乳腺X线摄影影像组学特征预测三阴性乳腺癌

目的 评估乳腺X线摄影影像组学特征预测三阴性乳腺癌（TNBC）的价值。方法 回顾性分析177例非特殊类型浸润性乳腺癌,包括77例TNBC和100例非TNBC,按7∶3比例将其随机分为训练集（n=123）和验证集（n=54）。提取乳腺X线摄影内外侧斜位（MLO）和头足位（CC）图像的影像组学特征,并采用Select-K-Best方法、最小绝对值收敛和选择算子（Lasso）回归分别筛选MLO、CC及MLO+CC图像中与TNBC相关性最强的影像组学特征,以支持向量机方法分别构建TNBC预测模型;采用受试者工作特征（ROC）曲线分析模型及影像组学特征的预测效能。结果 自CC位、MLO位及MLO+CC图像各提取1 033个影像组学特征。经Select-K-Best方法和Lasso回归分析,分别于训练集CC位图像、MLO位图像和CC+MLO位图像各筛选出7个与TNBC相关性最强的影像组学特征,以之构建TNBC预测模型。ROC曲线结果显示,训练集中CC位、MLO位、CC+MLO位预测模型预测TNBC的ROC曲线下面积（AUC）分别为0.82、0.73、0.84,验证集分别为0.82、0.70、0.78;CC位预测模型在训练集和验证集中预测TNBC的准确率较高,分别为81.30%和81.48%。基于CC位图像筛选出的7个与TNBC相关性最强的影像组学特征中,灰度级依赖矩阵中的Maximum Probability及经过滤波变换的Gray Level NonUniformity及Large Dependence Low Gray Level Emphasis分类预测TNBC的AUC为0.587、0.599及0.615（P均<0.05）。结论 乳腺X线摄影图像、尤其乳腺CC位图像影像组学特征对术前预测TNBC有一定临床应用价值,。     

基于T2WI-FS的影像组学特征在术前预测乳腺癌腋窝淋巴结转移中的价值

目的:探讨基于T2加权成像压脂序列(T2-weighted imaging fat suppression,T2WI-FS)图像的影像组学特征所构建机器学习模型在术前预测乳腺癌患者腋窝淋巴结(axillary lymph nodes,ALN)转移中的价值.方法:回顾并分析经病理学检查证实的乳腺癌患者68例,共171枚A...     

基于MRI放射组学模型预测乳腺癌腋窝淋巴结转移状态的初步研究

目的:研究原发性乳腺癌基于多参数磁共振图像的放射组学特征机器学习模型在预测腋窝淋巴结转移状态中的价值。方法:乳腺癌患者98例,共114个乳腺病变,利用基于直方图、形状和纹理的多参数图像特征分别提取107个放射组学特征。采用方差阈值(方差阈值=0.8)和最小绝对收缩选择算子(lasso)来减少冗余特征。基于所选择的最优特征,建立放射性组学的预测模型,采用了3个分类器,分别是 k 近邻(k-Nearest Neighbor,KNN)、支持向量机(support vector machine,SVM)和Logistic回归模型(logistic regression,LR)。并利用ROC分析方法对测试集中曲线下的面积(under the curve,AUC)进行预测性能评价。结果:有淋巴结转移的乳腺癌46例共56个病灶,无淋巴结转移的乳腺癌52例共58个病灶。在特征选择之后,利用最佳放射组学特征(5倍交叉验证,分别12、10、29、10、16个特征)建立预测模型。在三种基于放射组学的模型中,SUM模型的性能最好,平均AUC为0.805,高于KNN及LR的平均AUC（0.783、0.802）。结论:乳腺癌的 MRI纹理分析可作为预测淋巴结转移状态的非侵袭性指标,值得进一步研究。