乳腺癌是女性最常见的肿瘤疾病,因其高发病率和死亡率被研究人员广泛关注。目前,个性化、科学化的精准诊疗原则逐渐成为焦点。乳腺癌病理信息是实现乳腺癌精准诊疗的基础,其中乳腺癌分子分型、组织学分级、Ki-67表达和淋巴结转移状态等指标与乳腺癌临床表现、肿瘤的增殖状态、治疗疗效具有密切联系,反映了乳腺癌的生存和预后情况,这四种病理指标为乳腺癌的诊断和个性化治疗提供有价值的参考。磁共振成像(Magnetic Resonance Imaging,MRI)是重要的乳腺影像学检查手段之一,具有多种参数成像方式,包括动态对比增强磁共振成像(Dynamic Contrast Enhanced MRI,DCEMRI)、T2加权成像(T2 Weighted Imaging,T2WI)和扩散加权成像(Diffusion Weighted Imaging,DWI)。多参数磁共振成像可以提供无创、高分辨率的乳腺癌形态和功能性信息,在乳腺癌诊疗中发挥重要的作用。影像组学研究从医学影像中提取特征并进行量化分析,建立预测模型,提供有价值的诊断和预后信息。传统的研究方法多数只针对单参数磁共振影像进行研究,且大多数研究只针对一种或两种临床指标进行预测。本研究联合多参数磁共振影像对乳腺癌分子分型、组织学分级、Ki-67的表达水平和淋巴结转移等病理信息进行预测研究。具体研究内容包括:(1)病理信息和影像数据的处理和分析:回顾性分析150例浸润性乳腺癌患者病例,整理患者的年龄、绝经情况等基本信息,以及每例患者的分子分型、组织学分级、Ki-67表达和淋巴结转移等病理信息,采用方差分析和卡方检验对患者的基本病理信息进行统计学分析。获取多参数影像(DCE-MRI、T2WI和DWI)并进行预处理分析,分割影像的病灶区域,提取统计特征、形态特征和纹理特征。2)基于单参数影像特征和多参数影像特征的乳腺癌病理信息预测模型研究:分别对各病理信息预测任务进行单特征分析、单参数影像多特征预测模型研究、多参数影像特征预测模型研究。单特征分析采用支持向量机(Support Vector Machine,SVM)算法和统计学方法探究影像特征和病理信息标签的关联性。单参数影像多特征分析在训练集采用支持向量机递归特征消除(SVM-Recursive Feature Elimination,SVM-RFE)算法获得影像组学最优特征子集,并构建基于SVM的预测模型,在测试集中测试模型性能。采用概率平均法、概率投票法和概率模型优化法分别将各参数影像构建的预测模型进行融合,得到多参数影像联合预测结果,并计算受试者工作特征曲线下的面积(Area Under the ROC,AUC)评估模型的分类性能。(3)基于深度多参数影像特征的乳腺癌病理信息的预测模型研究:利用卷积神经网络实现多参数影像特征融合,采用全连接神经网络实现对病理信息的分类预测,构建基于单参数影像特征的全连接神经网络模型和基于深度多参数影像特征的卷积神经网络模型,分别对乳腺癌病理信息进行预测并对比研究结果。实验结果显示,基于多参数影像特征的分类模型预测分子分型Luminal A、Luminal B、HER2和Basal-like的结果达到最优AUC分别为0.7995、0.7279、0.7375和0.7925,预测分级、Ki-67表达和淋巴结转移的结果达到最优AUC分别为0.8017、0.7718和0.7083。基于深度多参数影像特征的卷积神经网络模型预测分子分型的结果达到最优AUC分别为0.7219、0.6141、0.7347和0.7479,预测分级、Ki-67表达和淋巴结转移的结果达到最优AUC分别为0.7830、0.6560和0.6233。结果证明,联合多参数磁共振影像(DCE-MRI、T2WI和DWI)开展影像组学的相关研究提高单一参数影像模型预测乳腺癌病理信息的性能,对乳腺癌的诊断和个性化治疗方案的选择具有重要意义。