目的:评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。方法:回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例,以2018年8月31日为节点将其分为训练集(526例)和验证集(302例),提取肿块的超声影像组学特征并进行特征筛选,运用k最近邻(kNN)、逻辑回归(LR)、朴素贝叶斯(NB)、随机森林(RF)和支持向量机(SVM)5种机器学习算法分别建立预测模型,使用重复交叉验证方法做内部验证,计算比较各模型的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并实施外部验证,绘制ROC曲线并比较ROC曲线下面积(AUC)以评价模型的鉴别诊断性能,绘制校准曲线评价模型校准度。结果:从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中,5种模型的敏感度、特异度、PPV、NPV比较,总体差异均有统计学意义(P均<0.001)。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778,3项指标均高于其他4种模型;敏感度中位数为0.824,高于kNN、RF和SVM模型。此外,SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759,虽均低于LR模型,但均高于其他3种模型。在外部验证中,LR、SVM
作者:张盼盼;张青陵;侯银;张良西;沈忠兵;鲁柯兵;杭哲;朱向明
来源:中华医学超声杂志(电子版) 2022 年 19卷 6期