《Frontiers in Oncology》：MRI-derived deep-feature model for differentiating stage I endometrial carcinoma from atypical endometrial hyperplasia: a two-center retrospective study
编辑推荐：
背景： 术前鉴别Ⅰ期子宫内膜癌（EC）与不典型子宫内膜增生（AEH）对指导治疗决策至关重要，然而当前磁共振成像（MRI）评估受限于重叠的影像表现和观察者间差异。
方法： 在这项回顾性双中心研究中，共纳入297例患者（153例Ⅰ期EC和144例AEH），所有患者
背景： 术前鉴别Ⅰ期子宫内膜癌（EC）与不典型子宫内膜增生（AEH）对指导治疗决策至关重要，然而当前磁共振成像（MRI）评估受限于重叠的影像表现和观察者间差异。
方法： 在这项回顾性双中心研究中，共纳入297例患者（153例Ⅰ期EC和144例AEH），所有患者均接受了多参数MRI检查。研究人员从脂肪抑制T2加权成像（T2WI-FS）、弥散加权成像（DWI）、表观弥散系数（ADC）图和对比增强T1加权成像（CE-T1WI）序列中提取影像组学特征。采用单变量筛选、相关性分析、最小绝对收缩和选择算子（LASSO）以及多变量逐步回归进行特征选择。研究人员构建了影像组学模型、临床-影像组学（Clin+Rad）模型和基于DenseNet121的深度特征模型，并对它们鉴别Ⅰ期EC与AEH的性能进行了比较。使用受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评估模型性能。
结果： 最终选定七个影像组学特征和八个深度学习特征用于构建模型。在外部验证队列中，基于DenseNet121的深度特征模型取得了数值最高的AUC，为0.854（95% CI, 0.743-0.965），而影像组学模型为0.803（95% CI, 0.673-0.933），Clin+Rad模型为0.773（95% CI, 0.626-0.919），尽管AUC的成对差异无统计学显著性。此外，在约0.15-0.80的阈值概率范围内，基于DenseNet121的模型显示出相对更大的净临床获益。SHAP分析表明，若干有影响力的深度特征源自ADC图像，提示ADC衍生的特征对模型预测贡献显著。
结论： 基于DenseNet121的模型在外部验证队列中取得了数值最高的AUC，尽管成对差异无统计学显著性，这表明其作为支持个体化决策的无创工具具有潜力。
论文解读
一、研究背景与目的
子宫内膜癌（EC）是全球最常见的妇科恶性肿瘤之一，其发病率近几十年来持续上升。根据国际妇产科联盟（FIGO）分期，Ⅰ期EC的五年生存率超过95%，但Ⅳ期则骤降至20%以下，因此早期准确诊断至关重要。不典型子宫内膜增生（AEH）被广泛认为是EC的前驱病变。目前，诊断性刮宫（D&C）是常用诊断手段，但该操作是盲法进行，易受取样误差影响，可能遗漏局灶性病变。研究表明，术前诊断为AEH的患者中，有37%-43%在子宫切除术后最终被发现患有EC。然而，至今仍缺乏可靠的无创工具来区分EC与AEH。
MRI提供了一种无创评估子宫内膜异常的方法，但其诊断准确性受到生理变异和不同子宫内膜病变影像特征显著重叠的限制。例如，AEH在T2WI上常表现出与正常子宫内膜相似的信号强度。此外，MRI判读高度依赖放射科医师的经验，报道的准确率在60%至75%之间。因此，开发一种无创辅助工具对于术前鉴别和治疗决策具有重要的临床价值。
近年来，影像组学和卷积神经网络（CNN）的发展为基于图像的诊断创造了新的可能性。影像组学提取定量影像特征以表征疾病表型并辅助分类，而CNN则自动学习层次化的影像表征以支持特征提取和分类。已有研究探索了子宫内膜疾病的无创鉴别，如张等人开发的基于MRI的影像组学模型用于区分EC与AEH，报告准确率为93.2%，但其单中心设计和有限样本量限制了普适性。据研究人员所知，目前很少有研究专门探讨基于多参数MRI的深度学习方法用于术前鉴别Ⅰ期EC与AEH。
二、关键技术方法概述
本研究是一项来自两个中心的回顾性研究。研究人员从A中心（2021年1月至2023年12月）和B中心（2020年1月至2023年12月）共筛选753例患者，最终纳入297例符合条件的患者（A中心251例，B中心46例）。A中心患者按7:3比例分层随机分为训练队列（n=176）和内部测试队列（n=75），B中心46例作为外部验证队列。主要技术方法包括：1）影像组学特征提取：使用PyRadiomics从四个MRI序列（T2WI-FS、DWI、ADC图、CE-T1WI）中提取6752个特征，并进行z-score标准化和灰度离散化；2）深度学习特征提取：采用ImageNet预训练的DenseNet121-2D CNN作为冻结的特征提取器，从每个序列最大肿瘤面积层面提取1024个深度特征，共4096个；3）特征选择与建模：通过单变量筛选、相关性分析、LASSO回归和多变量逐步逻辑回归进行特征降维，分别构建影像组学模型（7个特征）、基于DenseNet121的深度特征模型（8个特征）和结合独立临床预测因子的Clin+Rad模型（6个变量）。
三、研究结果
患者特征：共纳入297例患者，包括153例Ⅰ期EC和144例AEH。中位年龄48岁。在训练和内部测试队列中，EC患者的年龄、绝经状态、产次、高血压和糖尿病患病率均显著高于AEH患者（P<0.05），但在外部验证队列中这些差异不显著。
模型性能：ROC曲线分析显示，虽然在训练队列和内部测试队列中，基于DenseNet121的深度特征模型的AUC略低于影像组学模型和Clin+Rad模型，但在外部验证队列中，该模型表现最优，AUC达到0.854，优于影像组学模型（0.803）和Clin+Rad模型（0.773）。在外部验证队列中，该模型灵敏度为55.2%，特异度为94.1%。Delong检验显示，在训练和内部测试队列中，Clin+Rad模型与其他模型间的AUC差异具有统计学显著性，但在外部验证队列中，各模型间AUC差异无统计学显著性。
临床效用与校准：DCA显示，Clin+Rad模型在训练和内部测试队列的大部分阈值概率范围内提供了最高的净临床获益。而在外部验证队列中，基于DenseNet121的深度特征模型在约0.15-0.80的阈值概率范围内显示出相对更大的净临床获益。校准分析显示，训练队列中各模型校准良好，Brier评分介于0.06-0.14；外部验证队列中偏差较大，Brier评分介于0.20-0.34。
相关性分析与模型稳健性：Pearson相关性分析显示，各模型中最终保留的特征间均未观察到非常高的配对相关性，其中影像组学模型中两个ADC衍生的小波特征间相关性最强（r=0.78），深度特征模型中最大绝对相关系数为-0.56。
SHAP可解释性分析：SHAP分析显示，在所有特征中，最具影响力的前五个特征在训练队列和外部验证队列中保持一致，分别为DWI-F253、ADC-F961、ADC-F502、T2WI-FS-F87和ADC-F16。多个有影响力的深度特征来源于ADC图像，表明ADC图像对模型预测贡献显著。
四、讨论与结论总结
讨论部分指出，本研究构建并验证了一个基于DenseNet121的深度学习诊断模型，用于区分Ⅰ期EC与AEH。该模型在外部验证队列中展现了令人满意的性能，可能有助于减少误诊、提高诊断效率，并潜在地减少AEH患者的不必要手术。然而，该模型相对于传统方法的优势未得到统计学证实，需在更大规模的多中心队列中验证。
研究人员指出，影像组学和深度学习模型的可靠性依赖于图像衍生特征的稳健性。本研究采用了手动分割并计算组内相关系数（ICC）以增强特征稳健性。Clin+Rad模型在训练和内部测试队列中表现更优，但这种优势在外部验证队列中未一致体现，可能与队列特征差异、样本量限制及中心特异性变异有关，特别是年龄这一重要临床预测因子在队列间的差异可能导致选择偏倚。
关于ADC特征的重要性，研究发现大量判别性特征源自ADC图，这具有临床合理性，因为EC通常表现为弥散受限，在DWI上呈高信号，在ADC图上呈低信号。ADC值反映水分子弥散受限程度，与肿瘤细胞密度呈负相关，这解释了ADC特征在鉴别EC与AEH中的可靠性。
研究局限性包括：样本量较小（尤其外部验证队列）、缺乏前瞻性验证、手动分割耗时且易受观察者间变异影响、特征选择策略可能引入额外变异性、缺乏与常规放射科医师判读的直接比较，以及部分AEH患者缺乏子宫切除确认或长期随访可能导致潜在错误分类。
结论翻译：在本研究中，研究人员开发了一种基于MRI的深度特征模型，以辅助术前鉴别Ⅰ期EC与AEH。基于DenseNet121的深度特征模型显示出与影像组学模型和Clin+Rad模型相当的诊断性能，并且在内部和外部队列中表现相对稳定。使用在训练队列中通过约登指数确定的0.563的概率阈值，该模型提供了Ⅰ期EC概率的定量估计，可作为辅助工具支持放射科医师进行术前风险评估和关于进一步侵入性管理的临床决策。鉴于外部验证队列样本量有限且成对AUC比较无统计学显著性差异，这些发现应被视为初步结果，需要在更大规模的前瞻性多中心队列中进行验证。
