基于钙化识别的深度学习模型对乳腺导管原位癌的诊断价值

作者：王金花; 刘立志; 许翠; 罗敏; 刘于宝

来源：海军军医大学学报, 2023, 44(07): 868-873.

DOI：10.16781/j.CN31-2187/R.20220231

• 乳腺肿瘤
• 深度学习
• 乳房X线摄影术
• 钙化
• 导管原位癌

目的 探讨基于钙化特征参数的深度学习模型对乳腺导管原位癌（DCIS）的诊断价值。方法 回顾性分析2016年1月至2022年12月经南方医科大学深圳医院或中山大学肿瘤防治中心乳腺钼靶X线检查发现钙化的患者资料，根据病理诊断结果将患者分为良性病变组569例、DCIS组263例。采用深度学习建立钙化特征检测和分类模型，筛选差异有统计学意义的特征参数，并采用ROC曲线分析各特征参数及深度学习模型、传统机器学习模型对DCIS的诊断效能。结果 20个特征参数中线样分支状钙化数、细颗粒状钙化数、段样分布率、簇状分布率、种群密度等5个参数在良性病变组与DCIS组之间差异有统计学意义，以DCIS组数值较高（P均<0.05）。线样分支状钙化数、细颗粒状钙化数、段样分布率、簇状分布率、种群密度识别DCIS的ROC曲线下面积（AUC）分别是0.762、0.732、0.725、0.757、0.810，灵敏度分别为81.2%、85.9%、80.1%、87.8%、86.4%，特异度分别是76.0%、71.6%、70.3%、73.4%、63.7%。通过这5个特征参数组合建立的深度学习模型识别DCIS的AUC值、灵敏度、特异度分别为0.823、89.3%、77.3%，高于独立特征参数和传统机器学习模型支持向量机、K-邻近算法、线性判别分析、logistic回归模型（AUC分别为0.771、0.801、0.765、0.734，灵敏度分别为79.7%、80.9%、77.8%、74.4%，特异度分别为57.8%、62.9%、56.6%、47.9%）。结论 筛选诊断价值较高的钙化特征并建立深度学习模型有助于提高乳腺X线片上DCIS的诊断识别水平。

• 单位
  中山大学肿瘤防治中心; 南方医科大学深圳医院