利用机器学习方法，基于DWI（驾驶时饮酒）数据推断早期宫颈癌患者的肿瘤内、肿瘤周围及肿瘤微环境特征，以预测术前淋巴结转移情况

《Abdominal Radiology》：DWI-derived intratumoral, peritumoral, and habitat features for preoperative prediction of lymph node metastasis in early-stage cervical cancer using machine learning method

本研究通过整合DWI影像中肿瘤周围3mm区域与Habitat1亚区域特征，构建Fusion预测模型，在433例早期宫颈癌患者中验证其非侵入性预测淋巴结转移的能力，AUC达0.910，优于其他模型。

　　

摘要

研究目的

本研究旨在通过结合肿瘤栖息地亚区域和肿瘤周围区域的特征，利用扩散加权成像（DWI）技术，开发一种新的放射组学模型，以术前预测早期宫颈癌患者的淋巴结转移（LNM）情况。

方法

本研究共纳入了来自四家医院的433名接受DWI检查的早期宫颈癌患者。肿瘤周围区域被定义为向外扩展1-4毫米的范围，通过栖息地分析确定了两个肿瘤内的亚区域，分别命名为Habitat 1和Habitat 2。研究人员提取了肿瘤内、肿瘤周围以及栖息地的特征用于模型构建。所建立的预测模型包括：肿瘤内部模型、肿瘤周围1-4毫米区域模型、Habitat 1模型以及Habitat 2模型。模型的性能通过接收者操作特征曲线（ROC曲线）、校准分析和决策曲线分析进行评估。

结果

在肿瘤周围区域模型中，3毫米范围的肿瘤周围区域模型在LNM预测方面表现最佳，其在训练集、验证集和测试集上的AUC值分别为0.867（95%置信区间：0.805–0.929）、0.747（95%置信区间：0.608–0.886）和0.815（95%置信区间：0.743–0.887）。Habitat 1模型也表现良好，其在训练集、验证集和测试集上的AUC值分别为0.838（95%置信区间：0.774–0.901）、0.712（95%置信区间：0.556–0.867）和0.782（95%置信区间：0.694–0.869）。值得注意的是，结合了肿瘤周围3毫米区域特征和Habitat 1特征的Fusion模型在整体性能上表现最佳，其在训练集、验证集和测试集上的AUC值分别为0.910（95%置信区间：0.868–0.953）、0.747（95%置信区间：0.600–0.894）和0.837（95%置信区间：0.767–0.907），并且在校准分析和决策曲线分析中均优于其他模型。

结论

Fusion模型能够实现对早期宫颈癌患者淋巴结转移的非侵入性、更准确的预测。