基于机器学习整合临床特征与超声影像组学的宫颈癌临床分期预测模型研究

为解决宫颈癌临床分期准确性不足的问题，研究人员开展了一项整合机器学习(ML)、临床特征与超声影像组学(Radiomics)的多模态研究。通过构建支持向量机(SVM)模型，实现了对早期(I-IIA)和晚期(IIB-IV)分期的预测，训练集AUC达0.88，验证集AUC为0.77。该非侵入性工具为资源有限地区提供了精准分期方案，对指导手术/放化疗选择具有重要意义。

　　

宫颈癌作为全球女性第二大高发癌症，在资源匮乏地区仍面临筛查不足、晚期病例高发的严峻挑战。国际妇产科联盟(FIGO)指南强调，早期(I-IIA)与晚期(IIB-IV)患者的治疗策略截然不同——前者适合手术，后者需同步放化疗。然而，传统MRI/CT分期在基层医院难以普及，而超声虽成本低廉却缺乏定量分析手段。这一矛盾促使研究者思考：能否通过人工智能挖掘超声图像中隐藏的生物学信息？

针对这一需求，暨南大学附属医院联合川北医学院附属医院的多学科团队，在《Scientific Reports》发表了创新性研究。团队首次将超声影像组学与临床变量整合，通过机器学习构建宫颈癌分期预测模型，为精准医疗提供了可推广的解决方案。

研究采用三大关键技术：1) 基于3D-Slicer软件手动勾画227例经病理确诊宫颈鳞癌(CSCC)患者的超声病灶ROI（感兴趣区域），提取837个影像组学特征；2) 通过LASSO回归和十折交叉验证筛选出18个关键特征构建Radscore公式；3) 比较逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)等5种算法性能，最终选择SVM整合年龄、流产史等临床变量建立联合模型。

研究结果
临床数据特征
晚期组患者年龄更大(57.7±10.8 vs 53.7±9.8岁，P=0.007)、流产次数更少(中位数1 vs 2次，P=0.011)，这些差异被纳入模型构建。

影像组学模型验证
Radscore包含18个特征，如小波变换LLH_glcm_MCC（最大相关系数，系数-1.96）和LHH_glszm_SmallAreaEmphasis（小区域强调，系数1.559）。SVM在验证集表现最优(AUC 0.74)，显著优于易过拟合的XGBoost(AUC 0.68)。

联合模型性能
临床-影像组学整合模型展现出卓越的稳定性：训练集AUC 0.88(95%CI:0.83-0.93)，特异性达0.91；验证集AUC 0.77(95%CI:0.63-0.88)，准确率0.75。校准曲线紧贴理想线，DCA显示在0.1-0.8风险阈值范围内具有临床适用性。

讨论与意义
该研究突破性地证实了超声影像组学在宫颈癌分期的应用价值。SVM模型通过核函数变换捕捉了肿瘤异质性的非线性特征，其高特异性(0.81-0.91)特别适合避免早期患者的过度治疗——这对保留年轻患者生育功能至关重要。研究同时揭示了流产史与分期的潜在生物学关联，为高危人群筛查提供了新思路。

局限性包括单中心回顾性设计和小样本晚期病例。未来需通过多中心研究验证，并探索AI辅助ROI勾画、多模态图像融合等改进方案。这项成果为资源受限地区搭建了"超声+AI"的精准诊疗桥梁，实现了从昂贵影像依赖向普惠医疗的范式转变。