基于影像特征建立乳腺癌腋窩淋巴結轉移機器學習預測模型

吳澤琪，馬夢偉，劉仁懿，曾鳳霞，陳衛國，秦耿耿

近年來乳腺癌的發病率呈快速上升趨勢，已超過肺癌成為全球第一大癌癥。早期發現并進行有效的系統治療是降低乳腺癌死亡率的關鍵[1]。腋窩淋巴結（axillary lymph node, ALN）轉移情況是影響乳腺癌病人預后和治療決策的重要因素[2]。目前，ALN清掃和前哨淋巴結活檢是評估ALN 狀態的標準方法，但兩者均為有創性操作，可能導致上肢淋巴水腫、手臂外展受限等并發癥的發生[3]。影像學檢查作為一種無創性的手段，在乳腺癌的診斷及預后評估中發揮著重要作用。機器學習作為人工智能的重要分支，可以通過復雜的算法來分析大量數據，識別數據中的模式并做出預測，在醫學領域應用廣泛。然而，機器學習模型是一種“黑盒模型”，模型內部機制難以理解，使得醫生未能充分信任其結果。SHAP（SHapley Additive exPlanation）可解釋技術能夠評估每個特征對模型輸出的貢獻，可視化模型的決策過程。將醫生提取的影像學征象與可解釋機器學習算法相結合，有望構建一個可重復性好且易理解的預測模型。既往ALN 轉移的相關研究大多僅納入單模態的影像數據進行研究，而針對多模態影像征象對預測模型評價的研究尚少[2]。本研究旨在利用基于第5 版乳腺影像報告和數據系統（breast imaging reporting and data system,BI-RADS）[4]的乳腺癌原發灶全視野數字化乳腺X 線攝影（full-field digital mammography, FFDM）和超聲（US）征象構建乳腺癌ALN 轉移預測模型，探索乳腺癌原發灶的FFDM 及超聲影像特征術前預測ALN 轉移的價值，以期尋找一種準確、無創預測乳腺癌ALN 轉移的新方法。……