换一批基于影像特征的BI-RADS 4类乳腺病变风险评估研究
Risk assessment of BI-RADS category 4 breast lesions based on imaging features
摘要目的:构建并验证基于超声与乳腺X线影像特征的BI-RADS 4类乳腺病变风险预测模型,提升良恶性鉴别诊断效率.方法:回顾性纳入113例经病理证实的BI-RADS 4类乳腺病变患者(良性42例,恶性71例),提取其超声与乳腺X线图像特征.通过LASSO回归与多因素Logistic回归筛选关键变量,构建列线图模型,并评估其判别能力(C指数)、准确性(AUC)、灵敏度和特异度.进一步引入XGBoost、ViT和GNN三种机器学习模型,在训练集与测试集上开展性能对比分析,并采用SHAP值与注意力机制等方法提升模型可解释性.结果:边缘、边界、肿物形状、肿物边缘及密度为独立预测因子.列线图模型C指数为0.779,AUC为0.758.XGBoost、ViT与GNN模型分别达AUC 0.881、0.872与0.890,表现优于传统回归.GNN在灵敏度(88.0%)和F1分数(0.857)方面表现最佳.多模型综合分析显示,边缘毛刺、不规则形状和高密度是预测恶性的重要影像特征.结论:融合多模态特征的深度学习模型,尤其是GNN与ViT,可有效提升BI-RADS 4类病变良恶性预测准确性,具有良好临床实用前景,为优化乳腺穿刺指征提供智能化决策支持.
更多相关知识
关键词
乳腺BI-RADS 4类病变多模态影像极端梯度提升算法视觉Transformer模型图神经网络风险预测模型机器学习BI-RADS category 4 breast lesionsmultimodal imagingextreme gradient boosting algorithmvision transformer modelgraph neural networkrisk prediction modelmachine learning
分类号
R737.9（泌尿生殖器肿瘤）
栏目名称
DOI
10.3969/j.issn.1673-016X.2025.04.020
发布时间
2025-12-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
商洛市科技计划项目（2020-Z-0103）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
