全视野数字化乳腺X线摄影影像组学及深度学习特征预测乳腺癌HER-2状态

目的通过联合全视野数字化乳腺X线摄影(FFDM)影像组学特征及深度学习特征预测乳腺癌HER-2状态。方法回顾性分析山西中医药大学附属医院2018年3月~2023年12月经临床手术或穿刺活检的乳腺癌患者FFDM、临床及病理资料。FFDM图像手工勾画肿瘤感兴趣区并提取组学特征和深度学习特征,分别经过LASSO特征筛选后采用支持向量机算法建立影像组学模型和深度学习模型,通过多因素逻辑回归分析建立综合模型。计算各模型曲线下面积(AUC)评估其预测效能,并通过决策曲线分析评估各模型在实际临床决策中的有效性和实用价值。结果影像组学模型在训练集和测试集的AUC分别为0.835(95%CI:0.761~0.898)和0.781(95%CI:0.701~0.857),深度学习模型在训练集和测试集的AUC分别为0.904(95%CI:0.855~0.955)和0.883(95%CI:0.823~0.939),综合模型在在训练集和测试集的AUC分别为0.921(95%CI:0.872~0.967)和0.890(95%CI:0.828~0.942)。决策曲线分析显示3种模型相比于全部认为HRE-2阳性或阴性可获得更好的净收益,其中综合模型在风险阈值下可获得最大净收益。结论基于FFDM影像组学特征和深度学习特征的联合应用,可以更有效地预测乳腺癌HER-2状态,显著提高了预测的准确性和可靠性,为乳腺癌的诊断和治疗开辟了新的途径。

基于DBT建立的早期预测乳腺癌HER-2状态的模型研究

目的 使用基于数字乳腺断层摄影(DBT)图像的影像组学特征早期预测乳腺癌患者的HER-2状态。方法 搜集符合纳入标准的160例女性乳腺癌患者,其中HER-2阳性50例,HER-2阴性110例。手动在DBT图像上勾画感兴趣区,提取影像组学特征,经过数据归一化和降维,共选取1~10个特征建立逻辑回归模型,进行10折交叉验证,选取交叉验证集曲线下面积最高的模型为最佳组学模型。分析临床特征得到独立预测因子并建立临床预测模型,将最佳组学模型预测值与临床独立预测因子结合建立综合模型并绘制诺莫图,诺莫图的拟合度用Hosmer-Lemeshow拟合优度检验评价,绘制决策曲线评价诺莫图的净收益。结果 基于4个组学特征的LR模型为最佳组学模型,此模型在测试集中的曲线下面积为0.810(95%CI 0.729~0.891)。综合模型在测试集中的曲线下面积为0.829(95%CI 0.751~0.907),诺莫图的校正曲线有较好的一致性,综合模型的决策曲线也有良好的净收益。结论 结合影像组学特征和临床特征绘制的诺莫图具有早期预测乳腺癌患者HER-2状态的能力。