基于深度学习的3D超分辨率MRI影像组学模型对早期宫颈癌淋巴血管间隙侵犯的术前预测

《BMC Cancer》:Preoperative prediction of lymphovascular space invasion in early-stage cervical cancer using a deep learning-based 3D super-resolution MRI radiomics model

【字体: 大 中 小 】 时间:2026年11月16日 来源:BMC Cancer 4.1

编辑推荐:

  淋巴血管间隙侵犯(lymphovascular space invasion, LVSI)是指导早期宫颈癌辅助治疗的关键预后因素,然而其术前评估常受限于常规MRI的空间分辨率。本研究旨在探究基于深度学习的三维超分辨率(super-resolution, SR)

淋巴血管间隙侵犯(lymphovascular space invasion, LVSI)是指导早期宫颈癌辅助治疗的关键预后因素,然而其术前评估常受限于常规MRI的空间分辨率。本研究旨在探究基于深度学习的三维超分辨率(super-resolution, SR)MRI影像组学模型预测LVSI的价值,并评估SR重建对图像质量及影像组学特征稳健性的影响。本回顾性研究纳入117例早期宫颈癌患者(训练集:n=81;验证集:n=36)。研究人员采用三维超分辨率生成对抗网络(Super-Resolution Generative Adversarial Network, SRGAN)将T2-SPAIR及DWI序列重建为4×上采样因子(upsampling factor)的超分辨率图像(super-resolution image, SRI)。提取影像组学特征后,研究人员开发了基于SRI的多模态融合模型,并采用曲线下面积(Area Under the Curve, AUC)及决策曲线分析(Decision Curve Analysis, DCA)系统比较其与基于原始图像(original image, OI)模型及临床模型的差异。SR重建显著提升了DWI(P=0.012)及T2-SPAIR(P=0.030)的信噪比(signal-to-noise ratio, SNR)。对于DWI,SRI保留了肿瘤内纹理异质性,从而获得更优的诊断性能(验证集AUC:SRI-DWI 0.864 vs. OI-DWI 0.727,P=0.041)。最终SRI-Fusion模型实现了最高的诊断准确度(验证集AUC:0.934),显著优于OI-Fusion模型(AUC:0.828,P=0.044)及临床模型(AUC:0.626,P=0.012)。SRGAN-based重建有效提升了MRI质量及特征稳健性,尤其在DWI中。基于SRI的多模态影像组学模型在早期宫颈癌LVSI预测中展现出较常规成像及临床模型更优越的预测性能。
宫颈癌仍是全球重大公共卫生问题,是女性癌症相关死亡的主要病因之一。对于早期宫颈癌患者,淋巴血管间隙侵犯(lymphovascular space invasion, LVSI)是指导术后辅助治疗决策的关键病理风险因素,与淋巴结转移、复发及不良预后密切相关。然而,LVSI的确诊通常依赖术后病理,术前通过常规MRI进行可靠识别仍面临挑战,因标准MRI空间分辨率有限,缺乏针对微小淋巴血管侵犯的特异性影像征象。影像组学为无创量化肿瘤异质性提供了高维特征手段,但既往研究多聚焦于模型架构优化,较少涉及提升MRI空间分辨率本身对下游影像组学预测的影响。因此,利用基于深度学习的三维超分辨率(super-resolution, SR)重建技术突破传统MRI分辨率瓶颈,对实现LVSI的精准术前预测具有重要意义。

研究人员开展了单中心回顾性研究,纳入2020年1月至2024年12月期间于医院接受手术的117例早期宫颈癌(FIGO 2018分期IB-IIB期)患者,按7:3比例随机分为训练集(n=81)与内部验证集(n=36)。研究关键技术方法包括:采用3D超分辨率生成对抗网络(3D Super-Resolution Generative Adversarial Network, 3D-SRGAN)基于预训练权重对T2-SPAIR及DWI序列进行4×上采样超分辨率重建;通过Z-score标准化、Spearman相关性分析(剔除|r|>0.8的冗余特征)及最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)回归进行特征降维;系统评估六种机器学习分类器(KNN、LightGBM、LR、MLP、SVM、XGBoost)的诊断性能,并采用受试者工作特征曲线下面积(Area Under the Curve, AUC)、决策曲线分析(Decision Curve Analysis, DCA)及DeLong检验进行模型比较。

临床特征与定量图像质量比较
研究人员首先比较了患者基线资料,LVSI阳性组(n=45)与阴性组(n=72)在淋巴结转移率(P=0.021)及间质浸润深度(P=0.031)上存在显著差异,而年龄、肿瘤最大径及组织学类型无显著组间差异。在图像质量评估中,SR重建使DWI信噪比(signal-to-noise ratio, SNR)由12.39±6.77提升至13.36±7.59(P=0.012),T2-SPAIR的SNR亦由20.39±13.38提升至22.07±15.37(P=0.030)。DWI序列超分辨率重建后感兴趣区(region of interest, ROI)内标准差(standard deviation, StdDev)无显著变化(P=0.365),表明肿瘤内纹理异质性得以保留;而T2-SPAIR的StdDev显著降低(P<0.001),提示重建过程伴随平滑效应。两序列平均信号强度均无显著改变(P>0.05),确认SR重建保持了整体信号保真度。

影像组学特征提取与预处理
在可重复性评估中,研究人员对21例患者间隔一月行同一观察者重复分割。结果显示SRI-DWI有1,174个特征(82.3%)达到ICC≥0.75的高稳健性标准,而SRI-T2-SPAIR仅有541个特征(37.9%)满足要求。基于训练集参数完成Z-score标准化后,经Spearman相关性分析剔除高度共线特征,最终将1,715个稳健特征纳入LASSO回归筛选构建融合模型。

单序列模型性能分析
在DWI序列建模中,基于XGBoost的SRI-DWI模型训练集AUC为0.933,验证集AUC为0.864,显著优于OI-DWI模型的0.727(P=0.041),且95%置信区间(confidence interval, CI)更窄。其余算法(LightGBM、KNN、LR、MLP、SVM)亦呈现一致的性能提升,验证AUC增幅介于0.132至0.253之间。对于T2-SPAIR序列,SRI-XGBoost模型验证集AUC为0.854,虽高于OI-XGBoost的0.657,但DeLong检验未达统计学显著性(P>0.05)。其他机器学习算法同样观察到一致的AUC改善,幅度在0.030至0.428之间。

多序列影像组学融合模型与临床模型
SRI-Fusion模型最终纳入10个特征(DWI 6个,T2-SPAIR 4个),其XGBoost模型训练集AUC为0.945,验证集AUC达0.934,显著优于OI-Fusion模型的0.828(P=0.044)。该模型在敏感度、特异度及准确度方面均优于原始图像融合模型,且净重分类改善指数(Net Reclassification Improvement, NRI)为0.394,综合判别改善指数(Integrated Discrimination Improvement, IDI)为0.025。相比之下,仅基于术前临床变量构建的临床模型验证集AUC仅为0.626。当尝试将临床变量与SRI影像组学特征联合建模时,LASSO回归将所有临床变量压缩至零,提示临床信息已被高维影像特征充分涵盖。

讨论部分指出,SRGAN重建有效改善了MRI表观质量并增强了影像组学预测稳健性,但鉴于缺乏配对高分辨率金标准参考图像,性能提升应视为预测效用的增强而非解剖结构的确证性恢复。DWI序列在SNR提升的同时保持了肿瘤内强度变异,而T2-SPAIR则因平滑效应导致部分纹理信息丢失,这解释了为何T2-SPAIR的AUC增益未达显著水平。DWI保留了更多高稳健性特征,有助于减轻自然图像与医学影像之间域差异(domain gap)可能带来的伪影偏倚。多分类器评估显示XGBoost为最优基线算法,SRI-Fusion模型在0.1-0.4临床阈值区间内 consistently 提供最高净获益。研究局限性包括单中心回顾性设计、样本量相对较小、缺乏观察者间一致性(inter-observer reproducibility)评估,且未采用Dice相似系数或Hausdorff距离等空间重叠指标。未来需开展多中心前瞻性研究,并采用配对低/高分辨率采集及体模验证以确认结构保真度。

本单中心回顾性研究表明,基于深度学习的三维超分辨率MRI影像组学模型可改善早期宫颈癌患者LVSI的术前预测。相较于原始图像模型及临床模型,SRI-Fusion模型在内部验证队列中展现出更优的区分度。SR重建对DWI序列尤为有益,可在提升SNR的同时保留肿瘤内纹理异质性。然而,该结论仍需外部验证及具备高分辨率参考标准的医学域超分辨率重建研究加以确认,方能推动临床转化。

订阅生物通快讯

订阅快讯:

最新文章

限时促销

会展信息

关注订阅号/掌握最新资讯

今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

版权所有 生物通

Copyright© eBiotrade.com, All Rights Reserved

联系信箱:

粤ICP备09063491号