《临床放射学杂志》发表论文赏析
作者:卢辛辛, 吕帝, 刘小华, 陈冬莲, 郭俊
单位:341000 赣州,赣州市妇幼保健院肿瘤科(卢辛辛);221002 徐州,徐州医科大学附属医院甲状腺乳腺外科(吕 帝),医学影像科(刘小华);赣州 341000,赣州市妇幼保健院病理科(陈冬莲),放射科(郭 俊)
摘要:目的构建基于动态对比增强磁共振成像(DCE-MRI)特征与临床病理因素的机器学习模型,精准预测乳腺癌患者新辅助治疗(NAC)后病理完全缓解(pCR),并通过可解释性分析揭示预测机制。方法回顾性纳入多中心521例乳腺癌患者[赣州市妇幼保健院作为训练集140例、徐州医科大学附属医院作为外部验证集1共94例、癌症影像档案库(TCIA)的BRCA数据作为外部验证集2共287例],均于NAC前完成DCE-MRI检查。提取影像组学特征及深度特征,经<em>t</em>检验、<em>Pearson</em>相关性分析及最小绝对收缩和选择算子(LASSO)回归筛选后,融合临床病理因素构建11种机器学习模型。以受试者工作特征曲线下面积(AUC)为主要指标评估模型性能,通过SHAP分析解析关键预测特征。结果基于融合14个最优特征的CatBoost模型表现最佳,其训练集AUC达0.990(95% CI:0.969~1.000),外部验证集AUC为0.805(95% CI:0.695~0.916),TCIA验证集AUC为0.837(95% CI:0.773~0.901)。SHAP分析显示,MRI融合特征评分(RadDL评分,51.3%)、孕激素受体(PR)状态(18.3%)、入表皮生长因子受体-2(HER-2)状态(16.4%)及雌激素受体(ER)状态(14.0%)为核心预测因子,其中RadDL评分高及HER-2阳性提示pCR概率升高,而ER、PR阳性则提示pCR概率降低。结论融合DCE-MRI多模态特征与临床病理因素的CatBoost模型可精准预测乳腺癌患者NAC后pCR,SHAP可解释性分析为临床个体化治疗决策提供可靠依据。
关键词:乳腺癌,新辅助治疗,动态对比增强磁共振成像,机器学习,SHAP,可解释性,病理完全缓解
基金资助:本研究系中华国际医学交流基金会资助项目(基金编号:Z-2014-08-2309-6); 徐州医科大学-齐鲁制药联合基金资助(项目批准号:QLYB035)
2026年2期其他文献查阅:
基于扩散张量成像的冠心病患者脑白质微结构完整性与认知障碍的相关性研究
乳腺癌患者新辅助治疗病理完全缓解疗效预测的可解释性机器学习模型开发与验证:一项多中心研究
基于CT影像组学联合心率变异性特征在鉴别肺部良恶性病变中的应用研究
新辅助化疗期间肿瘤形态及身体成分变化对食管胃结合部腺癌术后早期复发的预测价值:一项双中心队列研究
增强CT联合图像重组在直肠癌术前TNM分期和术后复发预测中的应用价值分析
CT纹理分析在直径≤4 cm的肾上腺乏脂腺瘤和嗜铬细胞瘤鉴别诊断中的价值研究
RESOLVE-DWI技术在急性心肌梗死患者心肌水肿成像中的应用研究
超短回波时间磁化转移成像评价1型糖尿病兔胫骨皮质胶原结构变化