基于多参数MRI的影像组学与深度学习融合模型用于子宫内膜癌术前风险分层

《Frontiers in Oncology》:Multiparametric MRI-based radiomics combined with deep learning for preoperative risk stratification of endometrial carcinoma

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Oncology 3.4

编辑推荐:

  目的:本研究旨在开发并比较基于多参数MRI影像组学与2.5D深度学习特征的影像组学模型、深度学习模型、临床模型及组合模型,用于子宫内膜癌(EC)的术前风险分层。方法:这项回顾性研究纳入246例经病理确诊的EC患者,收集其术前临床与影像数据,包括临床资料、T2加

  
目的:本研究旨在开发并比较基于多参数MRI影像组学与2.5D深度学习特征的影像组学模型、深度学习模型、临床模型及组合模型,用于子宫内膜癌(EC)的术前风险分层。方法:这项回顾性研究纳入246例经病理确诊的EC患者,收集其术前临床与影像数据,包括临床资料、T2加权成像(T2WI)和对比增强T1加权成像(CE-T1WI)。基于T2WI、CE-T1WI及其组合分别构建影像组学模型和深度学习模型,随后开发整合多参数影像组学特征、深度学习特征及临床参数的组合模型。采用受试者工作特征曲线下面积(AUC)、校准曲线、决策曲线分析(DCA)及DeLong检验进行模型性能与临床效用的评估及两两比较。采用梯度加权类激活映射(Grad-CAM)增强模型可解释性。结果:单因素及多因素逻辑回归分析确定最大肿瘤直径、MR-DMI、BMI和ER状态为独立预测因素。影像组学、深度学习、临床及组合模型的比较表明,多参数MRI模型优于基于影像组学或深度学习的单序列模型,而组合模型在验证集中表现出最佳预测性能,AUC为0.891,准确率为0.86,敏感度为0.909,特异度为0.765,F1分数为0.896。DeLong检验结果显示,在训练集中,组合模型的预测性能高于所有其他模型,差异具有统计学意义(P < 0.05)。在验证集中,与临床模型及T2+CET1-Rad模型相比,组合模型的改进具有统计学意义(P < 0.05)。决策曲线分析表明,组合模型提供了最高的临床净获益。结论:基于多参数MRI的影像组学与2.5D深度学习的结合在EC风险分层中表现出良好的预测性能,提示其作为非侵入性工具的潜在价值,并为临床实践中EC患者的个体化治疗计划制定和预后评估提供了一种有前景的辅助方法。
**论文解读:基于多参数MRI影像组学与深度学习融合的子宫内膜癌术前风险分层研究**

**一、研究背景与问题**

子宫内膜癌(endometrial carcinoma, EC)是全球女性第六大常见癌症,也是发达国家最常见的妇科恶性肿瘤。尽管其发病率显著高于死亡率,2020年全球仍约有97000例死亡。EC的发生风险与肥胖、代谢综合征及生活方式密切相关。根据2022年欧洲肿瘤内科学会(ESMO)指南,患者被分为低风险组(对应指南中的“低风险”类别)和高风险组(涵盖“中风险”、“中高风险”和“高风险”类别)。低风险EC包括低级别子宫内膜样癌且淋巴血管间隙浸润(LVSI)阴性,分期为国际妇产科联盟(FIGO)IA期;高风险EC则定义为存在以下任一情况:高级别子宫内膜样癌、非子宫内膜样癌、LVSI阳性、宫颈间质浸润(CSI)阳性、淋巴结转移(LNM)阳性,或FIGO分期IB期及以上。精准的风险分层对于EC患者的个体化治疗和预后评估至关重要。高风险患者常需更广泛的手术切除及辅助放化疗,而低风险患者可仅行子宫全切及双侧附件切除术,无需淋巴结清扫,从而减少淋巴水肿和盆腔神经血管损伤等手术并发症。目前EC风险评估主要依赖术后组织病理学检查,包括组织学类型、肌层浸润深度、LVSI和淋巴结转移状态。该方法不仅具有侵入性,且难以全面反映肿瘤的空间异质性。因此,临床亟需一种非侵入性、可全肿瘤采样的技术,以提供及时、全面且准确的EC风险分层预测。

影像组学(radiomics)作为大数据分析与医学影像结合的新兴交叉领域,通过捕捉细微病理变化并提供肿瘤生物学及临床行为的补充信息,可构建精细的预测模型,已广泛用于妇科肿瘤的无创诊断和预后预测。近年来,深度学习凭借其从高维影像数据中提取深层潜在特征的卓越能力,在医学图像分析中得到广泛应用。卷积神经网络在多种图像分类任务中表现优异,而迁移学习策略可有效应对医学影像样本量有限的常见问题,在小数据集条件下构建高精度预测模型。然而,单独依赖影像组学或深度学习均可能导致信息提取不完全,两者的特征融合有望构建更全面的预测模型。该研究旨在评估基于多参数MRI的影像组学模型、深度学习模型、临床模型及组合模型在EC患者风险分层预测中的性能,为临床个体化治疗决策提供辅助工具。

**二、研究方法概述**

该回顾性研究遵循《赫尔辛基宣言》伦理准则,并获得机构审查委员会批准。纳入2021年1月至2025年5月期间来自右江民族医学院附属医院(A中心,152例)和百色市人民医院(B中心,94例)共246例经病理确诊并行全子宫切除术的EC患者。纳入标准包括术前3周内行标准化盆腔MRI检查;排除MRI序列缺失或图像质量差、临床或病理资料不完整、术前接受任何治疗(如放疗、化疗、免疫治疗)以及合并其他恶性肿瘤者。根据2022年ESMO指南统一进行风险分层,低风险组90例,高风险组156例,按8:2比例随机分为训练集(196例)和验证集(50例)。

MRI图像采集使用三台扫描仪:GE Discovery 750w 3.0T(77例)、Siemens Amira 1.5T(75例)和Siemens 3.0T(94例),均采用16通道相控阵体线圈。对比增强采用钆喷酸葡胺(Gd-DTPA),剂量0.2 mmol/kg,注射速率2.0–3.0 mL/s。图像预处理包括N4偏置场校正、重采样至1mm×1mm×1mm体素及灰度离散化。由经验超过8年的放射科医师在轴位图像上沿肿瘤边界逐层手动勾画感兴趣区(ROI),并由另一名高年资医师审核。

影像组学特征提取采用PyRadiomics 3.1.0软件,从原始图像、小波分解图像(8种)及拉普拉斯高斯(LoG)滤波图像(σ=2.0–5.0 mm)共13种图像类型中提取每序列1197个特征,包括形状特征、邻域灰度差分矩阵(NGTDM)特征、一阶统计特征及纹理特征(GLCM、GLRLM、GLSZM、GLDM)。深度学习特征提取采用在ImageNet上预训练的ResNet-18作为主干网络,将肿瘤最大截面及其上下相邻层面堆叠为三通道2.5D图像输入网络,从平均池化层提取512维深度特征。特征选择依次采用Z-score标准化、独立样本t检验(P<0.05)、皮尔逊相关分析(阈值0.9)及最小绝对收缩和选择算子(LASSO)算法(10折交叉验证)。分别筛选出T2WI(18个)、CE-T1WI(13个)最优影像组学特征及组合序列(10个)特征;深度学习特征为每序列6个、组合序列11个。模型采用随机森林(RF)分类器构建,超参数通过网格搜索和五折交叉验证优化。临床模型基于单因素和多因素逻辑回归确定的独立预测因素构建。组合模型整合多参数影像组学特征、深度学习特征和临床特征。模型性能通过ROC曲线、AUC、准确率、敏感度、特异度、95%置信区间、阳性预测值、阴性预测值及F1分数评估,校准曲线评价校准度,DCA评价临床效用,DeLong检验进行模型间AUC比较。Grad-CAM技术用于可视化模型决策依据。所有统计分析使用R 4.0.2和SPSS 26.0完成。

**三、研究结果**

**3.1 临床数据与临床模型建立**

训练集和验证集中,高风险组与低风险组在肿瘤大小、MR-深肌层浸润(MR-DMI)和组织学类型方面差异均具有统计学意义(P<0.05)。单因素和多因素回归分析确定肿瘤大小(OR=1.041, P=0.002)、MR-DMI(OR=2.196, P=0.043)、BMI(OR=0.926, P=0.043)和ER状态(OR=0.149, P=0.012)为风险分层的独立预测因素。基于上述4个因素构建的临床模型在训练集和验证集中的AUC分别为0.705和0.642。组织学类型因低风险组与高风险组间完全分离而导致逻辑回归无法估计,故未纳入多因素分析;PR因与ER高度共线而未被纳入多因素模型,仅保留ER。

**3.2 影像组学与深度学习模型构建**

从T2WI、CE-T1WI及组合序列中分别筛选出最优影像组学特征18、13和10个;深度学习特征分别为6、6和11个。采用RF分类器构建并验证模型。验证集中,影像组学模型T2-Rad、CET1-Rad、T2+CET1-Rad的AUC分别为0.701、0.733和0.764;深度学习模型T2-DL、CET1-DL、T2+CET1-DL的AUC分别为0.714、0.740和0.771。结果表明,CE-T1WI特征预测性能优于T2WI,多序列组合模型优于任一单序列模型,且深度学习模型AUC均高于对应影像组学模型。Grad-CAM可视化热图显示,深度学习模型在风险分类时重点关注肿瘤内部信号异质性区域,这些区域往往与肿瘤侵袭性生物学行为密切相关。

**3.3 组合模型构建及性能**

将影像组学特征、深度学习特征和临床特征拼接后经特征选择与降维,采用RF构建组合模型。结果显示,组合模型在训练集和验证集中均获得最优预测性能:AUC分别为0.947和0.891,准确率分别为0.867和0.860,敏感度分别为0.829和0.909,F1分数分别为0.887和0.896,均优于其他对比模型。DeLong检验显示,训练集中组合模型预测效能显著高于影像组学、深度学习及临床模型;验证集中,组合模型与临床模型及T2+CET1-Rad模型之间差异具有统计学意义(P<0.05),但与T2+CET1-DL模型差异无统计学意义(P=0.114)。DCA表明组合模型提供最高的净获益和更好的临床决策效用。校准曲线显示组合模型校准曲线最接近理想对角线,预测概率与实际结果一致性良好。

**四、讨论与结论**

本研究基于多参数MRI的T2WI和CE-T1WI序列提取影像组学与深度学习特征,结合临床参数构建了8种术前风险分层模型。结果显示,多序列组合及特征融合模型性能优于单序列模型和单一类型特征模型,组合模型达到最佳预测效能。CE-T1WI序列反映肿瘤血供和灌注情况,提供了补充性影像信息。与既往研究相比,本研究样本量较大(246例),验证集AUC达0.891,并纳入更广泛的临床变量(如BMI、CA153、CA199、绝经状态、ER、PR)及采用ResNet-18架构平衡表达力与计算效率。采用Grad-CAM增强模型可解释性,可视化显示模型关注肿瘤边缘及内部结构等关键区域。

研究存在局限性:多中心不同厂家和场强(1.5T和3.0T)采集的MRI数据可能引入异质性,尽管预处理采用N4偏置场校正但仍无法完全消除场强差异影响;未进行外部验证;深度学习特征仅从三个代表性层面提取而非全肿瘤体积,可能无法完全捕捉肿瘤空间异质性;未正式评估MR-DMI和MR-CSI的观察者间κ一致性;仅纳入T2WI和CE-T1WI序列。未来需通过更大规模、多区域队列、引入ComBat等批量效应校正方法、探索多尺度特征融合及注意力机制,并纳入DWI/ADC等多模态参数以进一步提升模型性能。

结论:整合多参数影像组学、深度学习及临床特征的组合模型在EC风险分层中表现出良好的预测性能,提示其作为非侵入性工具的潜在价值,可为临床实践中EC患者的个体化治疗计划制定和预后评估提供有前景的辅助方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号