论文部分内容阅读
目的:应用Binary Logistic回归模型探讨超声乳腺影像报告数据系统(2013)中列举的超声征象及相关临床资料在乳腺肿块良恶性鉴别中的诊断价值,筛选出起主要鉴别作用的影像学表现及临床资料。方法:对安徽医科大学第二附属医院的367例患者行乳腺灰阶超声、彩色多普勒超声、弹性成像等检查,共发现430个乳腺肿块,依据BI-RADS-US(2013)中列举的肿块的超声描述词记录各肿块超声征象:肿块的大小、形态、方位、边缘、内部回声、后方回声、血管供应、弹性评估、有无腋窝淋巴结肿大、肿块内细钙化、肿块内粗钙化、导管内钙化、肿块外钙化、乳腺结构扭曲、导管改变、皮肤改变、水肿。查阅患者的病历记录其相关临床资料,包括:患者的肿瘤家族史、患病年龄、肿块的位置等。与病理结果对照,应用SPSS 17.0统计软件,对上述20个方面的参数先行单因素分析,定量资料经正态检验后,采用独立样本t检验或独立样本非参数检验,定性资料采用c2检验,R<0.05差异有统计学意义。将单因素分析中筛选出的有统计学意义的自变量用Binary Logistic回归Enter法进行分析,R<0.05差异具有统计学意义,建立预测模型,对模型的拟合情况采用Hosmer and Lemeshow检验,若R≧0.05证明模型拟合良好。结果:1.单因素分析结果恶性病灶170个,良性病灶260个。共有17个方面的指标可用来鉴别乳腺肿块的良恶性:患者的患病年龄、肿块的形态、方位、边缘、内部回声、后方回声、血管供应、弹性评估、肿块内细钙化、肿块内粗钙化、导管内钙化、肿块外钙化、乳腺结构扭曲、周围导管改变、皮肤改变、水肿、腋窝淋巴结肿大。2.多因素Logistic分析结果:共筛选出7个乳腺癌诊断的主要影响因素,按其预测乳腺肿块为恶性的相对危险度(0R值)由高到低依次排序为:肿块内细点状钙化(OR=14.878)>边缘毛刺状(OR=13.326)>边缘微小分叶(OR=12.475)>边缘成角(OR=11.843)>年龄(OR=4.652)>腋窝淋巴结肿大(OR=4.410)>方位(OR=3.424)。得到的预测模型Logit(P)=-21.311+1.537×(年龄≧40岁)+1.231×不平行生长+2.472×边缘成角+2.524×边缘呈微小分叶状+2.590×边缘呈毛刺状+2.700×肿块内微小钙化+1.484×腋窝淋巴结肿大。Hosmer and Lemeshow检验:R=0.389(R≥0.05),模型拟合良好。结论:1.单因素分析结果中具有统计学意义的指标中囊括了BI-RADS-US(2013)中列举的所有超声征象,这再次验证了BI-RADS-US有助于乳腺肿块良恶性的鉴别。2.多因素分析结果按OR值由大到小排序,共有:肿块内细点状钙化、边缘毛刺状、边缘微小分叶、边缘成角、年龄≥40岁、腋窝淋巴结肿大、方位7个因素是乳腺良恶性肿块鉴别诊断中的主要危险因素,OR值越大,肿块的恶性可能性越大;危险因素出现的越多,乳腺肿块为恶性的可能性就大。3.Logistic回归模型的建立证明多种超声征象和临床资料的联合应用,能有效地鉴别乳腺肿块的良恶性,具有较高的实用价值。