目的 应用机器学习技术构建基于超声图像形态学定量特征的乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序方式验证该模型的可操作性和实用性.方法 收集我院经病理确诊的乳腺肿块患者1046例,按7:3比例随机分为训练集732例,验证集314例;训练集中恶性430例,验证集中恶性199例,使用ImageJ分析软件提取肿块超声图像的形态学定量特征参数,包括最佳拟合椭圆的长短径比值(AR)、圆润度(C)、费雷特角度修正(MFA)、凹凸度(S).应用单因素分析比较训练集中良、恶性乳腺肿块超声图像形态学定量特征参数及患者年龄,运用机器学习技术进行多因素分析,确定预测乳腺肿块恶性风险的独立危险因素,并构建列线图预测模型.使用验证集数据对预测模型效能进行测试,绘制受试者工作特征(ROC)曲线和校准曲线分析预测模型的诊断效能,并设计开发在线应用程序.结果 单因素分析显示,良、恶性乳腺肿块AR、C、MFA、S及患者年龄比较差异均有统计学意义(均P<0.05).多因素分析显示,AR、C和患者年龄是预测乳腺肿块恶性风险的独立危险因素(均P<0.05).基于上述独立危险因素构建乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序的方式呈现,训练集内部验证的曲线下面积为0.931,敏感性为88.1％,特异性为85.4％;验证集外部验证的曲线下
作者：侯银；张盼盼；张青陵
来源：临床超声医学杂志 2022 年 24卷 5期
