动态增强MRI影像组学模型术前预测乳腺癌前哨淋巴结转移

目的 构建并验证动态增强MRI(DCE-MRI)影像组学模型能否于术前无创性预测乳腺癌前哨淋巴结(SLN)转移.方法 回顾性分析术前接受DCE-MRI检查且经病理证实的128例女性乳腺癌病人的临床、病理及MRI资料,病人平均年龄(45.94±10.08)岁;其中,前哨淋巴结(SLN)阳性者61例,阴性者67例;将病人按照7:3的比例随机分为训练集(89例)和验证集(39例).提取DCE-MRI第2期相的影像组学特征,应用最大最小值归一化算法将所有原始特征向量进行归一化,采用最优特征筛选器及最小绝对值收敛和选择算子(LASSO)-Logistis回归(LR)算法依次对影像组学特征进行降维筛选,选择出7个对术前预测SLN转移有价值的最优特征,包括1个一阶统计特征、3个形状特征和3个纹理特征.应用支持向量机(SVM)、LR及决策树3种机器学习算法构建预测模型.采用独立样本t检验、卡方检验及Fisher确切概率检验比较SLN阳性组和阴性组、训练集和验证集间的临床病理特征.采用受试者操作特征(ROC)曲线评估3种模型的诊断效能,计算相应的曲线下面积(AUC),并通过验证集进行验证.结果 SLN阳性组和阴性组、训练集和验证集组间病人的临床病理特征差异均无统计学意义(均P>0.05).3种机器学习模型中,决策树模型在训练集与验证集中的AUC均最高(分别为1.00和0.90),其次为LR模型和SVM模型;决策树模型在训练集与验证集中也均呈现最高的敏感度,分别为100.00％和89.50％;决策树模型在训练集中的准确度最高(100.00％),其次为LR模型和SVM模型.验证集中3种模型的准确度相等(89.74％).结论 基于DCE-MRI的影像组学模型对SLN转移有一定的预测价值,可为乳腺癌病人术前预测SLN转移提供一种无创而简便的方法,有助于临床个体化精准医疗.