基于多序列MRI影像组学与深度学习特征的宫颈癌淋巴结转移预测：一项双中心研究

本研究针对宫颈癌隐匿性淋巴结转移(OLNM)术前评估的临床难题，通过整合T1/T2/DWI多序列MRI的影像组学(Radiomics)特征与深度学习(DL)特征，构建了RD-DL融合模型。研究团队在双中心130例训练集和55例测试集数据中验证，该模型AUC达0.903，显著优于单一模态模型（临床模型AUC=0.702），为个体化治疗决策提供了无创预测工具。

　　

宫颈癌作为女性恶性肿瘤死亡的主要原因之一，其治疗决策高度依赖淋巴结转移状态的准确评估。然而临床实践中，20-40%患者术后才发现隐匿性淋巴结转移(OLNM)，导致治疗方案被迫调整。传统CT/MRI依赖淋巴结形态学判断（如短径≥10mm），其准确性受限于医师经验且易漏诊微小转移灶。这一临床痛点亟需能突破形态学局限的新型预测方法。

广元市第一人民医院放射科与西南医科大学附属医院的研究团队在《Scientific Reports》发表创新成果，通过融合多序列MRI的定量特征与人工智能技术，开发出可术前预测OLNM的智能模型。研究纳入185例IB-IIB期宫颈癌患者（训练集130例/测试集55例），从T1、T2-SPAIR、DWI序列提取1198个影像组学特征，并利用ResNet200网络挖掘2048个深度学习特征。关键技术包括：N4偏置场校正、3D ROI手动勾选、mRMR特征降维、LASSO回归筛选最优特征，以及SHAP算法增强模型可解释性。

研究结果

患者特征

FIGO分期和深部间质浸润在全数据集与OLNM显著相关（P=0.011/P<0.001），但测试集中未达统计学差异，提示需扩大样本验证。淋巴血管间隙浸润(LVSI)在所有队列均显示强相关性（P<0.001），但因需术后病理确认未被纳入预测模型。

RD模型

DWI序列的影像组学模型表现最优（测试集AUC=0.777），三序列融合的RD-combined模型进一步提升至0.803。特征分析显示DWI序列的6个纹理特征最具预测价值，印证功能成像对微转移检测的优势。

DL模型

基于ResNet200的深度学习模型在DWI序列取得AUC=0.768，三序列融合的DL-combined模型达0.818。与RD模型相比，DL自动提取的深层语义特征（如肿瘤边缘不规则性）提供了互补信息。

RD-DL模型

早期融合策略整合12个影像组学与14个深度学习特征，使RD-DL模型在训练集创下AUC=0.981，测试集保持0.903。SHAP分析揭示DWI序列的DL特征贡献度最高，如₉₀Quantile和^waveletGLCM_Contrast等特征。

临床模型局限性

仅含年龄/FIGO分期/肿瘤直径的临床模型AUC仅0.702，与影像特征融合后未带来增益，反映宏观临床参数难以捕捉微观肿瘤异质性。

结论与意义

该研究首次证实多序列MRI的影像组学与深度学习特征具有协同效应，RD-DL模型突破单模态局限，其测试集AUC 0.903显著优于传统临床评估。研究创新点包括：①采用3D ResNet200网络挖掘肿瘤深层生物学特征；②通过SHAP实现"黑箱"模型的可视化解读；③明确DWI功能成像的关键价值。尽管存在跨中心设备差异导致的性能衰减（△AUC=0.078），该成果仍为宫颈癌精准治疗提供了重要决策工具，未来可通过扩大样本、引入CycleGAN跨设备校准进一步提升泛化能力。