张恒1a,2,3,4,赵彤1b,张赛1a,2,3,4,孙佳伟1a,2,3,4,李晓琴1b,倪昕晔1a,2,3,4
目的 开发一种结合超声影像组学、深度学习和临床特征的综合模型,以预测乳腺癌新辅助化疗(Neoadjuvant
Chemotherapy,NAC)后的病理完全缓解(Pathological Complete Response,pCR)。方法 共纳入117例乳腺癌患者,按照
7∶3的比例随机划分为训练集和验证集。采用Mann-Whitney U检验、随机森林递归消除算法和最小绝对收缩和选择算子进
行特征筛选及影像组学/深度学习标签构建。对患者的临床参数进行单/多因素分析,以选择有效特征构建临床模型。然后
利用逻辑回归算法将临床特征与影像组学、深度学习标签相结合,构建临床-影像组学-深度学习综合模型。从预测效果、
校准能力和临床实用性方面评估模型性能。结果 临床-影像组学-深度学习综合模型相比于单独的临床、影像组学和深度
学习模型在训练集和验证集中均显示出最高的曲线下面积(训练集:0.949 vs. 0.788 vs. 0.815 vs. 0.928;验证集:0.931 vs.
0.643 vs. 0.778 vs. 0.901)。校准曲线和决策曲线证实综合模型具有良好的预测性能。结论 与单一模型比较,综合模型对术
前预测乳腺癌患者NAC后的pCR状态具有更高价值。