基于MRI影像组学特征构建的机器学习模型在术前预测浸润性乳腺癌分子分型的价值

摘要

目的 探讨根据MRI影像组学特征建立的机器学习模型在术前预测浸润性乳腺癌分子分型中的价值。方法 回顾性分析2023年1月～2024年6月在我院接受手术治疗的浸润性乳腺癌患者155例，根据术后病理及免疫组化结果将患者分为Luminal型（Luminal A型和Luminal B型）、HER2过表达型以及三阴型乳腺癌。比较3组患者临床病理及MRI征象资料；对所有患者MRI第2期图像进行手动分割病灶，提取ROI影像组学特征变量，采用LASSO回归对特征变量进行降维、筛选。将所有样本数据按照7∶3比例分为训练集和测试集；采用随机森林、逻辑回归、支持向量机3种机器学习模型对筛选出的影像组学特征变量进行建模，绘制ROC曲线评估不同机器学习模型在术前评估浸润性乳腺癌分子分型中的效能。结果 3组一般临床病理资料及影像指标的差异无统计学意义（P>0.05）；混淆矩阵显示，随机森林模型的诊断敏感度为96.55%，特异度为93.33%，准确度为93.62%，高于逻辑回归和支持向量机模型（P<0.05）;ROC曲线分析显示，随机森林模型预测的AUC为0.903(95%CI:0.815～0.958)，高于逻辑回归模型的0.680(95%CI:0.565～0.782)和支持向量机模型的0.693(95%CI:0.579～0.793)(P<0.05)。结论 通过基于MRI影像组学特征及机器学习算法构建的随机森林模型在术前预测浸润性乳腺癌分子分型方面具有较高的效能。

关键词

机器学习模型 / 影像组学特征 / 浸润性乳腺癌 / 分子分型