吳佩琪，楊雅儷，周妍璐，郭粉玲，毛小明

1南方科技大學(xué)鹽田醫(yī)院（深圳市鹽田區(qū)人民醫(yī)院）放射科，廣東 深圳 518081；2湖南中醫(yī)藥大學(xué)醫(yī)學(xué)院，湖南長沙410208

全球最新癌癥負(fù)擔(dān)數(shù)據(jù)顯示，乳腺癌已經(jīng)取代肺癌成為“全球第一大癌”［1］。在我國，乳腺癌發(fā)病率居城鄉(xiāng)女性首位，是45歲以下女性癌癥死亡的主要原因，已成為婦女健康的最大威脅［2-3］。早期診斷乳腺癌可以明顯降低診療費(fèi)用并延長患者的生存期［4］。

目前，乳腺M(fèi)RI已廣泛應(yīng)用于臨床診斷乳腺癌［5］，并且其報(bào)告也已經(jīng)十分規(guī)范，普遍采用美國放射學(xué)會(huì)BI-RADS報(bào)告系統(tǒng)［6］。但傳統(tǒng)的乳腺M(fèi)RI影像分析一般均基于醫(yī)師的主觀經(jīng)驗(yàn)判斷，診斷效能十分有限，其中很多深層次影像信息未被充分挖掘和利用，導(dǎo)致乳腺癌診斷的假陰性和假陽性率較高［7］。影像組學(xué)可分析從MRI等醫(yī)學(xué)影像中高通量提取的大量高級(jí)且定量的影像學(xué)特征并進(jìn)一步分析，并可能進(jìn)一步提供比傳統(tǒng)醫(yī)學(xué)影像更為準(zhǔn)確的診斷［8］。乳腺動(dòng)態(tài)增強(qiáng)磁共振成像（DCE-MRI）影像蘊(yùn)含著大量信息，基于DCE-MRI的影像組學(xué)已經(jīng)在乳腺癌中廣泛應(yīng)用［9］，包括良惡性病變鑒別診斷［10］、乳腺癌分子分型［11］、乳腺癌新輔助化療反應(yīng)預(yù)測(cè)［12］、乳腺癌復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)［13］和乳腺癌淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)［14］等。但影像組學(xué)在乳腺良惡性病變的鑒別中仍存在一定的挑戰(zhàn)［15］，部分研究存在采用腫瘤最大層面（即2D）進(jìn)行分割導(dǎo)致腫瘤信息部分丟失［16］、納入的乳腺良惡性病變類型不足以及僅采用單一方法建立預(yù)測(cè)模型［17］等問題。本研究擬對(duì)DCE-MRI影像上的乳腺良惡性病灶進(jìn)行3D分割并提取影像組學(xué)特征，然后采用隨機(jī)森林（RF）、支持向量機(jī)（SVM）和邏輯回歸（LR）分類器進(jìn)行建模，旨在構(gòu)建具有良好診斷效能并且較為穩(wěn)定的乳腺良惡性病變鑒別的MRI影像組學(xué)預(yù)測(cè)模型。

1 資料與方法

1.1 一般資料

回顧性分析南方科技大學(xué)鹽田醫(yī)院2018年3月～2020年12月符合納入標(biāo)準(zhǔn)的患者。納入標(biāo)準(zhǔn)：經(jīng)手術(shù)病理證實(shí)為乳腺良性病變或惡性病變（乳腺癌）；術(shù)前行乳腺M(fèi)RI檢查。排除標(biāo)準(zhǔn)：MRI檢查前曾行穿刺活檢、放化療或切除術(shù)者。最終共納入34例女性乳腺疾病患者，患者年齡為43.38±8.99歲，其中乳腺良性病變患者18例，年齡40.56±8.75歲，乳腺惡性病變（均為乳腺癌）患者16例，年齡46.56±8.41歲，乳腺良性病變組與惡性病變組的年齡差異無統(tǒng)計(jì)學(xué)意義（P＞0.05，圖1）。所納入的18例乳腺良性病變中，乳腺炎5例，乳腺纖維腺瘤9例，乳腺增生2例，乳腺良性葉狀腫瘤2例；16例乳腺惡性病變均為乳腺癌，其中導(dǎo)管原位癌3例，浸潤性導(dǎo)管癌11例，混合癌2例。以0.8∶0.2的比例將患者分為訓(xùn)練集（n=27）和測(cè)試集（n=7），訓(xùn)練集中乳腺良惡性病變患者的年齡為43.85±9.64歲，測(cè)試集中乳腺良惡性病變患者的年齡為41.57±6.11歲，訓(xùn)練集和測(cè)試集中患者的年齡差異無統(tǒng)計(jì)學(xué)意義（P＞0.05，圖1）。本研究經(jīng)南方科技大學(xué)鹽田醫(yī)院倫理委員會(huì)批準(zhǔn)。

圖1 患者年齡的小提琴圖Fig.1 Violin chart of the age of the patients.

1.2 檢查方法

采用SIEMENS 1.5T超導(dǎo)MR系統(tǒng)（MAGNETOM Avanto 1.5T），線圈為乳腺表面專用線圈。檢查時(shí)患者呈俯臥位，雙側(cè)乳腺自然懸垂于乳腺表面專用線圈的凹形孔內(nèi)，同時(shí)進(jìn)行雙側(cè)乳腺掃描。先進(jìn)行常規(guī)的T1WI及抑脂T2WI掃描，掃描參數(shù)：T1WI：TR 8.6 ms，TE 4.7 ms，翻轉(zhuǎn)角20°，F(xiàn)OV 340 mm×340 mm，層厚1.2 mm，層間距0.24 mm，矩陣448×448；抑脂T2WI 采用SPAIR 序列，平均次數(shù)2次，TR 5000 ms，TE 59 ms，回波鏈長度8.44 ms，翻轉(zhuǎn)角142°，F(xiàn)OV 340 mm×340 mm，層厚4 mm，層間距0.8 mm，矩陣320×320。DWI 采用EPI序列，b值取0、400、1000 s/mm2，TR 5800 ms，TE 83 ms，F(xiàn)OV 340 mm×204 mm，層厚4 mm，間隔0.8 mm，矩陣256×256，激勵(lì)次數(shù)3次。DWI掃描結(jié)束后，再進(jìn)行動(dòng)態(tài)增強(qiáng)掃描：注藥前平掃1次，采用高壓注射器經(jīng)肘靜脈通道快速團(tuán)注釓噴替酸葡甲胺，劑量0.1 mmoL/kg，然后快速推注生理鹽水20 mL。動(dòng)態(tài)增強(qiáng)掃描采用FGREET序列，掃描參數(shù)：TR 4.65 ms，TE 1.74 ms，翻轉(zhuǎn)角10°，平均次數(shù)1次，F(xiàn)OV 340 mm×340 mm，層厚1.6 mm，層間距0.32 mm，矩陣384×384，分別于注藥前、注藥25 s后連續(xù)進(jìn)行5次掃描，掃描總時(shí)間7 min 28 s。

1.3 DCE-MRI圖像上乳腺病變的3D分割和影像組學(xué)特征提取

本研究使用動(dòng)態(tài)增強(qiáng)MRI圖像中注射對(duì)比劑后第3 min的增強(qiáng)掃描圖像用于影像組學(xué)特征提取，因?yàn)榇藭r(shí)病灶區(qū)一般已達(dá)到強(qiáng)化峰值或強(qiáng)化較明顯，而周圍正常乳腺實(shí)質(zhì)的強(qiáng)化尚不明顯，病灶與周圍正常的乳腺實(shí)質(zhì)對(duì)比度更佳，有利于進(jìn)行乳腺病灶的精確分割。本研究中乳腺病變的分割采用手動(dòng)分割法，由2名從事乳腺疾病MRI 診斷工作2 年以上的放射科醫(yī)師，采用3DSlicer軟件（version 4.11.20200930）對(duì)乳腺M(fèi)RI圖像上的乳腺病變區(qū)域進(jìn)行逐層勾勒感興趣區(qū)，從而提取3D感興趣區(qū)體積（圖2）。人工手動(dòng)分割所提取的病灶區(qū)域是目前的分割方法中最為精確的，可作為“金標(biāo)準(zhǔn)”。分割完成后，使用3D Slicer軟件中的radiomics工具進(jìn)行影像組學(xué)特征提取，提取的影像組學(xué)特征種類包括：Firstorder、GLCM、GLDM、GLSZM、NGTDM、Shape3d、Shape2d、Log Kernel Sizes（4,5）、Wavelet-Based Features。對(duì)每個(gè)乳腺病灶提取的總的影像組學(xué)特征數(shù)為1037個(gè)。

圖2 1例左側(cè)乳腺癌在DCE-MRI圖像上手動(dòng)勾畫的3D感興趣區(qū)體積結(jié)果Fig.2 The 3D volume of interest result of manual delineation of the target area of the left breast cancer on the DCE-MRI image.

1.4 影像組學(xué)特征降維

計(jì)算2名影像醫(yī)師勾畫的靶區(qū)所提取的影像組學(xué)特征的組內(nèi)相關(guān)系數(shù)（ICC），ICC≥0.80的影像組學(xué)特征具有較高可重復(fù)性，保留ICC≥0.80的特征。對(duì)通過一致性檢驗(yàn)的影像組學(xué)特征在乳腺良惡性組間的差異進(jìn)行Mann-WhitneyU檢驗(yàn)，篩選出差異有統(tǒng)計(jì)學(xué)意義的特征（以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義）。采用標(biāo)準(zhǔn)化法對(duì)以上通過Mann-WhitneyU檢驗(yàn)的特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除不同特征之間的單位和量綱影響，以保證結(jié)果的可靠性。再進(jìn)一步采用LASSO對(duì)以上標(biāo)準(zhǔn)化后的影像組學(xué)特征數(shù)據(jù)進(jìn)一步降維，篩選出影像組學(xué)標(biāo)簽。

1.5 統(tǒng)計(jì)學(xué)分析

統(tǒng)計(jì)學(xué)分析均采用python 3.7.0軟件進(jìn)行。將所納入的乳腺良惡性病變患者按80%∶20%的比例隨機(jī)分配到訓(xùn)練集和測(cè)試集，在訓(xùn)練集中采用隨機(jī)森林（RF）、支持向量機(jī)（SVM）和邏輯回歸（LR）分類器構(gòu)建鑒別乳腺良惡性病變的MRI影像組學(xué)預(yù)測(cè)模型，然后用測(cè)試集進(jìn)行評(píng)估，分別繪制訓(xùn)練集和測(cè)試集中RF、SVM和LR模型的受試者工作特征曲線（ROC），并計(jì)算曲線下面積（AUC）。同時(shí)，計(jì)算模型的敏感度、特異性、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值。

2 結(jié)果

2.1 乳腺良性病變MRI影像組學(xué)標(biāo)簽篩選

從每個(gè)乳腺良惡性病變的MRI影像靶區(qū)中各提取1037個(gè)影像組學(xué)特征，計(jì)算2名醫(yī)師勾畫的靶區(qū)所提取的影像組學(xué)特征之間的ICC，共有769個(gè)特征通過一致性檢驗(yàn)（ICC≥0.80），這些影像組學(xué)特征具有較高可重復(fù)性。對(duì)通過一致性檢驗(yàn)的769個(gè)特征在乳腺良惡性組間的差異進(jìn)行Mann-WhitneyU檢驗(yàn)，篩選出差異有統(tǒng)計(jì)學(xué)意義的特征（P＜0.05），共有162 個(gè)特征通過Mann-WhitneyU檢驗(yàn)。采用標(biāo)準(zhǔn)化法對(duì)以上影像組學(xué)特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，再進(jìn)一步采用LASSO對(duì)以上標(biāo)準(zhǔn)化后的影像組學(xué)特征數(shù)據(jù)進(jìn)一步降維（圖3），共篩選出6個(gè)影像組學(xué)標(biāo)簽，具體為wavelet-HHL_Large AreaHighGrayLevelEmphasis、orginal_shape_Sphericity,wavelet- HHH_firstorder_90Percentile、wavelet-LHL_glcm_MCC、log-sigma-5-0-mm-3D_ngtdm_Contrast和wavelet-LLL_gldm_DependenceNon UniformityNormalized，以上影像組學(xué)標(biāo)簽的系數(shù)（圖4）。LASSO降維所得的各影像組學(xué)標(biāo)簽在乳腺良病變和惡性病變組間的差異（圖5）。

圖3 LASSO進(jìn)行DCE-MRI影像組學(xué)特征降維的結(jié)果Fig.3 The dimensionality reduction results of DCE-MRI based radiomic features by LASSO.

圖4 LASSO降維后6個(gè)懲罰系數(shù)非零的影像組學(xué)標(biāo)簽及其系數(shù)Fig.4 The six radiomic signatures with non-zero penalty coefficients after LASSO dimensionality reduction and their coefficients.

圖5 LASSO降維所得的各影像組學(xué)標(biāo)簽在乳腺良病變和惡性病變組間的差異的小提琴圖Fig.5 Violin chart of the difference between the benign breast lesions and malignant breast lesions of each radiomic signatures obtained by LASSO dimensionality reduction(P＜0.05).

2.3 3種乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型的診斷效能

在訓(xùn)練集中，3種影像組學(xué)預(yù)測(cè)模型的AUC、特異性和陽性預(yù)測(cè)值的比較結(jié)果為：RF＞SVM＞LR；準(zhǔn)確度、陰性預(yù)測(cè)值的比較結(jié)果為RF＞LR＞SVM；敏感度方面RF與LR模型相同，均大于SVM模型（表1）。所構(gòu)建的3種影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的ROC曲線（圖6）。

圖6 3種影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的ROC曲線Fig.6 The ROC curve of the three radiomic prediction models in the training set.

表1 3種乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的診斷效能Tab.1 Diagnostic efficacy of the three MRI based radiomic prediction models for differentiating benign and malignant breast lesions in the training set

在測(cè)試集中，3種影像組學(xué)預(yù)測(cè)模型的AUC、準(zhǔn)確度、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值的比較結(jié)果為：SVM與LR模型相同，均大于RF模型；敏感度的比較結(jié)果為RF＞LR＞SVM；特異性的比較結(jié)果為RF＞SVM＞LR（表2）。所構(gòu)建的3種影像組學(xué)預(yù)測(cè)模型在測(cè)試集中的ROC曲線（圖7）。

圖7 3種影像組學(xué)預(yù)測(cè)模型在測(cè)試集中的ROC曲線Fig.7 The ROC curve of the three radiomic prediction models in the test set.

表2 3種乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型在測(cè)試集中的診斷效能Tab.2 Diagnostic efficacy of the three MRI based radiomic prediction models for differentiating benign and malignant breast lesions in the test set

盡管基于RF分類器構(gòu)建的乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的診斷效能優(yōu)于SVM和LR，但其在測(cè)試集中的AUC、準(zhǔn)確度等大部分診斷性能指標(biāo)均明顯低于另外兩種模型，本研究構(gòu)建的3種預(yù)測(cè)模型的穩(wěn)定性比較結(jié)果為：LR＞SVM＞RF。雖然基于LR分類器構(gòu)建的乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的AUC低于RF和SVM，但差距較小，且均＞0.90，并且除了特異性的值是LR=RF＞SVM外，LR的所有診斷效能指標(biāo)均＞0.80，達(dá)到了較好的診斷效能，同時(shí)該模型在測(cè)試集中的整體表現(xiàn)較另外2種預(yù)測(cè)模型更優(yōu)。

3 討論

本研究將DCE-MRI上提取的乳腺良惡性病變的影像組學(xué)特征進(jìn)行降維后，采用RF、SVM和LR分類器，成功建立了乳腺良惡性病變的預(yù)測(cè)模型，并且在測(cè)試集中評(píng)估了3種模型的診斷效能，結(jié)果顯示基于LR分類器構(gòu)建的預(yù)測(cè)模型具有良好診斷效能且更為穩(wěn)定，提示通過高通量提取DCE-MRI影像上的深層次影像組學(xué)信息所建立的預(yù)測(cè)模型，可作為術(shù)前無創(chuàng)精準(zhǔn)預(yù)測(cè)乳腺良惡性病變的臨床輔助工具，具有良好的應(yīng)用前景。

本研究采用人工分割方法對(duì)乳腺良惡性病變的病灶進(jìn)行了完整的3D分割，充分保留了腫瘤所有特征，在此基礎(chǔ)上進(jìn)行3D圖像特征提取，可充分反映腫瘤的整體生物學(xué)特征和異質(zhì)性，從而提高影像組學(xué)預(yù)測(cè)模型的性能和穩(wěn)定性。不同的影像組學(xué)研究中，采用2D圖像特征和3D圖像特征均有之。既往有的研究是基于腫瘤最大層面的2D分割靶區(qū)提取的圖像特征，丟失了部分的乳腺腫瘤信息［17］。有研究對(duì)多種惡性腫瘤的2D和3D圖像的影像組學(xué)預(yù)測(cè)模型進(jìn)行了研究，結(jié)果發(fā)現(xiàn)基于3D圖像的影像組學(xué)預(yù)測(cè)模型的預(yù)測(cè)性能優(yōu)于2D圖像，并且3D圖像中的部分影像組學(xué)特征可能與患者的預(yù)后相關(guān)，因此推薦在影像組學(xué)研究中使用3D圖像特征進(jìn)行預(yù)測(cè)模型構(gòu)建，以提高預(yù)測(cè)性能［16］。另一研究也提示，基于3D圖像的影像組學(xué)特征的內(nèi)部和觀察者間差異比2D圖像更小，即更穩(wěn)定，且基于3D圖像的影像組學(xué)特征模型在訓(xùn)練集和測(cè)試集中的預(yù)測(cè)性能都優(yōu)于2D圖像［18］。

有研究邀請(qǐng)了4名影像醫(yī)師對(duì)50例乳腺癌患者的術(shù)前DCE-MRI圖像進(jìn)行腫瘤靶區(qū)的人工手動(dòng)分割，基于影像醫(yī)師標(biāo)注的靶區(qū)提取影像組學(xué)特征并進(jìn)一步分析，結(jié)果發(fā)現(xiàn)從腫瘤靶區(qū)提取的影像組學(xué)特征的平均觀察者間穩(wěn)定性僅0.6348（95%CI:0.5391～0.7257），提示由于觀察者間變異的存在，乳腺DCE-MRI影像組學(xué)特征在穩(wěn)定性方面差異很大，需要采取適當(dāng)?shù)拇胧﹣頊p少這種變異［19］。為了減輕觀察者間變異對(duì)影像組學(xué)特征的影響，本研究中，我們?cè)?D影像特征提取完成后計(jì)算了2名影像醫(yī)師所勾畫的靶區(qū)提取的影像組學(xué)特征的ICC，之后僅保留ICC≥0.80的特征，這些保留的ICC≥0.80的影像組學(xué)特征具有較高可重復(fù)性，有利于進(jìn)一步分析并建立預(yù)測(cè)模型。影像組學(xué)研究中，特征向量維數(shù)過高造成的特征冗余會(huì)極大地降低預(yù)測(cè)模型的診斷性能［20］，我們?yōu)榱颂嵘A(yù)測(cè)模型性能、減少模型訓(xùn)練時(shí)間、避免模型過度擬合、提高模型泛化能力，在本研究中采用了LASSO L1正則化法［21］，將線性模型系數(shù)的H范數(shù)作為懲罰項(xiàng)加到損失函數(shù)上，使弱項(xiàng)相關(guān)特征所對(duì)應(yīng)的系數(shù)為0，從而實(shí)現(xiàn)了乳腺病灶的MRI影像組學(xué)特征壓縮和降維，以進(jìn)一步篩選出對(duì)乳腺良惡性病變鑒別有價(jià)值的影像組學(xué)特征，最終選出了6個(gè)關(guān)鍵影像組學(xué)標(biāo)簽進(jìn)行后續(xù)建模。

本研究采用的是影像組學(xué)分析中較為常用的建模方法，包括基于機(jī)器學(xué)習(xí)的RF［22］和SVM［23］分類器、以及基于統(tǒng)計(jì)學(xué)的LR［24］方法。本研究未采用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)［25］等方法，原因是基于深度學(xué)習(xí)的建模方法需要極大的樣本量（往往＞1000），難以實(shí)現(xiàn)。既往研究表明，以術(shù)后病理結(jié)果為金標(biāo)準(zhǔn)，術(shù)前穿刺活檢診斷乳腺導(dǎo)管原位癌的準(zhǔn)確性僅0.824，術(shù)中冰凍病理的準(zhǔn)確性則僅為0.508［26］。本研究建立的RF、SVM和LR影像組學(xué)預(yù)測(cè)模型在乳腺良惡性病變鑒別上均表現(xiàn)出較好的預(yù)測(cè)性能，訓(xùn)練集中準(zhǔn)確度分別為0.889、0.778、0.815，測(cè)試集中準(zhǔn)確度分別為0.571、0.714、0.714，這表明本研究所建立的影像組學(xué)預(yù)測(cè)模型對(duì)乳腺良惡性病變具有較高的預(yù)測(cè)價(jià)值，可作為臨床術(shù)前無創(chuàng)預(yù)測(cè)乳腺良惡性病變的有效輔助工具。也有研究得到了類似的結(jié)果［27］，其采用RF方法建立的MRI影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集和驗(yàn)證集中預(yù)測(cè)乳腺良惡性病變的AUC和準(zhǔn)確度分別為0.98和0.93、0.93、0.91。

本研究中基于LR分類器構(gòu)建的乳腺良惡性病變MRI影像組學(xué)預(yù)測(cè)模型在訓(xùn)練集中的診斷效能未明顯優(yōu)于另外2種預(yù)測(cè)模型，但差距較小，同時(shí)該模型在測(cè)試集中的整體表現(xiàn)較另外2種預(yù)測(cè)模型更優(yōu)?？傮w來看，本研究構(gòu)建的3種預(yù)測(cè)模型的穩(wěn)定性比較結(jié)果為：LR＞SVM＞RF。提示本研究構(gòu)建的3種預(yù)測(cè)模型中，基于LR分類器構(gòu)建的預(yù)測(cè)模型不僅具有較好的診斷效能，還具有良好的穩(wěn)定性，是更具有臨床應(yīng)用潛力的預(yù)測(cè)模型。有研究對(duì)173例患者的74個(gè)乳腺良性病變和99個(gè)乳腺惡性病變進(jìn)行了影像組學(xué)研究［28］，結(jié)果發(fā)現(xiàn)，與SVM、K鄰近算法、貝葉斯分類所建立的預(yù)測(cè)模型相比，LR建立的鑒別乳腺良惡性病變的模型顯示了最佳的診斷效能，訓(xùn)練集中準(zhǔn)確度、特異性和敏感度分別為0.978、0.975、0.983，測(cè)試集中準(zhǔn)確度、特異性和敏感度分別為0.886、0.900、0.867。并且，在人工判讀方面，聯(lián)合2名影像醫(yī)師共同判斷的準(zhǔn)確度、特異性和敏感度在訓(xùn)練集中僅為0.772、0.710、0.862，在測(cè)試集中僅為0.769、0.695、0.858，低于Logistic回歸建立的鑒別乳腺良惡性病變的模型的診斷效能［28］。

既往基于DCE-MRI的影像組學(xué)區(qū)別良惡性病變研究，病理類型缺乏多元化［17］，而本研究納入的乳腺癌病理類型更多樣，其中良性病變中包括纖維腺瘤、增生、炎癥等常見良性病變，還包括良性葉狀腫瘤等較為少見的良性病變。本研究的局限性主要在于研究的樣本量較小，并且是單中心的研究，在未來的進(jìn)一步深入研究中，我們將會(huì)納入更大樣本量的不同病理類型的良惡性病變，并補(bǔ)充外部驗(yàn)證病例，以進(jìn)一步完善預(yù)測(cè)模型。

綜上所述，基于RF、SVM和LR的MRI影像組學(xué)預(yù)測(cè)模型在診斷乳腺良惡性病變方面都具有較好的診斷效能，其中LR模型更為穩(wěn)定。提示基于MRI影像組學(xué)的預(yù)測(cè)模型在預(yù)測(cè)乳腺良惡性病變方面具有較高的價(jià)值，可為乳腺良惡性病變的預(yù)測(cè)提供新的手段，具有較好的臨床應(yīng)用前景。