共计 560 个字符，预计需要花费 2 分钟才能阅读完成。
乳腺癌是全球女性中最常见的恶性肿瘤，其分子亚型（如 Luminal A/B、HER2 富集型和三阴性）已成为临床决策的关键依据。基于雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体 2（HER2）和 Ki-67 表达谱的分类系统不仅能够预测肿瘤的生物学行为，还能指导靶向治疗、内分泌治疗和化疗的选择。然而，传统的组织活检存在采样偏差和无法监测时空异质性等局限性，导致 18%–32% 的病例因标本质量不足或多灶性病变而出现误分类。
动态对比增强磁共振成像（DCE-MRI）通过定量分析对比剂动力学，能够无创评估肿瘤微血管通透性（K_trans）和细胞外体积分数（V_e）。多参数 MRI 中的其他序列（如 T2 加权 MRI 和扩散加权成像（DWI））则提供了补充信息：T2 加权 MRI 识别瘤周水肿（肿瘤侵袭性的关键指标），DWI 量化表观扩散系数（ADC）值（反映肿瘤细胞密度和坏死情况）。多参数 MRI 的高时空分辨率（层厚 ≤1 mm，DCE-MRI 时间分辨率 ≤10 秒）有助于全面可视化肿瘤内异质性，为分子亚型分型提供功能成像基础。最近的研究表明，DCE-MRI 参数与 HER2 过表达之间存在显著相关性（r=0.68, p<0.001），而 ADC 值（来自 DWI）与三阴性乳腺癌（TNBC）诊断之间也存在显著相关性（结合纹理特征时 AUC=0.91）。
- 
- 
- 
放射组学通过从多参数 MRI 数据中高通量提取形态、纹理和高阶小波特征，揭示了肿瘤表型与分子通路之间的复杂关联。形态特征（如球形度、分叶指数和边缘增强指数）区分肿瘤形状特征：恶性病变通常呈现不规则形状、高分叶指数（>0.5）和边缘增强（尤其在 TNBC 中，边缘增强指数 >0.35 时达到 94% 的阳性预测值），而良性病变通常具有光滑边缘、低分叶指数（<0.3）和均匀增强。纹理特征（来自灰度共生矩阵（GLCM）、灰度依赖矩阵（GLDM）等）捕捉肿瘤内信号异质性：恶性病变显示出更高的熵值（表明组织结构紊乱，例如 PR 阴性肿瘤中 GLCM_Entropy=5.1±0.8）和更低的相关性（反映信号分布不均匀），而良性病变则表现出更低的熵值（例如 GLCM_Entropy<4.0）和更高的相关性（均匀信号）。基于机器学习的预测模型（例如 LASSO-SVM 集成框架）在分子亚型区分中表现出优越的诊断性能（AUC：0.82–0.91），优于单一成像特征分析。新出现的证据表明，多参数 MRI 结合放射组学构建的放射基因组图谱能够预测 EGFR/PI3K-AKT 信号通路活性（Spearman’s ρ=0.73）。
本综述系统阐述了多参数 MRI（包括 DCE-MRI）结合放射组学在乳腺癌分子亚型分型中的方法学创新、详细临床验证进展和转化价值。重点关注多模态数据融合和增强模型可解释性的关键技术突破，旨在推进精准影像引导的治疗策略。
