目的:构建乳腺肿块的综合乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)预测模型,得到不同于单一影像的BI-RADS分类。方法:回顾并分析2019年8月—2020年9月术前行超声、乳腺X线摄影及磁共振成像(magnetic ...目的:构建乳腺肿块的综合乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)预测模型,得到不同于单一影像的BI-RADS分类。方法:回顾并分析2019年8月—2020年9月术前行超声、乳腺X线摄影及磁共振成像(magnetic resonance imaging,MRI)检查的患者图像,根据BI-RADS词典对肿块特征进行评估,取3种影像的最高BI-RADS类别为因变量,影像学特征及临床指征为自变量,根据多元logistic回归构建综合BI-RADS预测模型。结果:综合BI-RADS预测模型分类的阳性预测值(positive predictive value,PPV)在指南的参考范围内[3类(0.00%),4A类(9.61%),4B类(42.41%),4C类(88.18%),5类(97.19%)],模型的受试者工作特征(receiver operating characteristic)曲线的曲线下面积(area under curve,AUC)为0.955。结论:将3种影像的BI-RADS词典联合肿块临床特征得到综合的BI-RADS模型是可行的,极大限度避免漏诊的发生。展开更多
文摘目的:构建乳腺肿块的综合乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)预测模型,得到不同于单一影像的BI-RADS分类。方法:回顾并分析2019年8月—2020年9月术前行超声、乳腺X线摄影及磁共振成像(magnetic resonance imaging,MRI)检查的患者图像,根据BI-RADS词典对肿块特征进行评估,取3种影像的最高BI-RADS类别为因变量,影像学特征及临床指征为自变量,根据多元logistic回归构建综合BI-RADS预测模型。结果:综合BI-RADS预测模型分类的阳性预测值(positive predictive value,PPV)在指南的参考范围内[3类(0.00%),4A类(9.61%),4B类(42.41%),4C类(88.18%),5类(97.19%)],模型的受试者工作特征(receiver operating characteristic)曲线的曲线下面积(area under curve,AUC)为0.955。结论:将3种影像的BI-RADS词典联合肿块临床特征得到综合的BI-RADS模型是可行的,极大限度避免漏诊的发生。
