10.12015/issn.1674-8034.2023.03.011
基于特征融合的集成模型分类乳腺癌分子亚型的研究
目的 融合传统影像组学特征和卷积神经网络特征,构建分类乳腺癌分子亚型的支持向量机(support vector machine,SVM)集成模型,探讨该模型分类乳腺癌分子分型的价值.材料与方法 回顾性分析Duke-Breast-Cancer-MRI数据集中经病理证实的189例乳腺癌患者病例,其中Luminal型71例、人类表皮生长因子受体-2(human epidermal growth factor receptor 2,HER-2)过表达型57例、三阴性型61例.对所有患者的动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)图像进行预处理后,按照 8∶2 的比例分为训练集(n=151)和测试集(n=38).使用传统影像组学方法和DenseNet169网络模型对患者病变感兴趣区(region of interest,ROI)提取特征,然后使用Spearman相关系数和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法对传统影像组学特征进一步筛选,最后使用特征融合后的特征组构建SVM集成分类模型.使用宏观平均方法绘制受试者工作特征(receiver operating characteristic,ROC)曲线来判断集成模型的诊断效能.结果 三种乳腺癌分子亚型的传统影像组学特征经过筛选后分别获得51、49、20个特征标签,将其分别与卷积神经网络提取的1664个特征进行融合并建模.其中Luminal型与HER-2过表达型构建的分类器曲线下面积(area under the curve,AUC)值为0.880[95％置信区间(confidence interval,CI):0.814～0.946],Luminal型与三阴性型构建的分类器AUC值为0.861(95％CI:0.791～0.931),HER-2过表达型与三阴性型构建的分类器AUC值为0.696(95％CI:0.571～0.822).由3个二分类器组成的SVM集成模型的AUC值为0.820(95％CI:0.725～0.915).结论 基于特征融合的SVM集成模型在分类三种乳腺癌分子亚型时表现出良好的效果,对术前乳腺癌分子亚型的分类具有重要的指导价值.
乳腺癌、分子分型、特征融合、支持向量机、磁共振成像
14
R445.2;R737.9(诊断学)
山西省自然科学基金面上项目201801D121232
2023-04-07（万方平台首次上网日期，不代表论文的发表时间）
共7页
58-64
