基于术中临床及组织病理学标准的深度学习-放射组学双模型用于产前预测胎盘粘连谱系疾病

《BMC Medical Imaging》：Predicting placenta accreta spectrum antenatally: a deep learning-radiomics dual-model based on intraoperative clinical and histopathologic criteria

　　

摘要

目的

根据最新修订的国际妇产科联合会（FIGO）分类标准，胎盘植入谱系疾病（PAS）的最终诊断需在分娩时结合术中临床表现与组织病理学诊断标准来确定。本研究旨在依据FIGO的诊断标准，构建基于术中临床及组织病理学标准的PAS双重诊断模型。

材料与方法

本研究汇集了两个中心的数据。分别利用放射组学、深度学习技术及临床特征，基于组织病理学和术中临床标准开发了相应的诊断模型，随后将这些模型进行整合。同时分析了临床指标、放射组学数据及深度学习特征之间的关联关系。对于非正态分布的连续变量，采用Mann-Whitney U检验；分类数据则通过Fisher精确检验或2×2、R×C卡方检验进行分析。P值小于0.05被视为具有统计学显著性。

结果

在基于FIGO术中临床标准模型中，融合模型的训练集AUC值为0.964（0.946–0.982），测试集AUC值为0.949（0.902–0.996）。而基于FIGO组织病理学标准模型的训练集AUC值为0.961（0.940–0.982），验证组的AUC值为0.936（0.883–0.990）。此外，在术中临床标准和组织病理学标准模型中，多种临床因素及PAS患者的磁共振成像特征均与放射组学评分和深度学习评分存在关联。

结论

本研究构建了一种融合FIGO术中临床及组织病理学标准的双重模型，用于预测PAS。整合了深度学习、放射组学及临床特征的这两种模型均表现出良好的性能。