基于超声构建深度卷积神经网络模型对Luminal B型乳腺癌的预测

摘要

目的：探讨基于超声的深度卷积神经网络（CNN）模型预测Luminal B型乳腺癌的效能。方法：前瞻性纳入2022年1月—2024年12月进行治疗的乳腺癌患者500例（Luminal B型330例，非Luminal B型170例），均行超声检查，以术后病理为金标准。比较CNN与传统机器学习模型（Logistic回归、SVM、贝叶斯网络、随机森林）的诊断效能。结果：两组患者在肿瘤大小、形状、边缘、内部及后方回声方面差异显著（P<0.05）。肿瘤大小≥2 cm、不规则/椭圆形状、边缘不光滑、内部中/强回声、后方回声衰减/混合是Luminal B型的危险因素。SVM分析显示危险因素重要性排序为：大小、形状、边缘、内部回声、后方回声。CNN模型的准确性、灵敏度及ROC曲线下面积（AUC）均显著优于其他模型。结论：基于超声的CNN模型对Luminal B型乳腺癌预测效能好，可辅助术前诊断。

关键词

乳腺肿瘤 / 超声检查 / 深度学习

基金资助

国家自然科学基金（编号：82200031）