基于ABUS和机器学习模型对乳腺结节良恶性判断的对比研究

摘 要：［目的］ 探讨基于乳腺全容积成像ABUS机器学习模型对乳腺结节良恶性的诊断效能。［方法］ 收集因“乳腺结节”就诊的164例患者，均行手术治疗且病理诊断明确，采用回顾性研究，根据患者手术病理结果分为良性组和恶性组，对患者进行乳腺ABUS检查后勾画图像，提取影像组学特征，使用四种机器学习方法（LR、FR、SVM和DL）进行独立识别测试，检测DL的阳性预测值、阴性预测值、阳性似然比、阴性似然比等。［结果］ 使用LR、RF、SVM和DL对乳腺结节进行良恶性判断的ROC曲线下面积分别为0.592、0.627、0.715和0.737，选取ROC曲线下面积最大的LD模型进行进一步诊断效能分析，当阈值=0.6时，LD识别的约登指数最大（0.44），对应的阳性预测值为69.81%、阴性预测值为77.48%、阳性似然比为3.80，阴性似然比为0.48。［结论］ 深度学习在目前使用的机器学习方法中对乳腺结节进行良恶性判断有一定临床诊断意义，未来如果训练集样本数量提高，理论上深度学习方法可以获得更好的识别效果。

Differential Diagnosis of Benign and Malignant Breast Nodules Based on ABUS and Machine Learning Model