目的:探讨基于动态增强磁共振成像(DCE-MRI)瘤内及瘤周影像组学特征的机器学习模型预测乳腺癌腋窝淋巴结转移的价值.方法:回顾性收集2018年6月-2022年8月经病理证实为乳腺癌且有相应腋窝淋巴结状态的患者病例资料215例,其中腋窝淋巴结转移阳性的患者117例,阴性98例.以7∶3的比例将所有患者随机分为训练集与验证集.在训练集中使用皮尔森相关系数(PCC),最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)对影像组学数据进行降维,采用逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、决策树(DT)、线性判别(LDA)6种方法建立影像组学预测模型.通过受试者工作特征曲线下面积(AUC)评价模型的效能.结果:基于瘤内联合瘤周影像组学构建的预测模型,在训练集及验证集中使用LR、RF、SVM、KNN、DT、LDA作为分类器时的AUC分别为(训练集0.811、0.882、0.816、0.773、0.870、0.829,验证集0.787、0.824、0.815、0.711、0.727、0.799),RF模型的预测效能最佳,且高于RF构建的单独瘤内模型(训练集AUC=0.837,验证集AUC=0.599)和瘤周模型(训练集AUC=0.815,验证集AUC=0.764)效能.结论:基于DCE-MRI瘤内联合瘤周影像组学特征构建的机器学习模型对预测乳腺癌患者腋窝淋巴结转移有着较高的价值,其中RF模型的预测能力最
作者：张成孟；丁治民；陈鹏；刘奇峰
来源：中国医学计算机成像杂志 2023 年 29卷 6期
