机器学习模型预测乳腺导管内癌组织学分级:基于X线征象及临床信息

作     者：杨凌乔 杨俊 马梦伟 陈卫国 徐泽园 YANG Lingqiao;YANG Jun;MA Mengwei;CHEN Weiguo;XU Zeyuan

作者机构：深圳市宝安区松岗人民医院医学影像科广东深圳518100 南方医科大学南方医院影像诊断科广东广州510515 

出 版 物：《分子影像学杂志》 (Journal of Molecular Imaging)

年 卷 期：2025年第48卷第1期

页      面：31-36页

学科分类：1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 

基　　金：国家自然科学基金(82171929) 深圳市宝安区医疗卫生科研项目(2022JD190) 

主　　题：乳腺癌 乳腺导管内癌 组织学分级 乳腺X线 机器学习 

摘      要：目的探讨基于X线征象及临床信息构建机器学习模型预测乳腺导管内癌组织学分级的可行性。方法回顾性分析239例经病理证实为乳腺导管内癌患者的乳腺X线征象及临床信息,根据病理结果分为非高级别(n=109)及高级别(n=130)。把采集的10个临床信息及15个乳腺X线征象进行统计学分析,筛选出差异有统计学意义的特征构建极端梯度提升、逻辑回归、多项式朴素贝叶斯3种机器学习模型,以ROC曲线下面积(AUC)为主要指标择出最优模型。结果极端梯度提升、逻辑回归、多项式朴素贝叶斯训练集的AUC值分别为0.790、0.794、0.802,测试集的AUC值分别为0.760、0.758、0.774,准确度分别为0.760、0.759、0.774,敏感度分别为0.725、0.825、0.800,特异度分别为0.625、0.434、0.625。结论基于机器学习构建的乳腺导管内癌组织学分级模型预测效能较好,多项式朴素贝叶斯的预测效能最优。