来源：期刊VIP网 时间：
作者：谢汉民;程佳玲;李悦龙;李成威;杨朝湘;张若仙;
单位：广东省妇幼保健院放射科;
摘要：目的 分析基于动态对比增强磁共振成像图像的深度学习（DL）影像组学模型预测乳腺癌表达Ki-67状态的价值。资料与方法 回顾性分析2019年12月—2023年10月广东省妇幼保健院152例经病理证实的乳腺癌患者MRI影像和临床病理资料，根据术后免疫组化结果将患者图像按照8∶2随机分为训练集122例和验证集30例，采用单因素及多因素Logistic回归筛选出乳腺癌表达Ki-67状态的临床特征独立预测因子，使用ResNet-18模型作为DL特征提取的基本模型，分别提取手工影像组学特征及DL特征，基于临床特征、手工影像组学特征、DL特征及三者联合特征分别构建8个机器学习模型。采用受试者工作特征曲线下面积评价模型的预测效能，确定最佳模型作为输出模型。结果 孕激素受体状态（OR=0.764,P=0.040）及人表皮生长因子受体2状态（OR=1.187,P=0.046）为乳腺癌表达Ki-67状态的临床独立预测因子，联合特征模型效能均高于单独特征模型，支持向量机算法在验证集预测效能最高，曲线下面积为0.847。结论 基于动态对比增强磁共振成像图像的DL影像组学模型可有效预测乳腺癌表达Ki-67状态，联合特征模型的支持向量机算法最优，能够助力乳腺癌临床诊疗与预后评估。
关键词：乳腺肿瘤;;磁共振成像;;Ki-67抗原;;影像组学;;深度学习;;机器学习;;预测
