摘要
目的： 乳腺肿物良恶性的早期诊断对于后续的治疗至关重要，影像组学可以通过定量分析超声图像来表征肿瘤。本研究旨在通过分析二维超声图像及应变力弹性图像的语义特征和影像组学特征，构建影像组学诺莫图(Nomogram)模型，用于可视化预测乳腺肿物良恶性。 材料和方法： 本研究纳入219例于2021年3月至2023年3月来我院以乳腺肿物就诊行超声检查的患者，共219个乳腺肿物，所有乳腺肿物均经穿刺活检或手术切除病理证实。两名超声医生对每个乳腺肿物的二维超声图像和应变力弹性图像进行回顾性分析。采用分层抽样法，所有乳腺肿物按7：3的比例被随机分为训练集(n＝153)和测试集(n＝66)。比较两组在患者的年龄、肿物最大径、肿物位置、形态、边缘、方向、后方回声、钙化、脂肪应变比(FLR)、弹性评分和血流分级方面的统计学意义。通过单变量和多变量逻辑回归分析语义特征筛选出乳腺恶性肿瘤的独立预测因素，并建立语义特征模型。采用方差分析(ANOVA)、最大相关性最小冗余性算法(mRMR)、最小绝对收缩和选择算子(LASSO)的特征选择方法，选择逻辑回归分类器分别建立二维组学模型、弹性组学模型和双模态组学模型。将语义特征和双模态组学模型Radscore通过单变量和多变量逻辑回归分析联合构建Nomogram。分别计算五种预测模型的受试者特征曲线(ROC)的曲线下面积(AUC)、准确率(ACC)、灵敏度(SEN)、特异度(SPE)和F1分数来评价模型的诊断准确性。使用DeLong检验比较不同模型ROC曲线之间的差异。使用校准曲线评估五种模型预测结果与实际结果之间的一致性，应用Hosmer-Lemeshow拟合优度检验评估五种预测模型的拟合程度。为了进一步评估五种预测模型的临床应用价值，使用决策曲线分析(DCA)来量化不同阈值概率下的标准化净效益。 结果： 训练集和测试集的组间比较，在患者的年龄、肿物最大径、肿物位置、形态、边缘、方向、后方回声、钙化、FLR、弹性评分和血流分级方面的差异均无统计学意义(p＞0.05)。年龄、肿物最大径、边缘、FLR和血流分级是乳腺恶性肿瘤的独立预测因素(p＜0.05)。语义特征模型、弹性组学模型、二维组学模型、双模态组学模型和Nomogram的训练集AUC分别为0.83、0.91、0.92、0.96、0.99，测试集AUC分别为0.86、0.87、0.91、0.93、0.95。纳入了Radscore和语义特征的Nomogram诊断效能最佳，双模态组学模型优于语义特征模型、二维组学模型和弹性组学模型。在训练集中，DeLong检验显示语义特征模型分别与弹性组学模型、双模态组学模型和Nomogram的ROC曲线之间差异均有统计学意义(p＜0.05)。五种模型的校准曲线使用Hosmer-Lemeshow拟合优度检验进行了测试，弹性组学模型的测试集产生了显著(p＜0.05)结果，其余模型均产生了不显著(p＞0.05)的结果，提供了良好的校准证据。DCA显示，相比其余四种模型，Nomogram具有更高的临床净效益。 结论： 二维超声组学模型及应变力弹性组学模型对鉴别乳腺肿物良恶性，具有一定的诊断价值。基于二维图像和应变力弹性图像的双模态组学模型优于两种单模态组学模型。基于双模态组学模型和语义特征的Nomogram，可以进一步提高其在乳腺肿物良恶性中的诊断效能，为临床决策提供有价值的信息。
NETL