En forenklet tilnærming til å forutsi maligniteten til brystlesjoner: Nomogram i ultralyd

Datainnsamling: Denne studien samlet retrospektivt data fra kliniske og ultralydundersøkelser fra pasienter som gjennomgikk brystlesjonsoperasjoner på sykehuset vårt fra januar 2020 til juni 2023. Inklusjonskriterier inkluderte pasienter med fullstendig klinisk informasjon og tilgjengelige ultralydbildedata. Parametre hentet fra disse dataene inkluderer alder, 2D-ultralydbilder, Doppler-ultralydbilder og ultralyddiagnostiske rapporter. Funksjonsekstraksjon fra ultralydbilder inkluderte 2D-lesjonsinformasjon (maksimal diameter, orientering, ekkogenisitet, morfologi, marginer, forkalkningstype, ductale endringer), dopplerinformasjon (blodstrømningsmønster, motstandsindeks) og BI-RADS-klassifisering basert på mistenkelige ultralydfunn av leger.

Modellutvikling: For det første utførte vi multikollinearitetsanalyse ved å bruke Variance Inflation Factor (VIF) for å velge variabler med VIF mindre enn 5, med sikte på å redusere effekten av kollinearitet. Vi brukte postoperative patologiske resultater av brystlesjoner som gullstandarden for modellutvikling. I programmeringsspråket R brukte vi caret-pakken til å dele de endelige prøvene tilfeldig i trenings- og valideringssett i et 7:3-forhold basert på utfallsvariabelen (godartede eller ondartede brystlesjoner) mens vi satte et tilfeldig frø (set.seed) for resultatreproduserbarhet. Deretter utførte vi univariat logistisk regresjonsanalyse på binære variabler i treningssettet, og beholdt variabler med P < 0,05, etterfulgt av multivariat logistisk regresjonsanalyse for å identifisere uavhengige prediktorer for brystlesjonsmalignitet.

Modellvalidering: For å validere modellens ytelse, konstruerte vi et nomogram basert på vektallokeringen til hver uavhengige prediktor. Deretter validerte vi modellen i valideringssettet omfattende, inkludert beregning av sensitivitet, spesifisitet, nøyaktighet og konkordans. Receiver Operating Characteristic (ROC)-kurver ble plottet, og arealet under kurven (AUC) ble beregnet for å bestemme den optimale terskelen for kvantitativt å forutsi sannsynligheten for brystkreftforekomst hos pasienter. I tillegg utførte vi Decision Curve Analysis (DCA) for å vurdere den netto kliniske fordelen av modellen ved forskjellige pasientbeslutningsterskler. DCA hjelper med å bestemme den praktiske nytten av modellen i klinisk beslutningstaking og identifiserer den optimale terskelen for å forutsi sannsynligheten for sykdomsforekomst, og hjelper leger med å ta bedre beslutninger. Disse valideringsberegningene ble brukt til å evaluere modellens ytelse, nøyaktighet og potensielle anvendelse i reell klinisk praksis.