基于表观扩散系数图像的影像组学模型对MRI乳腺影像报告与数据系统4类病变良恶性的鉴别诊断价值

摘要

目的探讨基于ADC图像的影像组学模型对乳腺MRI乳腺影像报告和数据系统（BI-RADS）4类病变良恶性的鉴别诊断价值。方法回顾性分析中国医科大学附属第一医院2014年12月至2015年12月,经乳腺动态对比增强MRI（DCE-MRI）检查诊断为BI-RADS 4类病变,且最终诊断经病理证实的88例女性患者。良性病变36例,恶性病变52例。患者均行乳腺MRI平扫、DWI及DCE-MRI扫描。参照DCE-MRI图像对病变进行亚型分级,分为4A、4B或4C类,以病理结果为金标准,计算亚型分级的阳性预测值,并采用ROC评价亚型分级的诊断效能。将ADC图像导入Analysis-Kinetics分析软件,进行影像特征提取。对影像特征进行预处理,训练组63例,验证组25例。采用Kruskal-Wallis检验和Spearman相关性分析进行特征降维,利用R语言软件包中的"glm"函数建立线性回归（LLR）模型,以交叉验证（10折,重复10次）方法对LLR模型进行检验,并绘制ROC检验模型的敏感度和特异度。结果 BI-RADS 4A、4B、4C亚型阳性预测值分别为16.7%（2/12）、59.6%（28/47）、75.9%（22/29）;ROC下面积为0.650,诊断敏感度、特异度分别为76.9%和45.9%。影像特征提取得到396个影像组学特征,经降维得到与良恶性鉴别相关的参数5个（区大小变异度、熵差、区百分比、强度值变异度和逆差矩）。建模后验证LLR模型诊断准确度为80.0%（20/25）,ROC下面积为0.790,最佳截断点为0.45,诊断敏感度和特异度分别为81.3%和77.8%。结论基于ADC图像的影像组学模型可对鉴别乳腺BI-RADS 4类病变良恶性具有价值,诊断效能高于临床亚型分类方法。