结合经阴道超声影像组学与临床超声语义特征，用于识别高危子宫内膜病变

《BMC Women's Health》：Combining transvaginal ultrasound radiomics with clinical-ultrasound semantic features for the identification of high-risk endometrial lesions

　　

摘要

目的

高危子宫内膜病变的术前风险分层仍是临床面临的挑战。本研究旨在初步探索一种整合阴道超声影像组学、临床指标及超声语义特征的新型机器学习方法，以辅助临床分类。

方法

来自239名患者的956幅阴道超声图像在两个中心被回顾性分析。临床特征与超声语义特征均以盲法评估。在基于患者层面的5折交叉验证方案中，通过五种独立的随机种子重复分析，提取了1,125个影像组学特征，并利用嵌套LASSO回归法计算Rad分数。随后使用九种机器学习算法构建的模型，通过曲线下面积（AUC）、DeLong检验以及决策曲线分析（DCA）进行评估。

结果

影像组学模型、临床语义模型以及组合模型的最佳验证AUC值分别为0.7589、0.8965和0.9077（CatBoost模型）。与影像组学模型相比，组合模型使AUC值显著提升（P＜0.001），且在七种算法中均显著优于临床语义模型（P均＜0.05）。子宫内膜与肌层交界处的形态被确定为主要预测因子。决策曲线分析显示，组合模型的软投票配置在0.20的阈值下可优化初始分类，而CatBoost配置在中高风险阈值（0.30–0.60）范围内能带来更高的净收益。

结论

将临床与超声语义特征与影像组学相结合，提供了一种客观且无创的方法，有助于实现个体化的风险分层。这一综合框架可为后续临床评估提供分层的决策支持途径。