原创力文档- 1、本文档共70页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
中文摘要
基于治疗前多参数MRI影像组学预测乳腺癌新辅助化疗的病理
完全缓解
目的：
评估治疗前多参数MRI影像组学在预测乳腺癌新辅助化疗
(NeoadjuvantChemotherapy,NAC)后病理完全缓解(pathological
CompleteResponse,pCR)的潜力。
方法：
这项回顾性研究纳入了2015年1月至2021年12月期间204名
患有II-III期单侧浸润性乳腺导管癌的女性。所有患者都接受了标准的
6-8个周期的NAC治疗，随后在我们机构进行了乳腺手术。患者被随
机分配到交叉验证(Cross-Validation,CV)集和测试集(7:3比例)。首先，
从每个患者治疗前乳腺MRI中提取了影像组学特征，并使用t检验和
弹性网络回归对特征进行降维。然后，利用Mann-WhitneyU检验、卡
方检验或Fisher's精确检验来评估对pCR有预测意义的临床因素。最后，
我们根据筛选出来的影像组学特征和有预测意义的临床危险因素构
建了3个逻辑回归分类器模型用于pCR的预测，分别为只有影像组学
特征的LR-R模型、只有临床危险因素的LR-C模型以及融合两者的
LR-RC模型。为了比较不同模型的性能，进一步绘制了受试者工作特
I
性曲线和准确率-召回率曲线，并计算了ROC曲线下的面积(Area
UndertheCurve,AUC)和平均精度等指标以评估预测模型的性能。
结果：
在单变量分析中，5个临床特征在pCR组和非pCR组之间有显
著差异(P<0.05)。经过筛选后有20个影像组学特征用于构建影像组
学标签。LR-C模型和LR-R模型在CV集中的AUC(95%CI)分别为
0.768(0.689-0.847)和0.821(0.747-0.894)，在测试集中的AUC(95%
CI)分别为0.805(0.692-0.919)和0.812(0.679-0.945)。结合影像组学特
征和临床信息的LR-RC模型具有最佳的诊断性能，在CV集和测试
集中的AUC(95%CI)分别为0.880(0.824-0.935)和0.888(0.800-0.975)。
结论：
这项研究表明，结合多参数MRI的影像组学特征和临床风险因素
的融合模型，可以在治疗前提供一种潜在预测乳腺癌NAC治疗后pCR
的工具。
关键词：
影像组学，乳腺癌，新辅助化疗，病理完全缓解，MRI
II
Abstract
MultiparametricMRI-BasedRadiomicsAnalysisfor
PretreatmentPredictionofPathologicalCompleteResponseto
NeoadjuvantChemotherapyinBreastCancer
Purpose:
Toassessthepotentialofradiomicsanalysisofpretreatment
multiparametricMRIinbreastcancertopredictpathologicalcomplete
response(pCR)afterneoadjuvantchemotherapy(NAC).
Methods:
Thisretrospectivestudyincluded204womenwithstageII–III
unilateralinvasivebreastductalcarcinomabetweenJanuary2015and
December
文档评论（0）