乳腺良恶性病变鉴别的MRI影像组学预测模型构建:基于随机森林、支持向量机、逻辑回归分类器

  目的  构建基于随机森林、支持向量机和逻辑回归分类器的MRI影像组学预测模型,对乳腺良恶性病变进行鉴别,并评估上述模型的诊断价值。  方法  回顾性分析在南方科技大学盐田医院进行MRI影像检查并获得手术病理的34例乳腺病变患者的动态增强MRI图像。按0.8∶0.2的比例将病例分为训练集（n=27）和测试集（n=7）。采用3D Slicer软件勾画乳腺病灶靶区并生成3D感兴趣体积,对每个感兴趣体积提取1037个影像组学特征,使用LASSO进行影像组学特征降维,然后在训练集中采用随机森林、支持向量机和逻辑回归等3种分类器分别构建乳腺良恶性病变的预测模型,并在测试集中进行评估。  结果  经LASSO降维后共选出6个影像组学特征标签进行建模,3种模型在训练集中的分类效果均非常好（曲线下面积>0.90）,其中稳定性最高的是基于逻辑回归分类器建立的乳腺良恶性病变影像组学预测模型。  结论  基于随机森林、支持向量机和逻辑回归的MRI影像组学预测模型在诊断乳腺良恶性病变方面都具有较好的诊断效能,其中逻辑回归模型更为稳定。影像组学方法可为乳腺良恶性病变的预测提供新的手段。