基于超声图像形态学定量特征的乳腺肿块恶性风险列线图预测模型构建及应用

目的应用机器学习技术构建基于超声图像形态学定量特征的乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序方式验证该模型的可操作性和实用性。方法收集我院经病理确诊的乳腺肿块患者1046例,按7∶3比例随机分为训练集732例,验证集314例;训练集中恶性430例,验证集中恶性199例,使用ImageJ分析软件提取肿块超声图像的形态学定量特征参数,包括最佳拟合椭圆的长短径比值(AR)、圆润度(C)、费雷特角度修正(MFA)、凹凸度(S)。应用单因素分析比较训练集中良、恶性乳腺肿块超声图像形态学定量特征参数及患者年龄,运用机器学习技术进行多因素分析,确定预测乳腺肿块恶性风险的独立危险因素,并构建列线图预测模型。使用验证集数据对预测模型效能进行测试,绘制受试者工作特征(ROC)曲线和校准曲线分析预测模型的诊断效能,并设计开发在线应用程序。结果单因素分析显示,良、恶性乳腺肿块AR、C、MFA、S及患者年龄比较差异均有统计学意义(均P<0.05)。多因素分析显示,AR、C和患者年龄是预测乳腺肿块恶性风险的独立危险因素(均P<0.05)。基于上述独立危险因素构建乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序的方式呈现,训练集内部验证的曲线下面积为0.931,敏感性为88.1%,特异性为85.4%;验证集外部验证的曲线下面积为0.901,敏感性为84.2%,特异性为85.8%。校准曲线显示,预测模型校准度良好,其预测恶性风险概率与实际恶性风险无明显偏离。结论应用机器学习技术构建的乳腺肿块恶性风险列线图预测模型具有较高的诊断效能,而以互联网在线应用程序方式呈现模型使其更加具有可操作性和实用性,将有助于对患者进行个体化预测和治疗决策。

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例,以2018年8月31日为节点将其分为训练集(526例)和验证集(302例),提取肿块的超声影像组学特征并进行特征筛选,运用k最近邻(kNN)、逻辑回归(LR)、朴素贝叶斯(NB)、随机森林(RF)和支持向量机(SVM)5种机器学习算法分别建立预测模型,使用重复交叉验证方法做内部验证,计算比较各模型的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并实施外部验证,绘制ROC曲线并比较ROC曲线下面积(AUC)以评价模型的鉴别诊断性能,绘制校准曲线评价模型校准度。结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中,5种模型的敏感度、特异度、PPV、NPV比较,总体差异均有统计学意义(P均<0.001)。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778,3项指标均高于其他4种模型;敏感度中位数为0.824,高于kNN、RF和SVM模型。此外,SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759,虽均低于LR模型,但均高于其他3种模型。在外部验证中,LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703,其中LR与SVM的AUC差异有统计学意义(P=0.012);此外,各模型在校准性能上表现并不一致,LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。结论以超声影像组学特征为基础,运用不同机器学习算法建立的乳腺癌超声预测模型,均表现出较高的诊断性能,其中LR模型表现最为突出;选择合适的机器学习算法有助于进一步提高预测模型的诊断性能,提供更加准确的量化预测结果。