[发明专利]一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法

说明书

本发明公开了一种乳腺癌患者测腋窝淋巴结转移预测模型及其构建方法，本发明利用人工智能机器学习算法，基于乳腺癌患者的磁共振影像数据及临床特征数据基础，建立乳腺癌患者腋窝淋巴结转移的人工智能预测模型；所述预测模型具有精准、简便、无创等优点，能够有效对乳腺癌患者术前腋窝淋巴结转移进行有效评价，有助于辅助乳腺癌临床诊疗决策，减少患者不必要的腋窝淋巴结清扫手术，减少手术并发症的发生，提高患者的生活质量，有更高预测效能和临床收益，对指导临床治疗策略、加强临床治疗干预及后续的个体化随访具有重要的指导意义。

技术领域

本发明属于生物医药领域，涉及一种乳腺癌患者腋窝淋巴结转移预测模型 及其构建方法。

背景技术

乳腺癌是严重危害女性健康的恶性肿瘤，占女性恶性肿瘤发病率第一位， 死亡率第五位，发病率亦呈逐年上升趋势。大约30％-40％的乳腺癌患者在接受 手术及术后辅助治疗后，出现复发转移，最终发展为晚期乳腺癌，并且5年生 存率不足23％。

腋窝淋巴结(ALN)转移是乳腺癌常见的转移位置，乳腺癌患者ALN阳性 约有40％，18.7％的ALN阳性患者会出现10年后复发。因此，乳腺癌患者ALN 状态影响手术方案及系统治疗决策，也作为肿瘤复发转移的独立危险因素。目 前，腋窝淋巴结转移状态诊断方法主要包括乳腺增强磁共振影像(MRI)诊断、 术前淋巴结穿刺术、术中前哨淋巴结活检(SLNB)与腋窝淋巴结清扫术(ALND)。 对术中SLNB腋窝淋巴结阴性的乳腺癌患者可免行ALND，而检出3枚及以上 腋窝淋巴结阳性患者则需进行ALND。但SLNB存在8.4％～14.2％的假阴性率，且具有一定有创性。接受新辅助治疗的乳腺癌患者，淋巴引流途径的改变是否 影响SLNB的识别率，导致假阴性率的增加，仍存在一定的争议。若后续临床 治疗决策仅依据淋巴结穿刺或前哨淋巴结活检病理的结果，可能会造成化疗缺 乏，甚至会增加患者术后复发转移风险。若为降低复发风险，采取过度的腋窝 治疗，则又会增加并发症的发生。因此，若能够研发一项精准、简便、非有创 性的早期乳腺癌患者术前ALN转移预测方法具有重要意义。

发明内容

针对上述问题，本发明的目的是提供一种精准、简便、非有创性的乳腺癌 患者术前ALN转移的预测模型及其构建方法。

为实现上述目的，本发明采取的技术方案为：一种乳腺癌患者腋窝淋巴结 转移预测模型的构建方法，包括以下步骤：

(1)、数据收集：收集和处理患者的磁共振图像数据和临床特征数据；

(2)、建立影像组学预测模型：通过LASSO筛选磁共振图像数据中影响腋 窝淋巴结转移的关键影响特征，并利用Logistic回归建立影像组学腋窝淋巴结转 移的预测模型；

(3)、建立临床病理特征预测模型：通过Logistic单因素分析筛选影响腋窝 淋巴结转移的临床病理特征，并通过Logistic回归建立基于临床特征的腋窝淋巴 结转移预测模型；

(4)、建立综合预测模型：基于步骤(2)、(3)的模型，通过Logistic回归 得到综合预测模型。

近年来，包括磁共振(MR)、计算机断层扫描、超声和正电子发射型计算 机断层显像等技术的广泛应用，为预测乳腺癌的ALN转移和复发转移风险提供 了一种无创且较为精准的方法，其中以MR的应用最为普遍。但由于人工阅片 误差和阅片工作量较大等原因，MR的人工诊断准确性和高效性并不理想。同时， MR的多维度立体影像特征能够更准确预测淋巴结的转移情况和复发风险，这也 是肉眼无法识别获取的。通过人工智能机器学习，可避免人工误差带来的问题， 更准确和高效地预测淋巴结的转移情况和复发风险。

作为本发明的优选实施方式，所述方法还包括将所述综合预测模型生成相 应的可视化的列线图和/或进行验证的步骤。

生成列线图(nomogram)的可视化形式，模型更直观、简单，便于对该模 型进行推广、应用。通过对模型进行验证可有效评估模型的效能。