基于机器学习的组合模型在预测乳腺癌新辅助化疗疗效中的价值

目的 探究基于机器学习组合模型的影像组学在预测肿块型乳腺癌新辅助化疗(neoadjuvant chemotherapy,NAC)疗效中的价值.材料与方法 回顾性分析2018年1月到2021年10月中国人民解放军总医院第五医学中心的97例接受NAC治疗且经组织病理学证实的肿块型乳腺癌患者的临床和影像资料.基于实体瘤疗效评定标准(Response Evaluation Criteria in Solid Tumors,RECIST),将患者分为有效组和无效组,基于治疗前的动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)减影第一期图像上提取的影像组学特征,引入高通或低通小波滤波器和不同参数的拉普拉斯-高斯滤波器对原始MR图像进行预处理.采用基于单变量分析和多变量分析的特征选择方法进行特征筛选,单变量分析包括F检验、卡方检验和互信息;多变量分析采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO);采用支持向量机(support vector machine,SVM)、随机森林(random forest,RM)、logistic回归分析(logistic regression,LR)三种机器学习分类器进行建模,通过交叉组合,共有12种特征筛选器和分类器的组合方案,训练时采用十次重复的五折交叉验证.使用曲线下面积(area under the curve,AUC)、敏感度、特异度、准确率,阳性预测值和阴性预测值评估模型的预测能力.结果 在所有交叉组合的方案中,最佳的特征筛选器是单变量分析中的F检验方法,最佳的分类器是SVM模型,该组合共筛选出191个影像组学特征,AUC为0.83[95%置信区间(confidence interval,CI):0.80～0.86],准确率为 77%(95%CI:74%～80%),特异度为 81%(95%CI:78%～84%),敏感度为71%(95%CI:65%～77%),阳性预测值为67%(95%CI:62%～72%),阴性预测值为85%(95%CI:83%～87%).结论 基于F检验方法和SVM的机器学习组合模型证实了影像组学在预测肿块型乳腺癌NAC疗效中有一定的价值.