基于超声影像的深度学习-放射组学融合模型在绝经后女性子宫内膜癌风险预测中的创新应用

本研究针对绝经后女性子宫内膜癌(EC)筛查中超声检查特异性低、操作者依赖性强的临床痛点，开发了整合超分辨率(SR)增强、放射组学(R)和深度学习(DLR)特征的AI诊断模型。通过多中心1861例样本验证，该模型在测试集中取得AUROC 0.893的优异性能，显著优于传统方法，为无创EC筛查提供了更精准可靠的解决方案。

　　

子宫内膜癌(EC)作为女性生殖系统最常见的恶性肿瘤，过去30年发病率激增132%，早期诊断对改善预后至关重要。目前临床依赖的超声筛查主要基于子宫内膜厚度(ET)测量，但这种方法特异性仅51.5%，导致大量不必要的侵入性检查。更先进的超声技术如多普勒成像和形态学评估又受制于操作者间差异大、结果不一致等局限。这些困境催生了对客观、自动化诊断工具的迫切需求。

上海第一妇婴保健院与上海健康医学院附属崇明医院的研究团队在《BMC Medical Imaging》发表创新研究，开发了首个整合超分辨率增强技术的深度学习-放射组学(DLR)融合模型。该研究纳入1861例绝经后女性，通过SRGAN(超分辨率生成对抗网络)提升图像质量后，同步提取放射组学特征和CNN(卷积神经网络)深度特征，构建了性能优异的EC风险预测系统。测试数据显示，基于子宫内膜ROI(感兴趣区域)的DLR模型AUROC达0.893，灵敏度0.847，特异性0.810，显著优于单一特征模型(P<0.01)。研究证实AI增强的超声分析可减少47%的假阳性，为解决EC筛查"高敏感低特异"的临床难题提供了新范式。

关键技术方法包括：1)采用SRGAN进行4倍超分辨率重建；2)使用Pyradiomics提取1562个放射组学特征；3)基于VGG19/ResNet等CNN架构提取2048维深度特征；4)通过LASSO回归筛选36个关键变量；5)比较6种机器学习算法，确定SVM(支持向量机)为最优分类器。研究数据来自两家医院2019-2024年的多中心队列，包含前瞻性和回顾性样本。

主要研究结果：

1. 图像预处理分析：超分辨率处理使模型AUROC从0.794提升至0.834(P<0.05)，联合去噪和归一化后达0.853(P<0.01)，证实SR技术对超声图像质量提升的关键作用。

1. 特征选择：从3616个初始变量中筛选出18个放射组学特征、16个DL特征和2个临床特征构建DLR模型，其中ResNet_1179、wavelet_HLL_firstorder_Mean和年龄贡献度最高。

1. 模型比较：DLR模型在内部测试集(AUROC 0.893)和外部测试集(0.871)均显著优于单一R模型(0.778/0.785)和CNN模型(0.828/0.798)，证实多模态特征融合的优势。

   

2. ROI选择：子宫内膜级ROI性能优于子宫体级ROI，提示聚焦解剖区域可减少子宫肌瘤等干扰因素的影响。

研究结论指出，这种基于常规超声的DLR模型首次实现了EC风险的"一站式"评估，其临床价值体现在三方面：首先，仅需普通超声图像即可达到接近活检的诊断精度，避免90%以上的不必要侵入性检查；其次，超分辨率技术补偿了基层医院设备差异，使模型在普通超声仪上也能稳定运行；最后，自动化分析彻底解决了传统方法操作者依赖性强的问题。SHAP分析显示模型决策依赖生物学合理的特征组合，如子宫内膜纹理异质性和微血管模式，这为AI"黑箱"提供了可解释性依据。

讨论部分强调，该研究突破了EC筛查领域长期存在的"敏感性与特异性不可兼得"困境，相比国际同类研究如REC评分(AUROC 0.75)和意大利团队开发的放射组学模型(AUROC 0.88)，在保持高敏感性的同时将特异性提升至81%。未来通过整合临床风险因素(如BMI、激素治疗史)和血流动力学参数，有望进一步优化模型性能。这项来自中国团队的研究为全球EC早筛提供了创新性解决方案，其技术路线也可拓展至其他超声诊断领域。