目的探讨基于临床病理、乳腺X线(mammography,MG)和MRI特征预测乳腺导管原位癌伴微浸润(ductal carcinoma in situ with microinvasion,DCISM)的价值。材料与方法回顾性收集宁夏医科大学总医院2019年6月至2022年6月最终经手术病理证实...目的探讨基于临床病理、乳腺X线(mammography,MG)和MRI特征预测乳腺导管原位癌伴微浸润(ductal carcinoma in situ with microinvasion,DCISM)的价值。材料与方法回顾性收集宁夏医科大学总医院2019年6月至2022年6月最终经手术病理证实为纯导管原位癌(ductal carcinoma in situ,DCIS)和DCISM的首诊女性患者的病例资料为训练组,评估术前患者的临床病理、MG和MRI特征。采用单、多因素logistic回归分析明确DCISM的独立危险因素,并建立联合模型。通过受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)及校准图评估模型的诊断效能,应用决策曲线分析(decision curve analysis,DCA)观察联合模型的临床实用性。前瞻性收集2022年7月至2023年7月符合纳入、排除标准的患者作为验证组进行验证。应用沙普利加和解释(Shapley Additive exPlanation,SHAP)分析联合模型中病灶最长径、核级别、坏死、Ki-67指数、P63状态、钙化状态和最小ADC值(minimum value of apparent diffusion coefficient,ADCmin)预测DCISM的价值。收集535例患者共550个病灶(15例患者为同时性双乳癌),患者年龄23~81岁,中位年龄50岁。训练组(n=382)中102个病灶(27%)和验证组(n=168)中52个病灶(31%)被诊断为DCISM。结果多因素logistic回归结果显示,病灶最长径、核级别、坏死、Ki-67指数、P63状态、钙化状态和ADCmin是DCISM的独立危险因素。基于上述参数构建临床病理及联合模型,在训练组和验证组中均表现出较高的预测效能(AUC:0.937、0.899)。根据SHAP分析,病灶最长径、Ki-67指数和ADCmin在联合模型中对预测DCISM起主要贡献,而钙化状态、核级别、P63状态和坏死是补充因素。结论联合临床病理及术前MG和MRI特征的预测模型可有效从纯DCIS区分出DCISM,从而提升临床决策和治疗规划的准确性。展开更多
目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病...目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。展开更多
文摘目的探讨基于临床病理、乳腺X线(mammography,MG)和MRI特征预测乳腺导管原位癌伴微浸润(ductal carcinoma in situ with microinvasion,DCISM)的价值。材料与方法回顾性收集宁夏医科大学总医院2019年6月至2022年6月最终经手术病理证实为纯导管原位癌(ductal carcinoma in situ,DCIS)和DCISM的首诊女性患者的病例资料为训练组,评估术前患者的临床病理、MG和MRI特征。采用单、多因素logistic回归分析明确DCISM的独立危险因素,并建立联合模型。通过受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)及校准图评估模型的诊断效能,应用决策曲线分析(decision curve analysis,DCA)观察联合模型的临床实用性。前瞻性收集2022年7月至2023年7月符合纳入、排除标准的患者作为验证组进行验证。应用沙普利加和解释(Shapley Additive exPlanation,SHAP)分析联合模型中病灶最长径、核级别、坏死、Ki-67指数、P63状态、钙化状态和最小ADC值(minimum value of apparent diffusion coefficient,ADCmin)预测DCISM的价值。收集535例患者共550个病灶(15例患者为同时性双乳癌),患者年龄23~81岁,中位年龄50岁。训练组(n=382)中102个病灶(27%)和验证组(n=168)中52个病灶(31%)被诊断为DCISM。结果多因素logistic回归结果显示,病灶最长径、核级别、坏死、Ki-67指数、P63状态、钙化状态和ADCmin是DCISM的独立危险因素。基于上述参数构建临床病理及联合模型,在训练组和验证组中均表现出较高的预测效能(AUC:0.937、0.899)。根据SHAP分析,病灶最长径、Ki-67指数和ADCmin在联合模型中对预测DCISM起主要贡献,而钙化状态、核级别、P63状态和坏死是补充因素。结论联合临床病理及术前MG和MRI特征的预测模型可有效从纯DCIS区分出DCISM,从而提升临床决策和治疗规划的准确性。
文摘目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。
