| 摘要: |
| 目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者，按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果，将患者分为低负荷组（阳性ALN≤2枚，303例）和高负荷组（阳性ALN＞2枚，74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征，并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost），选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中，SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示，列线图模型在训练集和验证集中均呈现出良好的诊断效能，AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2023.45.23.2023-1278 |
| 分类号: |
| 基金项目:浙江省医药卫生科技计划项目（2023KY425） |
|
|
|
|
| Abstract: |
|
| Key words: |
