基于MRI影像组学的直肠前突自动分级模型开发与验证

本研究针对直肠前突(RC)临床分级依赖人工测量、耗时且主观性强的问题，开发了基于动态磁共振排粪造影(DMRD)影像组学的自动分级模型。吉林大学第二医院团队通过提取排便期图像的1743个定量特征，采用支持向量机(SVM)构建分类器，在测试队列中实现0.754总体准确率和0.824 AUC值，为盆腔器官脱垂(POP)的精准诊疗提供了客观量化工具。

　　

研究背景与意义
直肠前突(Rectocele, RC)作为常见的盆腔器官脱垂(POP)类型，影响着12.9-18.6%的女性人群。随着老龄化加剧，其发病率正以每年5.7/100人的速度攀升。传统RC分级依赖医生手动测量排便期MRI上前直肠壁突出距离（Ⅰ度<2cm，Ⅱ度2-4cm，Ⅲ度>4cm），但这种方法存在操作者依赖性高、重复性差等缺陷。动态磁共振排粪造影(Dynamic Magnetic Resonance Defecography, DMRD)虽能提供多平面动态影像，却未能解决量化评估的标准化难题。

研究设计与方法
吉林大学第二医院普外科团队回顾性分析了2021年8月至2023年6月222例患者的9392幅DMRD排便期图像。研究采用N4偏置场校正算法标准化图像，通过ITK-SNAP软件手动勾画直肠区域作为感兴趣区(ROI)，利用PyRadiomics提取1743个特征（含342个一阶特征、14个形态学特征及1387个纹理特征）。经过方差分析、Spearman相关性和LASSO回归三重筛选后，最终保留20个关键特征构建SVM分类模型。

主要研究结果

1. 特征筛选：从初始1743个特征中，通过LASSO算法筛选出6个一阶特征、6个灰度区域大小矩阵(GLSZM)特征及8个其他纹理特征构成诊断标志物。
2. 模型性能：在67例独立测试队列中，模型宏观AUC达0.794，对Ⅱ度RC识别最佳（AUC=0.813）。整体准确率75.4%，阴性预测值高达93.0%。
3. 比较分析：SVM表现优于逻辑回归(LR)、随机森林(RF)等5种对照模型，验证了其在处理高维非线性数据时的优势。

讨论与展望
该研究首次将影像组学应用于RC自动分级，其创新性体现在：

1. 通过多参数纹理分析捕捉了传统测量无法反映的直肠壁微观结构异质性；
2. 建立的标准化流程显著降低了不同MRI扫描仪带来的技术变异；
3. 模型输出的概率评分可为临床决策提供客观依据。

局限性包括单中心回顾性设计、手动ROI勾画耗时等问题。未来需通过多中心前瞻性研究验证，并探索深度学习与影像组学的融合策略。该成果发表于《Scientific Reports》，为盆腔底功能障碍的智能诊疗提供了新范式。