基于超声影像与机器学习的高效鉴别诊断模型：硬化性腺病与浸润性导管癌的非侵入性区分研究

来自多中心的研究人员针对乳腺病变鉴别诊断难题，开发了基于超声影像的机器学习模型，用于区分硬化性腺病(SA)和浸润性导管癌(IDC)。通过提取2046张超声图像的ROI特征，采用XGBoost和逻辑回归构建的模型在测试组和外部验证组中分别达到AUC 0.9758-0.9906（ROI水平）和0.9653-0.9846（患者水平），关键特征"Original shape Major Axis Length"与IDC显著相关。该研究为减少SA误诊和IDC早期筛查提供了可解释性AI工具。

　　

这项突破性研究将人工智能技术与医学影像诊断深度融合，聚焦乳腺疾病鉴别诊断的临床痛点。科研团队收集了来自772例患者的2046张乳腺超声图像，通过精确勾画感兴趣区域(ROI)并提取多维特征，构建了双层诊断体系：在ROI层面，采用XGBoost算法筛选的18个特征组合展现出惊人的鉴别能力，测试组AUC达0.9758（95%CI:0.9654–0.9847），外部验证组更提升至0.9906；在患者层面，精简为9个特征的逻辑回归模型同样表现优异。

研究揭示了关键形态学指标"原始形状长轴长度(Original shape Major Axis Length)"与恶性肿瘤的高度相关性——该特征值越大，诊断为浸润性导管癌(IDC)的概率越高。通过SHAP可解释性分析，研究人员不仅验证了模型可靠性，还直观展示了各特征对具体病例的诊断贡献度。

这项技术的临床价值在于：一方面可显著降低硬化性腺病(SA)的误诊率，避免不必要的穿刺活检；另一方面为浸润性导管癌(IDC)的早期发现提供了敏感度达0.99的筛查工具。研究采用的5折交叉验证和网格搜索优化策略，确保了模型的泛化能力，而多中心外部验证则进一步证实了其临床适用性。