目的 观察基于X线及超声的乳腺影像报告和数据系统(BI-RADS)选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性.方法 回顾性分析200例经病理的浸润性乳腺癌,根据免疫组织化学结果分为Luminal组(n=109)与非Luminal组(n=91),组内按7:3比例随机分为训练亚组及测试亚组.采集11个临床信息,并提取24个影像学特征,建立4种机器学习模型,通过受试者工作特征(ROC)曲线评价各模型预测不同分子分型乳腺癌的效能,比较各模型曲线下面积(AUC)的差异.结果 测试组随机森林(RF)、极端梯度提升(XGBoost)、逻辑回归(LR)及支持向量机(SVC)模型判断不同分子分型乳腺癌的敏感度分别为74.10％、74.10％、77.80％和70.40％,特异度分别为63.60％、51.50％、57.60％和60.60％,准确率分别为68.30％、61.70％、66.70％和65.00％;其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大(AUC=0.70,P＜0.05),但与其他模型间差异均无统计学意义(P均＞0.05).结论 RF模型预测不同分子分型乳腺癌的效能较好.
作者：马梦伟；秦耿耿；徐维敏；刘仁懿；文婵娟；曾辉；陈卫国
来源：中国医学影像技术 2020 年 36卷 12期
