摘要目的评估基于18F－FDG PET/CT图像的影像组学融合特征结合极端梯度提升(XGBoost)机器学习模型在乳腺癌人表皮生长因子受体2(HER2)表达状态预测中的价值。方法回顾性分析2012年1月至2019年12月于天津医科大学肿瘤医院行18F－FDG PET/CT检查的210例原发性乳腺癌患者[均为女性；年龄52(46，60)岁；HER2阳性95例，HER2阴性115例]，采用Python 3.7.1软件从HER2阳性组及HER2阴性组分别随机抽取70%作为训练集[147例，其中HER2阳性67例，年龄52(46，60)岁；HER2阴性80例，年龄55(45，62)岁]，30%作为测试集[63例，其中HER2阳性28例，年龄54(43，65)岁；HER2阴性35例，年龄52(45，61)岁]。在CT和PET图像上进行肿瘤分割后，分别提取CT、PET影像组学特征，经后处理获得PET/CT融合特征(包括PET/CT拼接特征和PET/CT平均特征)。建立支持向量机(SVM)模型和XGBoost机器学习模型，输入经特征筛选后保留的特征，用于预测乳腺癌原发灶中HER2的表达状态，并用ROC曲线对模型的预测效能进行评估。采用Delong检验分析不同模型及组学特征的预测效能，并绘制预测效能最高的机器学习模型的校准曲线。结果与SVM模型比较，XGBoost模型在输入CT特征、PET特征、PET/CT拼接特征和PET/CT平均特征时均有更佳的预测效能(z值：2.26~3.54, P值：0.016~0.040)。在XGBoost机器学习模型中，PET/CT平均特征预测乳腺癌HER2表达状态的ROC AUC为0.83(95% CI：0.73~0.93)，优于CT特征[0.75(95% CI：0.63~0.88)；z＝3.57，P＝0.027]、PET特征[0.73(95% CI：0.60~0.86)；z＝2.64，P＝0.034]及PET/CT拼接特征[0.74(95% CI：0.60~0.87)；z＝2.49，P＝0.037]。结论基于PET/CT影像组学融合特征建立的XGBoost机器学习模型有望用于乳腺癌患者HER2表达状态的预测。
