深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能

廖慧娴; 王静; 林美花; 农雨霖; 马云川; 廖丽萍; 陈彩

您当前的位置：

首页 >

文章列表页 >

深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能

论著 | 更新时间：2026-03-17

- 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能
- 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能
- 北京生物医学工程 2026年45卷第1期页码：24-30
- 作者机构：
  
  1. 广西医科大学附属武鸣医院超声诊断科
  2. 广西医科大学附属武鸣医院放射科
  3. 东兰县人民医院超声诊断科
- 作者简介：
- 基金信息：
  
  广西高校中青年教师科研基础能力提升项目（2024KY0113）资助
- DOI：
  中图分类号： R737.9;TP18;TP391.41
- 纸质出版：2026
- 稿件说明：
移动端阅览
廖慧娴, 王静, 林美花, 等. 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能[J]. 北京生物医学工程, 2026,45(1):24-30.

廖慧娴, 王静, 林美花, et al. 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能[J]. 2026, 45(1): 24-30.
廖慧娴, 王静, 林美花, 等. 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能[J]. 北京生物医学工程, 2026,45(1):24-30. DOI：

廖慧娴, 王静, 林美花, et al. 深度学习模型融合多模态超声和MRI特征对乳腺癌良恶性结节的诊断效能[J]. 2026, 45(1): 24-30. DOI：

摘要

目的探讨多模态超声与磁共振成像（magnetic resonance imaging

MRI）特征参数构建的XGBoost模型在乳腺结节良恶性早期诊断中的价值。方法回顾性分析237例经手术病理证实为乳腺癌患者的临床及术前影像学资料，根据病理检查结果分为良性结节组（n=136）和恶性结节组（n=101）。绘制受试者操作特征（receiver operating characteristic

ROC）曲线并使用曲线下面积（area under the curve

AUC）评估多模态超声联合MRI对乳腺结节的诊断价值；采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator

LASSO）以及10倍交叉验证筛选与乳腺癌恶性结节相关的最佳变量，并使用多因素回归分析对最佳变量进行进一步筛选；使用极端梯度提升算法（eXtreme gradient boosting

XGBoost）对筛选变量进行重要度排序并通过SHAP方法对模型进行可视化分析。结果两组患者在常规超声、多普勒彩超特征及MRI定性参数，包括血流信号、有无微小钙化、边界、形态、内部回声、肿瘤形状、边缘、内部强化及时间-信号强度曲线（time-signal intensity curve

TIC）曲线类型间均存在差异（P<0.05）。恶性肿瘤组中剪切波弹性成像（shear wave elastography

SWE）参数——最硬和局部区域平均、最小、最大应变弹性模量和模量标准差，MRI特征参数——容量转移常数（volume transfer constant

Ktrans）、速率常数（rate constant

Kep）和血管外细胞外间隙容积分数（extravascular extracellular volume fraction

Ve）均高于良性肿瘤组，而表观扩散系数（apparent diffusion coefficient

ADC）均低于良性肿瘤组（P<0.05）。LASSO和多因素回归筛选年龄、最大直径、ADC、Ktrans和Emax是预测乳腺结节良恶性的最佳变量，SHAP算法分析XGBoost模型各变量的决策权重，结果显示Emax、Ktrans及ADC在XGBoost中对于预测乳腺癌恶性结节具有较高的决策权重。结论本研究初步证明基于多模态超声（Emax）与MRI特征（Ktrans和ADC）构建的XGBoost模型在乳腺癌良恶性结节鉴别诊断中具有可行性和有效性。

Abstract

关键词

Keywords

references

Angela N Giaquinto,Hyuna Sung,Lisa A Newman,Rachel A Freedman,Robert A Smith,Jessica Star,Ahmedin Jemal,Rebecca L Siegel.Breast cancer statistics 2024.[J].CA: a cancer journal for clinicians,2024.

Xu Ruoxi,Yin Peng,Wei Jifu,Ding Qiang.The role of matrix stiffness in breast cancer progression: a review[J].Frontiers in Oncology,2023.

Singh Deependra,Vignat Jerome,Lorenzoni Valentina,Eslahi Marzieh,Ginsburg Ophira,LaubySecretan Beatrice,Arbyn Marc,Basu Partha,Bray Freddie,Vaccarella Salvatore.Global estimates of incidence and mortality of cervical cancer in 2020: a baseline analysis of the WHO Global Cervical Cancer Elimination Initiative.[J].The Lancet. Global health,2022.

Aristokli N,Polycarpou I,Themistocleous S C,Sophocleous D,Mamais I.Comparison of the diagnostic performance of Magnetic Resonance Imaging (MRI), ultrasound and mammography for detection of breast cancer based on tumor type, breast density and patient's history: A review.[J].Radiography (London, England : 1995),2022.

Chou ShinnHuey S,Baikpour Masoud,Zhang Wei,Mercaldo Sarah F,Lehman Constance D,Samir Anthony E.Shear-Wave Elastography of the Breast: Impact of Technical Image Quality Parameters on Diagnostic Accuracy.[J].AJR. American journal of roentgenology,2021.

Gao Yiming,Reig Beatriu,Heacock Laura,Bennett Debbie L.,Heller Samantha L.,Moy Linda.Magnetic Resonance Imaging in Screening of Breast Cancer[J].Radiologic Clinics of North America,2020.

Mann Ritse M,Hooley Regina,Barr Richard G,Moy Linda.Novel Approaches to Screening for Breast Cancer.[J].Radiology,2020.

王琪,宋宏萍,许磊.多模态超声与其联合深度学习在乳腺癌诊断中的研究进展[J].分子影像学杂志,2024(10).

王慧妍,陆龙颖,张和庆,万雪,何玉霜,骆洪浩,彭玉兰,马琳,赵海娜.超声多模态检查可提高对乳腺非肿块型病变的诊断效能[J].四川大学学报(医学版),2024(05).

刘立兵,傅励瑶.深度学习技术在医学影像分析中的应用与展望[J].新一代信息技术,2024(01).

陈煌婧,陈秀华,何英.多模态超声和基于超声深度学习的影像组学在预测乳腺癌患者新辅助化疗疗效中的研究进展[J].中国临床医学影像杂志,2023(08).

吴俊锋,刘文亚.磁共振成像在乳腺癌诊断及预后评估中的应用现状及研究进展[J].磁共振成像,2023(04).

唐燕,谷颖.超声筛查乳腺恶性非肿块型病变的研究现状[J].中华妇幼临床医学杂志(电子版),2022(04).

王彤,何萍,苏畅,崔立刚,林伟军,王心怡.计算机辅助多模态融合超声诊断乳腺良恶性肿瘤[J].中国医学影像技术,2021(08).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

新生儿缺血缺氧性脑病的影像学检测方法研究进展

AI 辅助压缩感知在颅内血管壁 3D T1WI 成像中的应用

多模态超声技术在新辅助化疗治疗乳腺癌的临床疗效评价中的应用

基于颈动脉超声和MRI指标的血管性痴呆早期诊断模型的建立

磁共振质量控制标准对比研究