基于视觉Transformer迁移学习的超声影像预测子宫内膜癌术前淋巴管/血管间隙浸润

《Scientific Reports》：Preoperative prediction model of lymphovascular space invasion in endometrial cancer using ultrasound indicators and foundation model-based features: a multicenter study

　　# 摘要子宫内膜癌淋巴管/血管间隙浸润（LVSI）的术前评估仍不可靠，因为活检样本往往较浅且呈碎片状。然而，术前了解该参数对手术规划与风险分层具有重要的临床意义。大多数基于影像的预测模型依赖于磁共振成像（MRI），而超声尽管应用广泛且成本较低，但在该方面的研究却鲜有探索。在这项研究中，我们回顾性分析了来自意大利两家中心的211例组织学确诊的子宫内膜癌患者，并基于术前超声图像，通过采用视觉Transformer基础模型的迁移学习方法，开发了预测模型。单独或联合评估了深度影像组学特征与超声衍生的指标，用于二元和多类LVSI预测。模型性能在来自两个中心合并队列的内部保留测试集上进行评估。联合方法提高了性能，在二元设置中，测试集的受试者工作特征曲线下面积（AUC）达到85.47%（置信区间：73.16% ? 95.71%）；对于多类分类，由多个二元模型组成的级联方法优于原生的多类模型，总体准确率达到了76.76%（置信区间：62.79% ? 88.37%），宏平均F1分数为66.74%（置信区间：49.44% ? 82.21%）。这些发现表明，基于超声的迁移学习为子宫内膜癌LVSI的术前预测提供了极具前景的非侵入性生物标志物，且整合超声衍生指标可进一步提升性能，并为MRI提供了一个实用的替代方案。