研究目的：
　　乳腺X线摄影检查(Mammography，MG)在乳腺癌早期发现、早期诊断中发挥重要作用，是目前被广泛认可的乳腺癌筛查模式。在乳腺X线摄影检查中发现所有乳腺病变中，钙化约占31％，其可发生于良性或者恶性乳腺病变中。根据乳腺影像报告和数据系统(Breast Imaging Reportingand Data System,BI-RADS)指南和美国国立综合癌症网络(National Comprehensive Cancer Network,NCCN)乳腺癌筛查诊断指南，BI-RADS4类乳腺疾病的恶性可能性为2％到95％，且所有的BI-RADS4类病变被建议进行活检来明确病理性质。因此，如何筛选出BI-RADS4类中钙化为良性病变的患者、避免过度诊疗是一个亟需解决的问题。本研究拟用影像组学方法，分析己完成病理活检的BI-RADS4类乳腺钙化患者的X线摄影检查影像学数据，构建集成临床信息和影像学图像等信息的BI-RADS4类良性钙化预测模型，以探索影像组学特征与钙化良恶性结果之间的联系，最终建立具有预测性能的影像组学模型。
　　研究方法：
　　本研究回顾性入组212例影像学确诊的且有病理活检结果的BI-RADS4类钙化，根据检查的日期按时间顺序3:1比例分配至训练集和验证集两组，其中训练集中为159例，验证集为53例。从训练集的乳腺X线摘要摄影图像中一共提取了8286个特征，包括头足轴(craniocauda，CC)位和内外侧斜(mediolateral oblique,MLO)位。运用机器学习方法进行特征选择，将最佳特征构建影像组学标签，然后通过多变量逻辑回归分析选择具有独立预测指标的临床危险因素。结合影像组学特征标签和临床独立危险因素建立联合预测模型，通过对比影像组学预测模型和放射科医生视觉评估模型的接收器工作特性曲线下的面积(the are aunder the receiver operating characteristic curve,AUC)来评估诊断效能。通过德隆检验来检验不同模型之前的不同AUC值。
　　研究结果：
　　本研究选取了6个最佳特征用于构建影像组学标签，通过逻辑回归分析在临床危险因素中挑选出绝经状态具有独立预测效能，最后将影像组学标签与绝经状态结合，建立影像组学预测模型。在验证集中，联合预测模型的诊断效能AUC值为0.80。对比放射科医生视觉评估模型，联合预测模型显示出更好的预测能力(P＜0.05)。特别对于乳腺X线摄影检查可见但彩超不可见的乳腺钙化(mammography positive and ultrasound negative calcifications,MG+/US-calcifications)，联合预测模型的诊断效能更强。
　　研究结论：
　　本研究基于影像组学标签及临床独立危险因素指标建立的联合预测模型可用于预测乳腺X线摄影检查中的BI-RADS4类良性钙化。并且在BI-RADS4类钙化MG+/US-这一类人群中展现了良好的识别能力，证明影像组学预测模型在预测BI-RADS4类乳腺良性钙化方面具有巨大的潜力。