文献类型：期刊文章

作　　者：范莉芳[1] 黄磊[1] 吴树剑[2] 吴艺敏[3] 魏伟[2] 徐晓燕[1] 徐争元[1]

Fan Lifang;Huang Lei;Wu Shujian;Wu Yimin;Wei Wei;Xu Xiaoyan;Xu Zhengyuan(Department of Medical Imaging,Wannan Medical College,Wuhu,Anhui 241002,China;Yijishan Hospital Affiliated to Wannan Medical College,Wuhu,Anhui 241002,China;The Second People's Hospital Wuhu,Wuhu,Anhui 241002,China)

机构地区：[1]皖南医学院医学影像学院,安徽省芜湖市241002 [2]皖南医学院弋矶山医院,安徽省芜湖市241002 [3]芜湖市第二人民医院,安徽省芜湖市241002

出　　处：《中国超声医学杂志》

基　　金：皖南医学院校重点项目科研基金(No.WK2021Z15)。

年　　份：2023

卷　　号：39

期　　号：2

起止页码：150-153

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、JST、ZGKJHX、核心刊

摘　　要：目的 探讨自动乳腺全容积扫描(ABVS)结合不同机器学习(ML)算法术前预测人表皮生长因子受体2(HER-2)状态的价值。方法 收集乳腺癌患者202例,HER-2阳性组68例,HER-2阴性组134例,按7∶3将患者随机分为训练组(141例)、测试组(61例)。采用最小绝对收缩和选择算子(LASSO)回归降维筛选最优特征,多因素Logistic回归筛选独立危险因素,并利用支持向量机(SVM)、最近邻算法(KNN)、决策树(DT)、随机森林(RF)、极端梯度推进(XGBoost)5种不同ML算法构建预测模型。结果 肿块边界、微分叶、微钙化、血流分级、冠状面汇聚征及虫噬征、腋窝淋巴结状态为最优特征,多因素分析微钙化、血流分级、冠状面汇聚征、腋窝淋巴结状态为独立危险因素,测试组SVM、KNN、DT、RF、XGBoost的曲线下面积(area under curve, AUC)分别为0.767、0.768、0.783、0.768、0.805。结论 ABVS超声特征结合机器学习术前能够有效预测乳腺癌HER-2状态,其中XGBoost表现最突出。

关 键 词：机器学习  乳腺癌 人表皮生长因子受体2状态  

分 类 号：R445.1] R737.9]