摘要目的 基于灰阶超声及剪切波弹性成像(SWE)影像组学构建列线图模型,探讨其在术前预测乳腺癌Ki-67表达水平的临床价值.方法 选取经手术病理确诊的乳腺癌患者207例,按照7∶3的比例随机分为训练集145例和验证集62例;同时根据病理结果分为Ki-67 高表达组(≥20%)和Ki-67低表达组(<20%).比较训练集中Ki-67 高表达组与Ki-67低表达组临床资料及超声检查结果的差异;采用多因素Logistic回归分析筛选预测乳腺癌Ki-67表达水平的独立影响因素.基于训练集数据,对术前灰阶超声及SWE图像进行感兴趣区分割和影像组学特征提取.采用最大相关最小冗余(mRMR)算法和最小绝对收缩和选择算子(LASSO)回归筛选最佳特征.使用支持向量机(SVM)分别构建灰阶超声影像组学模型、SWE影像组学模型、联合影像组学模型,选择曲线下面积(AUC)最高且泛化能力好的模型作为最优影像组学模型,并计算其影像组学评分.将筛选出的独立影响因素和最优影像组学评分纳入Logistic回归分析构建列线图模型.绘制受试者工作特征(ROC)曲线、校准曲线及决策曲线分别分析各模型在训练集和验证集中预测乳腺癌Ki-67表达水平的区分度、校准度及临床适用性.结果 训练集中Ki-67 高表达组与Ki-67低表达组肿瘤最大径、边缘毛刺占比、硬环征占比比较差异均有统计学意义(均P<0.05).多因素Logistic回归分析显示,肿瘤最大径、边缘、硬环征均为预测乳腺癌Ki-67表达水平的独立影响因素(OR=3.284、2.171、4.242,均P<0.05).基于mRMR算法和LASSO回归从灰阶超声图像、SWE图像和上述两种超声图像中分别筛选得到7、5、10个最佳特征.经SVM构建3种影像组学模型,其中联合影像组学模型为最优模型,其在训练集和验证集中预测乳腺癌Ki-67表达水平的AUC最高,分别为0.889、0.829.基于独立影响因素(肿瘤最大径、边缘和硬环征)和影像组学评分构建列线图模型.ROC曲线分析显示,列线图模型在训练集和验证集中预测乳腺癌Ki-67表达水平的AUC分别为0.940、0.897.校准曲线分析显示,列线图模型在训练集和验证集中的预测概率与实际概率基本一致.决策曲线分析显示,当训练集和验证集中概率阈值分别为0.12～0.96、0.29～0.84时,列线图模型的净获益值均较高.结论 基于灰阶超声及SWE影像组学的列线图模型可用于术前预测乳腺癌Ki-67表达水平,具有较好的临床价值.