基于机器学习的超声影像组学模型对乳腺癌PD-L1表达水平的预测价值

目的:探讨基于机器学习的超声影像组学模型在术前预测乳腺癌患者程序性死亡配体1(PD-L1)表达水平的应用价值。方法:收集2018年4月至2024年3月在丽水市中心医院经病理学证实的在术前接受常规超声检查的177例乳腺癌患者,按7:3随机分为训练集(124例)和测试集(53例),提取超声图像上病灶的影像组学特征。组内相关系数用于去除一致性较差的特征,Pearson用于去除冗余特征,最小绝对收缩与选择算法用于对保留特征的进一步降维,最终筛选出与PD-L1表达水平相关的最优特征。利用Logistic回归、支持向量机和极端梯度提升决策树(XGBoost)分别建立影像组学模型;单因素及多因素Logistic回归用于筛选临床危险因素并构建临床模型;基于影像组学评分和临床危险因素构建列线图模型。通过ROC曲线评估不同模型的诊断性能,并计算出AUC、灵敏度、特异度和准确度。结果:分化程度低、Ki-67高表达是术前预测PD-L1表达水平的临床危险因素。在训练集和测试集中,XGBoost模型均表现出最高的诊断性能,AUC分别为0.833、0.776。进一步基于分化程度、Ki-67表达和XGBoost影像组学评分构建列线图模型,结果显示,其在训练集中的AUC、灵敏度、特异度、准确度分别为0.902、80.39%、91.78%、86.73%,在测试集中的AUC、灵敏度、特异度、准确度分别为0.835、86.36%、77.42%、80.90%。结论:采用XGBoost建立的超声影像组学模型对乳腺癌PD-L1表达水平具有较高的预测价值,联合临床危险因素建立的列线图可以进一步提升诊断性能。