超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。     

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

声触诊组织量化成像技术对颈部恶性淋巴瘤与反应性增生淋巴结的鉴别诊断价值

目的探讨声触诊组织量化成像(VTIQ)技术对颈部恶性淋巴瘤与反应性增生淋巴结的鉴别诊断价值。方法回顾性分析45枚颈部恶性淋巴瘤的常规超声及VTIQ图像资料,并选择48枚颈部反应性增生淋巴结作对照,比较分析两者二维超声图像特征及彩色多普勒淋巴门血管模式,并测量其剪切波速度(SWV),以病理诊断结果为金标准,比较颈部恶性淋巴瘤与反应性增生淋巴结SWV之间的差异;绘制受试者工作特征(ROC)曲线,评价VTIQ鉴别颈部恶性淋巴瘤与反应性增生淋巴结的价值。结果恶性淋巴瘤SWV值为(3.37±0.93)m/s,反应性增生淋巴结SWV值为(2.20±0.49)m/s,二者比较差异有统计学意义(t=11.498,P=0.001)。构建SWV预测颈部恶性淋巴瘤的ROC曲线图,SWV值为2.54 m/s时是鉴别颈部恶性淋巴瘤与反应性增生淋巴结的诊断最佳界点,曲线下面积为0.904。VTIQ鉴别诊断颈部恶性淋巴瘤与反应性增生淋巴结的准确率88.2%,敏感性88.9%,特异性87.5%,阳性预测值87.0%,阴性预测值89.4%,优势比56。结论 VTIQ技术对鉴别颈部恶性淋巴瘤与反应性增生淋巴结有较好的应用价值。     

移植后淋巴增生性疾病六例临床病理分析

目的观察移植后淋巴增生性疾病（PTLD）的临床及病理特征，提高其诊断水平。方法对6例PTLD患者进行苏木精一伊红染色和免疫组织化学Envision法染色、原位杂交及基因重排分析，并复习临床资料及随访结果。结果6例中3例为同种异体肾移植后，诊断为单形性PTLD，分别死于诊断后4、2及1个月。2例为同种异体肝移植后，1例诊断为单形性PTLD，诊断后5个月死亡。1例诊断为早期病变。另1例是异体骨髓移植后诊断为多形性PTLD，随访12个月病情较稳定，6例中4例检出EBERl／2DNA。结论PTLD是发生于器官移植后的具有独特的病理形态和临床特征的淋巴增生性疾病，其预后与病理类型及临床分期相关。     

声触诊组织量化成像技术对颈部恶性淋巴瘤淋巴结与反应性增生淋巴结的鉴别诊断价值

目的 探讨声触诊组织量化成像(virtual touch tissue imaging quantification,VTIQ)技术对颈部恶性淋巴瘤与反应性增生淋巴结的鉴别诊断价值。方法 回顾性分析45枚颈部恶性淋巴瘤淋巴结的常规超声及VTIQ图像资料,并选择48枚颈部反应性增生淋巴结做对照,描述两者二维超声图像特征及彩色多普勒淋巴门血管模式,并测量其VTIQ剪切波速度(shear wave velocity, SWV),以病理诊断为金标准,分析颈部恶性淋巴瘤与反应性增生淋巴结剪切波速度之间的差异,并绘制受试者操作特征(receiver operating characteristic curve,ROC)曲线,评价VTIQ鉴别颈部恶性淋巴瘤与反应性增生淋巴结的价值。结果 恶性淋巴瘤淋巴结SWV值为3.37±0.93m/s,反应性增生淋巴结SWV值为2.20±0.49m/s,二者比较差异有统计学意义(T=11.498,P值0.001)。构建SWV的ROC曲线后,其曲线下面积(area under the curve,AUC)为0.904, SWV值为2.54m/s时是鉴别颈部恶性淋巴瘤与反应性增生淋巴结的诊断最佳界点,诊断颈部恶性淋巴瘤与反应性增生淋巴结的准确性88.2％、灵敏性88.9%、特异性87.5％、阳性预测值87%、阴性预测值89.4％、优势比56。结论 VTIQ技术对鉴别颈部恶性淋巴瘤与反应性增生淋巴结有较好的应用价值。     

乳腺癌根治术后引流区域淋巴结反应性增生的超声造影特征

目的 探讨乳腺癌术后引流区域淋巴结反应性增生的超声造影特点。方法 回顾性分析30例患者共35个淋巴结的常规超声及超声造影声像图（灰阶图，彩色多普勒血流图，超声造影图），超声造影使用声诺维混悬液2.4ml于肘静脉团注，获取动态图像应用时间-强度曲线分析得到相关参数。结果 乳腺癌术后引流区域淋巴结体积较小，平均大小在1.25±0.68cm，常规超声结合超声造影对淋巴结反应性增生的诊断准确率较单独使用常规超声高（85.7%，62.9%，P＜0.05）。28例表现为从淋巴门开始的显著增强，4例为从周边开始向中央的增强，3例为中央及周边同步整体增强，三者间差别有统计学意义(P＜0.01)。24例为均匀性增强，11例为不均匀性增强，二者差别有统计学意义(P＜0.01)。超声造影始增时间及峰值时间均值为16.4±6.3s，23.4±7.9s。结论 超声造影能提高乳腺癌术后引流区域淋巴结反应性增生的诊断准确率，造影主要表现为离心型均匀性增强。     

超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用价值

目的：探讨超声影像组学对腮腺多形性腺瘤及腺淋巴瘤鉴别诊断能力。方法：回顾性收集2016年1月-2021年9月于皖南医学院第一附属医院（弋矶山医院）经手术病理证实的133例多形性腺瘤和99例腺淋巴瘤的超声图像及临床相关资料。按7∶3的比例分为训练集162例、验证集70例。利用ITK-SNAP软件上手动勾画肿瘤的感兴趣区（Region Of Interest，ROI），采用Pyradiomics 软件提取二维超声腮腺病灶影像组学定量特征，将提取特征正则化，采用Spearman相关分析，再使用选择最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）模型，筛选出最佳特征。分别采用支持向量机（SVM）、K紧邻（KNN）、决策树（Decision tree）三种机器学习算法根据筛选的最佳特征构建超声影像组学模型，建立对多形性腺瘤和腺淋巴瘤鉴别诊断能力。绘制受试者操作特征（Receiver Operating Characteristic，ROC）曲线评价鉴别各个模型诊断的效能。采用Delong检验评估模型的差异，应用决策曲线分析（DCA）评估模型的临床应用价值。结果：超声影像组学鉴别腮腺常见的良性肿瘤时，提取影像组学21个特征，利用SVM、KNN、Decision tree算法所构建模型鉴别效能AUC、灵敏度、特异度、准确度分别是：0.848、0.842、0.814、0.826；0.721、0.947、0.481、0.652；0.620、0.684、1.000、0.608。通过DeLong检验发现SVM算法优于其他两种算法所构建的模型。结论：超声影像组学利用机器算法可以用于多形性腺瘤与腺淋巴瘤的鉴别。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

机器学习在鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌中的应用

目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。     

超声影像组学在鉴别腮腺多形性腺瘤与基底细胞腺瘤中的临床价值

目的 探讨超声影像组学在腮腺多形性腺瘤(PA)与基底细胞腺瘤(BCA)鉴别诊断中的价值。方法 纳入222例病理诊断为腮腺PA或BCA患者,并分为训练集(130例PA和28例BCA)与验证集(51例PA和13例BCA)。从每个病例超声图像中提取了1 316个影像组学特征,经降维筛选后构建超声影像组学评分。同时构建临床+超声模型、超声影像组学模型及超声影像组学评分模型。通过受试者工作特征(ROC)曲线、校准曲线评价模型的预测效能,使用决策曲线分析(DCA)评估临床应用价值。结果 选择8个特征构建超声影像组学评分。年龄、形态、超声影像组学评分是鉴别PA与BCA的独立预测变量,基于上述变量构建超声影像组学模型。校准曲线显示超声影像组学模型的一致性较好,训练集与验证集的曲线下面积(AUC)分别为0.892(95%CI:0.834～0.951)、0.878(95%CI:0.793～0.963)。DCA结果表明其临床价值优于其他模型。结论 超声影像组学模型可较准确地鉴别PA和BCA,具有优化临床决策的潜力。     

灰阶超声影像组学鉴别诊断皮下组织血管瘤与卡波西型血管内皮瘤

目的 观察灰阶超声影像组学鉴别诊断皮下组织血管瘤（HE）与卡波西型血管内皮瘤（KHE）的价值。方法 回顾性分析143例皮下组织HE和70例KHE共252处病灶,按7：3比例将病灶随机分为训练集（n=176）和验证集（n=76）;提取病灶灰阶超声影像组学特征,构建影像组学模型,结合临床资料建立联合模型,观察各模型鉴别诊断皮下组织HE与KHE的效能。结果 共选取22个系数非零的稳定特征。影像组学模型鉴别训练集皮下组织HE与KHE的曲线下面积（AUC）、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.91[95%CI（0.89,0.93）]、91.41%、83.20%、93.92%、95.79%及89.00%;用于验证集分别为0.85[95%CI（0.83,0.87）]、90.78%、79.32%、97.90%、96.71%及88.68%。联合模型鉴别训练集皮下组织HE与KHE的AUC、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.94[95%CI（0.92,0.96）]、94.33%、90.77%、96.38%、94.23%及94.90%;用于验证集分别为0.90[95%CI（0.88,0.92）]、92.14%、85.69%、95.76%、93.33%及92.30%。联合模型鉴别诊断皮下组织HE与KHE的AUC均大于影像组学模型（P均<0.05）。结论 灰阶超声影像组学鉴别诊断皮下组织HE与KHE的效能较佳;联合临床特征可进一步提高其诊断效能。     

超声组学在腮腺混合瘤和Warthin瘤鉴别诊断的应用研究

目的探讨超声组学鉴别腮腺混合瘤和Warthin瘤的价值。方法选取38例混合瘤及20例Warthin瘤患者作为研究对象。基于感兴趣区的勾选,从腮腺肿瘤的超声图像中提取超声组学特征。通过假设检验及套索回归,从所选特征构建预测模型并评估其诊断效能。结果通过特征提取共获得5 936个超声组学特征。通过假设检验及套索回归,最终纳入2个特征用于诊断模型的构建。超声组学评分模型在训练组的曲线下面积(area under curve, AUC)为0.91,灵敏度为94.1%,特异度为83.3%;验证组的AUC为0.88,灵敏度为100%,特异度为78.6%。结论基于超声的影像组学评分对鉴别腮腺混合瘤和Warthin瘤具有良好的诊断效能。     

肾移植后大腿淋巴组织增生性疾病一例及分析

<正>移植后淋巴组织增生性疾病(posttransplantation lymphoproliferative disease,PTLD或PTLPD)是发生于实体器官、骨髓或干细胞移植后的一组淋巴结组织增生性疾病,多与EB病毒感染有关[1-7]。PTLD包括良恶性不一的多种病理类型,影像表现多种多样,诊断上有一定的难度。PTLD多     

淋巴结反应性增生与恶性淋巴瘤的鉴别诊断问题

淋巴结反应性增生与恶性淋巴瘤的鉴别诊断问题朱梅刚（广州第一军医大学病理学教研室５１０５１５）淋巴结组织良性反应性增生（ＲＨ）与恶性淋巴瘤（ＭＬ）的组织学鉴别诊断一直是临床病理诊断中的难题。误诊率高达１０％～３０％［１］，尤其是基层医院病理工作者更为严...     

多参数MRI影像组学在术前预测胰腺导管腺癌淋巴结转移中的价值

目的 联合常规MRI及表观扩散系数(apparent diffusion coefficient,ADC)图的影像组学特征构建多参数MRI影像组学模型术前预测胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)淋巴结转移(lymph node metastasis,LNM),并与建立的常规MRI影像组学模型和临床模型比较预测效能,探索基于ADC图影像组学的附加价值。材料与方法 218例PDAC按照7∶3的比例随机分为训练集和验证集。纳入临床及常规影像特征构建临床影像学模型。提取常规MRI图像(T1WI、T2WI、动脉期图像及门静脉期图像)及ADC图的影像组学特征。在训练集中采用最小绝对收缩和选择算子筛选出与LNM最相关的特征用于模型构建。构建基于常规MRI影像组学模型(影像组学模型1)和联合常规MRI和ADC图的影像组学模型(影像组学模型2)。使用受试者工作特征曲线下面积(area under the curve,AUC)评估模型预测效能。采用DeLong检验比较模型间的AUC值的差异是否有统计学意义。校准曲线评估模型的准确性。决策曲线分析评估模型...     

机器学习鉴别ⅠA期宫颈癌与高级别鳞状上皮内病变:基于MRI影像组学模型

目的 利用宫颈MRI图像提取影像组学特征,建立随机森林模型识别ⅠA期宫颈癌与高级别鳞状上皮内病变(high-grade squamous intraepithelial lesion,HSIL).材料与方法 回顾性分析经手术病理证实的43例ⅠA期宫颈癌患者与51例HSIL患者,按照4:1的比例设置训练集(ⅠA=34,HSIL=41)与测试集(ⅠA=9,HSIL=10).收集其术前MRI图像,经预处理后上传至影像组学云平台,分别在OSag-T2WI、OAx-T1WI以及OAx-T2FS上逐层手动勾画宫颈,获得宫颈三维容积感兴趣区(volume of interest,VOI),提取组学特征.采用方差阈值分析法(Variance Threshold)、单变量特征选择法(SelectKBest)以及最小绝对值收缩和选择法(least absolute shrinkage and selection operator,LASSO)进行数据降维、特征选择.采用随机森林模型进行机器学习,绘制ROC曲线,分析不同序列组学模型的诊断效能.结果 基于OSag-T2WI、OAx-T1WI、OAx-T2FS以及OSag-T2WI联合OAx-T2FS分别得到8个、10个、6个以及9个有效特征.以OSag-T2WI联合OAx-T2FS的组学特征值建立的随机森林模型诊断效能最高,AUC为0.89[95％CI(0.74～1.00)];基于OAx-T1WI的模型诊断效能最低,AUC为0.51[95％CI(0.23～0.78)].结论 基于MRI的影像组学随机森林模型可以较好地在没有明确病灶的情况下区分ⅠA期宫颈癌与HSIL,对于术前减少侵入性检查与指导术式有着重大的意义.     

基于超声影像组学的预测模型早期诊断甲状腺微小乳头状癌淋巴结转移的临床价值

目的 探讨基于超声的机器学习及其联合临床特征预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移的价值。方法 回顾性分析81例颈部淋巴结转移的隐匿性甲状腺乳头状癌患者和103例无颈部淋巴结患者的临床资料和二维声像图,按7:3比例随机分为训练组和验证组,提取超声图像特征,构建支持向量机(support vector machine, SVM)模型,并结合临床特征建立联合模型,观察预测模型的诊断效能。结果 共筛选出11个超声图像特征和2个临床特征建立机器学习预测模型和联合预测模型。机器学习模型在训练组预测淋巴结转移的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.78[95%CI(0.74,0.82)]、79%、76%、80%、78%、81%;在验证组分别为0.72[95%CI(0.68,0.75)]、71%、69%、69%、74%、74%。联合模型在训练组的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.87[95%CI(0.83,0.90)]、87%、85%、87%、87%、88%;在验证组分别为0.81[95%CI(0.78,0.83)]、80%、83%、86%、73%、79%。结论 超声机器学习预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移具有较好的预测效能,结合临床特征建立的联合预测模型效能更佳。     

乳腺肿瘤常规超声联合超声造影影像组学特征及其与乳腺癌分子分型相关性的研究进展

影像组学是一种从医学影像中高通量地提取影像特征来深入挖掘内部数据信息的技术方法,通过肿瘤分割、特征提取与模型建立来辅助临床对肿瘤进行诊断与治疗。在精准医疗时代,乳腺癌的个体化早期诊治尤为重要。常规超声是诊断乳腺肿瘤的重要影像学方法;超声造影可以实时显示乳腺肿瘤微血管灌注的形态学及功能学变化,在此基础上产生的超声及超声造影影像组学在乳腺肿瘤良恶性鉴别诊断及判断乳腺癌分子分型中具有潜在的临床应用价值。本文就乳腺肿瘤常规超声联合超声造影影像组学特征及其与乳腺癌分子分型相关性方面的研究进行综述。     

自动乳腺全容积扫描影像组学联合临床和超声特征列线图鉴别良、恶性乳腺导管内病变

目的 观察自动乳腺全容积扫描(ABVS)影像组学联合临床及超声特征列线图鉴别良、恶性乳腺导管内病变的价值。方法 回顾性分析144例经病理证实乳腺导管内病变女性患者的临床及超声资料;按照2 ∶ 1比例将其随机分为训练集(n=96)及验证集(n=48)。基于ABVS图像提取并筛选最优影像组学特征,构建影像组学模型,计算影像组学评分(Radscore);将临床、超声特征及Radscore纳入单因素和多因素logistic回归分析,筛选鉴别良、恶性乳腺导管内病变的独立影响因素,构建临床-超声模型,并联合影像组学模型构建列线图模型;以受试者工作特征(ROC)曲线评估各模型鉴别良、恶性乳腺导管内病变的效能。结果 患者年龄 、病变边缘 、微小钙化灶 及Radscore 均为良、恶性乳腺导管内病变的独立影响因素。影像组学模型、临床-超声模型及列线图模型鉴别良、恶性乳腺导管内病变的曲线下面积(AUC)在训练集分别为0.766、0.866及0.901,在验证集分别为0.770、0.765及0.854。结论 ABVS影像组学联合临床及超声特征列线图鉴别良、恶性乳腺导管内病变效能良好。