背景 淋巴血管浸润是浸润性乳腺癌的重要预后指标，影响治疗决策。我们的目标是开发一种机器学习模型，利用从多序列磁共振图像中提取的最佳感兴趣体积来预测浸润性乳腺癌患者的淋巴血管侵袭。
材料和方法 本研究纳入191例经多序列磁共振成像诊断为浸润性乳腺癌的患者。通过单变量和多变量逻辑回归分析确定独立预测因子，最终建立临床模型。从不同感兴趣体积尺度（- 2mm，整个，+ 2mm， + 4mm和+ 6mm）的多序列磁共振成像图像中提取放射学特征。随后，利用机器学习模型算法开发了各种放射学模型，包括逻辑回归、支持向量机、kNN、梯度增强机、分类回归树和随机森林。然后制定了一个混合模型，融合了最佳的放射学和临床模型。
结果 临床模型曲线下面积为0.757。在放射组学模型中，最有效的诊断是基于kNN的放射组学-感兴趣体积（+2 mm），曲线下面积为0.780。结合基于kNN的放射组学-感兴趣体积（+2 mm）的混合模型和临床模型优于个体临床和放射组学模型，曲线下面积为0.864。
结论 利用结合临床数据和基于多尺度肿瘤区域感兴趣体积（+ 2mm）的多序列磁共振成像衍生放射组学模型的混合方法，可有效确定患者的淋巴血管侵袭状态。
