Page 86 - 南京医科大学学报自然科学版

第44卷第2期
·224 · 南 京 医 科 大 学 学 报 2024年2月

表5 训练集及测试集中不同模型的预测效能
Table 5 Predictive performance of different models in the training and test sets

Model AUC 95%CI Acc（%） Sen（%） Spe（%） PPV（%） NPV（%）
Training set
TIRM model 0.662 0.599-0.725 61.6 76.1 48.3 57.3 68.9
DCE2 model 0.907 0.873-0.941 82.8 89.6 75.5 76.9 88.8
DCE4 model 0.721 0.662-0.781 68.3 61.2 74.8 68.9 67.9
DWI model 0.682 0.619-0.745 65.8 50.8 79.6 69.4 63.9
ADC model 0.673 0.611-0.735 62.3 67.9 57.1 59.1 66.1
DCE model 0.902 0.867-0.937 82.6 99.3 67.4 73.5 99.0
Diffusion model 0.757 0.701-0.813 71.2 61.9 79.6 73.5 69.6
DCE+Diffusion model 0.920 0.889-0.952 82.6 94.1 78.9 80.4 93.6
DCE+TIRM model 0.923 0.892-0.953 86.6 91.8 82.3 82.6 91.7
TIRM+Diffusion model 0.755 0.698-0.812 72.3 61.5 82.3 76.2 69.9
Multi parameter model 0.932 0.905-0.960 85.4 98.5 73.5 77.2 98.2
Test set
TIRM model 0.692 0.597-0.788 69.2 57.9 79.4 71.7 67.6
DCE2 model 0.879 0.819-0.940 80.8 82.5 79.4 78.3 83.3
DCE4 model 0.708 0.615-0.800 66.7 73.7 60.3 62.7 71.7
DWI model 0.683 0.588-0.779 65.8 96.5 38.1 58.5 92.3
ADC model 0.609 0.508-0.710 58.3 91.2 28.6 53.6 78.3
DCE model 0.890 0.833-0.947 81.7 80.7 82.5 80.7 82.5
Diffusion model 0.673 0.576-0.770 65.8 56.1 74.6 66.7 65.3
DCE+Diffusion model 0.872 0.811-0.933 82.4 94.6 71.4 74.7 93.8
DCE+TIRM model 0.891 0.833-0.950 82.5 79.0 85.7 83.3 81.8
TIRM+Diffusion model 0.684 0.589-0.779 63.9 80.4 49.2 58.4 73.8
Multi parameter model 0.906 0.854-0.957 84.2 98.3 71.4 75.7 97.8

者都是有创性检查方法。因此本研究期望能够通 型预测效能优于单一影像组学模型和临床模型。
过建立多参数影像组学模型为实际临床工作中乳 Xu 等 ［16］ 同样利用多参数磁共振成像数据联合组织
腺癌患者 HER⁃2 表达状态判读提供无创性的辅助 学分级、Ki⁃67 临床特征建立临床⁃影像组学列线图
工具，避免患者受到不必要的创伤。尤其是在病检 模型预测 HER⁃2 表达状态。既往研究仅仅比较了
肿瘤取样不足而无法得出结论及治疗过程中需要 多参数影像组学和单一参数影像组学模型的预测
多次进行HER⁃2表达状态评估的情况下，乳腺MRI 差异，并未深入探索各序列在预测价值中的权重分
能提供有价值的信息。 布，而且上述实验虽然采用了包含DCE⁃MRI在内的
MRI 是乳腺成像中必不可少的工具，被认为是 多参数MRI影像组学特征对HER⁃2状态进行评估，
检测乳腺癌和监测新辅助化疗最灵敏的成像方法 但是并没有比较动态增强检查不同时期乳腺癌强
之一。影像组学是一种新的机器学习方法，旨在从 化特征的差异；而本研究不仅包含了 TIRM、DWI、
临床图像中提取有意义的特征，通过这些定量图像特 ADC 和 DCE⁃MRI 序列，更将 DCE⁃MRI 详细划分为
征对肿瘤进行综合量化、评估。既往已有研究通过影 增强早期（增强后第 2 期）和增强晚期（增强后第 4
像组学评估乳腺癌HER⁃2表达状态 ［12-16］ ，Zhou等 利 期），期望通过不同时期的病变增强特征对比，得到
［13］
用基于单参数和多参数磁共振成像的影像特征，包 更加精准的预测指标。最终通过对单参数模型、组

括 FS⁃T2WI、DWI、DCE⁃MRI 及其组合（FS⁃T2WI+ 合模型以及多参数模型的多方面对比之后，发现单
DWI+DCE⁃MRI），联合PR、Ki⁃67临床特征建立临床⁃ 参数模型中DCE⁃MRI的特征预测效能最佳，其中增
影像组学列线图模型在术前预测癌症患者的HER⁃2 强早期特征（增强后第 2 期，即 DCE2 特征）最为明
表达状态，最终结果证实临床⁃影像组学列线图模 显；而在组合模型中，联合增强特征的组合模型比