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manbet官网登录
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
作者：罗项超；林桂涵；陈炜越；陈春妙；应海峰；纪建松
来源：浙江医学 2023 年 45卷 23期
