Radiology：子宫内膜癌术前风险分层的多参数MRI放射组学模型分析

在发达国家，子宫内膜癌是最常见的妇科恶性肿瘤，其发病率和相关死亡率在过去十年中不断上升。重要的预后因素包括国际妇产科联盟（FIGO）分期、组织病理学肿瘤分级和淋巴血管间隙侵犯（LVSI）。Meta分析显示，MRI对预测子宫肌层侵犯（MI）的深度具有诊断价值。因此，MRI在子宫内膜癌患者的术前分期中至关重要。

然而，子宫内膜癌的影像学分期依赖于训练有素的放射科医生的视觉评估，这受制于观察者之间的差异性，并不能轻易地从一个机构转化到另一个。此外，虽然临床上常规进行初始筛查和风险分层，但术前活检往往低估了肿瘤等级。

放射组学可实现对整个病变的图像表征进行量化，并根据数学定义的图像描述符预测病人的预后。有几项研究通过使用组织病理学结果作为参考标准，评估了从标准护理MRI得出的三维（3D）影像学指标对子宫内膜癌分期的作用。这些研究大多是单中心研究且没有外部测试集，因此限制了结果的可推广性。

近日，发表在Radiology杂志的一项研究评估了基于多参数MRI放射组学的机器学习模型区分低风险和高风险的组织病理学指标（深层MI、LVSI和高级别状态）以及早期FIGO阶段（IA）和晚期FIGO阶段（IB或以上）子宫内膜癌的诊断性能，为临床术前进行准确的风险分层及预后评估提供了技术支持。

本项双中心回顾性研究纳入了2011年1月至2015年7月期间在子宫切除术前接受1.5T MRI检查的经组织学证实的子宫内膜癌患者。排除标准是肿瘤直径小于1厘米、缺少MRI序列或组织病理学报告、进行新辅助治疗以及患有子宫内膜癌以外的恶性肿瘤。在MRI（T2加权、扩散加权和动态对比增强MRI）进行肿瘤分割后，提取了三维放射组学特征。利用随机森林（RF）模型在训练集中为每个终点选择预测特征，并将训练好的RF模型应用于外部测试集。五位经过认证的放射科医生在训练集中进行了基于MRI的分期和MI深度评估。接受者操作特征曲线下面积（AUCs）为平衡的准确度，并将放射科医生的解读与放射组学使用McNemar检验进行比较。

总共有157名女性患者被纳入研究，其中第一个机构94人（训练组；平均年龄66岁±11[SD]），第二个机构63人（测试组；67岁±12）。将深层MI、LVSI、高分级和国际妇产科联盟（FIGO）分期一分为二的RF模型在测试集中的AUC分别为0.81（95% CI: 0.68, 0.88）、0.80（95% CI: 0.67, 0.93）、0.74（95% CI: 0.61, 0.86）和0.84（95% CI: 0.72, 0.92）。在训练集中，与放射科医生的解读相比，放射组学在识别深度MI方面提供了更高的诊断性能（平衡准确性，86% vs 79%；P = .03），而在FIGO晚期的性能方面没有观察到显著的差异（80% vs 78%；P = .27）。

表 表现最好的随机森林模型对每个组织病理学特征的诊断性能

本项研究表明，三维放射组学可以根据子宫内膜癌的高危组织病理学特征利用术前MRI对患者进行风险分层，并在识别晚期和子宫肌层深层侵犯方面提供了与放射科医生相似或更高的诊断性能。 

原文出处：

Thierry L Lefebvre,Yoshiko Ueno,Anthony Dohan,et al.Development and Validation of Multiparametric MRI-based Radiomics Models for Preoperative Risk Stratification of Endometrial Cancer.DOI:10.1148/radiol.212873