临床研究
胡荣1 邵国庆2 苏天宇3 李琳3 陈秀4 王翔5
2025, 33(5): 1121.
观察基于数字化乳腺X线机器学习模型术前预测乳腺癌HER2低表达价值。方法：回顾性分析2021年1月－2023年10月经术后病理证实的乳腺癌患者153例临床及X线资料。按照8:2比例分为训练集（122例）和测试集（31例）。于头尾位（CC）和内外侧斜位（MLO）图像中分别勾画感兴趣区，在训练集中利用组内相关系数（ICC）最小绝对收缩和选择算子（LASSO）筛选最佳影像特征，应用决策树、随机森林、Xgboost、Catboost机器学习算法分别构建CC位、MLO位及CC联合MLO位机器学习模型，用于预测乳腺癌 HER2低表达，通过各模型的受试者工作特征曲线下面积（ROC）、准确率（ACC）、敏感度、特异度、阳性预测值（PPV）、阴性预测值（NPV）、F1分数、布里尔分数（BS）校准曲线、决策曲线、Delong检验对模型进行评价。结果：训练集和测试集对两组HER2表达状态、年龄、肿瘤生长部位及肿瘤最大直径上没有差异（P＞0.05）。CC位、MLO位、CC位联合MLO位分别筛选出9、6、13个最优影像组学特征用于模型构建。在测试集中，CC位构建的4种机器学习模型以随机森林模型的曲线下面积（AUC）为最大，其AUC、ACC、敏感度、特异度、PPV、NPV、F1分数分别为0.909、0.744、0.850、0.636、0.818、0.700、0.830，Delong检验显示决策树与随机森林、决策树与Xgboost、决策树与Catboost均有差异（P＜0.05），而随机森林、Xgboost和Catboost模型之间无差异（P＞0.05）；MLO位构建的4种模型以随机森林模型AUC为最大，其AUC、ACC、敏感度、特异度、PPV、NPV、F1分数分别为0.923、0.774、0.800、0.727、0.842、0.667、0.820，Delong检验显示决策树、随机森林、Xgboost和Catboost模型之间无差异（P＞0.05）；CC联合MLO位构建的4种模型中，Catboost模型的AUC值最高，其AUC值、ACC、敏感度、特异度、PPV、NPV、F1分数分别0.936、0.806、0.800、0.818、0.889、0.692、0.842，随机森林稍次之，分别为0.932、0.806、0.800、0.818、0.889、0.692、0.842，Delong检验显示决策树、随机森林、Xgboost和Catboost模型之间均无差异（P＞0.05）。校准曲线显示，CC联合MLO体位构建的随机森林模型和Catboost模型曲线拟合度较好，且Catboost模型BS值最小为0.115，略优于随机森林模型（BS值为0.118）。决策曲线显示，当阈值在0.03~0.98时，CC联合MLO体位的Catboost模型预测乳腺癌HER2低表达临床获益最大。结论：基于数字化乳腺X线的机器学习模型可以术前预测乳腺癌 HER2低表达，CC联合MLO体位的随机森林模型和Catboost模型预测性能较好，且随机森林算法构建的模型更稳健。
微信公众号
