基于多参数磁共振影像组学列线图术前预测子宫内膜癌淋巴血管间隙侵犯的研究

来自多中心的研究人员开发并验证了一种基于多参数MRI的影像组学机器学习列线图，用于术前预测子宫内膜癌患者是否存在显著淋巴血管间隙侵犯。该模型（ModelN）在训练集和测试集分别达到AUC 0.818和0.746，通过决策曲线分析显示具有更高的净收益，为子宫内膜癌术前精准评估提供了新工具。

　　

研究人员通过回顾性双中心研究，对经组织学确诊的子宫内膜癌（Endometrial Cancer）患者开展多参数磁共振成像（Multiparametric Magnetic Resonance Imaging, MRI）影像组学分析。从多序列MRI中提取放射组学特征后，采用支持向量机（Support Vector Machine）算法生成放射组学评分，并构建三种预测模型：临床模型（Model^C）、纯影像组学模型（Model^R）以及融合模型（Model^N）。

研究纳入283例女性患者（训练集198例，测试集85例），发现淋巴血管间隙侵犯（Lymphovascular Space Invasion, LVSI）显著组与非显著组间放射组学评分存在显著差异（P<0.05）。融合模型（Model^N）在训练集和测试集分别获得0.818（95%CI: 0.757–0.869）和0.746（95%CI: 0.640–0.835）的曲线下面积（Area Under Curve, AUC），且Hosmer-Lemeshow检验显示模型拟合良好（P>0.05）。经Bonferroni校正的DeLong检验表明，Model^N的诊断效能显著优于临床模型（调整后P<0.05）。决策曲线分析（Decision Curve Analysis）进一步证实Model^N具有更高的净获益，训练集和测试集的综合判别改善指数（Integrated Discrimination Improvement）分别达到0.043和0.732（P<0.01）。

该研究表明，基于多参数MRI的影像组学机器学习列线图对子宫内膜癌显著淋巴血管间隙侵犯具有中等诊断效能，为术前无创评估肿瘤侵袭性提供了新思路。