超声影像组学模型对BI-RADS 4类乳腺病变良恶性的预测价值

超声影像组学模型对BI-RADS 4类乳腺病变良恶性的预测价值

乳腺癌是全球女性中最常见的恶性肿瘤之一，其早期诊断对于提高患者的生存率至关重要。在乳腺影像报告和数据系统（BI-RADS）中，4类病变被认为具有中等恶性风险，通常需要进行活检以确定其性质。然而，活检是一种侵入性操作，可能带来不适和风险。因此，寻找一种非侵入性且高效的诊断方法显得尤为重要。近年来，基于超声影像组学的机器学习模型在乳腺病变良恶性预测中的应用逐渐受到关注。本文将探讨超声影像组学模型在BI-RADS 4类乳腺病变良恶性预测中的价值。

一、超声影像组学的基本原理

超声影像组学是一种通过提取影像数据中的定量特征来分析和预测疾病的方法。与传统的影像诊断不同，影像组学不仅关注影像的宏观表现，还深入挖掘影像中的微观信息。这些信息包括纹理、形状、强度等多种特征，能够提供关于病变组织的更多细节。通过机器学习算法，这些特征可以被用于构建预测模型，从而提高诊断的准确性。

二、研究方法与模型构建

在本研究中，我们回顾性分析了2020年6月至2022年4月在新疆医科大学附属肿瘤医院接受乳腺超声检查的450例女性患者的病历资料。根据病理学结果，这些患者被分为良性组和恶性组。为了构建和验证模型，数据被随机分为训练集和验证集。研究中使用了三种机器学习算法：逻辑回归（LR）、支持向量机（SVM）和多层感知器（MLP），分别用于构建瘤内、瘤周以及瘤内+瘤周模型。

三、模型的评估与结果

通过提取和筛选影像组学特征，最终选定了17个瘤内、16个瘤周以及17个瘤内+瘤周特征用于模型构建。为了评估模型的预测效能，研究绘制了受试者工作特征（ROC）曲线、校准曲线和决策曲线。结果显示，基于LR、MLP和SVM算法构建的模型在预测乳腺病变良恶性方面表现出较高的准确性和稳定性。其中，瘤内+瘤周模型的表现尤为突出，提示结合多种特征的信息可以提高模型的预测能力。

四、超声影像组学模型的临床意义

超声影像组学模型在BI-RADS 4类乳腺病变良恶性预测中的应用具有重要的临床意义。首先，它为乳腺癌的早期诊断提供了一种非侵入性的方法，减少了患者接受活检的需求。其次，通过提高诊断的准确性，影像组学模型可以帮助医生更好地制定治疗方案，避免不必要的手术或治疗。此外，这一技术的应用还可以节省医疗资源，降低医疗成本。

五、结语

超声影像组学模型在乳腺病变良恶性预测中的应用展示了其巨大的潜力。通过结合先进的影像技术和机器学习算法，医生可以更准确地判断病变的性质，从而为患者提供更为个性化的治疗方案。随着技术的不断进步和临床经验的积累，超声影像组学模型有望在乳腺癌的早期诊断中发挥更大的作用，为患者带来更多的希望和福音。

黄浩

重庆医科大学附属第一医院金山医院