首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > MRI论文 > 基于早期动态增强MRI影像组学预测p53abn型子宫内膜癌

基于早期动态增强MRI影像组学预测p53abn型子宫内膜癌

2025-06-09 70 上传者：管理员

摘要：目的探讨基于早期动态增强MRI影像组学预测p53异常型(p53abn)子宫内膜癌的诊断效能。方法回顾性搜集108例接受手术治疗的子宫内膜癌患者的影像和病理资料，根据分子分型分为p53abn组和其他亚型组。在动态增强早期MRI图像勾画感兴趣区并提取影像组学特征，按照7∶3随机分为训练集和测试集。建立8种机器学习模型预测p53abn型子宫内膜癌，采用受试者工作特征曲线评价各个模型的诊断效能，利用决策曲线分析评价模型的临床应用价值。结果轻量的梯度提升机模型表现出最佳的诊断效能，训练集和测试集对应的曲线下面积分别为0.902和0.911;在0.4～0.8阈值范围内，此模型具有一定的临床价值。结论基于早期动态增强MRI影像组学模型预测p53abn型子宫内膜癌具有一定的诊断效能，可为指导个体化治疗提供支持。

关键词：
IARC
分子分型
子宫内膜癌
影像组学
恶性肿瘤
加入收藏

子宫内膜癌是女性生殖系统常见的恶性肿瘤｡据国际癌症研究机构(internationalagencyforre⁃searchoncancer,IARC)报道,2022年全球新发子宫内膜癌420242例,新增死亡97704例,其发病率和死亡率均呈上升趋势[1~3]｡子宫内膜癌的最新国内外诊疗指南指出,应结合分子分型和组织病理特征为患者评估风险从而制定个体化的治疗方案[4~8]｡p53异常型(p53abn)在子宫内膜癌4种分子分型中预后最差[9,10],术前准确评估对于术前治疗方案的选择非常关键｡目前,子宫内膜癌的分子分型检测耗时且价格昂贵;同时基于MRI的影像组学评估分子分型的研究少见｡本研究主要探讨基于早期动态增强MRI影像组学预测p53abn型子宫内膜癌的临床价值｡

1、资料与方法

1.1一般资料

回顾性分析2020年1月至2024年5月间在我院接受手术治疗的172例子宫内膜癌患者｡纳入标准:(1)病理证实的子宫内膜癌;(2)详细的临床病理和分子分型信息;(3)MRI动态增强扫描和手术前均未接受放化疗;(4)MRI检查后4周内接受手术治疗｡排除标准:(1)MRI上最大肿瘤直径<1cm;(2)肿瘤周围1cm内合并腺肌症或平滑肌瘤;(3)明显的图像伪影｡最终纳入108例子宫内膜癌患者,按7∶3的比例随机分为训练集和测试集｡本研究已获得首都医科大学附属北京世纪坛医院伦理委员会批准,豁免所有患者知情同意｡

1.2分子分型检测

采用IlluminaNextSeq500/Miseq检测平台,由一位具有20年工作经验的病理科技术人员基于扩增子建库的高通量测量技术完成分子分型检测｡检测内容包括BRCA1基因､BRCA2基因､POLE､TP53以及微卫星不稳定状态｡

1.3MRI动态增强扫描

采用飞利浦1.5TMR扫描仪｡矢状位T1序列动态增强扫描参数:TR5.8ms,TE1.73ms,视野300mm×300mm,层厚1.6mm,矩阵188×188,翻转角15°;采用高压注射器团注钆特酸葡胺,共采集25个时相,时间分辨率7.8s,扫描时间为3min16s｡

1.4动态增强MRI影像组学分析

图像预处理和分割:首先对图像进行预处理,包括N4偏置场校准和重采样至体素1mm×1mm×1mm｡然后将动态增强图像导入到ITK⁃SNAP图像分割软件,由一位具有7年MR工作经验的放射科医师在动态增强早期图像(约20~40s)沿黏膜下强化线逐层勾画出肿瘤感兴趣体积,并由具有20年工作经验的放射科专家再次勾画(勾画过程见图1)｡本研究采用Cohen'sKappa评估观察者间的一致性,k>0.8表示具有较好的一致性｡本研究选择早期动态增强图像而非其他期相的原因:子宫内膜癌患者多处于绝经期,结合带不易观察,MR动态增强早期图像(约20~40s)可显示子宫黏膜下强化线(相当于结合带),因此利用黏膜下强化线可以准确勾画全肿瘤体积｡

特征提取和筛选:特征提取采用PyRadiomics(3.0.1)版本,每个感兴趣体积可以提取1835个影像组学特征,包括形状特征､一阶特征和纹理特征｡首先将提取的所有特征进行Z分数标准化处理,随后采用Student'st检验或Mann⁃WhitneyU检验､Pearson相关性分析和最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperator,LAS⁃SO)筛选出最佳特征,通过10倍交叉验证获得最佳惩罚参数λ,从而减少多重共线性或过拟合现象｡

模型建立和评估:本研究共采用8种算法模型来预测P53abn型子宫内膜癌,分别为逻辑回归(lo⁃gisticregression,LR)､支持向量机(supportvectorma⁃chines,SVM)､K近邻算法(k⁃nearestneighbor,KNN)､随机森林(randomforest)､极端随机树(extratrees)､极端梯度提升树(extremegradientboosting,XGBoost)､轻量的梯度提升机(lightgradientboostingmachine,LightGBM)和多层感知机(multilayerper⁃ceptron,MLP)｡采用受试者工作特征(receiveroper⁃atingcharacteristic,ROC)曲线评价模型的诊断性能,并计算训练集和测试集的曲线下面积(areaun⁃derthecurve,AUC)､敏感度､特异度､准确度､精确率､召回率和F1分数｡采用决策曲线分析(decisioncurveanalysis,DCA)评价模型的临床价值｡

1.5统计分析

数据分析采用Python(3.7.12)和SPSS(26.0)｡计量资料以平均值±标准差或中位数(范围)表示;计数资料用例表示｡采用Student'st检验､Mann⁃WhitneyU检验或卡方检验分析p53abn型和非p53abn型子宫内膜癌｡Pearson相关性分析用来衡量特征之间的相关性｡以P<0.05为差异有统计学意义｡

2、结果

2.1临床和病理资料

共纳入108例子宫内膜癌患者,平均年龄(56.0±10.8)岁,其中训练集75例,测试集33例｡病理特征:(1)病理分级:G1~G2级81例,G3级27例;(2)肌层浸润:无浸润或浅肌层浸润82例,深肌层浸润26例;(3)FIGO分期:Ⅰ期92例,Ⅱ期5例,Ⅲ期9例,Ⅳ期2例;(4)淋巴血管间隙浸润:阴性83例,阳性25例;(5)淋巴结转移:阴性101例,阳性7例｡分子分型结果:POLEmut型5例,MMRd型27例,NSMP型60例,p53abn型16例｡

2.2特征提取和筛选

两名医生勾画ROI具有较好的一致性,k值为0.86｡经过t检验或Mann⁃WhitneyU检验､相关性分析和LASSO降维处理后,最后保留7个最佳特征(LASSO的交叉验证曲线和回归系数路径见图2A､B)｡其中一阶特征3个,纹理特征4个,其权重系数见图2C｡

2.3模型建立和评估

筛选出的7个最佳特征在8个机器学习模型中进行训练和验证,并计算出训练集和验证集的AUC值､敏感度和特异度等(表1,图3A､B)｡其中Light⁃GBM模型在训练集和测试集中表现出最佳的诊断效能,训练集对应的AUC值､敏感度､特异度､准确度､精确率､召回率和F1分数分别为0.902(95%C1,0.811~0.993)､78.6%､82.0%､81.3%､80.0%､78.6%和0.793;测试集分别为0.911(95%C1,0.801~1.000)､50.0%､90.3%､87.9%､78.0%､50.0%和0.609｡在0.4~0.8阈值范围内,此模型具有一定的临床价值(图4A､B)｡

表1机器学习模型在训练集和验证集中的诊断效能

3、讨论

2022年最新欧洲肿瘤内科学会(ESMO)子宫内膜癌临床诊疗指南指出,p53abn型子宫内膜癌可以提高低级别患者的风险,从而改变患者的治疗方案[5];一项名为PORTEC⁃3的临床实验显示,p53abn型子宫内膜癌患者中,化疗联合放疗的辅助治疗措施优于放疗,前者的5年无复发生存率明显高于后者[11]｡p53abn型是子宫内膜癌预后最差的亚型,其准确评估将影响患者的精准治疗｡

MRI是术前评估子宫内膜癌的首选影像学手段[12~16]｡目前已有部分学者利用MRI功能成像来鉴别p53abn型和其他亚型[17,18]｡Zhang等[17]的研究结果显示,p53abn型的ADC值高于其他亚型,ADC值可以为p53abn型子宫内膜癌的术前评估提供重要参考依据｡然而,影像组学作为一种新型的定量分析方法,它在鉴别p53abn型子宫内膜癌的研究相对少见｡本研究共纳入108例子宫内膜癌患者,根据分子亚型划分为两组(p53abn型和其他亚型),筛选出7个特异性影像组学特征,利用8个机器学习模型预测分子亚型｡本研究最终筛选出的7个特征包括3个一阶特征,4个纹理特征｡一阶特征主要指图像的统计特性,反映整个肿瘤图像的整体特征;纹理特征则涉及图像的空间模式,能够揭示图像中细节结构､量化肿瘤内部的纹理模式,从而反映肿瘤的异质性｡本研究一阶特征和纹理特征相结合可以预测p53abn型子宫内膜癌｡本研究部分模型(如SVM)在训练集和测试集表现差异大,可能存在过拟合的现象,说明模型稳定性欠佳,这与本研究样本量偏少有关;8个模型中LightGBM模型在训练集和测试集中表现出最佳的诊断效能,对应的AUC值均在0.9以上｡在0.4~0.8的阈值范围,此模型具有一定的临床应用价值｡Song等[19]利用3种机器学习模型预测MMRd型子宫内膜癌,结果显示SVM模型效能最佳,训练集､内部和外部验证集的AUC值均在0.9左右,与本研究效能相仿｡Lin等[20]纳入138例患者,利用LR预测POLEmut型子宫内膜癌,训练集和测试集的AUC分别为0.885和0.810,其效能比本研究略低｡与以上研究不同,本研究首次利用早期动态增强MRI影像组学来鉴别p53abn型子宫内膜癌,首次利用黏膜下强化线准确勾画全肿瘤体积且采用相同的扫描参数,为提取肿瘤内部完整特征并分析肿瘤异质性提供一定优势;与Lin等[20]同样存在样本量偏少的情况,但是本研究涉及的机器学习模型较多,为探索最佳模型提供依据｡

本研究的局限性:(1)本研究样本量偏少(p53abn型占比15%),这可能造成模型性能欠佳(LightGBM模型在测试集中敏感度为50.0%),这主要是由目前分子分型检测费用昂贵和p53abn型子宫内膜癌发病率较低造成的,未来将继续扩大样本量;(2)本研究属于单中心､回顾性研究,目前正在寻求多中心合作从而丰富本研究;(3)深度学习等复杂算法预测p53abn型子宫内膜癌的价值未来需要进一步探讨｡

综上,基于早期动态增强MRI影像组学模型预测p53abn型子宫内膜癌具有一定的诊断效能,可能为指导个体化治疗提供支持｡

图1子宫内膜癌动态增强早期MR图像上ROI勾画过程

图2A~C利用LASSO回归选择最佳特征的过程

图3A､B各个模型在训练集(A)和测试集(B)的ROC曲线

图4A､BLightG⁃BM模型在训练集(A)和测试集(B)的DCA曲线

参考文献:

7董阳阳,赵路阳,康南,等.子宫内膜癌分子分型临床应用中国专家共识(2024年版)[J].中国实用妇科与产科杂志,2024,:638⁃44.

9孙宇莹,陈雁.基于子宫内膜癌分子分型的MRI研究进展[J].中华放射学杂志,2024,58:956⁃959.

文章来源:崔婷婷,郭劲松,任杰,等.基于早期动态增强MRI影像组学预测p53abn型子宫内膜癌[J].临床放射学杂志,2025,44(06):1047-1051.