基于MR影像组学和MR征象评分的胎盘植入谱系障碍产前诊断及不良临床结局风险预测列线图研究

本研究针对胎盘植入谱系障碍(PAS)的产前诊断和不良结局预测难题，来自多中心的研究团队创新性地整合胎盘MR影像组学特征、MR征象评分和临床指标，构建了联合预测模型。通过LASSO算法筛选特征建立的放射组学模型(Radscore)与MR评分、流产次数等指标融合，形成的列线图(Nomoscore)在训练集和验证集分别达到0.857和0.848的AUC值，显著优于单一模型(p<0.05)。该工具不仅能准确区分胎盘粘连(PA)、植入(PI)和穿透(PP)亚型(AUC 0.837-0.879)，还可预测不良结局(AUC 0.822)，为临床决策提供量化依据。

　　

这项突破性研究将磁共振(MR)影像的奥秘转化为临床利器，科研人员像解码生命密码般挖掘胎盘深处的秘密。通过分析167名孕妇(89例胎盘植入谱系障碍PAS患者)的MR图像，团队首先建立了一套MR征象评分系统，随后运用机器学习中的"套索算法"(LASSO)从两组序列中筛选出最具预测价值的影像组学特征，构建放射组学评分(Radscore)。

研究亮点在于将传统MR评分、流产次数等临床指标与前沿的Radscore进行"三维融合"，就像为诊断装上复合透镜。结果显示，这个联合模型在训练组和验证组分别交出0.857和0.848的AUC成绩单，显著甩开单一模型(Z值2.213-3.218)。更妙的是，这套"智能评分系统"能像分级显微镜般区分PAS亚型：鉴别胎盘粘连(PA)和植入(PI)的AUC达0.837，区分PI和穿透(PP)更达0.879，同时还能预警不良结局(AUC 0.822)。

决策曲线分析证实，这个可视化列线图(Nomoscore)比传统方法带来更高临床净收益。就像为产科医生配备了"风险雷达"，既能早期捕捉PAS信号，又能预测风暴强度，为精准医疗开辟新路径。该成果标志着影像组学在围产医学应用的重大突破，让胎盘这个"生命摇篮"的评估进入智能量化时代。