基于超声影像组学栖息地特征鉴别乳腺叶状肿瘤与纤维腺瘤
Ultrasound-Based Habitat Radiomics for Differentiating Phyllodes Tumor from Breast Fibroadenoma.
PubMed 文献 · Acad Radiol · 2026-10-03
本研究纳入1950例病理证实的乳腺病变（1029例纤维腺瘤和921例叶状肿瘤），开发整合超声影像组学、栖息地特征和临床变量的机器学习模型。采用K-means聚类分割出3个栖息地亚区并提取影像组学特征，结合年龄、病灶大小和方位构建联合模型。该模型在训练集、验证集和测试集的AUC分别为0.921（95%CI 0.904-0.939）、0.797（95%CI 0.754-0.835）和0.844（95%CI 0.813-0.877）。
要点
- 叶状肿瘤与纤维腺瘤超声表现重叠，联合栖息地影像组学、年龄、病灶大小和方位可提高鉴别诊断准确性
- K=3的栖息地聚类分割在多队列中具有高度稳定性，平均调整Rand指数均>0.99
- 模型在独立测试集AUC达0.844（95%CI 0.813-0.877），具有良好的泛化性能
核心结论
- 整合超声栖息地影像组学与年龄、病灶大小、方位的联合模型可有效鉴别叶状肿瘤与纤维腺瘤，在多个数据集上表现出一致的判别能力
- Shapley加性解释分析为联合预测提供了全局和个案水平的可解释性
研究设计与样本
- 回顾性多中心研究，纳入1950例病理证实病变（1029例纤维腺瘤，921例叶状肿瘤），分为训练集（n=918）、验证集（n=474）和测试集（n=558）
- 使用19个体素级特征进行K-means栖息地分割，在训练集中从K=2-10中选择，并在50个随机种子中评估稳定性
- 采用ExtraTrees分类器构建全病灶、栖息地和联合栖息地-影像组学特征模型，通过概率级后期融合结合逻辑回归临床模型
- 临床变量包括年龄、病灶大小和方位，参考标准为病理诊断
诊断标准与关键数值
- K=3栖息地聚类获得最高Calinski-Harabasz指数（200927.01），在50个随机种子中聚类稳定，训练集、验证集和测试集的平均调整Rand指数分别为0.9942、0.9948和0.9941
- 特征选择保留39个全病灶特征和34个栖息地特征（栖息地1-3分别为1、14和19个特征）
- 联合模型在训练集袋外、验证集和测试集的AUC分别为0.921（95%CI 0.904-0.939）、0.797（95%CI 0.754-0.835）和0.844（95%CI 0.813-0.877）
临床应用与阅片要点
- 对超声表现重叠的乳腺纤维性病变，结合患者年龄、病灶大小和方位等临床信息有助于提高叶状肿瘤与纤维腺瘤的鉴别准确性
- 栖息地影像组学通过K-means聚类将病灶分割为3个异质性亚区，可捕获病灶内部空间异质性信息用于鉴别诊断
局限性
- 回顾性多中心研究设计
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Xue, Ding, Lu, et al. Ultrasound-Based Habitat Radiomics for Differentiating Phyllodes Tumor from Breast Fibroadenoma. Acad Radiol. 2026. PMID: 42829256. doi:10.1016/j.acra.2026.09.010
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。