背景:基于超声图像的卷积神经网络(Convolutional neural network,CNN)的诊断模型是目前临床诊断乳腺癌良恶性的有效手段.但相比良恶性二分类诊断,乳腺癌病理细分多分类诊断可能更利于临床更精准治疗,更具临床价值.目的:基于超声图像构建乳腺癌CNN病理类型诊断模型,并分析其临床诊断价值.方法:纳入我院2016年1月至2022年1月经病理学检查确诊的432例乳腺癌患者,其中262例为原位癌,170例为浸润癌.收集所有患者超声图像特征等资料作为建模数据集,并将建模数据按7:3的比例划分为训练集和验证集.构建基于超声图像的乳腺癌患者病理类型的CNN诊断模型及Logistic回归诊断模型,并使用ROC曲线下面积来评价两种诊断模型的性能.结果:共筛选出形态、毛刺蟹足、Adler血流分级、腋窝淋巴结转移、后方回声衰减5个超声图像作为建模指标,通过分析训练集与测试集数据流分别建立CNN诊断模型及Logistic回归诊断模型,CNN诊断模型的灵敏度、特异度、准确度AUC曲线下面积CNN诊断模型均高于Logistic回归诊断模型.结论:基于超声图像的乳腺癌CNN病理诊断模型在诊断乳腺原位癌及浸润癌的临床诊断价值高于Logistic回归诊断模型,对临床乳腺癌患者病理类型诊断具有一定的辅助价值.
作者：於子扬；唐维；杨丽
来源：生命科学仪器 2023 年 21卷 1期
