可解释反向传播神经网络在预测前哨淋巴结1～2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值
农盛1
李湛雄2
张琪3
卢振东4
洪敏萍5
陈武标4
刘子霖4
1.广东医科大学附属第二医院放射影像科(广东 湛江 524000)2.广东医科大学附属阳江医院放射影像科(广东 阳江 529500)3.南方医科大学附属第七医院医学影像科(广东 深圳 518107)4.广东医科大学附属医院放射影像科(广东 湛江 524000)5.嘉兴市中医医院放射影像科(浙江 嘉兴 314001)
摘要：目的 探讨基于临床及影像学特征的反向传播神经网络模型在预测前哨淋巴结活检1～2枚阳性乳腺癌患者腋窝淋巴结负荷水平中的准确性.方法 回顾性分析2021年1月至2024年12月在3家医疗机构接受腋窝淋巴结清扫的386例女性乳腺癌患者临床及影像资料.根据病理检查结果将纳入患者分为腋窝淋巴结高负荷组(n=155)和腋窝淋巴结低负荷组(n=231).将中心1和中心2(广东医科大学附属医院和广东医科大学附属阳江医院)共295例患者随机分为训练集(n=207)与验证集(n=88),将中心3(广东医科大学附属第二医院)的患者(n=91)作为外部验证集.在训练集上采用单因素、多因素逻辑回归筛选危险因素,并在此基础上应用逻辑回归、支持向量机、随机森林和BPNN四种算法构建风险预测模型,在内部验证集和外部验证集上评估模型的性能.结合Shapley可解释性算法对模型进行特征贡献度分析和可视化.结果 单因素和多因素逻辑回归分析显示中性粒细胞-淋巴细胞比值(neutrophil-to-lymphocyte ratio,NLR)、瘤周水肿及腋窝淋巴结皮质增厚为淋巴结负荷的独立危险因素.基于BPNN算法构建的预测模型显示良好预测性能,模型的曲线下面积为0.793.Shapley可解释性分析显示瘤周水肿具有最高贡献,其次为淋巴结皮质增厚和中性粒细胞-淋巴细胞比值.结论 整合临床及影像学特征的可解释BPNN模型能较准确预测腋窝淋巴结负荷水平,为乳腺癌腋窝管理和个体化治疗提供辅助决策.
关键词：乳腺癌腋窝淋巴结负荷前哨淋巴结1~2枚阳性反向传播神经网络可解释性
分类号：R445.2(诊断学)R684.3(骨科学（运动系疾病、矫形外科学）)
资助基金：浙江省医药卫生科技计划项目(2023KY338)
论文发表日期：2026-01-10
在线出版日期：2026-01-19（本平台首次上网日期，不代表文献的发表时间）
页数：11( 45-55 )
英文信息