目的 应用机器学习技术构建基于超声图像形态学定量特征的乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序方式验证该模型的可操作性和实用性.方法 收集我院经病理确诊的乳腺肿块患者1046例,按7:3比例随机分为训练集732例,验证集314例;训练集中恶性430例,验证集中恶性199例,使用ImageJ分析软件提取肿块超声图像的形态学定量特征参数,包括最佳拟合椭圆的长短径比值(AR)、圆润度(C)、费雷特角度修正(MFA)、凹凸度(S).应用单因素分析比较训练集中良、恶性乳腺肿块超声图像形态学定量特征参数及患者年龄,运用机器学习技术进行多因素分析,确定预测乳腺肿块恶性风险的独立危险因素,并构建列线图预测模型.使用验证集数据对预测模型效能进行测试,绘制受试者工作特征(ROC)曲线和校准曲线分析预测模型的诊断效能,并设计开发在线应用程序.结果 单因素分析显示,良、恶性乳腺肿块AR、C、MFA、S及患者年龄比较差异均有统计学意义(均P<0.05).多因素分析显示,AR、C和患者年龄是预测乳腺肿块恶性风险的独立危险因素(均P<0.05).基于上述独立危险因素构建乳腺肿块恶性风险列线图预测模型,并以互联网在线应用程序的方式呈现,训练集内部验证的曲线下面积为0.931,敏感性为88.1％,特异性为85.4％;验证集外部验证的曲线下面积为0.901,敏感性为84.2％,特异性为85.8％.校准曲线显示,预测模型校准度良好,其预测恶性风险概率与实际恶性风险无明显偏离.结论 应用机器学习技术构建的乳腺肿块恶性风险列线图预测模型具有较高的诊断效能,而以互联网在线应用程序方式呈现模型使其更加具有可操作性和实用性,将有助于对患者进行个体化预测和治疗决策.

超声检查;乳腺肿瘤;恶性;机器学习;临床预测模型;列线图;互联网医疗

侯银;张盼盼;张青陵

230601 合肥市,安徽医科大学第二附属医院超声诊断科;蚌埠医学院第一附属医院超声医学科;安徽省皖南医学院第一附属医院超声医学科

临床超声医学杂志

[1]侯银;张盼盼;张青陵-.基于超声图像形态学定量特征的乳腺肿块恶性风险列线图预测模型构建及应用)[J].临床超声医学杂志,2022(05):332-337

超声图像,图像形态学,乳腺肿块,恶性风险,风险列线图,列线图预测模型,预测模型构建,构建及应用,机器学习技术,技术构建,在线应用,应用程序,我院,训练集,验证集,ImageJ,最佳拟合,圆润,MFA,凹凸,凸度,患者年龄,多因素分析,受试者工作特征,校准曲线,分析预测,诊断效能,设计开发,发在,内部验证,外部验证,校准度,风险概率,个体化预测,治疗决策,超声检查,乳腺肿瘤,临床预测模型,互联网医疗

0.204379