整合放射组学、栖息地成像和深度学习技术，基于磁共振成像（MRI）预测宫颈癌的宫颈旁组织侵犯情况：一项双中心研究

《Magnetic Resonance Imaging》：Integration of radiomics, habitat imaging, and deep learning for MRI-based prediction of parametrial invasion in cervical cancer: A dual-center study

多模态影像组学联合深度学习模型在宫颈癌宫旁侵犯预测中表现优异，集成模型AUC达0.973，显著优于单一模式（0.856-0.954）。该模型整合了肿瘤内/外影像组学特征（15个高ICC特征）、habitat成像的k-means三区划分（13个LASSO选特征）及2.5D ResNet101深度学习切片特征融合，通过MIL策略优化跨切片信息。临床参数（HPV感染、 SCC-Ag水平、绝经状态）与影像特征协同建模，决策曲线分析显示治疗获益差异达24.3%。本研究验证了跨模态特征融合对提高影像预测性能的临床价值。

　　这项研究聚焦于宫颈癌中参数侵袭（PMI）的影像学预测，旨在评估基于磁共振成像（MRI）的影像组学、栖息地成像以及2.5D深度学习模型的诊断效果，并探讨多模态综合模型在临床中的应用价值。宫颈癌作为一种严重影响女性健康的恶性肿瘤，其分期对于治疗方案的选择和预后判断具有重要意义。在FIGO 2018分期系统中，参数侵袭是区分早期（≤ FIGO IIA）与晚期（≥ FIGO IIB）宫颈癌的关键因素，早期患者通常接受根治性子宫切除术，而晚期患者则需要同步放化疗。因此，准确识别参数侵袭对于制定个体化治疗策略至关重要。

在临床实践中，MRI因其出色的软组织对比度成为评估参数侵袭的首选影像技术，其主要诊断依据是宫颈基质环的破坏。然而，MRI的解读存在主观性和误差风险，这促使研究者探索更为客观的影像生物标志物。影像组学作为一种定量分析方法，通过提取高维特征来捕捉肿瘤的异质性和微环境的复杂性，已被证明在宫颈癌分期和治疗反应预测中具有潜力。然而，大多数影像组学研究主要关注肿瘤整体特征，可能忽略局部异质性对参数侵袭检测的重要性。

为了解决这一问题，栖息地成像作为一种先进的影像组学技术，通过体素级聚类将肿瘤划分为生物学上不同的亚区（如坏死、缺氧或血管化区域），从而更精确地描述肿瘤内部异质性。这种方法在肿瘤分类和预后预测中展现出价值，但其在参数侵袭评估中的应用尚未得到充分探索。此外，深度学习技术在医学影像分析中取得了显著进展，尤其是2.5D卷积神经网络（CNN），通过整合相邻切片信息，实现了计算效率与空间特征表达之间的平衡。尽管深度学习已被应用于妇科肿瘤的分割和预后建模，但在参数侵袭预测方面仍存在局限。

基于上述背景，研究者提出了一种多模态综合模型，结合影像组学、栖息地成像和2.5D深度学习特征，以提高参数侵袭的预测性能。该模型在训练、内部验证和外部测试队列中均展现出优越的表现，其AUC分别为0.973、0.901和0.906，准确率分别为0.918、0.812和0.857。相比之下，单个模型的表现则相对较弱。例如，在外部测试队列中，基于肿瘤周围3毫米区域的影像组学模型表现出优于肿瘤内部特征的预测能力（AUC分别为0.843和0.719），这表明肿瘤周围组织的影像特征对参数侵袭的识别具有重要意义。

该研究采用了多步骤的特征选择流程，包括基于统计显著性的单变量筛选、皮尔逊相关性分析以去除冗余特征、最小冗余最大相关性（mRMR）进行降维，以及使用最小绝对值收缩和选择算子（LASSO）回归进行最终的特征筛选。这些步骤有助于构建更加稳健和具有临床实用性的预测模型。同时，研究者使用了多种机器学习算法，如逻辑回归（LR）、随机森林（RF）、极端梯度提升（ET）、支持向量机（SVM）和LightGBM，以确保模型的泛化能力和可靠性。

在深度学习部分，研究者采用了一种2.5D多实例学习（MIL）融合策略，通过将MRI切片作为独立输入并使用预训练的DenseNet121、ResNet101和Inception_v3网络进行特征提取，再结合多个MIL方法，如预测概率直方图和基于词频-逆文档频率（TF-IDF）的词袋编码，以增强患者层面的预测能力。最终，MIL_2.5D特征被整合到预测流程中，进一步提升了模型的性能。

此外，研究者还构建了一个基于影像组学特征的列线图（nomogram），该列线图结合了影像组学、栖息地成像、深度学习衍生特征以及临床参数，实现了对参数侵袭的全面预测。列线图在训练、内部验证和外部测试队列中均表现出良好的预测性能，且其校准曲线显示了预测概率与实际发生率之间的高度一致性。决策曲线分析（DCA）进一步验证了该模型在临床中的应用价值，表明其在不同阈值概率下均优于单个模型，具有较高的临床净收益。

在临床参数方面，研究者发现一些指标与参数侵袭显著相关，包括升高的鳞状细胞癌抗原（SCC-Ag）水平、绝经状态和鳞状细胞癌组织学类型。这些临床特征的整合显著提高了模型的准确性，尤其是在外部测试队列中，综合模型的AUC达到了0.906，显示出其在临床应用中的潜力。然而，研究也指出，单个临床模型的预测性能较低，表明仅依赖临床参数可能无法全面反映参数侵袭的风险。

本研究的优势在于其多模态整合策略，涵盖了影像组学、栖息地成像和深度学习特征，这不仅提高了模型的预测能力，还增强了其在不同人群中的适用性。然而，研究也存在一些局限性，例如回顾性设计可能导致选择偏倚，以及不同中心之间的MRI采集协议可能存在差异，影响特征提取和模型性能。此外，尽管综合模型在预测方面表现出色，但其在真实临床环境中的应用仍需进一步验证，包括与专家影像评估的直接比较。

总体而言，本研究展示了一种结合多种影像技术和临床参数的综合模型，显著提升了宫颈癌参数侵袭的预测性能。该模型不仅在诊断准确性上优于单个模型，还为临床决策提供了更全面的依据，有助于实现精准治疗。未来的研究应进一步验证该模型的临床实用性，并探索其在更大规模和更广泛人群中的应用。此外，优化影像采集协议和进行前瞻性研究将是提升该模型推广价值的关键。