摘要
研究背景:腋窝淋巴结转移是早期乳腺癌的独立危险因素，同时腋窝淋巴结临床分期也是乳腺癌患者是否选择新辅助治疗、放疗以及腋窝手术方式决策的重要依据，但目前常规临床评估方法受主观因素干扰，且准确率有待提高。近年来，人工智能识别技术能有效提高疾病的诊断和预测能力，但腋窝淋巴结的识别和定位仍然困难。因此，本研究拟采用三维可视化技术定位，通过挖掘有意义的CT影像组学特征，构建多组学机器学习模型，旨在为乳腺癌临床腋窝淋巴结评估提供新方法。 研究方法: 1.本研究回顾性地收集了156例在中南大学湘雅二医院乳腺外科完成了腋窝淋巴结清扫手术的浸润性乳腺癌患者，所有患者均在手术前一个月内完成肺部高分辨率薄层增强CT检查，术后腋窝淋巴结的病理结果作为判断淋巴结有无转移的金标准。 2.利用三维可视化技术，将156例训练集和362例外部验证集患者的肺部高分辨率薄层增强CT进行三维重建，构建腋窝淋巴结三维可视图谱。 3.以图谱定位腋窝淋巴结所在位置，在CT图像上勾画淋巴结感兴趣区域（ROI），从ROI中提取影像组学特征。 4.联合影像组学特征和患者的临床病理特征，采用单因素方差分析、相关性分析、最小绝对值收缩和选择回归算法（LASSO）进行特征筛选。 5.基于最优特征，采用七种机器学习方法构建评估腋窝淋巴结有无转移的预测模型。 6.利用嵌套交叉验证的方法评估预测模型的性能，表征预测效能的指标包括曲线下面积（AUC）、敏感性、特异性、假阴性率和假阳性率。 7.根据纳排标准，回顾性收集本中心362例乳腺癌患者作为外部验证集进行验证，表征预测效能的指标包括正确分类率、错误分类率、敏感性和特异性。 研究结果: 1.训练集中乳腺癌腋窝淋巴结转移组和未转移组之间基线特征无显著差异。 2.三维可视化技术有助于乳腺癌腋窝淋巴结的精准定位和标记。依据该技术总计提取到107个腋窝淋巴结影像组学特征，筛选出22个预测效能较高的特征纳入模型构建。 3.随机森林预测模型在预测乳腺癌腋窝淋巴结转移状态的诊断效能优于其他有监督分类算法构建的模型，内部验证集中AUC高达0.936(0.916-0.950),敏感性为83.3％,特异性为90.9％。 4.特征相关性分析发现，特征10thPercentile和特征Mean显著相关，重要性分析提示特征Correlation对于模型的预测最重要。 5.预测模型在外部验证集中具有较好的诊断效能，正确分类率为95.03％,错误分类率为4.97％,敏感性为92.43％,特异性为97.74％。 研究结论:本研究构建了一个由22个影像组学特征构成的机器学习模型，与常规临床评估方法相比，能有效提高36.74％的腋窝淋巴结转移预测正确分类率。该模型对早期乳腺癌腋窝手术决策及辅助治疗的精准化选择具有较高的临床应用潜能。
NETL