预测乳腺病变恶性程度的简化方法：超声检查中的列线图

数据收集：本研究回顾性收集2020年1月至2023年6月在我院接受乳腺病灶手术的患者的临床和超声检查数据。 纳入标准包括具有完整临床信息和可用超声图像数据的患者。 从这些数据中提取的参数包括年龄、二维超声图像、多普勒超声图像和超声诊断报告。 超声图像的特征提取包括 2D 病变信息（最大直径、方向、回声性、形态、边缘、钙化类型、导管变化）、多普勒信息（血流模式、阻力指数）和基于可疑超声结果的 BI-RADS 分类医生。

模型开发：首先，我们使用方差膨胀因子（VIF）进行多重共线性分析，选择VIF小于5的变量，旨在减少共线性的影响。 我们使用乳腺病变的术后病理结果作为模型开发的金标准。 在R编程语言中，我们利用caret包根据结果变量（良性或恶性乳腺病变）将最终样本以7：3的比例随机分为训练集和验证集，同时设置随机种子（set.seed）为了结果的再现性。 随后，我们对训练集中的二元变量进行单变量逻辑回归分析，保留 P < 0.05 的变量，然后进行多变量逻辑回归分析，以确定乳腺病变恶性肿瘤的独立预测因素。

模型验证：为了验证模型的性能，我们根据每个独立预测变量的权重分配构建了列线图。 然后，我们在验证集中对模型进行了全面的验证，包括计算敏感性、特异性、准确性和一致性。 绘制受试者工作特征（ROC）曲线，并计算曲线下面积（AUC）以确定定量预测患者发生乳腺癌概率的最佳阈值。 此外，我们还进行了决策曲线分析 (DCA)，以评估该模型在不同患者决策阈值下的净临床效益。 DCA有助于确定模型在临床决策中的实际效用，并确定预测疾病发生概率的最佳阈值，帮助医生做出更好的决策。 这些验证指标用于评估模型的性能、准确性以及在实际临床实践中的潜在应用。