查看更多>>摘要:目的:探究乳腺磁共振成像(magnetic resonance imaging,MRI)影像学特征与21基因检测复发风险评分(recurrence score,RS)的相关性,并建立RS预测模型.方法:收集2017年4月—2019年3月在复旦大学附属肿瘤医院进行21基因检测的雌激素受体(estrogen receptor,ER)阳性、人表皮生长因子受体2(human epidermal growth factor receptor 2,HER2)阴性乳腺癌患者的资料,筛选出有术前MRI检查的患者拟入组.以RS=26分为临界值,将患者分为高危组(RS≥26)与低危组(RS<26).根据2013版乳腺影像报告和数据系统标准评估患者图像.运用单因素检验比较MRI影像学特征在RS分组间差异,运用多元logistic回归构建RS预测模型.以7∶3比例将患者分为训练组和验证组,使用Pearson相关系数筛选法和递归特征消除法进行特征筛选,运用合成少数类过采样技术法进行重采样,使用4种不同机器学习模型算法构建模型(线性支持向量机、随机森林、决策树和K近邻).运用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型效能.结果:共入组159例患者(低危组58例,高危组101例).在临床病理学特征中,孕激素受体(progesterone receptor,PR)表达状态组间差异有统计学意义(P=0.017),低危组PR表达阳性患者占比更高.在MRI影像学特征中,肿块边缘组间差异有统计学意义(P=0.008),低危组肿块多表现为边缘毛刺(64.8%),高危组肿块多表现为边缘不规则(54.7%).将PR状态和肿块边缘纳入多因素logistic回归模型,PR阳性与PR阴性相比,PR阳性患者复发风险相对低,OR值为0.110(P=0.038);边缘毛刺的肿块与边缘不规则肿块相比,边缘毛刺的肿块复发风险相对低,OR值为0.343(P=0.004).Logistic回归模型曲线下面积(area under curve,AUC)为0.67,且该模型校准性能良好且具有一定临床实用性.以7∶3划分后,训练组纳入111例患者(低危组34例,高危组77例),验证组纳入48例患者(低危组和高危组均为24例).4种机器学习模型AUC为0.64~0.69,支持向量机和随机森林模型预测效能相对较高.结论:MRI在评估ER+/HER-乳腺癌患者复发风险方面具有潜在价值.