1. 确定具有不同分子类型的乳腺癌的成像特征
2. 揭示激素受体阳性/HER2阴性乳腺癌与成像组织学之间的关联，ONCOTYPE DX复发评分
3. 结合基因组学和成像，以建立一个预测模型，以实现HER2阳性乳腺癌靶向治疗的敏感性
4. 建立三阴性乳腺癌分子亚型的成像基因组学预测模型，并阐明每个亚型的治疗靶标的成像基因组学特征

研究设计

1. 研究基于成像特征的乳腺癌分子键入的研究
2. 建立腔内乳腺癌复发风险预测模型
3. 建立HER2靶向治疗敏感性预测模型
4. 建立TNBC分子亚型预测模型研究方法研究对象这项研究使用了多中心研究来前瞻性地招募诊断为病理学的乳腺癌患者。所有入学的患者都有完整的临床数据，包括人口统计学特征（性别，年龄，月经状况和生育历史）和病理数据（组织病理学数据）。分期，免疫组织化学状态和鱼类，基因测试记录了复发评分和基因型），成像数据，完整的治疗和随访（是否存在局部复发和转移，以及诊断时间）。

磁共振检查以维持图像之间的可比性并减少系统误差，每个中心选择固定的MR设备进行扫描。其中，肿瘤学医院选择使用3.0T（西门子Skyra）MR设备扫描图像。在动态增强扫描之前，使用特殊的乳房线圈来添加高定义扩散加权扫描和多B值扩散加权扫描。在5个阶段中动态增强的获取，其时间分辨率为65s。 b。 Renji医院使用荷兰Philips Achieva 3.0 T超导体Scanner先生，4频道专用的乳房分阶段阵列线圈。扫描序列包括T1WI，T2WI，T2WI脂肪抑制，DWI和DCE-MRI。对比剂是GD-DTPA，剂量为0.1 mmol/kg，注射速率为2.0 mL/s，在注射后将额外的20 mL盐水添加到管中。首先进行T1WI扫描，并在注射造影剂后连续扫描5个时间阶段，并且每个时间阶段分离61 s，总共6个时间阶段。 C。中国妇女和婴儿被1.5T西门子AERA MR设备和特殊的乳房线圈扫描。扫描序列包括5阶段的T1WI，T2WI脂肪抑制，DWI和动态增强扫描，时间分辨率71。

图像处理使用软件使肿瘤兴趣区域的半自动和自动轮廓使肿瘤固体增强部分的轮廓，整个肿瘤区域和周围的水肿区处于横向位置。为了准确描述肿瘤，比较T1和T2加权并动态增强的图像，两个成像医生是负责的，一个是负责描绘的，另一个是审查的，并在讨论后确定了有争议的区域。创建一个动态增强的肿瘤纹理分析程序，以自动提取感兴趣区域中的成像OMICS特征。使用标记的数据集，构建了基于计算机的自动分割算法模型，以自动提取感兴趣的区域，并对手动描绘的标签进行分割性能评估。

统计分析对所获得的图像和临床数据进行统计分析，提取图像OMICS特征，并使用机器学习算法来筛选重要特征。使用统计工具，例如SPSS和R语言。配对t检验（连续变量）和卡方检验（不连续变量）用于比较预后不同的患者的临床和成像特征。相关分析用于评估成像组织学特征和不同的病理组织等级，淋巴结转移与特定基因表达之间的相关性；使用Kaplan-Meier生存曲线来分析具有不同成像轨迹特征的患者之间的预后差异，并使用对数秩方法测试差异；使用COX生存模型比较临床特征和成像OMICS患者的特征和预后（无肿瘤存活，无进展生存，总生存期）通过多种因素分析。此外，深度学习算法可用于自动学习可能与分子亚型和预后有关的成像轨迹特征，以构建预测模型。

• 乳腺癌
• 分子打字
• 病理
• 图像，身体

• 腔

  Luminal A：ER+和/或PR+，HER2-腔b：ER+和/或PR+，HER2+

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗
• HER2过表达

  er-pr-，her2+

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗
• 三重负

  er-pr-，her2-

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗

纳入标准：

1. 通过活检对乳腺癌的病理和免疫组织化学诊断
2. MRI之前没有MRI禁忌症和活检
3. 入学前没有放疗和化学疗法

排除标准：

1. 那些先前的乳腺癌手术史，激素替代疗法和胸部放射疗法
2. 无法与检查的严重疾病患者
3. 有MRI禁忌症的人
4. 研究人员认为，其他条件不适合乳房MRI检查

• Renji医院
• 国际和平产妇与儿童健康医院

1. 确定具有不同分子类型的乳腺癌的成像特征
2. 揭示激素受体阳性/HER2阴性乳腺癌与成像组织学之间的关联，ONCOTYPE DX复发评分
3. 结合基因组学和成像，以建立一个预测模型，以实现HER2阳性乳腺癌靶向治疗的敏感性
4. 建立三阴性乳腺癌分子亚型的成像基因组学预测模型，并阐明每个亚型的治疗靶标的成像基因组学特征

研究设计

1. 研究基于成像特征的乳腺癌分子键入的研究
2. 建立腔内乳腺癌复发风险预测模型
3. 建立HER2靶向治疗敏感性预测模型
4. 建立TNBC分子亚型预测模型研究方法研究对象这项研究使用了多中心研究来前瞻性地招募诊断为病理学的乳腺癌患者。所有入学的患者都有完整的临床数据，包括人口统计学特征（性别，年龄，月经状况和生育历史）和病理数据（组织病理学数据）。分期，免疫组织化学状态和鱼类，基因测试记录了复发评分和基因型），成像数据，完整的治疗和随访（是否存在局部复发和转移，以及诊断时间）。

磁共振检查以维持图像之间的可比性并减少系统误差，每个中心选择固定的MR设备进行扫描。其中，肿瘤学医院选择使用3.0T（西门子Skyra）MR设备扫描图像。在动态增强扫描之前，使用特殊的乳房线圈来添加高定义扩散加权扫描和多B值扩散加权扫描。在5个阶段中动态增强的获取，其时间分辨率为65s。 b。 Renji医院使用荷兰Philips Achieva 3.0 T超导体Scanner先生，4频道专用的乳房分阶段阵列线圈。扫描序列包括T1WI，T2WI，T2WI脂肪抑制，DWI和DCE-MRI。对比剂是GD-DTPA，剂量为0.1 mmol/kg，注射速率为2.0 mL/s，在注射后将额外的20 mL盐水添加到管中。首先进行T1WI扫描，并在注射造影剂后连续扫描5个时间阶段，并且每个时间阶段分离61 s，总共6个时间阶段。 C。中国妇女和婴儿被1.5T西门子AERA MR设备和特殊的乳房线圈扫描。扫描序列包括5阶段的T1WI，T2WI脂肪抑制，DWI和动态增强扫描，时间分辨率71。

图像处理使用软件使肿瘤兴趣区域的半自动和自动轮廓使肿瘤固体增强部分的轮廓，整个肿瘤区域和周围的水肿区处于横向位置。为了准确描述肿瘤，比较T1和T2加权并动态增强的图像，两个成像医生是负责的，一个是负责描绘的，另一个是审查的，并在讨论后确定了有争议的区域。创建一个动态增强的肿瘤纹理分析程序，以自动提取感兴趣区域中的成像OMICS特征。使用标记的数据集，构建了基于计算机的自动分割算法模型，以自动提取感兴趣的区域，并对手动描绘的标签进行分割性能评估。

统计分析对所获得的图像和临床数据进行统计分析，提取图像OMICS特征，并使用机器学习算法来筛选重要特征。使用统计工具，例如SPSS和R语言。配对t检验（连续变量）和卡方检验（不连续变量）用于比较预后不同的患者的临床和成像特征。相关分析用于评估成像组织学特征和不同的病理组织等级，淋巴结转移与特定基因表达之间的相关性；使用Kaplan-Meier生存曲线来分析具有不同成像轨迹特征的患者之间的预后差异，并使用对数秩方法测试差异；使用COX生存模型比较临床特征和成像OMICS患者的特征和预后（无肿瘤存活，无进展生存，总生存期）通过多种因素分析。此外，深度学习算法可用于自动学习可能与分子亚型和预后有关的成像轨迹特征，以构建预测模型。

• 乳腺癌
• 分子打字
• 病理
• 图像，身体

• 腔

  Luminal A：ER+和/或PR+，HER2-腔b：ER+和/或PR+，HER2+

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗
• HER2过表达

  er-pr-，her2+

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗
• 三重负

  er-pr-，her2-

  * ER：雌激素受体PR：孕酮受体HER2：人表皮生长因子受体-2

  干预：程序：多学科合作综合治疗

纳入标准：

1. 通过活检对乳腺癌的病理和免疫组织化学诊断
2. MRI之前没有MRI禁忌症和活检
3. 入学前没有放疗和化学疗法

排除标准：

1. 那些先前的乳腺癌手术史，激素替代疗法和胸部放射疗法
2. 无法与检查的严重疾病患者
3. 有MRI禁忌症的人
4. 研究人员认为，其他条件不适合乳房MRI检查

• Renji医院
• 国际和平产妇与儿童健康医院