基于人工智能的磁共振成像阅片支持程序（AMP）在深部子宫内膜异位症诊断中的开发与初步验证

《Scientific Reports》：Development of an AI-based magnetic resonance imaging reading support program (AMP) for deep endometriosis diagnosis

本研究针对深部子宫内膜异位症（DE）非侵入性诊断面临的挑战，开发了一种基于人工智能（AI）的磁共振成像（MRI）阅片支持程序（AMP）。该程序整合了nnU-Net模型用于病灶分割和LightGBM模型基于影像组学特征进行粘连检测。初步临床效用研究表明，AMP能将放射科医生对结节样病灶（斑块）检测的敏感性从0.73提升至0.91，显示出辅助识别细微DE病灶和粘连的潜力，有望减少诊断延迟并改善患者预后。

　　

子宫内膜异位症是一种困扰着约5-10%育龄女性的常见妇科疾病，常导致慢性盆腔疼痛和不孕。其中，深部子宫内膜异位症（Deep Endometriosis, DE）是最具侵袭性的亚型，其特征是结节样病灶（斑块）浸润盆腔器官，并引起粘连，给患者带来巨大痛苦。然而，DE的诊断之路充满挑战。传统的确定性诊断依赖于腹腔镜检查等侵入性操作，这些方法不仅伴随风险，还可能对生育能力造成不可逆的影响。更普遍的问题是诊断延迟，许多女性往往要经历数年才能获得明确诊断。

近年来，非侵入性影像学检查，如经阴道超声（Transvaginal Ultrasonography, TVUS）和磁共振成像（Magnetic Resonance Imaging, MRI），在DE的早期诊断中受到越来越多的关注。特别是MRI，凭借其优异的软组织对比度和多平面成像能力，在评估DE及其相关粘连方面显示出优势。但现实是，DE病灶通常微小、形态不规则且与周围组织分界不清，即使对于经验丰富的放射科医生来说，识别它们也绝非易事。此外，精通妇科影像的放射科医生相对短缺，这进一步加剧了诊断延迟和判读结果的差异性。因此，开发能够提升诊断准确性和效率的新技术工具，对于改善子宫内膜异位症的诊疗现状具有重要价值。

人工智能（Artificial Intelligence, AI），特别是机器学习（Machine Learning, ML），在医学影像分析领域展现出巨大潜力。虽然AI在癌症、心脑血管疾病等领域的应用已取得长足进步，并且也有一些研究聚焦于盆腔MRI（如卵巢癌或子宫内膜癌的分析），但其在子宫内膜异位症，尤其是DE诊断中的应用仍然有限，这主要受限于可用数据集规模较小以及精确标注的挑战。

为了应对这些挑战，由Rie Shiokawa、Junichiro Iwasawa、Yumiko Oishi Tanaka等研究人员组成团队，在《Scientific Reports》上发表了一项研究，开发了一款名为AMP的AI驱动的MRI阅片支持程序。本研究的主要终点是开发AMP并论证其提升放射科医生阅片敏感性的潜力。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：研究采用了回顾性设计，数据集包含来自9个参与中心的277名患者的333例MRI图像。AMP程序整合了三个核心模型：1）基于nnU-Net架构的模型，用于在T2加权矢状位序列（T2WI sagittal sequences）上分割子宫、膀胱、直肠、卵巢和子宫内膜异位症结节样病灶（斑块）；2）基于LightGBM算法的模型，利用从器官分割结果中提取的56维形态学影像组学（Radiomics）特征，预测盆腔内七个特定部位的器官粘连；3）另一个基于nnU-Net的模型，用于在T1加权轴位序列（T1WI axial sequences）上识别和量化卵巢子宫内膜异位囊肿（Ovarian Endometriotic Cysts, OECs）。研究通过五折交叉验证评估模型性能，并开展了一项初步的临床效用研究，由三名不同资历的放射科医生在有或无AMP辅助的情况下阅片，以评估AMP对诊断准确性的影响。

结果

基于nnU-Net的模型实现准确的斑块分割和定位

研究人员评估了nnU-Net斑块分割模型的性能。在五折交叉验证中，模型对子宫、膀胱、直肠、卵巢的分割Dice相似系数（Dice Similarity Coefficient, DSC）较高（0.741-0.853），但对于更具挑战性的斑块，平均DSC为0.293。尽管在精确分割斑块体积方面存在困难，该模型在定位斑块位置方面表现出高精度，其平均平均精度（mean Average Precision, mAP）达到0.858。在特定置信度阈值下，对斑块位置预测的召回率（Recall）为1.00，精确率（Precision）为0.82。此外，模型自动测量的斑块深度与专家放射科医生的测量结果之间存在显著相关性（Pearson相关系数为0.52），表明模型能提供有参考价值的初步评估。

稳健的卵巢子宫内膜异位囊肿（OECs）分割和体积分析

卵巢子宫内膜异位囊肿分割模型在五折交叉验证中取得了0.580的平均DSC。模型预测的OECs长轴和短轴长度与放射科医生标注的真实值（Ground Truth）高度一致（Pearson相关系数分别为0.97和0.98）。更重要的是，在评估腹腔镜手术前后OEC体积变化方面，模型预测的体积变化与熟练放射科医生标注的结果呈现出极强的相关性（Pearson相关系数为0.96），表明AMP能够可靠地用于治疗监测。

基于影像组学的器官间粘连检测效果

对于盆腔内特定部位的粘连预测，基于影像组学的LightGBM模型性能因粘连部位和阳性样本数量而异。对于与子宫相关的粘连（如子宫-左卵巢、子宫-右卵巢、子宫-直肠），模型表现出较好的性能，召回率和精确率多数超过0.6，F1分数在0.58-0.65之间，其性能与专家放射科医生的评估相当。然而，对于阳性样本较少的部位（如子宫-膀胱粘连，仅21例），模型性能较低。

涉及放射科医生的初步临床效用研究

初步临床效用研究结果显示，在使用AMP辅助后，三位研究放射科医生对DE斑块检测的平均敏感性（召回率）从0.73提升至0.91。同时，医生间评估的一致性也有所改善，斑块检测的平均科恩卡帕系数（Cohen's kappa coefficient）从0.27（无AMP）增至0.32（有AMP）。对于特定的盆腔粘连（如子宫-直肠粘连），AMP辅助后敏感性和医生间一致性也呈现提升趋势。研究还展示了个案，其中放射科医生在未使用AMP时漏诊了斑块，而在参考AMP的预测结果后得以正确识别。

讨论与结论

本研究成功开发了AMP这一AI驱动的MRI阅片支持程序，并初步证明了其辅助放射科医生提升DE诊断敏感性的潜力。AMP的技术创新点在于结合了3D MRI处理、集成学习以及基于影像组学的特征提取，从而能够捕捉DE相关的细微形态学改变。

尽管研究存在一些局限性，例如斑块分割的DSC值相对较低，数据集规模和多样性有限，部分病灶评估缺乏手术确认的金标准，以及验证范围主要局限于子宫后壁等，但研究结果依然令人鼓舞。AMP在初步研究中展现出的能力，特别是在提升诊断敏感性、减少判读者间差异以及辅助经验较少的医生方面的潜力，标志着在应对DE诊断挑战方面迈出了重要一步。

综上所述，这项研究表明，AMP作为一种非侵入性的诊断支持工具，有望帮助减少DE的诊断延迟，改善患者管理。未来的工作方向包括在更大规模、前瞻性、多中心研究中进一步验证AMP的有效性，并将其集成到临床工作流程（如影像归档和通信系统PACS）中，以充分发挥其临床价值。