超声影像组学特征联合BI-RADS分类在乳腺良恶性病变鉴别诊断中的价值研究

本研究针对乳腺超声诊断中BI-RADS分类主观性强、误诊率高的问题，通过构建BI-RADS-影像组学联合模型（AUC达0.985），揭示了纹理特征RunEntropy与形态学特征Elongation等13个关键特征与语义特征的关联性，为乳腺癌精准诊断提供了客观量化新工具。

　　

乳腺超声作为乳腺癌筛查的核心手段，长期依赖BI-RADS分类标准，但医生操作的主观性导致含交叉超声征象的肿块误诊率高达30%。如何突破这一诊断瓶颈？来自曲靖市昆明医科大学附属医院等六家医疗机构的Yuke Gong团队在《Journal of Ultrasound》发表的研究给出了创新解决方案。

研究团队创造性地将影像组学定量分析与传统语义特征相结合，通过对147例女性患者的328幅超声图像进行多维度分析，首次系统揭示了纹理特征RunEntropy与不规则形状、边界不清等恶性征象的非线性关联（AUC=0.637-0.692），发现形态特征Elongation能客观反映肿瘤纵向生长的生物学行为（AUC=0.752）。这些发现为临床难以判定的"灰色地带"病灶提供了量化诊断依据。

关键技术方法包括：1）使用GE-LOGIQ E20采集病灶最大横断面图像；2）通过Darwin科研平台提取1406个影像组学特征；3）采用双向逐步回归构建三种诊断模型（BI-RADS单因素模型、纯影像组学模型、联合模型）；4）通过决策曲线分析（DCA）评估临床净获益。

【模型性能】联合模型在测试集表现最优（AUC 0.964），灵敏度（0.865）和特异性（0.975）显著高于单一模型，校准曲线显示预测与病理结果高度吻合。

【特征关联】RunEntropy（反映灰度分布随机性）与四种恶性语义特征显著相关；Elongation（形态伸长指数）能区分纵横比>1的病灶（AUC 0.752）；Busyness（像素变化度量）对不规则形状敏感（AUC 0.651）。

【临床启示】研究证实：1）影像组学可量化传统描述性特征（如"边界模糊"），使BI-RADS分类更客观；2）Elongation等形态特征可标准化评估肿瘤生长方式；3）联合模型使BI-RADS 4a类病灶的恶性预测阈值更精确。

这项研究的重要意义在于：首次建立超声语义特征与影像组学参数的映射关系，为AI辅助诊断系统提供了可解释的特征库。正如讨论指出，未来整合弹性成像、血管成像等多模态数据，有望进一步突破现有诊断瓶颈。论文提出的"语义-定量"双轨评估框架，为乳腺癌个性化诊疗开辟了新路径。