10.12015/issn.1674-8034.2023.03.005
DCE-MRI影像组学特征在预测乳腺癌腋窝淋巴结转移中的价值
目的 探讨动态对比增强MRI(dynamic contrast enhanced MRI,DCE-MRI)影像组学特征在预测乳腺癌腋窝淋巴结(axillary lymph node,ALN)转移中的价值.材料与方法 回顾性分析2017年1月至2020年12月间经河南省人民医院手术病理证实为乳腺癌患者的首次术前MRI图像及临床病理资料(包括患者年龄、病灶的位置和大小、SBR分级,ER、PR、HER-2及Ki-67的表达情况,ALN是否转移及脉管癌栓的有无),共入组356例患者,年龄26～82(49.17±10.75)岁,并按8∶2的比例将其随机分为训练集(n=284)和测试集(n=72).提取DCE-T1WI序列第3期图像的影像组学特征,并通过Mann-Whitney U检验、Z分数归一化、方差阈值、K最佳及最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法筛选与ALN转移强相关的定量影像组学特征;应用多种分类器算法以排列组合方式分别构建影像组学标签,并利用受试者工作特征(receiver operating characteristic,ROC)曲线得到的曲线下面积(area under the curve,AUC)、敏感度、特异度及准确度评价模型的预测性能,根据模型效能从中确定最佳影像组学预测模型.结果 356例乳腺癌患者中ALN转移组117例(32.9％,117/356),无ALN转移组239例(67.1％,239/356);HER-2阳性表达在ALN转移组和无转移组之间的差异有统计学意义(χ2=5.433,P=0.020),其余临床病理指标在两组间的差异均无统计学意义(P＞0.05);且临床病理指标在训练集与测试集患者中的差异均无统计学意义(P＞0.05).从初始653个影像组学特征中共筛选得到18个与ALN转移强相关的影像组学特征,包括形态特征、一阶特征及纹理特征各6个.基于绝对值最大归一化和Bagging决策树算法构建的影像组学标签是预测ALN转移的最佳模型,该模型在训练集和测试集的AUC、敏感度、特异度和准确度分别为0.929[95％置信区间(confidence interval,CI):0.897～0.960]、69.9％、96.9％、88.0％和0.803(95％CI:0.701～0.905)、75.0％、75.0％、75.0％.结论 基于DCE-MRI影像组学特征构建的预测模型有助于乳腺癌术前ALN评估.
乳腺癌、腋窝淋巴结转移、预测效能、影像组学、磁共振成像
14
R445.2;R737.9(诊断学)
河南省自然科学基金面上项目;河南省医学科技攻关计划项目
2023-04-07（万方平台首次上网日期，不代表论文的发表时间）
共7页
21-27
