預(yù)測(cè)ER及PR雙陰性乳腺癌的CT影像學(xué)機(jī)器學(xué)習(xí)模型的建立

［摘要］目的構(gòu)建預(yù)測(cè)雌激素受體（ER）及孕激素受體（PR）雙陰性乳腺癌的CT影像學(xué)機(jī)器學(xué)習(xí)模型。

方法收集2020年1月—2023年5月本院經(jīng)病理確診乳腺癌病人223例，按 7∶3的比例隨機(jī)分為訓(xùn)練集（156例）及驗(yàn)證集（67例）。收集病人的臨床資料，分別采用CRT決策樹(shù)及BP神經(jīng)網(wǎng)絡(luò)構(gòu)建ER及PR雙陰性乳腺癌的預(yù)測(cè)模型。

結(jié)果年齡、組織學(xué)類型、組織學(xué)分級(jí)、增殖細(xì)胞核抗原-67增殖指數(shù)、淋巴結(jié)轉(zhuǎn)移及毛刺征在雙陰性乳腺癌組與非雙陰性乳腺癌組間差異有統(tǒng)計(jì)學(xué)意義（χ2=4.078～15.177，P＜0.05）。在訓(xùn)練集和驗(yàn)證集中，CRT決策樹(shù)模型預(yù)測(cè)雙陰性乳腺癌的受試者工作特征曲線下面積（AUC）分別為0.758（95%CI=0.670～0.846）和0.796（95%CI=0.672～0.920），BP神經(jīng)網(wǎng)絡(luò)模型的AUC分別為0.787（95%CI=0.701～0.874）和0.836（95%CI=0.722～0.950）。

結(jié)論CRT決策樹(shù)模型及BP神經(jīng)網(wǎng)絡(luò)模型對(duì)ER及PR雙陰性乳腺癌具有一定的預(yù)測(cè)效能，BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于CRT決策樹(shù)模型。

［關(guān)鍵詞］乳腺腫瘤；受體，雌激素；受體，孕激素；體層攝影術(shù)，X線計(jì)算機(jī)；機(jī)器學(xué)習(xí)；決策樹(shù)；神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)；預(yù)測(cè)

［中圖分類號(hào)］R737.9

［文獻(xiàn)標(biāo)志碼］A

［文章編號(hào)］2096-5532（2024）04-0552-05doi：10.11712/jms.2096-5532.2024.60.138

［開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）］

［網(wǎng)絡(luò)出版］https：//link.cnki.net/urlid/37.1517.R.20240929.1904.001;2024-09-3013：03：13

Establishment of a CT imaging-based machine learning model for predicting breast cancer negative for both estrogen receptor and progesterone receptor

JIANG Wenyun， CAO Zhiguo， XU Zhi， ZHOU Lihao （Affiliated Hospital of West Anhui Health Vocational College， Lu′an 237000， China）; ［Abstract］ObjectiveTo establish a CT imaging-based machine learning model for predicting breast cancer negative for both estrogen receptor （ER） and progesterone receptor （PR）.

MethodsA total of 223 patients with pathologically confirmed breast cancer in our hospital from January 2020 to May 2023 were enrolled and randomly divided into training group with 156 patients and validation group with 67 patients at a ratio of 7∶3. Related clinical data were collected， and the CRT decision tree model and BP neural network were used to establish a predictive model for breast cancer negative for both ER and PR.

ResultsThere were significant differences in age， histological type， histological grade， Ki-67， lymph node metastasis， and spiculation sign between the double-negative breast cancer group and the non-double-negative breast cancer group （χ2=4.078-15.177，P<0.05）. The CRT decision tree model had an area under the receiver operating characteristic （AUC） curve of 0.758 （95%CI=0.670-0.846） in the training group and 0.796 （95%CI=0.672-0.920） in the validation group， and the BP neural network model had an AUC of 0.787 （95%CI=0.701-0.874） and 0.836 （95%CI=0.722-0.950）， respectively.

ConclusionBoth the CRT decision tree model and the BP neural network model have a certain prediction efficiency for breast cancer negative for both ER and PR， and the BP neural network model is superior to the CRT decision tree model.

［Key words］breast neoplasms; receptors， estrogen; receptors， progestin; tomography， X-ray computed; machine learning; decision trees; neural networks， computer; forecasting

2017年我國(guó)乳腺癌病人占女性癌癥的31％，病死人數(shù)約4.3萬(wàn)[1]。乳腺癌危害病人的健康，使病人產(chǎn)生負(fù)性情緒，嚴(yán)重影響生活質(zhì)量[2]。乳腺癌發(fā)展受雌激素受體（ER）、孕激素受體（PR）的調(diào)控，ER及PR雙陰性乳腺癌病人預(yù)后較差，不適合內(nèi)分泌治療[3-4]。目前，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于疾病的預(yù)測(cè)診斷[5]。本研究采用CRT決策樹(shù)及BP神經(jīng)網(wǎng)絡(luò)構(gòu)建ER及PR雙陰性乳腺癌的預(yù)測(cè)模型，以期為醫(yī)護(hù)人員評(píng)估、防治ER及PR雙陰性乳腺癌提供依據(jù)。

1資料與方法

1.1研究對(duì)象

選取2020年1月—2023年5月本院經(jīng)病理確診的乳腺癌病人。納入標(biāo)準(zhǔn)：①經(jīng)手術(shù)病理或活檢確診為乳腺癌；②無(wú)碘試劑過(guò)敏史；③ER、PR免疫組織化學(xué)染色結(jié)果明確。排除標(biāo)準(zhǔn)：①哺乳期、妊娠期婦女；②存在認(rèn)知功能障礙；③存在其他惡性腫瘤；④臨床資料不完整者；⑤幽閉空間恐懼癥者。共納入病人223例，按照 7∶3的比例隨機(jī)將病人分為訓(xùn)練集（156例）及驗(yàn)證集（67例）。

1.2研究方法

1.2.1CT檢查對(duì)所有病人進(jìn)行CT平掃。平掃結(jié)束后，病人肘部靜脈注射碘海醇后再進(jìn)行增強(qiáng)掃描。增強(qiáng)掃描結(jié)束后將數(shù)據(jù)傳輸至后處理工作站，對(duì)病人軸位掃描圖像行冠狀位、矢狀位圖像重建，并將相關(guān)數(shù)據(jù)傳輸至影像歸檔和通信系統(tǒng)，后由診斷醫(yī)師分析該掃描圖像。

1.2.2病人分組與資料收集根據(jù)病人是否為ER及PR雙陰性乳腺癌分為雙陰性組和非雙陰性組。細(xì)胞核染色＜10％為ER、PR陰性，≥10％為陽(yáng)性。收集病人的年齡、組織學(xué)類型、臨床分期、組織學(xué)分級(jí)、腫瘤原發(fā)部位、絕經(jīng)狀態(tài)、增殖細(xì)胞核抗原-67（Ki-67）增殖指數(shù)、CT征象（腫瘤大小、鈣化、分葉征、毛刺征、密度、淋巴結(jié)轉(zhuǎn)移）等指標(biāo)。其中Ki-67增殖指數(shù)＜20%為低表達(dá)，≥20%為高表達(dá)。

1.3統(tǒng)計(jì)學(xué)方法

采用SPSS 23.0軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料以例數(shù)表示，組間比較采用χ2檢驗(yàn)。采用CRT決策樹(shù)及BP神經(jīng)網(wǎng)絡(luò)構(gòu)建ER及PR雙陰性乳腺癌的預(yù)測(cè)模型。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型時(shí)選擇梯度下降法優(yōu)化模型，輸入變量進(jìn)行重要性分析，列出模型中ER及PR雙陰性乳腺癌病人危險(xiǎn)因素排序；構(gòu)建可視化決策樹(shù)風(fēng)險(xiǎn)預(yù)測(cè)模型時(shí)，選擇CRT算法，設(shè)置3層的最大樹(shù)深度，父節(jié)點(diǎn)和子節(jié)點(diǎn)的最小樣本量分別設(shè)為30和5，驗(yàn)證選擇交叉驗(yàn)證。采用受試者工作特征（ROC）曲線下面積（AUC）、靈敏度、特異度評(píng)價(jià)預(yù)測(cè)模型的預(yù)測(cè)效能。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2結(jié)果

2.1訓(xùn)練集及驗(yàn)證集病人一般資料比較

訓(xùn)練集和驗(yàn)證集ER及PR雙陰性乳腺癌病人的一般資料差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。見(jiàn)表1。

2.2訓(xùn)練集中雙陰性組與非雙陰性組病人一般資料比較

年齡、組織學(xué)類型、組織學(xué)分級(jí)、Ki-67增殖指數(shù)、淋巴結(jié)轉(zhuǎn)移及毛刺征在雙陰性組與非雙陰性組間差異有統(tǒng)計(jì)學(xué)意義（χ2=4.078～15.177，P＜0.05）。見(jiàn)表2。

2.3CRT決策樹(shù)雙陰性乳腺癌預(yù)測(cè)模型的構(gòu)建

將表2中差異有統(tǒng)計(jì)學(xué)意義的年齡（＞50歲=1，≤50歲=0）、組織學(xué)類型（浸潤(rùn)性導(dǎo)管癌=1，其他=0）、組織學(xué)分級(jí)（Ⅰ=0，Ⅱ=1，Ⅲ=2）、Ki-67增殖指數(shù)（≥20％=1，＜20％=0）、淋巴結(jié)轉(zhuǎn)移（有=1，無(wú)=0）及毛刺征（有=1，無(wú)=0）作為自變量，雙陰性乳腺癌作為因變量構(gòu)建雙陰性乳腺癌的決策樹(shù)預(yù)測(cè)模型。CRT決策樹(shù)模型包括毛刺征、年齡、Ki-67增殖指數(shù)、組織學(xué)分級(jí)4個(gè)特征。毛刺征是CRT決策樹(shù)的根節(jié)點(diǎn)，內(nèi)部節(jié)點(diǎn)包括年齡、Ki-67

增殖指數(shù)、組織學(xué)分級(jí)。見(jiàn)圖1。

雙陰性乳腺癌的影響因素重要性及標(biāo)準(zhǔn)化自變量重要性排序見(jiàn)表3。

2.4BP神經(jīng)網(wǎng)絡(luò)雙陰性乳腺癌預(yù)測(cè)模型的構(gòu)建

將表2中差異有統(tǒng)計(jì)學(xué)意義的年齡（＞50歲=1，≤50歲=0）、組織學(xué)類型（浸潤(rùn)性導(dǎo)管癌=1，其他=0）、組織學(xué)分級(jí)（Ⅰ=0，Ⅱ=1，Ⅲ=2）、Ki-67增殖指數(shù)（≥20％=1，＜20％=0）、淋巴結(jié)轉(zhuǎn)移（有=1，無(wú)=0）及毛刺征（有=1，無(wú)=0）作為自變量，雙陰性乳腺癌作為因變量構(gòu)建雙陰性乳腺癌的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。見(jiàn)圖2。各變量對(duì)模型的重要性正態(tài)化后結(jié)果顯示，組織學(xué)分級(jí)＞年齡＞Ki-67增殖指數(shù)＞毛刺征＞組織學(xué)類型＞淋巴結(jié)轉(zhuǎn)移。見(jiàn)表4。

2.5雙陰性乳腺癌CRT決策樹(shù)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)性能比較

在訓(xùn)練集和驗(yàn)證集中，CRT決策樹(shù)預(yù)測(cè)模型預(yù)測(cè)雙陰性乳腺癌的AUC分別為0.758（95%CI=0.670～0.846）和0.796（95%CI=0.672～0.920），BP神經(jīng)網(wǎng)絡(luò)模型的AUC分別為0.787（95%CI=0.701～0.874）和0.836（95%CI=0.722～0.950）。見(jiàn)表5。

3討論

乳腺癌發(fā)病率逐年上升，具有較高惡性程度及轉(zhuǎn)移風(fēng)險(xiǎn)[6]。乳腺癌細(xì)胞ER、PR含量多少，是反映乳腺癌生物學(xué)特性的重要標(biāo)志，可作為內(nèi)分泌治療和預(yù)后判斷的重要生物指標(biāo)。ER、PR陽(yáng)性的乳腺癌病人對(duì)內(nèi)分泌治療多有療效反應(yīng)，預(yù)后也較好，受體含量越高相應(yīng)結(jié)果也越好，ER、PR陰性病人預(yù)后較差[7]。

本文結(jié)果顯示，CRT決策樹(shù)模型特征為毛刺征、年齡、Ki-67增殖指數(shù)、組織學(xué)分級(jí)。采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，各變量對(duì)模型的重要性正態(tài)化結(jié)果顯示，組織學(xué)分級(jí)＞年齡＞Ki-67增殖指數(shù)＞毛刺征＞組織學(xué)類型＞淋巴結(jié)轉(zhuǎn)移。本研究中ER及PR雙陰性乳腺癌病人有毛刺征者的比例低于非雙陰性病人。陳功泉等[8]研究結(jié)果表明，三陰性乳腺癌病人超聲圖像特征多表現(xiàn)為毛刺征，毛刺征病理表現(xiàn)為不同程度膠原纖維組織增生，與預(yù)后相關(guān)。ER及PR陽(yáng)性的病人出現(xiàn)毛刺征概率相對(duì)較大，乳腺癌組織學(xué)級(jí)別較低的病人更容易出現(xiàn)毛刺征，對(duì)內(nèi)分泌治療敏感性較高，預(yù)后較好[9-10]。本研究雙陰性乳腺癌病人中年齡高者的比例高于非雙陰性病人。鄭小維等[11]指出，三陰性乳腺癌病人年齡偏大，預(yù)后較差。本研究ER及PR雙陰性乳腺癌病人中Ki-67增殖指數(shù)≥20％者的比例高于非雙陰性病人。Ki-67可特異性地反映腫瘤細(xì)胞的增殖指數(shù)，腫瘤的惡性程度越高其表達(dá)水平越高[12-14]。組織學(xué)分級(jí)越晚提示病人病情越嚴(yán)重，乳腺癌的組織學(xué)分級(jí)可有效反映病灶組織分化程度，對(duì)病人預(yù)后具有一定的影響[15-16]。

近年來(lái)，機(jī)器學(xué)習(xí)被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，包括決策樹(shù)算法及BP神經(jīng)網(wǎng)絡(luò)算法[17]。決策樹(shù)模型主要通過(guò)建立決策樹(shù)節(jié)點(diǎn)，并根據(jù)字段不同值來(lái)建立分支[18]。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)[19]。經(jīng)驗(yàn)證，本研究構(gòu)建的CRT決策樹(shù)模型及BP神經(jīng)網(wǎng)絡(luò)模型對(duì)ER及PR雙陰性乳腺癌具有一定的預(yù)測(cè)效能。

綜上所述，本研究構(gòu)建的兩種模型對(duì)ER及PR雙陰性乳腺癌均具有一定的預(yù)測(cè)效能，其中BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于CRT決策樹(shù)模型。兩種模型得出的結(jié)果可應(yīng)用于臨床，對(duì)于有模型中相關(guān)特征的病人需重點(diǎn)關(guān)注，并及時(shí)采取相應(yīng)治療和干預(yù)措施。

［參考文獻(xiàn)］

[1]SIEGEL R L， MILLER K D， FEDEWA S A， et al. Colorectal cancer statistics， 2017[J]. CA： a Cancer Journal for Clinicians， 2017，67（3）：177-193.

[2]石飛婭，陳俊，沈淵，等. 首次納入社區(qū)管理的新診斷乳腺癌患者生活質(zhì)量狀況分析[J]. 現(xiàn)代腫瘤醫(yī)學(xué)， 2023，31（20）：3860-3864.

[3]LI Z， WEI H R， LI S Y， et al. The role of progesterone receptors in breast cancer[J]. Drug Design， Development and The-

rapy， 2022，16：305-314.

[4]劉運(yùn)麟，彭厚坤，羅朝朗，等. 老年乳腺癌新輔助化療前后Her-2、ER和PR表達(dá)變化及其與患者預(yù)后的關(guān)系[J]. 中國(guó)老年學(xué)雜志， 2023，43（16）：3902-3905.

[5]鄭江元，祝銳，顏永杰，等. 基于機(jī)器學(xué)習(xí)算法的子癇前期預(yù)測(cè)模型構(gòu)建[J]. 解放軍醫(yī)學(xué)雜志， 2022，8（8）：802-808.

[6]宮文亮，周建，朱道偉. 超聲造影聯(lián)合剪切波彈性成像評(píng)估乳腺癌病灶可切除性的研究[J]. 影像科學(xué)與光化學(xué)， 2022，8（6）：1375-1380.

[7]莫佳妮，趙慧. ER、PR、Her-2及Ki-67在乳腺癌患者新輔助化療后表達(dá)情況及意義分析[J]. 現(xiàn)代診斷與治療， 2023，9（1）：8-10.

[8]陳功泉，石琳，胡卯秀，等. 三陰性乳腺癌的超聲圖像特征及其與P53、BRCA1蛋白表達(dá)的相關(guān)性[J]. 臨床超聲醫(yī)學(xué)雜志， 2021，23（6）：406-409.

[9]韓劍劍，馬培旗，王小雷，等. 基于數(shù)字化乳腺X線影像組學(xué)列線圖預(yù)測(cè)浸潤(rùn)性乳腺癌組織學(xué)分級(jí)的多中心研究[J]. 放射學(xué)實(shí)踐， 2024，39（5）：634-640.

[10]祁樂(lè)，史欣，蘇寧. 乳腺癌不同CT征象與雌激素受體、孕激素受體及C-erbB-2表達(dá)的關(guān)系[J]. 中國(guó)CT和MRI雜志， 2022，8（11）：82-84.

[11]鄭小維，王冉，朱舒虹，等. 肌動(dòng)蛋白結(jié)合蛋白2在人表皮生長(zhǎng)因子受體2陽(yáng)性型和三陰性乳腺癌患者中的表達(dá)及臨床意義[J]. 癌癥進(jìn)展， 2023，21（13）：1443-1447，1474.

[12]丁紅云，陸紅梅，黃麗. 乳腺癌新輔助化療療效預(yù)測(cè)模型的建立及其影響因素[J]. 臨床與病理雜志， 2023，43（3）：436-443.

[13]宋晶，謝利. 基于胸部CT平掃紋理特征預(yù)測(cè)肺癌Ki-67表達(dá)水平的可行性研究[J]. 影像研究與醫(yī)學(xué)應(yīng)用， 2023，7（12）：68-70.

[14]宋鵬媛，劉麗娜，慈麗娜，等. 超聲造影表現(xiàn)評(píng)估乳腺癌患者血管生成擬態(tài)的可行性及其與Ki-67增殖指數(shù)的關(guān)系[J]. 生物醫(yī)學(xué)工程與臨床， 2023，27（4）：464-470.

[15]汪正燕，楊磊，黃云輝，等. 三陰性乳腺癌患者M(jìn)utT同源蛋白1基因狀態(tài)與免疫治療療效及預(yù)后分析[J]. 中國(guó)優(yōu)生與遺傳雜志， 2023，31（6）：1162-1170.

[16]蘇曉，張萬(wàn)林，張金波. 雌激素相關(guān)受體α在三陰性乳腺癌中的表達(dá)和臨床意義[J]. 中國(guó)婦幼保健， 2021，36（7）：1630-1633.

[17]徐守權(quán)，唐國(guó)文，黃舞標(biāo)，等. BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和決策樹(shù)預(yù)測(cè)急性腦梗死患者靜脈溶栓后發(fā)生早期神經(jīng)功能惡化的效能比較[J]. 實(shí)用心腦肺血管病雜志， 2023，9（2）：16-21.

[18]宮文浩，蘭天瑩，莫清蓮，等. 基于決策樹(shù)和人工神經(jīng)網(wǎng)絡(luò)的小兒肺炎痰熱閉肺證診斷模型研究[J]. 世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化， 2020，22（7）：2548-2555.

[19]秦傳東，廖奧林. 基于PSO-BP的抗乳腺癌藥物毒性研究[J]. 計(jì)算機(jī)仿真， 2024，41（4）：320-324.

（本文編輯周曉彬）