基于瘤内及瘤周3 mm超声组学特征的可解释性机器学习模型可较好评估乳腺癌Ki-67的表达分级

摘要

目的 探讨基于瘤内及瘤周区域的超声影像组学特征结合临床超声特征构建的可解释性机器学习模型在评估乳腺癌Ki-67表达分级中的应用价值，分析不同瘤周区域范围对乳腺癌Ki-67表达分级评估效能的差异。方法 回顾性分析于我院接受手术治疗的185例乳腺癌患者，根据术后病理结果分为Ki-67高表达组（n=109）和低表达组（n=76）。勾画肿瘤的感兴趣区域并自动向外扩张瘤周区域；提取筛选瘤内及瘤周区域影像组学特征并构建瘤内、瘤周1、3、5 mm的影像组学模型，将最优瘤周模型与瘤内模型相结合构成最优影像组学模型，并计算其影像组学评分；筛选临床超声指标构建临床模型。将最优影像组学模型和临床模型联合构建列线图模型。采用ROC曲线、决策曲线以及校准曲线对模型的诊断性能与临床应用价值进行综合评价。为增强模型的透明度，运用SHAP算法对最优模型的预测机制进行特征重要性解析。结果 瘤周3 mm模型相对于其他瘤周模型评估效能好。病灶的最大径、有无微钙化及超声评估的腋窝淋巴结有无异常被纳入临床模型。最优组学模型与临床模型构成的列线图模型在训练集及验证集中的预测性能较好，AUC分别为0.923、0.883，且具有良好的临床价值和校准度。结论 瘤内及瘤周3 mm影像组学特征联合临床超声指标可以较好地评估乳腺癌的Ki-67表达分级，有望为临床决策提供参考。

关键词

乳腺肿瘤 / 超声检查 / 影像组学 / Ki-67抗原