基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

CDFI、UE联合诊断乳腺结节及TNM分期效果观察

目的 探讨超声弹性成像技术(UE)与彩色多普勒超声技术(CDFI)联合用于乳腺结节良恶性临床鉴别及TNM分期诊断的价值.方法 选取86例乳腺结节患者作为研究对象,均给予CDFI联合UE检查.以手术病理诊断结果作为"金标准",回顾分析该种诊断方案的应用效能.结果 86例患者中62例为良性病变,24例为恶性病变.良性组、恶性组CDFI检查血流分级及UE评分比较均有明显差异,且差异均有统计学意义(P<0.05).TNM分期不同,患者UE评分、CDFI血流分级均明显不同,且差异有统计学意义(P<0.05).CDFI联合UE检查用于恶性乳腺结节检查的敏感度高达95.83％,显著高于UE、CDFI检查的79.17％(P<0.05),诊断特异度、准确度对比均无显著差异(P>0.05).结论 CDFI和UE检查应用于乳腺结节良性、恶性临床鉴别诊断表现出较高效能,且能够为TNM分期评估提供可靠参考数据.