综述：基于MRI影像组学的子宫内膜癌浸润风险术前评估的系统综述与荟萃分析

（推荐语）本综述通过荟萃分析证实，术前MRI影像组学（radiomics）结合机器学习（ML）可高精度预测子宫内膜癌（EC）浸润风险（敏感度0.85-0.90），尤其对深肌层浸润（DMI）和淋巴结转移（LNM）具显著诊断价值（p<0.05），为个体化治疗决策提供影像学依据。

　　

Abstract
影像驱动的机器学习（ML）已成为临床医师和放射科医师诊断系统中蓬勃发展的领域。准确评估子宫内膜癌（EC）术前浸润风险可显著提升临床获益。本研究通过系统评价探讨MRI衍生的AI技术对EC浸润风险的诊断效能。

Methods
研究者检索了PubMed、Embase、Cochrane Library和Web of Science数据库，筛选相关英文文献。采用Stata软件计算合并敏感度（SEN）、特异度（SPE）、诊断比值比（DOR）及似然比（PLR/NLR），绘制综合受试者工作特征（SROC）曲线，并通过亚组分析和meta回归探究异质性来源。

Results
数据显示MRI影像组学对EC不同浸润特征的诊断性能优异：预测高级别EC的SEN=0.85/SPE=0.82；深肌层浸润（DMI）达0.80/0.85；淋巴血管间隙浸润（LVSI）为0.85/0.73；微卫星不稳定性（MSI）0.79/0.85；淋巴结转移（LNM）更达0.90/0.72。Meta回归揭示图像分割方法和建模差异是LVSI预测异质性的主要因素（p=0.003）。

Conclusion
基于现有证据，术前MRI-ML模型能精准评估EC关键风险参数（DMI/LVSI等），其高达0.90的淋巴结转移识别能力尤为突出，有望成为指导个体化治疗的新兴影像学生物标志物。