目的:基于动态增强磁共振成像(DCE-MRI)探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达状态的价值.方法:回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7:3比例分为训练集和测试集.通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki-67表达状态.比较不同模型的受试者工作特征曲线下面积(AUC)并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性.结果:同一分类器在不同的特征数下预测性能不同.在基于DCE-MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74.DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义(P＜0.001),与其余3个模型无统计学差异.结论:基于DCE-MRI所构建的影像组学模型可以预测浸润性乳腺癌Ki-67表达状态,该方法有望为临床医生对浸润性乳腺癌的术前干预和预后提供指导.
作者：张丽；黄小华；沈梦伊；张丁懿；何欣
来源：中国医学计算机成像杂志 2024 年 30卷 1期
