基于特征融合的集成模型分类乳腺癌分子亚型的研究

作者：张雷; 杨丽凤; 焦雄^*

来源：磁共振成像, 2023, 14(03): 58-64.

• 乳腺癌
• 分子分型
• 特征融合
• 支持向量机
• 磁共振成像

目的 融合传统影像组学特征和卷积神经网络特征，构建分类乳腺癌分子亚型的支持向量机（support vector machine, SVM）集成模型，探讨该模型分类乳腺癌分子分型的价值。材料与方法 回顾性分析Duke-Breast-Cancer-MRI数据集中经病理证实的189例乳腺癌患者病例，其中Luminal型71例、人类表皮生长因子受体-2(human epidermal growth factor receptor 2, HER-2)过表达型57例、三阴性型61例。对所有患者的动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)图像进行预处理后，按照8∶2的比例分为训练集（n=151）和测试集（n=38）。使用传统影像组学方法和DenseNet169网络模型对患者病变感兴趣区（region of interest, ROI）提取特征，然后使用Spearman相关系数和最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法对传统影像组学特征进一步筛选，最后使用特征融合后的特征组构建SVM集成分类模型。使用宏观平均方法绘制受试者工作特征（receiver operating characteristic, ROC）曲线来判断集成模型的诊断效能。结果 三种乳腺癌分子亚型的传统影像组学特征经过筛选后分别获得51、49、20个特征标签，将其分别与卷积神经网络提取的1664个特征进行融合并建模。其中Luminal型与HER-2过表达型构建的分类器曲线下面积（area under the curve, AUC）值为0.880 [95%置信区间（confidence interval, CI）:0.814～0.946],Luminal型与三阴性型构建的分类器AUC值为0.861(95%CI:0.791～0.931),HER-2过表达型与三阴性型构建的分类器AUC值为0.696(95%CI:0.571～0.822)。由3个二分类器组成的SVM集成模型的AUC值为0.820(95%CI:0.725～0.915)。结论 基于特征融合的SVM集成模型在分类三种乳腺癌分子亚型时表现出良好的效果，对术前乳腺癌分子亚型的分类具有重要的指导价值。

• 单位
  生物医学工程学院; 太原理工大学