打开文本图片集

摘要：目的：探讨自动乳腺全容积成像冠状面超声图像的影像组学模型在预测乳腺肿瘤良恶性方面的应用价值，比较其与常规模型在准确性方面的差异。方法：本研究收集2020年至2023年间在我院接受自动乳腺全容积成像冠状面超声检查的3352例乳腺肿瘤患者的数据。随机将患者分为实验组和常规组，实验组采用影像组学技术从超声图像中提取特征，构建预测乳腺肿瘤良恶性的影像组学模型。以常规超声图像特征构建的预测模型作为对照，分析比较两种模型的预测准确性。结果：影像组学模型包含的特征比常规模型更多样化，涵盖肿瘤形态、边界等多方面的信息。影像组学模型的区分乳腺肿瘤良恶性的准确率均优于常规模型，具有统计学意义（P<0.05）。结论：自动乳腺全容积成像冠状面超声图像的影像组学模型在预测乳腺肿瘤良恶性方面显示出较高的准确性，其性能优于基于常规超声特征的预测模型。

关键词：自动乳腺全容积成像冠状面超声图像；影像组学模型；乳腺肿瘤良恶性

引言：在医学影像学领域，自动乳腺全容积成像冠状面超声图像的影像组学模型运用先进的计算机视觉和机器学习技术，对超声图像进行深入分析，提取高维度的定量特征。此技术的应用，在乳腺全容积成像方面，实现对乳腺组织的全面捕获，确保数据的完整性，从而提高乳腺疾病诊断过程的效率。利用这一模型，医生能够在早期阶段就精确判定肿瘤性质，为患者制定更为个性化的治疗方案。此外，该模型还具备自动化的特点，相较于传统的诊断方法，能够显著减少医生的工作负担，提高诊断流程的效率。比较自动乳腺全容积成像冠状面超声图像的影像组学模型与常规模型在预测乳腺肿瘤良恶性方面的准确性，前者明显展现出更优的临床效果。

1资料与方法

1.1一般资料

在本研究中，对象为2020年至2023年间接受自动乳腺全容积成像冠状面超声检查的3352例女性患者。这些患者的年龄跨度从22岁至76岁，其中平均年龄为48.6岁±11.3岁。随机将患者分为实验组和常规组。研究纳入标准确保了参与者在年龄、性别及疾病类型上的广泛覆盖，以期研究结果具有更广泛的适用性。纳入及排除标准：①参与者经过病理学确认的乳腺肿瘤患者，并且同意参与本项研究。②年龄在22岁至76岁之间。③患者在研究期间同意接受自动乳腺全容积成像冠状面超声检查。④患者的乳腺肿瘤经过病理学确诊，有明确的良性或恶性诊断。排除标准：①有乳腺外科手术史或乳腺放疗史的患者。②存在可能影响超声图像评估或数据分析的重大内科疾病的患者。③对于超声图像质量不佳无法进行有效影像组学特征提取的患者。

1.2方法

1.2.1常规组

常规组中的肿瘤良恶性预测流程遵循标准的临床操作流程，即通过专业医生对超声图像进行视觉分析，根据肿瘤的超声表现特征，结合患者的临床病史，综合判断肿瘤的可能性质。在这一过程中，医生需要依据其临床经验和知识，对超声图像中的肿瘤的形态是否规则、边缘是否清晰等肿瘤特征进行解读。

1.2.2实验组

实验组则应用自动乳腺全容积成像冠状面超声图像的影像组学模型进行预测。通过专门的影像处理软件对冠状面超声图像进行预处理后，利用影像组学技术从这些图像中提取形状、纹理、边缘等多维度特征，用作构建预测模型的输入变量，采用高级机器学习算法进行模型的训练。将全部数据随机分配到训练集和测试集，以确保模型训练的广泛性。随后，分析比较两组在预测乳腺肿瘤良恶性方面的准确率指标。此研究方法深入探讨出自动乳腺全容积成像冠状面超声图像的影像组学模型在乳腺肿瘤良恶性预测中的实际应用价值，也明确展示该模型相较于传统诊断模型在提高预测准确性方面的显著优势，为临床诊断提供更为有效的参考依据。

1.3观察指标

对比常规组与实验组在测量乳腺肿瘤良恶性的准确率。

1.4统计学方法

本次研究所有数据均采用SPSS26.0进行统计学分析，结果表明自动乳腺全容积成像冠状面超声图像的影像组学模型与常规模型对预测乳腺肿瘤良恶性的准确性，在统计学上具有显著性差异，P<0.05。

2结果

①常规组与实验组病理类型比较差异，无统计学意义（P=0.079）。见表1。

②常规组预测准确率低于实验组，具有统计学意义（P<0.05）。见表2。

3.讨论

良性乳腺肿瘤虽然不会侵犯周围组织或通过血液和淋巴系统扩散至身体其他部位，但其可能因增大而压迫周围的乳腺组织，引起疼痛或不适，有时也可能因肿瘤的位置影响美观。在极少数情况下，某些类型的良性乳腺肿瘤可能会增加患乳腺癌的风险。相比之下，恶性乳腺肿瘤（乳腺癌）的危害性要更为严重。其能侵犯乳腺内的其他组织，还可能通过淋巴系统或血液扩散到身体其他部位，形成转移性癌症。乳腺癌的进展可能导致乳腺形态改变、乳房皮肤出现凹陷或橘皮样改变，严重时会影响患者的生理功能，甚至危及生命。在本研究中，通过对自动乳腺全容积成像冠状面超声图像的影像组学模型与常规超声特征模型在预测乳腺肿瘤良恶性方面的比较分析，揭示影像组学模型在乳腺肿瘤诊断中的显著优势。结果显示，实验组采用的影像组学模型在多个关键性能指标上，均明显超越常规组。此模型通过综合考量乳腺肿瘤的形状、纹理、边缘等多维度特征，提供更为精准的分析方法。这种综合性的分析能够增强对乳腺肿瘤良恶性的预测能力，为临床医生提供更为全面的诊断信息。本文的研究成果强调自动乳腺全容积成像冠状面超声图像的影像组学模型在现代医学影像诊断中的应用潜力。该技术的运用，使医疗人员可以减少对人工判断的依赖，为乳腺肿瘤的诊断提供更加客观的方法。未来，随着技术的进一步发展，预期该模型将在乳腺肿瘤的早期检测、良恶性判定以及治疗效果评估等方面发挥更加重要的作用。自动乳腺全容积成像冠状面超声图像的影像组学模型为乳腺肿瘤的精确诊断提供新的技术手段，为患者的个性化治疗方案制定提供科学依据。

参考文献：

[1] 吴怡雯，周晓华，陈菲，等. 基于自动乳腺全容积成像冠状面超声图像的影像组学模型预测乳腺肿瘤良恶性的价值[J]. 临床超声医学杂志，2022，24（7）：502-506.

[2] 汪珺莉，吴艺敏，张平洋. 基于ABVS冠状面影像组学列线图术前预测乳腺癌腋窝淋巴结转移[J]. 皖南医学院学报，2023，42（4）：368-372.

[3] 王美晨. 乳腺癌自动乳腺全容积超声特征与同侧腋窝淋巴结转移负荷评价的相关性研究[D]. 江苏：苏州大学，2021.

[4] 周军华. 自动乳腺全容积扫查成像在乳腺肿瘤诊断中的应用[D]. 河北：河北医科大学，2017.