En forenklet tilgang til at forudsige maligniteten af ​​brystlæsioner: Nomogram i ultralyd

Dataindsamling: Denne undersøgelse indsamlede retrospektivt data fra kliniske undersøgelser og ultralydsundersøgelser fra patienter, der gennemgik en brystlæsionsoperation på vores hospital fra januar 2020 til juni 2023. Inklusionskriterier omfattede patienter med fuldstændig klinisk information og tilgængelige ultralydsbilleddata. Parametre ekstraheret fra disse data omfattede alder, 2D ultralydsbilleder, Doppler ultralydsbilleder og ultralydsdiagnostiske rapporter. Funktionsekstraktion fra ultralydsbilleder inkluderede 2D læsionsinformation (maksimal diameter, orientering, ekkogenicitet, morfologi, marginer, forkalkningstype, ductale ændringer), Doppler-information (blodstrømningsmønster, modstandsindeks) og BI-RADS-klassificering baseret på mistænkelige ultralydsfund vha. læger.

Modeludvikling: For det første udførte vi multikollinearitetsanalyse ved hjælp af Variance Inflation Factor (VIF) til at vælge variabler med VIF mindre end 5, med det formål at reducere virkningen af ​​kollinearitet. Vi brugte postoperative patologiske resultater af brystlæsioner som guldstandarden for modeludvikling. I programmeringssproget R brugte vi caret-pakken til tilfældigt at opdele de endelige prøver i trænings- og valideringssæt i et 7:3-forhold baseret på udfaldsvariablen (godartede eller ondartede brystlæsioner), mens vi satte et tilfældigt frø (set.seed) for resultatets reproducerbarhed. Efterfølgende udførte vi univariat logistisk regressionsanalyse på binære variabler i træningssættet, idet vi bibeholdt variabler med P < 0,05, efterfulgt af multivariat logistisk regressionsanalyse for at identificere uafhængige forudsigere for brystlæsion malignitet.

Modelvalidering: For at validere modellens ydeevne konstruerede vi et nomogram baseret på vægtallokeringen af ​​hver uafhængig prædiktor. Derefter validerede vi omfattende modellen i valideringssættet, herunder beregning af sensitivitet, specificitet, nøjagtighed og konkordans. Receiver Operating Characteristic (ROC) kurver blev plottet, og arealet under kurven (AUC) blev beregnet for at bestemme den optimale tærskel for kvantitativt at forudsige sandsynligheden for brystkræft hos patienter. Derudover udførte vi Decision Curve Analysis (DCA) for at vurdere den netto kliniske fordel af modellen ved forskellige patientbeslutningstærskler. DCA hjælper med at bestemme den praktiske anvendelighed af modellen i klinisk beslutningstagning og identificerer den optimale tærskel for at forudsige sandsynligheden for sygdomsforekomst, hvilket hjælper læger med at træffe bedre beslutninger. Disse valideringsmetrikker blev brugt til at evaluere modellens ydeevne, nøjagtighed og potentielle anvendelse i reel klinisk praksis.