基于影像特征建立乳腺癌腋窝淋巴结转移机器学习预测模型
吴泽琪
马梦伟
刘仁懿
曾凤霞
陈卫国
秦耿耿
南方医科大学南方医院放射科,广州 510515
摘要：目的 探索乳腺癌原发灶的X线及超声征象术前无创预测腋窝淋巴结(ALN)转移的价值.方法 回顾性收集320例经病理证实为浸润性乳腺癌女性病人的临床及影像资料.根据ALN病理结果是否有转移灶,将病人分为ALN阳性组(154例)和阴性组(166例).数据集以8:2的比例随机分为训练集(256例)和测试集(64例).提取乳腺癌原发灶的全视野数字化乳腺X线摄影(FFDM)和超声(US)影像征象,选择最优算法分别构建基于FFDM、US征象以及两者联合的ALN转移预测模型,根据受试者操作特征(ROC)曲线下面积(AUC)评估模型效能并选取最优模型.采用SHAP可解释技术可视化最优模型决策过程,解析乳腺癌ALN转移的影像预测因子.2组病人FFDM和超声影像征象比较采用Mann-Whitney U检验、卡方检验或Fisher确切概率检验.采用Delong检验比较各模型的AUC.结果 基于FFDM、US以及联合特征构建的3种模型,其AUC值有递增趋势,但AUC差异均无统计学意义(均P>0.05).SHAP可解释技术显示,乳腺癌ALN转移的前5个重要影像预测因子包括2个US征象(肿块最大径、强回声光点)以及3个FFDM征象(皮肤增厚、乳头回缩、乳腺密度散在纤维腺体类).其中,US显示肿块较大、FFDM上表现为皮肤增厚或乳头回缩时,模型更倾向于预测ALN转移为阳性;而在US上未发现强回声光点或在FFDM上乳腺腺体类型表现为散在纤维腺体类时,模型更倾向于预测ALN阴性.结论 基于FFDM及US征象构建的可解释机器学习模型能较好地预测乳腺癌ALN转移,有望成为术前无创预测乳腺癌ALN转移的新手段.
关键词：乳腺肿瘤淋巴转移乳腺X线摄影术超声检查机器学习
分类号：R737.9(泌尿生殖器肿瘤)R445.1(诊断学)R814(放射医学)
资助基金：国家自然科学基金(82171929)国家重点研发计划(2019YFC0121903)吴阶平医学基金会临床科研专项资助基金课题(320.6750.2021-06-36)
论文发表日期：2023-05-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 255-260 )
英文信息