基于MRI多组合机器学习模型鉴别浸润性乳腺小叶癌和导管癌的价值

摘要

目的：探讨基于MRI放射组学特征的多组合机器学习模型鉴别浸润性乳腺小叶癌(ILC)和导管癌(IDC)的价值。方法：基于癌症档案影像公共数据库下载1995—2006年间训练队列(n=86)和1988—1994年间验证队列(n=44)的两个中心乳腺癌MRI影像数据集。利用12种不同算法基于放射组学特征开发鉴别ILC和IDC的机器学习模型。受试者工作特征(ROC)曲线评估模型的性能，并计算曲线下面积(AUC)、灵敏度和特异度。结果：基于Wilcoxon检验鉴定21个与ILC相关的高价值特征，并选择3种以上特征组成的机器学习模型，最终开发28个模型。Stepglm[forward]算法表现出最优预测效果，训练队列和验证队列的AUC分别为0.972、0.819，灵敏度分别为0.909、0.875，特异度分别为0.933、0.667。结论：本研究基于多组合算法策略交叉验证了MRI放射组学特征可作为ILC和IDC鉴别的非侵入性替代成像标志物。

关键词

浸润性乳腺癌 / 小叶癌 / 导管癌 / 放射组学 / 机器学习