科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 探讨动态对比增强MRI(dynamic contrast enhanced MRI, DCE-MRI)影像组学特征在预测乳腺癌腋窝淋巴结(axillary lymph node, ALN)转移中的价值。材料与方法 回顾性分析2017年1月至2020年12月间经河南省人民医院手术病理证实为乳腺癌患者的首次术前MRI图像及临床病理资料(包括患者年龄、病灶的位置和大小、SBR分级，ER、PR、HER-2及Ki-67的表达情况，ALN是否转移及脉管癌栓的有无)，共入组356例患者，年龄26～82(49.17±10.75)岁，并按8∶2的比例将其随机分为训练集(n=284)和测试集(n=72)。提取DCE-T1WI序列第3期图像的影像组学特征，并通过Mann-Whitney U检验、Z分数归一化、方差阈值、K最佳及最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法筛选与ALN转移强相关的定量影像组学特征；应用多种分类器算法以排列组合方式分别构建影像组学标签，并利用受试者工作特征(receiver operating characteristic, ROC)曲线得到的曲线下面积(area under the curve, AUC)、敏感度、特异度及准确度评价模型的预测性能，根据模型效能从中确定最佳影像组学预测模型。结果 356例乳腺癌患者中ALN转移组117例(32.9%,117/356)，无ALN转移组239例(67.1%,239/356);HER-2阳性表达在ALN转移组和无转移组之间的差异有统计学意义(χ2=5.433,P=0.020)，其余临床病理指标在两组间的差异均无统计学意义(P>0.05)；且临床病理指标在训练集与测试集患者中的差异均无统计学意义(P>0.05)。从初始653个影像组学特征中共筛选得到18个与ALN转移强相关的影像组学特征，包括形态特征、一阶特征及纹理特征各6个。基于绝对值最大归一化和Bagging决策树算法构建的影像组学标签是预测ALN转移的最佳模型，该模型在训练集和测试集的AUC、敏感度、特异度和准确度分别为0.929 [95%置信区间(confidence interval, CI):0.897～0.960]、69.9%、96.9%、88.0%和0.803(95%CI:0.701～0.905)、75.0%、75.0%、75.0%。结论 基于DCE-MRI影像组学特征构建的预测模型有助于乳腺癌术前ALN评估。
- 单位
