基于 MRI 影像组学与临床指标模型对子宫内膜癌淋巴血管间隙浸润的预测价值

在子宫内膜癌（EC）中，淋巴血管间隙浸润（LVSI）对分期至关重要却只能术后病理诊断。研究人员开展基于 MRI 影像组学和临床指标预测 LVSI 的研究，构建多种模型，发现临床 + 瘤内 + 瘤周影像组学联合模型诊断效能最佳，为术前评估提供理论依据。

　　子宫内膜癌是全球常见的妇科癌症，在中国其发病率和死亡率逐年上升。早期子宫内膜癌通过手术切除子宫及附件，总体生存率可达约 90%，因此早期发现和及时治疗对改善患者预后至关重要。淋巴血管间隙浸润（LVSI），即恶性肿瘤细胞出现在子宫肌层的淋巴管或血管区域，是一个关键的预后指标，与肿瘤侵袭性、淋巴结转移风险和复发率密切相关，在癌症分期中具有重要意义，国际妇产科联盟（FIGO）2023 分期系统就将其作为分类的关键因素 。然而，目前 LVSI 只能通过术后病理诊断，这给临床实践带来了很大挑战。

磁共振成像（MRI）是子宫内膜癌常见的术前检查方式，虽能准确评估局部病变范围和宫外恶性肿瘤扩散情况，但术前用 MRI 诊断 LVSI 仍困难重重。有研究报道，MRI 术前评估疾病分期的准确率仅 47.2%。影像组学分析能从高通量图像中提取肉眼难以观察到的肿瘤特征，表征肿瘤异质性和微环境信息，在肿瘤检测、诊断和预后评估方面潜力巨大。此前一些研究表明，基于 MRI 影像组学建立的模型对子宫内膜癌 LVSI 和淋巴结转移评估有良好预测性能，但这些研究多局限于瘤内区域，忽略了肿瘤微环境。近期研究发现，肿瘤周围微环境有助于理解肿瘤病变的临床行为。

为解决上述问题，山东第二医科大学附属医院等研究机构的研究人员开展了 “基于 MRI 影像组学和临床指标的模型对子宫内膜癌淋巴血管间隙浸润的预测价值” 的研究。研究构建了 5 种模型，包括临床模型、瘤周影像组学模型、瘤内影像组学模型、瘤内 + 瘤周影像组学联合模型以及临床 + 瘤内 + 瘤周影像组学联合模型，并对这些模型进行评估。最终研究发现，临床 + 瘤内 + 瘤周影像组学联合模型在预测 LVSI 方面表现稍优于其他四个模型，该研究为子宫内膜癌术前 LVSI 评估提供了理论依据，有助于临床医生制定更精准的治疗方案，改善患者预后，研究成果发表在《BMC Cancer》。

研究人员为开展此项研究，运用了以下几个主要关键技术方法：

1. 样本选取：收集 2021 年 9 月至 2024 年 9 月在山东第二医科大学附属医院（Centre A）和山东第二医科大学第一临床医学院（Centre B）接受手术治疗的 403 例子宫内膜癌患者的 MRI 图像，经筛选最终纳入 310 例患者，分为训练集（Centre A 的 217 例患者）和验证集（Centre B 的 93 例患者）。
2. 影像采集与处理：使用 Philips 1.5 T（A 中心）/3.0 T（B 中心）MRI 系统及腹部 8 通道相控阵线圈进行成像。将轴向 DWI、轴向脂肪抑制 T2 WI 和矢状 T2 WI 序列图像导入 Deepwise 多模态研究平台 2.5.1 版本进行图像分割，由影像科副主任医师手动勾画瘤内感兴趣区域（ROI），并自动生成瘤周 ROI。
3. 特征提取与模型构建：利用研究平台对瘤内和瘤周 ROI 进行特征提取，经过内部一致性检验（ICC）、相关性分析和最小绝对收缩和选择算子（LASSO）回归降维后，筛选出用于构建模型的特征。通过单因素和多因素逻辑回归分析临床指标，确定独立风险因素，进而构建 5 种预测模型，并进行模型评估。

下面来详细看看研究结果：

1. 患者特征：纳入研究的 310 例患者中，训练集 217 例（LVSI 阳性 75 例，阴性 142 例），验证集 93 例（LVSI 阳性 26 例，阴性 67 例）。对患者年龄、CA125 水平、FIGO 分期、肿瘤长度、高血压、糖尿病和 BMI 等基本特征分析发现，CA125 水平和肿瘤长度在 LVSI 阳性和阴性患者间存在显著差异。
2. 影像组学特征选择结果：从瘤内和瘤周区域共提取 6455 个特征，经一系列筛选后，瘤内区域选出 15 个特征，瘤周区域选出 14 个特征。根据这些特征计算每个患者的放射组学评分（Rad_Score）。
3. 临床特征选择结果：对临床指标进行单因素和多因素逻辑回归分析，最终确定 CA125 水平和肿瘤长度是子宫内膜癌 LVSI 的独立风险因素。
4. 模型构建与验证结果：基于上述结果构建 5 种模型，在训练集和验证集中评估模型性能。结果显示，临床 + 瘤内 + 瘤周影像组学联合模型在训练集和验证集中的曲线下面积（AUC）分别为 0.870（95% CI：0.821 - 0.919）和 0.818（95% CI：0.731 - 0.905） ，优于其他 4 种模型。校准曲线表明模型预测概率与实际概率一致性良好，决策曲线分析显示该联合模型在临床决策中能带来更大益处。研究人员还基于该联合模型构建了列线图，可直观预测患者发生 LVSI 的风险。

在研究结论和讨论部分，5 种预测模型都展现出一定的预测性能，但临床 + 瘤内 + 瘤周影像组学联合模型的 AUC 略高于其他模型，能提高 LVSI 的预测准确性。基于该模型构建的列线图为临床医生提供了可视化工具，有助于术前评估患者 LVSI 情况并制定最佳决策。不过研究也存在一些局限性，样本量相对较小且训练集和验证集基线数据不均衡，可能影响模型 AUC 值；手动勾画瘤内病变受医生经验影响，导致特征提取和筛选存在差异。未来需要更大样本量的研究来验证结果，并应用深度学习自动勾画 ROI，提高模型的泛化能力。总体而言，该研究构建的联合模型和列线图为准确预测子宫内膜癌患者 LVSI 提供了新方法，为术前临床评估提供了有价值的理论指导，有望改善患者治疗效果。