基于多参数MRI的影像组学融合模型对乳腺癌腋窝淋巴结转移的术前预测价值

目的探讨基于多参数MRI的影像组学融合模型在乳腺癌术前预测腋窝淋巴结(ALN)转移的应用价值。方法回顾性队列研究。纳入山西省肿瘤医院2020年8月—2021年9月经病理证实的272例乳腺癌患者的多参数MRI及临床病理资料。患者均为女性,年龄28~79(53.0±10.9)岁,其中ALN阳性107例、ALN阴性165例。按照7∶3的比例随机将患者分为训练组(191例)和验证组(81例)。从T2加权像(T2WI)、表观弥散系数(ADC)图和增强T1加权像(cT1WI)序列中提取影像组学特征。采用单因素逻辑回归、相关性分析和Boruta算法3个步骤进行特征选择,然后采用支持向量机(SVM)、随机森林(RF)和逻辑回归(LR)3种机器学习方法构建影像组学模型,并基于最优模型计算每位患者的影像组学分数(Radscore)。同时,通过多因素逐步回归分析筛选乳腺癌ALN转移的独立危险因素并构建临床模型。最后,联合Radscore和临床独立危险因素构建融合模型,并绘制列线图。采用受试者操作特征曲线、校准曲线和决策曲线(DCA)来评价模型对乳腺癌ALN转移的预测性能及临床效益。结果训练组和验证组患者肿瘤位置比较,差异有统计学意义(P<0.05);训练组中ALN阳性与ALN阴性患者间的肿瘤位置、MRI评估淋巴结状态比较,验证组中ALN阳性与ALN阴性患者间的雌激素受体、分子亚型及MRI评估淋巴结状态比较,差异均有统计学意义(P值均<0.05)。基于多参数MRI降维选择后,得到了6个与ALN转移呈显著相关的影像组学特征(P值均<0.05)。在训练组和验证组中,SVM、RF和LR模型均表现出很好的预测能力,AUC分别为0.784、0.826、0.703和0.733、0.817、0.703,其中RF模型效能最高。单因素、多因素回归分析显示,MRI评估淋巴结状态是乳腺癌ALN转移的独立预测因子[比值比(95%可信区间)=10.909(5.210~24.511),P<0.001],采用这一指标构建临床模型。联合Radscore和MRI评估ALN状态的融合模型在训练组和验证组中均表现出更好的性能,AUC分别为0.867和0.866,且其诊断效能均优于上述3种机器学习模型和临床模型(AUC分别为0.719和0.700)。DCA显示,3种机器学习模型、临床模型和融合模型均有一定的临床效益,其中融合模型的净收益值最大。结论基于多参数MRI影像组学特征和联合MRI评估淋巴结状态的融合模型有助于术前准确预测乳腺癌ALN转移状态。