开发并验证了一种结合早期妊娠超声放射组学特征和临床信息的综合模型，用于预测单次玻璃化冷冻-解冻囊胚移植后的活产率

《Reproductive Medicine and Biology》：Development and Validation of a Combined Model Integrating Early Pregnancy Ultrasound Radiomics and Clinical Features to Predict Live Birth Following Single Vitrified-Warmed Blastocyst Transfer

本研究通过整合早期妊娠超声放射组学特征与临床参数，构建并验证了预测单胚胎移植后活产的机器学习模型。采用LASSO回归筛选出13个关键放射组学特征形成Rad-score，结合临床变量（年龄、子宫内膜厚度）训练模型，显著提升预测性能（AUC 0.806）。结果证实多模态数据融合能有效提高生殖医学决策的客观性和准确性。

　　在辅助生殖技术（ART）领域，预测胚胎移植后的活产率是提高治疗成功率和优化患者管理的重要环节。传统的预测方法通常依赖于临床参数，如患者的年龄、子宫内膜厚度、胚胎质量等，这些参数虽然具有一定的参考价值，但其主观性和个体差异性限制了预测的准确性和一致性。近年来，随着医学影像技术和机器学习（ML）的快速发展，利用早期妊娠超声影像进行定量分析的“影像组学”（radiomics）技术逐渐成为一种有潜力的工具，能够从复杂的医学图像中提取大量特征信息，从而为临床决策提供更全面的依据。本文通过将早期妊娠超声影像的影像组学特征与临床参数相结合，开发并验证了一个预测单个冷冻复苏囊胚移植（SVBT）后活产率的模型，为个性化生殖医学提供了新的思路。

研究共纳入了2019年至2022年间在广西医科大学第一附属医院生殖医学中心接受SVBT的925个周期，并将其随机分为训练组（740例）和测试组（185例）。影像组学特征是从胚胎移植后4周的妊娠囊和胚胎结构的超声图像中提取的，包括一阶统计特征、灰度共生矩阵（GLCM）、灰度依赖矩阵（GLDM）、灰度运行长度矩阵（GLRLM）、灰度大小区域矩阵（GLSZM）、邻近灰度差矩阵（NGTDM）以及形状特征等七个类别。为了提高模型的可解释性和实用性，研究者采用LASSO回归进行特征选择，最终保留了13个关键的影像组学特征，用于构建影像组学评分（Rad-score）。该评分基于影像组学特征的加权线性组合，能够更准确地反映胚胎移植后的妊娠潜力。

在模型构建过程中，研究者对多个机器学习算法进行了比较，包括支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端随机树（ExtraTrees）、朴素贝叶斯（NB）、极端梯度提升（XGBoost）、多层感知机（MLP）、梯度提升机（GBM）和自适应提升（AdaBoost）。通过5折交叉验证，评估了各模型的预测性能，其中AdaBoost算法表现最佳，其在训练组和测试组的AUC分别为0.786和0.708，显示出良好的区分能力。此外，研究者还构建了一个结合临床特征和影像组学特征的综合模型，该模型在训练组和测试组的AUC分别为0.806和0.718，明显优于单独的影像组学模型（AUC分别为0.786和0.708）和临床模型（AUC分别为0.673和0.579）。这一结果表明，影像组学与临床参数的整合能够显著提升活产预测的准确性。

在临床应用方面，研究者还开发了一个名为“Nomogram”的可视化工具，该工具能够将患者的年龄、子宫内膜厚度和Rad-score等预测因素转化为加权点数，从而直观地展示活产概率。Nomogram的构建使得临床医生可以更方便地进行个体化评估，帮助患者更好地理解其治疗结果的可能性，减少因不确定而产生的焦虑。此外，决策曲线分析（DCA）进一步验证了该模型的临床价值，表明其在不同阈值下的净临床获益优于其他模型。校准曲线则展示了模型预测结果与实际结果之间的高度一致性，表明其在临床实践中具有较高的可靠性。

尽管该模型在预测性能方面表现出色，但研究也指出了其在实际应用中可能面临的挑战。首先，该研究是回顾性设计，可能存在一定的选择偏倚，因此需要前瞻性研究来进一步验证其在真实临床环境中的有效性。其次，样本量相对有限，可能影响模型的泛化能力。此外，由于超声图像采集设备存在异质性（如GE和Mindray品牌），可能导致影像组学特征提取过程中出现技术差异，进而影响模型的稳定性和适用范围。最后，目前的模型仅考虑了部分临床变量和影像组学特征，如子宫内膜厚度和年龄，而未纳入其他可能影响活产率的因素，如妊娠囊的位置、子宫形态等，这在一定程度上限制了模型的全面性。

本研究的意义在于，它不仅拓展了影像组学在辅助生殖技术中的应用，还展示了多模态数据融合在临床预测模型中的价值。通过将影像组学与临床参数相结合，该模型提供了一种更加客观、定量的预测工具，有助于个性化治疗方案的制定和患者管理的优化。此外，研究中采用的LASSO回归和AdaBoost算法为其他医学影像分析提供了新的思路，同时也为未来的临床决策支持系统（CDSS）开发奠定了基础。随着技术的进一步发展和数据的不断积累，该模型有望在更多临床场景中得到应用，为辅助生殖技术的精准化和智能化提供有力支持。

在实际临床操作中，该模型可以用于优化胚胎选择策略，帮助医生在移植前更准确地评估患者的妊娠潜力，从而提高治疗成功率。同时，模型的预测结果也可以用于患者咨询，使患者更清晰地了解自身妊娠的可能性，增强治疗的信心和依从性。对于高龄或子宫内膜条件不佳的患者，该模型可能有助于提前制定干预措施，如调整子宫内膜准备方案或优化胚胎移植时机，从而改善妊娠结局。此外，该模型还可以作为辅助生殖技术研究的重要工具，为未来的个性化治疗和精准医学提供理论依据和技术支持。

尽管该研究取得了重要进展，但仍有进一步研究的空间。例如，未来的多中心研究可以验证该模型在不同医疗环境中的适用性，确保其在更广泛人群中的预测效果。同时，引入更多的生物标志物，如激素水平、遗传信息和代谢指标，可能有助于提高模型的生物相关性和预测精度。此外，利用深度学习技术实现影像组学特征的自动化提取，可以减少人为操作带来的偏差，提高模型的可重复性和实用性。最后，将该模型整合到人工智能辅助的临床决策支持系统中，可以实现治疗过程的实时优化，为临床医生提供更加智能化的辅助工具。

总的来说，本文提出了一种基于影像组学和临床参数的活产预测模型，为辅助生殖技术中的个体化治疗提供了新的方法。该模型的开发和验证不仅展示了影像组学在临床中的应用潜力，还强调了多模态数据融合在提升预测准确性和临床实用性方面的价值。尽管存在一定的局限性，但其在提高预测精度、优化治疗策略和改善患者体验方面的潜力值得进一步探索和应用。未来的研究应聚焦于扩大样本规模、提高模型的泛化能力以及增强其在临床实践中的可操作性，从而推动辅助生殖技术向更加精准和智能化的方向发展。