论文部分内容阅读
目的探讨定性及定量的优化乳腺影像学报告和数据系统(BI-RADS)分类方法的具体分类标准,以及这两种方法在乳腺结节良恶性鉴别诊断中的临床应用价值。方法回顾性分析312例乳腺结节患者共326个乳腺结节的超声图像特征,以形状不规则、方位不平行、边界不光整(模糊、成角、微分叶、毛刺)、内部回声不均匀、微钙化、后方回声衰减、结构扭曲、导管扩张8个超声征象作为乳腺结节的恶性征象,与穿刺病理或术后病理结果对照,进行单因素χ2检验。将乳腺结节良恶性鉴别诊断中差异具有统计学意义的超声征象纳入多因素Logistic回归分析,筛选出乳腺恶性结节的独立预测因子。以Logistic回归分析筛选出的恶性超声征象作为元素,设立定性的优化BI-RADS分类方法及定量的优化BI-RADS分类方法。用这两种BI-RADS分类方法对本研究的326个结节进行优化BI-RADS分类,并进行诊断性试验,分析乳腺结节良恶性鉴别的截点。用一致性检验方法检验定性的优化BI-RADS分类方法与定量的优化BI-RADS分类方法的一致性。结果1.单因素χ2检验中,形状不规则、方位不平行、边界不光整、内部回声不均匀、微钙化、后方回声衰减、结构扭曲、导管扩张8个超声征象和模糊、成角、微分叶、毛刺4个超声征象在乳腺结节良恶性的鉴别诊断中差异均具有统计学意义(P值<0.05)。2.多因素Logistic回归分析中,能进入Logistic回归方程的超声征象为方位不平行、边界不光整、内部回声不均匀、微钙化、后方回声衰减、结构扭曲,其OR值分别为6.427、3.040、5.662、7.810、5.542、8.371。Logistic回归模型的ROC曲线下面积为0.961。以上述6个恶性征象形成定性及定量的优化BI-RADS分类方法,两种方法均以4b类作为乳腺结节良恶性的截点,诊断效能最佳。3.定性方法及定量方法分类结果与病理结果的一致性检验Kappa值分别为0.804、0.798;定性与定量方法分类结果的一致性检验Kappa值为0.897。结论定性的优化BI-RADS分类方法及定量的优化BI-RADS分类方法在乳腺结节良恶性的鉴别诊断中具有较高的应用价值。定性的优化BI-RADS分类方法宜作为首选。