摘要
目的:探讨基于磁共振多参数影像组学模型术前预测乳腺癌前哨淋巴结转移的价值。 方法:回顾性分析2015年1月至2021年10月在苏州大学附属第一医院经手术病理证实为乳腺癌的210例女性病人的临床、病理及MRI资料。对病人T2WI、DWI及DCE-MRI第2期相进行影像组学靶区勾画，并按照7∶3的比例随机分为训练集(147例)和验证集(63例)，提取影像组学特征，应用最大最小值归一化算法将所有原始特征向量进行归一化，采用最优特征筛选器及最小绝对值收敛和选择算子(LASSO)算法依次对影像组学特征进行降维筛选，选择出11个对术前预测前哨淋巴结转移有价值的最优特征，再应用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及K邻近4种机器学习算法构建影像组学预测模型。采用独立样本t检验、曼-惠特尼U检验、卡方检验和Fisher确切概率检验比较并筛选训练集中前哨淋巴结阳性组和阴性组、训练集和验证集间的临床、病理及影像学特征。应用筛选出来的临床特征建立临床预测模型，并将l临床预测特征与影像组学评分相结合建立联合模型，绘制列线图。采用受试者操作特征(ROC)曲线评估上述模型的诊断效能，计算相应的曲线下面积(AUC)，并通过验证集进行验证，另外通过决策曲线比较临床模型和联合模型的临床应用价值。 结果:训练集与验证集组间各个特征均无统计学差异(均P＞0.05)。肿瘤最大直径、瘤周水肿及BI-RADS分类在训练集中前哨淋巴结阳性组和阴性组的组间具有统计学差异(P＜0.05)，其余特征组间均无统计学差异。4中机器学习模型中，SVM、LR和RF模型均具有较高的预测效能，其中，LR模型的验证集AUC最高，为0.86。K邻近模型预测效能(AUC=0.70)显著低于其他三个机器学习模型。临床模型预测效能一般，验证集AUC为0.79。临床特征与影像组学标签相结合所建立联合模型训练集及验证集的预测效能相较于临床模型和4个机器学习模型最优，其验证集敏感度、特异度、准确度、F1-分数及AUC分别为93.10％、73.53％、82.54％、83.08％、0.89。 结论:基于M砒多参数影像组学特征的机器学习模型为术前预测乳腺癌前哨淋巴结转移提供了一种精确、简便且无创的新方法，结合临床特征的联合模型进一步提高了预测效能，具有优越的临床应用价值。
NETL