第一部分核极限学习机在鉴别乳腺良恶性肿块样病变中的价值
　　目的：
　　联合患者乳腺磁共振成像(Magnetic Resonance imaging,MRI)影像学及临床资料的多种特征，采用核极限学习机(Kernel Extreme Machine learning,KELM)方法对乳腺肿块样病变进行良恶性分类并评估该方法的鉴别诊断效能。
　　材料和方法：
　　93例患者103个乳腺肿块样病变术前行3.0T乳腺磁共振平扫、动态增强扫描及弥散加权成像检查，均通过术后病理或长期随访确诊。参照2013版美国放射学会(the American college of radiology, ACR)提出的乳腺MRI影像报告和数据系统(Breast imaging reporting and data system, BI-RADS)，由低、高年资乳腺放射诊断医师分别对病变的乳腺MRI多参数影像学特征进行分类及病变的定性诊断。选取的乳腺MRI影像特征及临床特征共计12个。93例病变经5折交叉验证随机分配取80%作为训练组，20%作为测试组。采用KELM方法对肿块样病变进行良、恶性分类，得出鉴别诊断的敏感度、特异度和准确率。
　　结果：
　　低年资、高年资医师分别使用KELM方法，经五折交叉验证取平均，其诊断的敏感度、特异度、准确率分别为0.88、0.89、0.91及0.93、0.91、0.92，曲线下面积(Area Under the Curve,AUC)分别为：0.84、0.89。低年资、高年资医师独立诊断的敏感度、特异度、准确率分别为0.91、0.74、0.86及0.90、0.85、0.92，AUC分别为：0.83、0.90。
　　结论：
　　基于影像学特征及临床资料特征的KELM方法可辅助临床鉴别诊断乳腺肿块样良恶性病变，具有较理想的灵敏度、特异度和准确率。
　　第二部分分治策略深度神经网络在鉴别乳腺良恶性肿块样病变中的价值
　　目的：
　　联合患者乳腺MRI多参数特征，采用“分治”策略深度神经网络(Deep network framework based on"divide and conquer"strategy, DC-DNN)方法对乳腺肿块样病变进行良恶性分类，并评估该方法的鉴别诊断效能。
　　材料和方法：
　　对90例患者90个经术后病理或长期随访确诊的乳腺肿块样病变行MRI检查。4名分别具有10～15年乳腺疾病诊断经验的高年资放射医师，在不知晓患者病理结果的情况下参照2013版BI-RADS，分别独立及辅助使用DC-DNN方法对乳腺肿块样病变进行良恶性鉴别诊断，并计算相应的诊断效能。
　　结果：
　　DC-DNN鉴别乳腺MRI良恶性肿块样病变的敏感度、特异度、准确率分别为0.919、0.75、0.867，AUC为0.85。四名高年资医师整体独立鉴别诊断乳腺良恶性病变的敏感度、特异度、准确率分别为0.823、0.646、0.844，AUC为0.71。四名高年资医师整体辅助使用DC-DNN鉴别诊断乳腺良恶性病变的敏感度、特异度、准确率分别为0.875、0.698、0.903，AUC为0.83。DC-DNN方法鉴别诊断乳腺良恶性肿块样病变的整体效能优于医师组的独立诊断效能。医师组辅助使用DC-DNN后鉴别诊断的敏感度、特异度、准确率及AUC较独立诊断均有所提高。
　　结论：
　　基于多参数乳腺MRI的“分治”策略深度网络方法可辅助医师鉴别诊断乳腺良恶性肿块样病变，具有较理想的灵敏度、特异度和准确率。