01文献学习今天分享的文献是由重庆大学附属肿瘤医院张久权教授等团队于12月12日在肿瘤学顶刊《npj Precision Oncology》中科院1区topIF8上发表的研究“Fractal analysis of longitudinal MRI for predicting response to neoadjuvant chemotherapy in breast cancer”即基于纵向MRI的分形分析预测乳腺癌新辅助化疗反应该研究基于911例乳腺癌患者的治疗前T0和治疗早期T1的动态对比增强MRIDCE-MRI图像采用3D分形分析提取分形维度FD和分形丰度FA计算纵向变化值delta FDT1-T0delta FAT1-T0。结合临床病理变构建列线图用于早期预测新辅助化疗后的病理完全缓解pCR。在3个独立验证队列中列线图的预测性能AUC达0.781-0.807显著优于仅含临床变量的模型。同时通过转录组分析发现分形特征与肿瘤免疫微环境如NK细胞、CD4T细胞浸润显著相关为无创预测治疗反应提供了新方法。创新点①三维纵向分形分析采用三维分形特征量化肿瘤空间复杂性结合治疗前后动态变化突破传统二维形态学局限。②影像‑免疫关联探索首次揭示分形特征变化与肿瘤免疫微环境如NK细胞、CD4T细胞浸润的生物学关联。③无监督特征提取模型基于信号加权盒计数法自动提取分形特征避免人工依赖与高维筛选提升可解释性。临床价值①早期疗效预测工具构建融合分形特征与临床变量的列线图可早期、无创预测病理完全缓解辅助临床决策。②个体化治疗支持通过动态分形变化评估治疗反应有助于识别无效治疗患者避免过度治疗与毒副作用。图 2研究工作流程图模块A队列划分三个机构的数据分为训练集、内部验证集、两个外部验证集额外从I-SPY2试验提取基因组队列。关键时间点预处理T0NAC前、早期治疗T1Institution 1/2为NAC 1-2周期后I-SPY2为3周期后术后评估pCR状态。模块B分形分析实施对T0和T1时间点的DCE-MRI图像进行肿瘤分割后提取分形维度FD和分形丰度FA。模块C子任务ⅠpCR预测模型基于纵向分形特征deltaFD、deltaFA开发模型通过训练集构建、验证集验证评估预测性能。模块D子任务Ⅱ生物学解释利用基因组队列的RNA测序数据分析分形特征与差异表达基因DEGs、免疫通路及免疫细胞浸润的关联。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之一。新辅助化疗NAC已成为局部晚期乳腺癌的标准治疗手段旨在术前缩小肿瘤使部分达到病理完全缓解pCR的患者有机会接受保乳手术或避免手术。然而由于乳腺癌具有高度异质性约70%的患者无法在NAC后达到pCR这意味着大量患者承受了化疗的毒副作用却未能获得理想的疗效。因此在治疗早期、准确地预测pCR尤其是识别无应答者对于避免不必要的治疗毒性、优化临床决策具有重要意义。目前磁共振成像MRI是监测NAC期间肿瘤变化的主要无创工具但传统的形态学特征如体积、最大径依赖人工测量存在观察者间差异且难以捕捉肿瘤内部复杂的空间结构模式。分形分析作为一种基于尺度不变性的数学方法能够定量评估结构的复杂性和空间分布模式其参数分形维数FD和分形丰度FA分别反映了肿瘤边界的形态复杂性和内部信号的聚集密度在预测治疗反应方面已显示出潜力。然而既往研究多局限于单时间点分析且缺乏对其生物学意义的深入探索。基于纵向影像的动态监测已被证明能更早、更有效地预测疗效因此探索基于纵向MRI的分形特征变化及其与肿瘤免疫微环境的关联有望为早期预测NAC反应提供新型、客观且具有生物学解释性的影像学生物标志物。研究目的本研究旨在系统评估基于纵向MRI的分形分析在预测乳腺癌新辅助化疗NAC病理完全缓解pCR中的临床价值并深入探索其背后的生物学基础。研究具体分为两个核心子任务第一是开发并验证一个利用纵向分形特征早期预测pCR的模型。研究将计算患者治疗前Pre-NAC和早期治疗Early-NAC两个时间点的分形维数FD和分形丰度FA并重点关注其动态变化值Delta FD 和 Delta FA。通过整合这些Delta分形特征与临床病理变量如激素受体HR和人表皮生长因子受体2 HER2状态构建并在一项内部验证和两项外部验证队列中测试一个预测列线图Nomogram以评估其预测性能、校准度和临床实用性。第二是阐明早期分形特征变化的生物学意义。研究将在一个独立的基因组学队列中利用RNA测序数据通过差异表达基因分析、基因集富集分析和免疫细胞浸润分析探究Delta FD和Delta FA与肿瘤免疫微环境特征特别是特定免疫细胞亚群浸润及相关信号通路之间的关联。最终本研究期望不仅提供一个高精度的、无创的早期疗效预测工具更从肿瘤免疫生物学角度为分形影像特征提供机制层面的解释推动影像学生物标志物向可解释、与生物学功能关联的方向发展。03数据和方法研究数据1队列构成预测队列共911例女性乳腺癌患者中位年龄49岁IQR43-55岁来自3个机构训练集320例重庆大学附属肿瘤医院内部验证集78例重庆大学附属肿瘤医院外部验证集1129例陆军军医大学西南医院外部验证集2384例I-SPY2临床试验来自The Cancer Imaging Archive基因组队列383例来自I-SPY2试验排除缺失RNA测序数据的1例患者用于生物学机制探索。2关键基线特征pCR率训练集25.0%、内部验证集23.1%、外部验证集1 21.7%、外部验证集2 29.4%。队列间差异HER2状态和分子亚型在4个队列中存在显著差异均P0.05其他特征年龄、绝经状态、HR状态等无显著差异。图 1纳入与排除流程图技术方法1MRI 采集与预处理扫描方式DCE-MRI静脉注射钆对比剂提取肿瘤峰值强化相图像。预处理N4偏置场校正、B样条插值重采样各向同性体素大小1×1×1 mm。2肿瘤分割半自动化分割 人工修正2名具有5-6年乳腺MRI经验的放射科医生由9年经验的资深医生最终审核。仅分析最大病灶分割区域包含肿瘤增强区、坏死区、钙化区等全部成分。3分形特征提取采用3D信号加权盒计数法通过不同边长L2-肿瘤最短轴25%步长2像素的立方体网格覆盖肿瘤区域计算分形维度FD反映肿瘤边界的几何复杂性值越高边界越不规则。分形丰度FA即公式中的系数K反映肿瘤内部信号的聚集度和空间填充能力值越高局部信号分布越密集。纵向特征delta FDT1-T0、delta FAT1-T0。4模型构建与验证构建7类模型4类单时间点模型T0/T1的FD/FA、2类delta模型delta FD/FA、1类联合delta模型delta FDdelta FA。列线图整合独立预测因子HR 状态、HER2状态、delta FD、delta FA构建。验证指标AUC受试者工作特征曲线下面积、校准曲线Hosmer-Lemeshow 检验、决策曲线净临床获益。5转录组分析分组基于训练集确定的阈值delta FD-0.209为低危组delta FA-1.384为低危组将基因组队列分为高低危组。分析方法差异表达基因DEGs筛选、基因集富集分析GSEA、CIBERSORT 免疫细胞浸润量化。04实验结果特征可重复性: FD和FA的测量具有良好的可重复性和观察者间一致性ICC 0.85。纵向变化: 从NAC前到NAC早期FD和FA均显著下降。与non-pCR组相比pCR组的delta FD和delta FA值更低即下降更明显。预测性能:早期时间点T1的特征优于治疗前T0特征。delta特征模型delta FD delta FA表现出最佳且稳定的预测性能在三个验证队列中的AUC范围为0.732 - 0.752。多变量分析显示HR状态、HER2状态、delta FD和delta FA是pCR的独立预测因子。整合了上述四个独立预测因子的列线图模型性能显著优于仅含临床变量的模型在验证队列中的AUC高达0.781 - 0.807。生物学关联:delta FD低风险组delta FD -0.209富集了自然杀伤细胞介导的细胞毒性等免疫相关通路并显示出活化NK细胞浸润水平更高。delta FA低风险组delta FA -1.384富集了NOD样受体信号通路等其初始CD4 T细胞浸润水平显著升高。图 3不同队列中pCR预测模型的ROC曲线比较7类模型4个单时间点模型、2个delta模型、1个联合delta模型在各队列中的预测性能。图 4临床模型与列线图的ROC曲线对比验证“分形特征临床变量”构建的列线图是否优于仅含临床变量的模型。图 5分形特征与列线图的临床应用示例通过两个真实患者案例直观展示模型的临床应用价值。患者ApCR阳性患者BpCR阴性图 6与 delta FD、delta FA相关的转录组分析通过转录组分析delta FD/FA低危组富集免疫相关通路分别与激活NK细胞、初始CD4T细胞浸润相关揭示生物学基础。第一组delta FD相关分析子图 A-C第二组delta FA相关分析子图 D-F05研究结论本研究通过分析911例乳腺癌患者的纵向MRI数据发现基于分数维分析Fractal Analysis的纵向特征——特别是ΔFD分数维变化和ΔFA分数维丰度变化——可作为预测新辅助化疗病理完全缓解pCR的有效非侵入性影像生物标志物。研究构建并验证了一个整合ΔFD、ΔFA与临床病理变量HR与HER2状态的列线图模型在三个独立验证队列中展现出稳定的高预测性能AUC 0.781–0.807显著优于仅依赖临床变量的模型。此外转录组学分析进一步揭示ΔFD与ΔFA分别与肿瘤免疫微环境中激活的NK细胞和初始CD4 T细胞浸润水平相关提示这些影像特征可能反映肿瘤的免疫状态从而为治疗反应提供了潜在的生物学解释。尽管研究为回顾性且存在一定局限但其结果表明纵向分数维分析在早期识别化疗应答者方面具有重要临床潜力并为个体化治疗决策提供了新的影像学依据。参考文献Huang Y, Gong H, Hu W, Ren H, Cao Y, Lan X, Chen H, Wang L, Wang X, Zhang J. Fractal analysis of longitudinal MRI for predicting response to neoadjuvant chemotherapy in breast cancer. NPJ Precis Oncol. 2025 Dec 12. doi: 10.1038/s41698-025-01220-0.