基于超声的放射组学结合临床特征用于预测子宫内膜癌中肌层浸润深度

《Scientific Reports》：Ultrasound-based radiomics combined with clinical features for predicting myometrial invasion depth in endometrial carcinoma

　　

摘要

子宫内膜癌（EC）是全球最常见的妇科恶性肿瘤之一，其发病率呈上升趋势。术前评估肌层浸润深度对于治疗决策和预后判断至关重要。深度浸润（超过50%的肌层厚度）是淋巴结转移、复发和预后不良的已知风险因素，通常需要扩大手术治疗和辅助治疗。经阴道超声是常用的评估方法，但基于形态学特征（如子宫内膜增厚和肌层破坏）的主观解读受操作者影响较大，从而限制了其可靠性和重复性。为了解决这一问题，我们开发了一种可解释的机器学习模型，整合了临床数据和超声放射组学数据来预测子宫内膜癌的肌层浸润深度。分析了294名患者的回顾性数据，其中205名（70%）被纳入训练集，89名（30%）被纳入测试集。通过使用类内/类间相关系数以及最小绝对值收缩選擇算子回归进行特征提取和筛选后，计算出radscore值，并将其与临床变量（包括人口统计学特征、肿瘤标志物和超声特征）结合，构建了九种机器学习模型。随机森林模型表现最佳，在预测深度肌层浸润时，其接收者操作特征曲线下面积（AUC）为0.85，F1值为0.81；在预测任何程度的肌层浸润时，AUC为0.77，F1值为0.74。Shapley Additive exPlanations分析表明，最大肿瘤直径、年龄、癌胚抗原水平和radscore1是深度浸润的关键预测因子，而肿瘤直径、年龄、radscore2和血流信号等级对预测任何程度的肌层浸润贡献最大。这一可解释的模型为术前风险分层提供了无创且具有临床意义的方法，有望支持子宫内膜癌的个性化治疗决策。