文摘目的探讨基于乳腺X线摄影及动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)的机器学习模型预测乳腺癌患者新辅助治疗(neoadjuvant therapy,NAT)后病理完全缓解(pathological complete response,pCR)的价值。方法回顾性分析2016年8月至2023年7月于青岛大学附属医院(机构1)及烟台毓璜顶医院(机构2)接受NAT后行手术的396例乳腺癌患者资料,来自机构1的320例患者按7∶3比例随机分为训练集和验证集,来自机构2的76例患者作为独立的外部验证集。对患者NAT前乳腺X线摄影及DCE-MRI图像进行感兴趣区域(region of interest,ROI)勾画、特征提取、特征筛选,使用支持向量机(support vector machine,SVM)机器学习算法构建影像组学模型。对临床特征进行单因素-多因素逻辑回归分析,保留具有统计学意义的临床独立预测因子并构建临床模型。将联合影像组学模型与临床独立预测因子使用SVM机器学习算法联合构建综合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curves,AUC)、准确性、敏感性、特异性和F1-score评价模型的性能,绘制校准曲线评价模型的拟合优度,采用决策曲线分析(decision curve analysis,DCA)评估模型的临床应用价值。结果联合影像组学模型预测性能高于临床模型、乳腺X线摄影影像组学模型和MRI影像组学模型,其在训练集、验证集和外部验证集AUC分别为0.899、0.850及0.765。综合模型预测性能最佳,其在训练集、验证集和外部验证集AUC分别为0.918、0.856、0.795,且该模型具有良好的校准能力和临床收益。Delong检验示临床模型与综合模型的AUC的差异有统计学意义(P<0.05)。结论基于乳腺X线摄影及DCE-MRI的机器学习模型可以预测乳腺癌患者NAT后pCR,且具有较高的预测性能。
