关键词:
多模态超声
图像特征
机器学习算法
预测模型
良恶性乳腺肿瘤
摘要:
目的分析多模态超声图像特征和机器学习算法预测模型在良恶性乳腺肿瘤鉴别诊断中的应用价值,为临床精准诊断提供参考依据。方法回顾性收集本院2021年4月至2024年6月收治的168例乳腺肿瘤患者的临床及影像资料,其中良性肿瘤113例(良性肿瘤组),恶性肿瘤51例(恶性肿瘤组),失访4例。采集所有患者的多模态超声图像数据,包括二维灰阶超声的形态学参数、彩色多普勒超声的血流动力学参数、弹性成像的硬度评分以及超声造影的增强模式。运用图像处理技术提取图像特征,构建标准化的特征数据库。选用支持向量机(SVM)、随机森林(RF)、梯度提升决策树(GBDT)3种机器学习算法,采用10折交叉验证策略对特征数据库进行训练与测试,构建良恶性乳腺肿瘤鉴别诊断的预测模型,并对模型参数进行优化。比较不同模型的准确率、灵敏度、特异度及受试者工作特征曲线下面积(AUC)等指标,评估各模型的预测性能。采用特征重要性分析,探讨对模型预测贡献最大的关键超声特征。结果恶性肿瘤组的年龄大于良性肿瘤组,绝经史占比高于良性肿瘤组,P<0.05。良性肿瘤组与恶性肿瘤组的多模态超声图像特征分布存在一定的差异。经训练与优化后,SVM、RF、GBDT模型在测试集中均表现出较好的鉴别诊断效能;其中GBDT模型的性能最优,准确率为91.28%,灵敏度为88.59%,特异度为92.62%,AUC为0.943。特征重要性分析显示,肿瘤边界清晰度、弹性成像硬度评分、超声造影增强模式及彩色多普勒血流阻力指数是对模型预测贡献最大的4项关键超声特征,累计贡献度达76.61%。结论基于多模态超声图像特征构建的机器学习预测模型在良恶性乳腺肿瘤鉴别诊断中具有较高的应用价值,其中GBDT模型的诊断效能最优;肿瘤边界清晰度、弹性成像硬度评分等关键超声特征对鉴别诊断起重要作用,可为临床提供客观、精准的诊断依据,有助于提高乳腺肿瘤良恶性鉴别的准确性。