论文部分内容阅读
第一部分建立锥光束乳腺CT BI-RADS评估分类评分系统目的:基于锥光束乳腺CT（cone-beam breast Computed Tomography,CBBCT）图像的特征通过两种方法建立BI-RADS评分系统,旨在为锥光束乳腺CT BI-RADS分级提供客观依据。方法:选取2019年11月至2020年9月在广西医科大学附属肿瘤医院就诊的肿块型乳腺疾病病人。将2019年11月至8月的401例女性患者（409个病灶）作为模型病例,2020年9月的94个病灶作为验证病例。将上述409个病灶的模型病例使用单因素Logistic回归分析各个CBBCT影像学征象在良恶性组中的差异,筛选有统计学意义的CBBCT征象并依据单因素分析的OR值从大到小排序,将其分成3类（大、中、小征象）并按照3到1分依次赋分,从而形成依据Logistic回归法建立的评分标准。将CBBCT的影像学征象在模型中的各个指标之间进行卡方式自动交互决策树,设置分割显著性水准为Bonferroni校正后α=0.05,父结点、子结点的最小样本量为30、15,保存决策树的预测概率,依据叶结点患者中恶性肿瘤患者的发生率进行赋分,从而形成依据决策树建立的评分标准。采用两种评分标准分别对模型及测试病例计算得分,利用medical软件绘制受试工作者特性（ROC）曲线,同时计算出各ROC曲线下面积（AUC）来评价两种评分标准对模型及验证病例良恶性的诊断价值。比较两种模型的AUC,P＜0.05认为两者诊断性能不同具有统计学意义。结果:（1）依据单因素分析筛选出的14个CBBCT征象。大征象有:边缘星芒状、3D重建图像血管增粗增多、不规则型、内部强化不均匀;中征象有:皮肤增厚、不定形钙化、粗糙不均质钙化、钙化集群分布、腋窝淋巴结肿大;小征象有:乳头内陷、边缘分叶、内部强化均匀、卵圆形、圆形。故根据Logistic回归法建立的评分法为:score=大征象数目总和×3分+中征象数目总和×2分+小征象数目总和×1分。分数≤1为BI-RADS 2或BIRADS3类,分数为2～3分为BI-RADS 4a类,分数为4～7分为BI-RADS4b类,分数为8～10分为BI-RADS 4c类,≥10分为BI-RADS 5类。（2）决策树保留了24个初始CBBCT征象中的3个,分别是不规则型,3D重建图像血管增粗增多及内部强化不均匀作为节点分裂,输出7条路径。根据BIRADS分类标准中的恶性危险度,决策树评分法得分为1为BI-RADS2/3类,得分为2～3分为BI-RADS 4a类,得分4～5分为BI-RADS 4c类,得分6分为BI-RADS 4c,得分7分则为BI-RADS 5类。（3）模型病例中,Logistic回归评分法及决策树评分法AUC分别是:0.965、0.957,两者曲线下面积差异为0.00780,Z值为1,899,p=0.0576＞0.05,差异不具统计学意义。验证病例中,Logistic回归评分法及决策树评分法AUC分别为0.928、0.940,两者曲线下面积差异为0.0118,Z值为0.0160,p=0.4614＞0.05,差异不具统计学意义。结论:Logistic回归评分法及决策树评分法能客观评估肿块型乳腺疾病BI-RADS分类,为医师交流及预测疾病危险度提供了客观依据;Logistic回归评分法及决策树评分法两者诊断乳腺疾病性能均较高且差异不具备统计学差异。第二部分使用两种评分系统对BI-RADS 4a类病变进行校正目的:探讨锥光束乳腺CT使用Logistic回归评分法及决策树评分法对于校正BI-RADS4a级的应用价值。方法:选取2019年11月至2020年8月就诊于广西医科大学附属肿瘤医院经超声或乳腺X线摄影检查后归类为BI-RADS 4a类的肿块型乳腺疾病病人140例（146个病灶）,回顾分析纳入研究患者锥光束乳腺CT图像资料及影像学报告,记录肿块形态、边缘、内部强化特点、钙化、钙化分布,皮肤及乳头受累情况、周围血管征是否存在、患侧腋窝淋巴结是否肿大。使用第一部分建立的Logistic回归评分法及决策树评分法计算乳腺肿物得分,并以穿刺或术后病理结果进行对照,分析其诊断价值。结果:纳入本实验的146个钼靶或超声归为BI-RADS4a级的病灶,经CBBCT检查后使用本研究第一部分建立的Logistic回归评分法后,降级为BI-RADS2或3级的病变有29例,恶性率均为3.45%;仍保持BI-RADS4a级别不变的病变分别有56例,恶性率为3.57%;而将原来超声及钼靶分级为BI-RADS4a级的病变级别往上调的病例数分别有61例,恶性率为40.9%。使用本研究第一部分建立的决策树评分法重新评分分类后,BI-RADS2或3级的病例有86例,恶性率为3.45%,BI-RADS4a级别不变的病变有6例,恶性率为33.3%。BI-RADS4b、4c或者BI-RADS5级的有54例,恶性率为42.5%。未使用评分法、使用Logistic回归评分法及使用决策树评分法的阳性预测准确率分别是96%、96%、94.6%;阴性预测准确率分别是35.2%、51.1%、57.4%;灵敏度分别是89.3%、85.7%、82.1%;特异度分别是72.0%、80.6%、73.7%。Logistic回归评分法及决策树评分法ROC曲线下面积（AUC）分别为0.831、0.779。Logistic回归评分法与决策树评分法曲线下面积差异为0.0518,差异具有统计学意义（Z=2.338,p＜0.05）。结论:锥光束乳腺CT有助于提高BI-RADS分级的诊断效能。锥光束乳腺CT通过两种评分方法均有校正BI-RADS4a级的应用价值。Logistic回归评分法对于校正BI-RADS4a病变的诊断性能要优于决策树评分法。