深度学习超声影像组学列线图预测浸润性乳腺癌Ki-67表达

摘要

目的 探讨基于深度学习超声影像组学列线图预测浸润性乳腺癌Ki-67表达水平的价值。方法 回顾性单中心收集2024年1～12月蚌埠医科大学第一附属医院经病理证实的465例浸润性乳腺癌患者的术前完整的临床资料及超声图像。图像采集采用迈瑞Resona 7、三星HS60彩色多普勒超声诊断仪。根据免疫组化结果分为Ki-67高表达组及低表达组，按7∶3的比例随机分为训练组（n=326）及验证组（n=139）。采用ITK-SNAP软件从二维超声最大切面图像分割肿瘤，ICC评估ROI勾画一致性。采用Pyradiomics提取肿瘤组织的超声影像组学特征，并对四种深度学习网络进行预训练，分别构建临床模型、超声组学模型、融合模型及联合建立列线图模型；采用ROC曲线、校准曲线和决策曲线评估模型的诊断效能和临床应用价值。结果 最终得到19个最佳超声组学特征及DenseNet121深度学习模型最佳，临床模型、超声组学模型、深度学习模型、融合模型及列线图在训练组中的曲线下面积分别为0.79(95%CI:0.74～0.84)、0.85(95%CI:0.81～0.90)、0.87(95%CI:0.83～0.91)、0.94，在验证组中的曲线下面积分别为0.76(95%CI:0.68～0.84)、0.78(95%CI:0.70-0.85)、0.81(95%CI:0.74-0.88)、0.91(95%CI:0.86-0.96)及0.93(95%CI:0.89-0.98)。结论 基于深度学习的超声影像组学预测模型能够有效地预测侵袭性乳腺癌中的Ki-67表达。

关键词

深度学习 / 组学 / 乳腺癌 / Ki-67 / 列线图