目的 探讨机器学习对乳腺癌瘤内、瘤周多模态 MRI影像组学特征预测 Ki-67 表达的诊断效能.方法 回顾分析经病理证实的 202 例乳腺癌患者多模态MRI图像.应用 3D Slicer软件手动勾画感兴趣区(ROI),提取影像组学特征.按 7 ︰3 随机分为训练组(n=141)和验证组(n=61),采用方差阈值法和最小绝对收缩和选择算子(LASSO)算法筛选影像组学特征;用逻辑回归(LR)、支持向量机(SVM)、决策树(DT)和随机森林(RF)构建模型.采用受试者工作特征(ROC)曲线评估不同模型预测效能.结果 对基于单序列 4 种学习分类器模型的诊断效能比较,LR 模型预测效能最佳;LR 算法在基于多参数预测中,MRI 对比增强(CE)+T2 序列、CE+表观扩散系数(ADC)序列、T2 WI+ADC序列、CE+T2 WI+ADC 序列在验证组曲线下面积(AUC)分别为 0.713、0.929、0.837、0.855,基于CE+ADC序列 LR模型 AUC高于其他模型,有统计学差异(P<0.05)(DeLong 检验).结论 采用多模态 MRI(CE、T2 WI和 ADC)影像组学的联合,可以提高单一参数影像模型预测乳腺癌Ki-67 表达,其中使用 LR构建的CE+ADC模型诊断效能最优,有望成为临床预测Ki-67 的一种无创手段.
作者：王福倩；王帅；毛锡金；丁孝民；薛良圆；张洁；杜春阳；高娇敏
来源：实用放射学杂志 2023 年 39卷 10期
