在乳腺MRI上增强病变的诊断模型的开发和验证:基于凯泽得分

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 准确的术前诊断乳腺病变恶性瘤对于有效的治疗计划至关重要.
• 凯泽评分是评估乳腺损伤概率的已知工具,但其诊断性能可以提高.
• 乳腺磁共振成像 (MRI) 在检测和描述乳腺病变方面发挥着至关重要的作用.

研究的目的:

• 开发和验证一种新的诊断模型,用于预测恶性瘤在MRI上增强乳腺病变的概率.
• 通过结合额外的临床和成像变量来提高现有的凯泽得分的诊断性能.
• 将新模型作为实践临床应用的名ogram.

主要方法:

• 从两个机构的391名患有增强乳腺病变的患者的数据被追溯收集.
• 最小绝对缩小和选择运算符 (LASSO) 回归发现了凯泽分数之外的显著预测变量.
• 多变量逻辑回归将凯泽分数与选定的变量集成在一起,以构建基于名录的诊断模型.
• 使用接收器操作特征 (ROC) 曲线,DeLong测试,净重新分类改进 (NRI),综合歧视改进 (IDI),校准曲线和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 新的诊断模型结合了Kaiser评分的年龄,MIP标志,相关的成像特征和临床乳房检查 (CBE) 结果.
• 该模型在训练 (0.948对0.869) 和验证 (0.956对0.879) 组中显示出明显更高的曲线下面面积 (AUC) 值,与单独的凯泽得分相比 (p < 0.05).
• 与凯泽分数相比,该模型显示出优越的歧视,校准和临床实用性 (更大的净效益).

结论:

• 基于凯泽分数的诊断模型整合了额外的参数,为乳房MRI增强病变提供了优越的恶性瘤手术前预测.
• 这种新型模型在诊断准确性和临床适用性方面显著优于经典的凯泽评分.
• 诺米图为临床医生提供了一种有价值的工具,以更好地评估MRI检测到的乳腺病变中的恶性瘤风险.