基于影像组学对数字化乳腺断层摄影中肿块病变的鉴别诊断研究

作     者：尤超 郑惠中 姜婷婷 简嘉豪 范明 厉力华 吴炅 顾雅佳 彭卫军 YOU Chao;ZHENG Huizhong;JIANG Tingting;JIAN Jiahao;FAN Ming;LI Lihua;WU Jiong;GU Yajia;PENG Weijun

作者机构：复旦大学附属肿瘤医院放射诊断科复旦大学上海医学院肿瘤学系上海200032 杭州电子科技大学生物医学工程与仪器研究所浙江杭州310018 复旦大学附属肿瘤医院乳腺外科复旦大学上海医学院肿瘤学系上海200032 

出 版 物：《中国癌症杂志》 (China Oncology)

年 卷 期：2021年第31卷第12期

页      面：1162-1167页

核心收录：

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

基　　金：国家自然科学基金(NSFC 82071878,81901703) 上海肿瘤疾病人工智能工程技术研究中心(19DZ2251800) 上海市医苑新星青年医学人才培养资助计划[SHWRS(2020)087] 国家癌症中心攀登基金重点项目(NCC201909B06) 促进市级医院临床技能与临床创新三年行动计划—重大临床研究项目(SHDC2020CR2008A) 

主　　题：数字乳腺体层合成 肿块 影像组学 诊断 

摘      要：背景与目的:数字乳腺体层合成(digital breast tomosynthesis,DBT)可提高病灶的检出率,目前已应用于乳腺癌筛查及人群诊断。针对DBT三维图像,探讨应用影像组学对乳腺肿块病变的鉴别诊断价值。方法:回顾并分析2019年4月—2020年8月于复旦大学附属肿瘤医院行DBT检查并经手术后理学检查证实的患者资料,选取DBT表现为肿块征象的143例女性患者入组。对所有患者基于肿块病灶的三维图像提取影像组学特征,采用Lasso logistic回归模型进行特征降维及筛选以建立影像组学标签。采用逻辑回归(logistic regression,LR)、支持向量机(support vector machine,SVM)以及梯度提升决策树(gradient boosting decision tree,GBDT)3种算法建立模型。以受试者工作特征(receiver operating characteristic,ROC)曲线评价影像组学标签对肿块良恶性的诊断效能。结果:经病理学检查证实的144个病灶中,良性病灶65个,恶性病灶79个,按8∶2比例划分为训练集与测试集。基于不同数目特征的分类器算法,LR、SVM和GBDT的最佳特征数目分别为20、24和32。GBDT模型表现效果最佳,在测试集上取得了0.91的AUC值。结论:基于影像组学的GBDT模型由于其集成学习的优势,可以有效鉴别DBT中肿块病变的良恶性。