简介：摘要目的结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法以数字钼靶X线图像数据库（DDSM）中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象，自动切分图像的感兴趣区域（ROI）。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合，并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法，对多项式核支持向量机（SVM）、随机森林和逻辑（logistic）回归分类器进行投票集成，构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果提出的集成分类器可高效地识别与分类乳腺钼靶X线图像，其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据，并为细分BI-RADS4类图像提供技术基础。

简介：摘要目的探讨CT组学预测乳腺癌患者同时性肺结节在乳腺癌治疗后转归的可行性。方法回顾性收集2013年1月1日至2016年11月31日复旦大学附属肿瘤医院经病理证实为乳腺癌且胸部CT发现肺结节（>5 mm，数量≤5个）的女性患者。共入组80例患者，中位年龄52(45, 61）岁，肺结节中位大小6.0(5.5, 7.2) mm。根据CT随访结果将肺结节转归分成稳定组（随访时间超过2年）及变化组（进展组和改善组），其中稳定组54例，变化组26例（改善组13例，进展组13例）。采用Python软件基于CT图像提取105个组学特征，根据逐步回归方法进行特征降维，最后利用五折交叉验证及常用的分类器模型，预测肺结节在乳腺癌标准治疗后的转归，采用受试者操作特征曲线下面积（AUC）评估模型的诊断效能。结果区分稳定组及变化组肺结节时，组学特征筛选降维后择出3种组学特征，利用23种分类器建立模型，线性判别分析模型诊断效能最佳，此模型预测肺结节转归的特异度、灵敏度、准确率及AUC分别为0.980、0.460、0.813及0.770。在进一步区分进展组与改善组肺结节时，择取一种组学特征建立模型，其中粗高斯支持向量机模型诊断效能最佳，其预测变化组肺结节转归的特异度、灵敏度、准确率及AUC分别为0.540、0.920、0.713及0.880。结论CT组学在预测乳腺癌同时性肺结节的治疗转归中具有一定意义，可为临床制定个体化治疗和随诊方案提供影像学依据。

简介：摘要目的探讨不同机器学习的影像组学模型预测三阴性乳腺癌（TNBC）新辅助治疗远期复发转移风险的价值。方法回顾性分析2011年8月至2017年5月上海复旦大学附属肿瘤医院和上海交通大学医学院附属瑞金医院的150例接受新辅助化疗和手术切除后经病理组织学证实的TNBC患者临床及影像资料。将上海复旦大学附属肿瘤医院的109患者作为训练组，将上海交通大学医学院附属瑞金医院的41例患者作为验证组。基于治疗前动态对比增强MRI（DCE-MRI）提取的影像组学特征，并加入时间域特征，训练组使用最小绝对收缩和选择算子交叉验证法和递归特征消除法进行特征筛选。采用6种（逻辑回归、线性判别分析、K最近邻、朴素贝叶斯、决策树和支持向量机）具有监督学习的不同机器学习算法来预测远期复发转移的能力，使用ROC、准确率以及F1度量值评价6种算法的优劣，并通过验证组进行验证。结果支持向量机算法在基于15个影像组学特征的复发转移模型中预测效果最好，具有最高的曲线下面积（训练组为0.917，验证组为0.859）、准确率（训练组为87.5%，验证组为82.9%）以及F1度量值（训练组为0.800，验证组为0.741）。15个影像组学特征中，时间域特征为12个、空间域特征为3个。结论加入时间域特征的DCE-MRI机器学习影像组学模型有助于预测TNBC新辅助化疗的远期预后，为临床决策及随访管理提供支持。