| 谢汉民，胡蝶，黄煌，程佳玲，谭昱，王思月.MRI影像组学及深度学习特征结合临床特征预测浸润性乳腺癌前哨淋巴结状态[J].放射学实践,2025,(11):1435-1442 |
| MRI影像组学及深度学习特征结合临床特征预测浸润性乳腺癌前哨淋巴结状态 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.11.015 |
| 中文关键词: 乳腺肿瘤 前哨淋巴结 磁共振成像 深度学习 |
| 基金项目:广东省医学科研基金（A2024533） |
|
| 摘要点击次数: 248 |
| 全文下载次数: 192 |
| 中文摘要: |
| 【摘要】目的：探讨基于MRI动态增强扫描（DCE-MRI）影像组学及深度迁移学习特征结合临床特征预测乳腺癌患者前哨淋巴结（SLN）转移状态的价值。方法：回顾性分析本院2020年1月-2023年4月经临床病理证实为浸润性乳腺癌患者MRI影像及临床资料，按8：2比例随机划分训练集145例（SLN阴性95例、SLN阳性50例）和验证集37例（SLN阴性28、SLN阳性9例）。于DCE-MRI图像上逐层手工勾画肿瘤感兴趣区并提取影像组学（Rad）特征。裁剪出最大二维矩形横截面感兴趣区（ROI），输入残差网络（ResNet50）深度神经网络模型行预训练，提取平均池化层的深度迁移学习（DTL）特征，并将Rad特征与DTL特征融合。以LASSO回归分别筛选出最优的Rad特征、DTL特征及二者融合（DLR）特征，选出最佳模型。将临床病理指标及MRI影像特征通过单-多因素Logistic回归分析筛选独立预测因素并参与构建联合模型，采用LR分类器构建其预测模型。采用受试者操作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评价模型预测效能、校准度及临床获益度。结果：Rad模型在训练集和验证集的AUC分别为0.686（95%CI：0.594~0.777）和0.671（95%CI：0.455~0.885），DTL模型在训练集和验证集的AUC分别为0.739（95%CI：0.657~0.821）和0.643（95%CI：0.409~0.876），DLR模型在训练集和验证集的AUC分别为0.886（95%CI：0.830~0.941）和0.730（95%CI：0.515~0.945）。结合临床病理及MRI影像特征构建联合模型在训练集和验证集的AUC分别为0.891（95%CI：0.835~0.946）、0.762（95%CI：0.579~0.944）。结论：基于DCE-MRI图像的DTL特征、Rad特征以及临床特征构建的联合模型能较好地预测乳腺癌患者SLN转移状态，而联合模型对其预测SLN转移状态有增益作用，并有望为乳腺癌患者的临床决策提供更有价值的信息。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
