换一批构建并外部验证XGBoost模型鉴别乳腺非肿块病变良恶性
Development and external validation of an XGBoost model for differentiating the benign and malignant nature of non-mass breast lesions
摘要目的 本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性.材料与方法 收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个.患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查].记录患者术前乳腺X线(DM或DBT),MRI以及临床特征.采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能.结果 在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93).训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%).XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884～0.913之间.XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益.结论 XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力.
更多相关知识
关键词
非肿块强化乳腺癌极端梯度提升机器学习磁共振成像乳腺X线摄影non-mass enhancementbreast cancerextreme gradient boostingmachine learningmagnetic resonance imagingmammography
栏目名称
DOI
10.12015/issn.1674-8034.2025.01.018
发布时间
2025-02-26（万方平台首次上网日期，不代表论文的发表时间）
- 浏览31
- 被引2
- 下载26
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
