基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值

目的：基于动态增强磁共振成像（DCE-MRI）探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达状态的价值。方法：回顾性分析于本院行双乳磁共振检查患者，按照纳入排除标准最终纳入患者156例，按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选，筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki-67表达状态。比较不同模型的受试者工作特征曲线下面积（AUC）并计算准确率和F1度量值评估其性能，校准曲线评估模型拟合度，并应用DeLong检验比较不同模型间的差异性。结果：同一分类器在不同的特征数下预测性能不同。在基于DCE-MRI提取的3个特征下，5种模型的预测性能相对较好，其中支持向量机的整体性能最优，AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90，在测试集分别为0.88、0.79、0.74。DeLong检验显示，在基于3个特征的5个模型中，支持向量机与逻辑回归的性能差异有统计学意义（P<0.001），与其余3个模型无统计学差异。结论：基于DCE-MRI所构建的影像组学模...