基于深度卷积神经网络和多参数MRI影像组学的子宫内膜癌生物学特征预测研究

来自国内的研究人员针对子宫内膜癌(EC)生物学特征预测难题，开发了融合多参数磁共振成像(MRI)、深度学习和机器学习的优化影像组学方案，成功预测肌层浸润(MI)、淋巴血管间隙浸润(LVSI)、组织学分级(HG)和雌激素受体(ER)等关键指标，测试组AUC最高达0.960，为EC精准诊疗提供了创新性影像学决策工具。

　　科学家们巧妙地将深度卷积神经网络与多参数磁共振成像(MRI)影像组学相结合，打造出一套预测子宫内膜癌(EC)关键生物学特征的"智能解码器"。这项回顾性研究纳入了201例EC患者，通过提取定量影像特征和深度学习特征，构建了可同时预测肌层浸润深度(DMI)、间隙侵犯(LVSI)、组织学分级(HG)和雌激素受体(ER)状态的智能系统。令人振奋的是，该系统在测试组中展现出卓越性能：预测DMI的曲线下面积(AUC)高达0.960（95%CI 0.9005-1.0000），LVSI预测AUC为0.924（95%CI 0.7760-1.0000），HG和ER预测AUC分别达到0.937和0.929。研究人员还采用梯度加权类激活映射(Grad-CAM)和SHAP值解释技术，让这个"黑箱"模型变得透明可信。这项突破不仅为EC的精准诊断提供了新范式，更为个体化治疗方案的制定开辟了影像学新路径。