基于超声图像特征对肉芽肿性乳腺炎与浆细胞性乳腺炎的鉴别诊断价值

摘要

目的：探究超声图像特征与肉芽肿性乳腺炎（granulomatous mastitis,GLM）和浆细胞性乳腺炎（plasma cell mastitis,PCM）的相关性，分析基于超声图像特征构建机器学习模型对GLM与PCM的鉴别诊断价值。方法：回顾性分析221例经病理证实的非哺乳期乳腺炎（non-puerperal mastitis,NPM）患者（GLM 158例，PCM 63例）的临床及超声特征。采用XGBoost算法构建分类模型，通过受试者工作特征曲线下面积（area under curve,AUC）及准确率评估模型性能。结果：GLM与PCM患者在年龄、病灶大小、数量、形态、边缘成角、窦道及同侧腋下肿大淋巴结方面的差异具有统计学意义（均P<0.05）。多因素Logistic回归分析结果显示，年龄、窦道形成及同侧腋下淋巴结肿大是GLM和PCM的独立预测因子（均P<0.05）。建模数据集数据平衡前的XGBoost预测模型中，训练集的AUC、准确率分别为0.85、79.87%；验证集的AUC、准确率分别为0.71、82.05%；测试集的AUC、准确率分别为0.80、60.71%。建模数据集数据平衡后的XGBoost预测模型中，训练集的AUC、准确率分别为0.95、88.16%，验证集的AUC、准确率分别为0.88、82.76%，测试集的AUC、准确率结果为0.83、71.43%。结论：基于超声特征构建的XGBoost模型可有效鉴别GLM与PCM，为临床精准诊疗提供决策支持。

关键词

非哺乳期乳腺炎 / 超声 / 鉴别诊断 / 机器学习