对比增强乳腺钼靶（CEM）是一种新兴的乳腺成像技术。它以双能量乳腺造影技术为基础，利用静脉注射碘化造影剂来描绘乳腺病变的增强情况。乳腺癌（BCs）在CEM上检测的敏感性极高，甚至在乳腺致密的女性中也是如此。

随着计算机技术的进步，放射组学得到了快速发展。放射线组学利用高通量计算提取大量的图像特征，并将标准的医疗图像转换为可量化的数据，随后可利用传统的生物统计学和人工智能，包括机器学习方法进行分析。据我们所知，现阶段对肿瘤周围环境或肿瘤周围实质的相关研究十分有限。

近几十年来，随着人们对肿瘤微环境的关注度越来越高，越来越多的研究将研究重点集中在肿瘤周边区域的定量表征上。考虑到瘤周区域的独特生物学意义，最近的一些研究试图探索BC瘤周放射组学特征的作用，并显示这些特征在预测诊断或预后。然而，这些研究大多采用的是乳腺磁共振成像（MRI）或超声图像，到目前为止，还没有研究使用CEM图像中的乳腺周围放射组学特征进行BC的诊断。

近日，发表在European Radiology杂志的一项研究评估了CEM图像中的病变周围区域的放射组学分析在乳腺良性和恶性病变鉴别方面的价值，为乳腺癌的早期诊断及治疗提供了技术支持。

本项回顾性研究包括2017年11月至2020年2月期间接受CEM检查的患者。病变轮廓由人工划定。自动获得病灶周围区域。每个病变有七个感兴趣的区域（ROI），包括病变ROI、环形周围ROI（1毫米、3毫米、5毫米）和病变+周围ROI（1毫米、3毫米、5毫米）。总体而言，从每个ROI中提取了4098个放射组学特征。数据集被分为训练和测试集（1：1）。使用LASSO回归法构建了七个分类模型，这些模型使用来自七个投资回报率的特征。模型的性能由AUC和95%的CI来评估。

总的来说，190名女性有223个乳腺病变（101个良性的；122个恶性的）被纳入。在测试组中，3毫米的环形周缘ROI模型显示了最高的AUC，为0.930（95%CI：0.882-0.977），其次是1毫米的环形周缘ROI模型（AUC = 0.929；95%CI：0.881-0.978）和病变ROI模型（AUC = 0.909；95%CI：0.857-0.961）。通过结合3毫米模型的病变ROI和环状周围ROI的预测概率产生了一个新的模型，该模型在测试集中取得了较高的AUC（AUC = 0.940）。

本研究发现，CEM图像中3毫米的环状周围区域在区分良性和恶性乳腺病变方面具有较高的临床价值。在建立在病变信息基础上的放射组学模型中加入环状瘤周信息可以显著提高诊断效果，这为乳腺癌的自动化诊断及评估提供了可能。