基于人工智能术前预测乳腺导管内癌微浸润的价值

摘要

目的 基于超声图像的影像组学特征构建术前预测乳腺导管内癌微浸润(DCIS-MI)的鉴别模型,探索人工智能术前预测DCIS-MI的价值.资料与方法 回顾性分析经病理证实的80例乳腺导管内癌(DCIS)和23例DCIS-MI的超声图像.在ITKSNAP软件进行图像分割,通过Intelligence Foundry软件进行影像组学特征提取并整理成数据集.数据集以7:3分为训练组和验证组.训练组用于构建预测模型,验证组用于评估预测模型的可靠性.训练组通过Spearman相关系数以0.95为阈值去除高相关性特征,再使用统计检验联合随机森林的方法(1.25倍重要性均值为阈值)进一步选择重要特征.最后通过决策树机器学习算法构建DCIS-MI的预测模型.使用受试者工作特征曲线及曲线下面积(AUC)评估或验证模型效能.结果 训练组纳入72例患者,其中56例DCIS、16例DCIS-MI;验证组纳入31例患者,其中24例DCIS、7例DCIS-MI.最终选择27项特征构建DCIS-MI的预测模型.训练组和验证组预测模型的AUC分别为0.90和0.73,准确度、敏感度及特异度分别为0.79、0.94、0.75和0.74、0.71、0.75.影像组学评分在不同临床病理参数亚组的AUC均>0.77.结论 基于超声图像构建的影像组学预测模型具有良好的预测效能,可在一定程度上达到术前辅助诊断DCIS-MI的作用,为临床快速有效决策提供依据.