目的：本研究的主要目标是开发并验证基于动态增强磁共振成像（DCE-MRI）的影像组学特征，以预测HER2低表达乳腺癌患者对新辅助化疗（NAC）的病理完全缓解（pCR）。在乳腺癌治疗中，pCR是指肿瘤在接受NAC后达到的完全消退状态，即手术标本中没有检测到残留的癌细胞。pCR不仅与患者的良好预后密切相关，还可以为后续治疗提供重要的指导。然而，HER2低表达乳腺癌患者对NAC的反应存在较大的异质性，如何在治疗前有效预测pCR的发生，对于优化治疗策略、减少不必要的治疗副作用具有重要的临床意义。基于此，本研究旨在利用影像组学技术，通过对DCE-MRI影像数据的深入分析，建立一个能够预测HER2低表达乳腺癌患者对NAC反应的非侵入性工具。

方法与材料：本研究回顾性纳入了2016年1月至2023年12月期间，在我院确诊并接受NAC的HER2低表达乳腺癌患者共114例。这些患者均通过免疫组化（IHC）检测确定为HER2低表达（IHC 1+或2+，且FISH阴性）。为了验证模型的稳定性和推广性，患者按8:2的比例随机分为训练集（n=91）和验证集（n=23）。研究中，所有患者均接受了标准的DCE-MRI检查，并且影像数据通过专门的软件平台进行处理和分析。我们从DCE-MRI图像中提取了多种影像组学特征，包括肿瘤的形状特征、纹理特征以及增强模式等。同时，我们还收集了患者的临床病理学特征，如年龄、肿瘤大小、淋巴结状态、雌激素受体（ER）和孕激素受体（PR）状态等。为了筛选出具有最强预测力的影像组学特征，我们采用了LASSO回归模型。LASSO回归通过引入惩罚项来缩小不重要的回归系数，从而实现特征选择。最终，将选定的影像组学特征与临床病理特征相结合，使用多变量逻辑回归分析构建了一个预测pCR的列线图模型。模型的预测性能通过受试者工作特征（ROC）曲线下面积（AUC）、准确性、敏感性和特异性进行评估。

结果：我们的研究结果显示，所建立的基于影像组学的列线图模型在预测HER2低表达乳腺癌患者对NAC的pCR方面表现出显著的诊断性能。在训练集中，列线图模型的AUC达到0.736（95% CI：0.623-0.849），表明模型在训练集数据上具有较好的区分能力。模型的特异性和敏感性分别达到了0.821和0.744，显示了模型较高的准确性和预测能力。更重要的是，在独立的验证集中，模型的AUC进一步提高至0.800（95% CI：0.523-1.000），这表明该模型在不同的数据集上具有良好的推广能力。验证集的特异性为0.857，敏感性为0.727，进一步证实了模型的稳健性和有效性。

结论：本研究结果表明，基于DCE-MRI的影像组学联合模型在预测HER2低表达乳腺癌患者对NAC的反应和预后方面具有显著潜力。通过无创的影像组学分析，该模型能够在治疗前准确区分出可能实现pCR的患者，从而帮助临床医生为患者制定更为个性化的治疗方案。这一预测工具不仅可以减少不必要的治疗负担，还可以优化患者的整体治疗策略，提高患者的生存率和生活质量。

总结：本研究为临床提供了一个基于DCE-MRI影像组学的列线图模型，可用于有效预测HER2低表达乳腺癌患者对NAC的pCR。通过将影像组学特征与临床病理数据相结合，该模型为临床决策提供了一种非侵入性的工具，具有广泛的临床应用潜力。它不仅可以帮助临床医生识别出更有可能从NAC中获益的患者，从而实现个性化的治疗计划，还可能在改善治疗结果和优化这一特定患者群体的治疗策略方面发挥重要作用。未来，这一模型有望在乳腺癌治疗领域中进一步推广应用，为更多患者带来福音。