目的：探讨基于数字乳腺断层摄影（digital breast tomosynthesis,DBT）的影像组学对乳腺癌分子分型的预测价值。方法：回顾并分析2019年1月—2020年8月于复旦大学附属肿瘤医院行DBT检查并经病理学检查证实为浸润性乳腺癌的380例患者资料，每例患者DBT影像包含头尾（craniocaudal,CC）位和内外斜（mediolateral oblique,MLO）位。通过提取380例基于DBT的病灶全瘤组学特征，经降维、筛选后，将保留的特征分别放入逻辑回归（logistic regression,LR）、支持向量机（support vector machine,SVM）及随机森林（random forest,RF）3个不同的机器学习模型，以受试者工作特征（receiver operating characteristic,ROC）曲线评价3种模型对乳腺癌4种分子分型的预测效能。结果：经病理学检查证实的380例病灶中，Luminal A型72例，Luminal B型175例，人表皮生长因子受体2(human epidermal growth factor receptor 2,HER2)过表达型54例，三阴性乳腺癌（triple-negative breast cancer,TNBC）79例。3种不同的算法模型均可有效鉴别乳腺癌分子分型，其中RF模型表现效果整体较好，在测试集中通过二分法预测Luminal A型、Luminal B型、HER2过表达型和TNBC的曲线下面积（area under curve,AUC）分别为0.82、0.71、0.70和0.71。DBT组学特征中，熵及与熵相关特征、形态特征与乳腺癌分子分型有关。结论：基于DBT的影像组学模型可较好预测乳腺癌的分子分型，其中表征异质性与形态的影像组学特征有助于乳腺癌分子分型的鉴别。
(8.0+极速模式)