论文部分内容阅读
目的:探讨基于ADC图影像组学预测非特殊型浸润性乳腺癌组织学分级的价值。方法:回顾性分析在我院行乳腺MRI检查并经病理学确诊为非特殊型浸润性乳腺癌的患者152例,按照7∶3的比例进行分层抽样,将其分为训练集108例(Ⅰ/Ⅱ级54例,Ⅲ级54例)和测试集44例(Ⅰ/Ⅱ级22例,Ⅲ级22例)。每个患者在Siemens 3.0 T MR扫描仪上获取的ADC图通过AK和ITK-SNAP软件进行图像预处理、全肿瘤分割和特征提取,筛选训练集中与组织学分级最大相关、最小冗余的组学特征构建影像组学标签建立包括支持向量机(support vector machine,SVM)、决策树(decision trees,Tree)、Logistic回归在内的三个单纯影像组学模型。临床及影像征象进行单因素Logistic回归分析,保留p<0.1的特征与最佳单纯影像组学模型输出的影像组学标签评分结合建立组合模型。应用受试者工作特征曲线及其曲线下面积(area under curve,AUC)量化模型诊断性能并在测试集中验证。使用Delong检验进行模型间AUC比较。利用决策曲线分析和校准曲线评估各模型的临床应用价值。结果:1.Logistic回归、SVM、Tree和组合模型在训练集的AUC分别为0.692(95%CI:0.592-0.791)、0.696(95%CI:0.597-0.795)、0.832(95%CI:0.757-0.907)、0.904(95%CI:0.851-0.956),在测试集的AUC分别0.577(95%CI:0.402-0.752)、0.613(95%CI:0.442-0.783)、0.777(95%CI:0.649-0.904)、0.807(95%CI:0.676-0.937);2.Logistic回归与SVM的AUC间的差异无统计学意义(P>0.05),Tree的AUC显著高于Logistic回归和SVM(P<0.05),影像征象与Tree的组合模型的AUC高于单纯Tree的AUC(P>0.05);在决策曲线分析中,Tree和组合模型的净收益高于Logistic回归和SVM。结论:1.基于ADC图的影像组学模型可以预测非特殊型浸润性乳腺癌的组织学分级;2.不同机器学习算法模型对非特殊型浸润性乳腺癌组织学分级的分类性能和临床应用价值存在差异,最佳分类器为Tree,结合影像征象能改善其预测性能。