유방 병변의 악성 종양 예측을 위한 단순화된 접근법: 초음파 촬영의 노모그램

자료 수집: 본 연구는 2020년 1월부터 2023년 6월까지 우리 병원에서 유방 병변 수술을 받은 환자들의 임상 및 초음파 검사 데이터를 후향적으로 수집하였다. 포함 기준에는 완전한 임상 정보와 이용 가능한 초음파 이미지 데이터가 있는 환자가 포함되었습니다. 이 데이터에서 추출된 매개변수에는 연령, 2D 초음파 영상, 도플러 초음파 영상, 초음파 진단 보고서가 포함되었습니다. 초음파 영상에서 특징 추출에는 2차원 병변 정보(최대 직경, 방향, 에코 발생성, 형태, 경계, 석회화 유형, 관 변화), 도플러 정보(혈류 패턴, 저항 지수), 초음파 의심 소견에 따른 BI-RADS 분류 등이 포함됩니다. 의사.

모델 개발: 먼저 공선성의 영향을 줄이기 위해 VIF(Variance Inflation Factor)를 사용하여 VIF가 5 미만인 변수를 선택하는 다중 공선성 분석을 수행했습니다. 우리는 유방 병변의 수술 후 병리학적 결과를 모델 개발의 표준으로 사용했습니다. R 프로그래밍 언어에서는 캐럿 패키지를 활용하여 결과 변수(양성 또는 악성 유방 병변)를 기준으로 7:3 비율로 최종 샘플을 훈련 및 검증 세트로 무작위로 분할하는 동시에 무작위 시드(set.seed)를 설정했습니다. 결과 재현성을 위해. 그 후, 우리는 훈련 세트의 이진 변수에 대해 단변량 로지스틱 회귀 분석을 수행하여 P < 0.05의 변수를 유지한 다음 다변량 로지스틱 회귀 분석을 수행하여 유방 병변 악성 종양의 독립적인 예측 변수를 식별했습니다.

모델 검증: 모델 성능을 검증하기 위해 각 독립 예측 변수의 가중치 할당을 기반으로 노모그램을 구성했습니다. 그런 다음 민감도, 특이도, 정확도 및 일치도 계산을 포함하여 검증 세트에서 모델을 종합적으로 검증했습니다. 환자의 유방암 발병 확률을 정량적으로 예측하기 위한 최적의 임계값을 결정하기 위해 ROC(Receiver Operating Characteristic) 곡선을 그리고 곡선 아래 면적(AUC)을 계산했습니다. 또한 다양한 환자 결정 임계값에서 모델의 순 임상적 이점을 평가하기 위해 결정 곡선 분석(DCA)을 수행했습니다. DCA는 임상 의사 결정에서 모델의 실제적 유용성을 결정하는 데 도움이 되며 질병 발생 가능성을 예측하기 위한 최적의 임계값을 식별하여 의사가 더 나은 결정을 내리는 데 도움을 줍니다. 이러한 검증 지표는 실제 임상 실습에서 모델의 성능, 정확성 및 잠재적 적용을 평가하는 데 사용되었습니다.