔型和非腔型乳腺癌的早期诊断准确性，建立的模型可指导乳腺癌患者术前治疗决策，包括选择内分泌治疗或化疗方案。
进一步研究建议:1.建议在多中心大样本研究中验证模型的适用性。2.探讨DLCT参数在其他肿瘤分型中的应用潜力。
A: 40keV图像
B: 虚拟平扫
C: 有效原子序数图
D: 碘密度图
E: 电子密度图
F: 光谱曲线斜率
(Patitent1为腔型，Patitent1为非腔型）
💡 Test：本研究中，非腔型乳腺癌的独立预测因子不包括以下哪项？
A. HUVMI40
B. nIC
C. λHU
D. 淋巴结转移状态
参考文献(两日内回复文章标题获取原文）：
LIU, J., WANG, L., AI, Z., JIAN, L., YANG, M., LIU, S. & YU, X. (2024), "A prediction model based on dual-layer spectral detector computed tomography for distinguishing nonluminal from luminal invasive breast cancer", Quantitative Imaging in Medicine and Surgery2024,.
不再声明原创声明：为了严格遵守平台规定，本系列内容将不再声明原创（原作者投稿除外）。我们坚信，与广大的读者共同提高、共同进步，才是我们坚持不懈地制作高质量内容的主要动力和核心原因。我们希望通过这个平台，与大家分享知识、交换见解，共同成长，而不仅仅是追求原创带来的收益。感谢每一位读者的支持和理解，我们将继续努力，为您带来更多有价值的内容。
👉 想了解更多？请访问期刊官网阅读全文或回复文章标题直接获取全文。
欢迎交流和讨论，期待您的留言！#最新文献 #科研前沿 #见刊时刻
