临床放射学杂志

作者：舒予静, 何子龙, 曾伟雄, 刘家玲, 郭丫丫, 陈卫国

单位：510515 广州,南方医科大学南方医院放射科舒予静、何子龙、曾伟雄、刘家玲、郭丫丫、陈卫国; 523710 东莞,广东医科大学附属东莞第一医院放射影像中心舒予静

关键词：乳腺癌,HER2表达状态,乳腺X线摄影,超声,机器学习

基金：本研究系国家自然科学基金项目(编号:82171929)

<b>目的 </b> 基于乳腺X线及超声双模态影像特征构建多分类机器学习模型,术前预测乳腺癌患者的人类表皮生长因子受体2(HER2)表达状态。<b>方法 </b>搜集符合纳排标准的632例女性乳腺癌患者,其中HER2不表达141例、低表达311例、高表达180例。提取研究对象全视野数字化乳腺X线摄影(FFDM)、数字乳腺断层摄影(DBT)以及乳腺超声(US)图像上乳腺癌病灶的影像学征象。在完成数据预处理后,基于五种机器学习算法构建乳腺癌HER2表达状态的三分类预测模型。采用五折交叉验证训练机器学习模型,计算三分类模型的总体准确率、精确率、查全率、F1-score、受试者工作特征曲线(ROC)曲线下面积(AUC)值。通过Bootstrap法比较模型间AUC值,筛选出分类性能最优的三分类模型。采用SHAP方法评估每个特征对模型预测HER2表达状态的重要性。<b>结果 </b>在测试集上,随机森林(RF)模型对HER2表达状态的三分类性能最优,宏平均AUC为0.723,微平均AUC为0.783,总体准确率为57.4%,宏平均召回率为53.0%。SHAP分析结果表明,影响RF模型输出最重要的五个全局特征依次为X线观察到的钙化、舒张压、细线样或线样分支状钙化、US测量的病灶最大径、CA153。<b>结论 </b>基于乳腺X线及超声双模态影像特征的机器学习多分类模型可以实现乳腺癌患者HER2表达状态的术前预测,结合SHAP方法可以提高机器学习模型的可解释性。

来源：2024年第8期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第8期