深度学习赋能多序列 MRI 分析模型，助力日常实践中子宫内膜异位症精准检测

为解决子宫内膜异位症成像诊断难题，研究人员收集 2015 - 2024 年病理确诊患者及年龄匹配对照组数据，利用多序列 MRI 评估深度学习（DL）工具。结果显示 3D - DenseNet - 121 模型性能良好，AI 辅助提升诊断准确性，为该病诊断提供新方法。

　　子宫内膜异位症影响着 5 - 10% 的育龄女性。尽管发病率较高，但通过影像学诊断子宫内膜异位症仍颇具挑战。深度学习（DL）的发展正革新复杂病症的诊断与管理。本研究旨在评估 DL 工具能否提高基于多序列磁共振成像（MRI）检测子宫内膜异位症的准确性。研究人员从机构数据库中收集 2015 年至 2024 年经病理证实的子宫内膜异位症患者队列，并设立年龄匹配的对照组，这些对照组接受相似的 MRI 检查但未被诊断为子宫内膜异位症。研究使用了矢状位脂肪抑制 T1 加权（T1W FS）增强前后及 T2 加权（T2W）的 MRI 图像。数据集在患者层面进行划分，12.5% 用于测试，其余部分进行七折交叉验证。七位在子宫内膜异位症 MRI 诊断和复杂手术规划方面经验丰富的腹部放射科医生，以及一位接受过子宫内膜异位症 MRI 专项培训的女性影像研究员，随机选取图像进行评估并记录诊断结果。研究结果显示，病例组和对照组分别纳入 395 例和 356 例患者。最终的 3D - DenseNet - 121 分类器模型表现出色。研究发现，使用 T2W、T1W FS 增强前后的图像能获得最准确的预测结果。在测试集上采用集成技术，得到 F1 分数为 0.881，受试者工作特征曲线下面积（AUROCC）为 0.911，灵敏度为 0.976，特异度为 0.720。放射科医生在无 AI 辅助和有 AI 辅助下检测子宫内膜异位症的灵敏度分别为 84.48% 和 87.93%。无 AI 辅助时，放射科医生预测子宫内膜异位症标签的一致性（Fleiss’ kappa）为 0.5718，有 AI 辅助时为 0.6839。本研究首次引入在大样本队列中使用多序列 MRI 的 DL 模型，其检测子宫内膜异位症的结果与经过专业训练的医生相当。