基于合成MRI影像组学特征的机器学习模型在乳腺良恶性肿块鉴别诊断中的准确性研究

《BMC Medical Imaging》：Diagnostic accuracy of a machine learning model using radiomics features from breast synthetic MRI

为解决BI-RADS-MRI分类特异性低导致不必要活检的问题，本研究开发了一种结合BI-RADS与基于合成MRI影像组学特征的机器学习集成模型。结果显示，该集成模型在测试集上AUC达0.883，显著优于单一BI-RADS或机器学习模型，为提升乳腺MRI诊断效能提供了新策略。

　　

论文解读

研究背景

乳腺磁共振成像（MRI）是评估乳腺病变的重要工具，其诊断标准主要依据乳腺影像报告和数据系统（BI-RADS-MRI）词典。虽然BI-RADS-MRI在识别恶性肿瘤方面表现出极高的灵敏度，但其特异性却存在较大波动。这意味着，尽管许多被标记为“可疑”的病变最终被证实是良性的，但患者仍需承受不必要的穿刺活检，这不仅带来身体创伤，也增加了医疗成本。

传统MRI图像是“相对值”图像，其信号强度受扫描参数、设备型号等多种因素影响，难以在不同患者或不同检查间进行直接比较。而定量MRI值，如T1和T2弛豫时间，能提供更客观的测量指标，有助于区分良恶性病变。然而，获取这些定量图通常需要专门的扫描序列，延长了检查时间，限制了其临床应用。

合成MRI（Synthetic MRI）技术，如SyMRI，通过一次多动态多回波（MDME）序列扫描，即可同时生成T1、T2和质子密度（PD）等多种定量图，为定量分析提供了便利。与此同时，影像组学（Radiomics）作为一种新兴的分析方法，能够从医学图像中提取海量的形态、纹理等特征，挖掘肉眼难以识别的信息，从而提升诊断的精准度。

尽管影像组学在乳腺MRI中展现出潜力，但大多数研究基于相对值图像，其结果的稳定性和可重复性面临挑战。因此，松田拓也（Takuya Matsuda）等研究者提出，能否利用合成MRI提供的定量图，结合影像组学特征，构建一个更可靠的机器学习模型，来辅助医生更准确地区分乳腺良恶性肿块？这项研究旨在回答这个问题，其成果发表在《BMC Medical Imaging》上。

关键技术方法

本研究为一项回顾性研究，纳入了在3.0 T MRI设备上接受包含MDME序列扫描的患者。研究队列包括199例患者的199个病灶（训练/交叉验证集）和40例患者的43个病灶（独立测试集），所有病灶均经组织病理学确诊。

研究团队首先利用动态对比增强MRI（DCE-MRI）图像进行病灶分割，并通过图像配准技术将分割结果映射到合成MRI生成的T1、T2定量图上。随后，从T1/T2比值图中提取了107个影像组学特征（包括形态学和纹理特征），并结合临床特征（如年龄、绝经状态）和病灶形态特征，共同作为模型输入。

在模型构建阶段，研究人员训练并比较了包括逻辑回归（LR）、随机森林（RF）等在内的多种机器学习模型。最终，他们开发了一种集成算法，将BI-RADS分类与表现最佳的机器学习模型相结合，用于重新分类BI-RADS 4类病灶，以提升诊断特异性。

研究结果

1. 数据集与观察者间一致性

最终纳入分析的训练集包含199个病灶（良性48个，恶性151个），测试集包含43个病灶（良性15个，恶性28个）。两位放射科医生在病灶分割和BI-RADS分类上均表现出良好的一致性，Dice相似系数为0.845，加权Kappa系数为0.853。

2. BI-RADS-MRI的诊断性能

在测试集上，BI-RADS-MRI表现出极高的灵敏度（100%），但特异性较低（33.3%），AUC为0.667。这反映了其高假阳性率，即大量良性病灶被误判为可疑恶性。

3. 机器学习模型的诊断性能

在多种机器学习模型中，逻辑回归（LR）模型在交叉验证中表现最佳，平均AUC为0.724。在独立测试集上，LR模型的AUC为0.707，特异性为80.0%，显著高于BI-RADS-MRI的特异性。

4. 特征重要性分析

通过SHAP分析发现，绝经状态、病灶短轴长度、患者年龄以及T1/T2比值图的纹理特征变化率是模型预测中最重要的特征。

5. 集成算法的诊断性能

集成算法（结合BI-RADS和LR模型）在测试集上取得了最佳的综合性能，灵敏度为82.1%，特异性为86.7%，AUC高达0.883。其AUC值显著高于单独的BI-RADS（p=0.001057）和单独的机器学习模型（p=0.005074）。

研究结论与讨论

本研究成功构建并验证了一个结合BI-RADS分类和基于合成MRI影像组学特征的机器学习集成模型。该模型的核心优势在于，它保留了BI-RADS对高度可疑（BI-RADS 5类）和极可能良性（BI-RADS 3类）病灶的准确判断，同时利用机器学习模型对诊断不确定性最高的BI-RADS 4类病灶进行重新分类。

研究结果表明，该集成算法能够在不牺牲灵敏度的前提下，显著提升诊断的特异性，从而有望在临床实践中有效减少不必要的穿刺活检。这为解决BI-RADS-MRI特异性不足这一长期存在的临床难题提供了一种新的、有前景的解决方案。

此外，本研究首次系统性地将合成MRI的定量图应用于乳腺影像组学分析。与传统的相对值图像相比，定量图受扫描参数和设备的干扰更小，理论上具有更好的可重复性和泛化能力，为未来多中心、多设备的研究奠定了基础。

当然，本研究也存在一些局限性，如单中心、单设备的研究设计，以及未纳入非肿块样强化（NME）病灶等。未来的研究需要在大规模、多中心的数据集上进行验证，并探索该模型在更广泛病变类型中的应用价值。

综上所述，松田拓也等人的研究证实，将临床标准（BI-RADS）与先进的影像组学技术相结合，能够产生“1+1>2”的效果。这种集成策略不仅提升了诊断的准确性，也为人工智能在医学影像领域的落地应用指明了方向——不是要取代医生，而是作为医生的得力助手，共同为患者提供更精准、更安全的诊疗服务。