Упрощенный подход к прогнозированию злокачественности образований молочной железы: номограмма при УЗИ

Сбор данных: В этом исследовании ретроспективно были собраны данные клинического и ультразвукового обследования пациентов, перенесших операцию по поводу повреждения молочной железы в нашей больнице с января 2020 года по июнь 2023 года. Критерии включения включали пациентов с полной клинической информацией и доступными данными ультразвукового исследования. Параметры, извлеченные из этих данных, включали возраст, 2D-ультразвуковые изображения, допплеровские ультразвуковые изображения и отчеты об ультразвуковой диагностике. Извлечение признаков из ультразвуковых изображений включало двухмерную информацию об очаге поражения (максимальный диаметр, ориентация, эхогенность, морфология, края, тип кальцификации, изменения протоков), допплеровскую информацию (характер кровотока, индекс сопротивления) и классификацию BI-RADS на основе подозрительных результатов ультразвукового исследования. врачи.

Разработка модели: во-первых, мы провели анализ мультиколлинеарности с использованием коэффициента инфляции дисперсии (VIF) для выбора переменных с VIF менее 5, чтобы уменьшить влияние коллинеарности. Мы использовали послеоперационные патологические результаты поражений молочной железы в качестве золотого стандарта для разработки моделей. В языке программирования R мы использовали пакет Caret для случайного разделения окончательных выборок на обучающий и проверочный наборы в соотношении 7:3 на основе конечной переменной (доброкачественные или злокачественные поражения молочной железы), одновременно устанавливая случайное начальное число (set.seed). для воспроизводимости результатов. Впоследствии мы провели одномерный логистический регрессионный анализ бинарных переменных в обучающем наборе, сохранив переменные с P <0,05, а затем провели многомерный логистический регрессионный анализ для выявления независимых предикторов злокачественного новообразования молочной железы.

Проверка модели. Чтобы проверить эффективность модели, мы построили номограмму на основе распределения весов каждого независимого предиктора. Затем мы всесторонне проверили модель в наборе проверки, включая расчет чувствительности, специфичности, точности и согласованности. Были построены кривые рабочих характеристик приемника (ROC) и рассчитана площадь под кривой (AUC) для определения оптимального порога для количественного прогнозирования вероятности возникновения рака молочной железы у пациентов. Кроме того, мы провели анализ кривой принятия решения (DCA), чтобы оценить чистую клиническую пользу модели при различных порогах принятия решения пациентом. DCA помогает определить практическую полезность модели при принятии клинических решений и определяет оптимальный порог для прогнозирования вероятности возникновения заболевания, помогая врачам принимать более правильные решения. Эти показатели проверки использовались для оценки эффективности, точности и потенциального применения модели в реальной клинической практике.