European Radiology：基于多参数MRI特征的机器学习模型在区分子宫肉瘤和非典型平滑肌瘤中的应用

子宫肉瘤是一种罕见的妇科肿瘤，恶性程度高、预后差，占所有子宫恶性肿瘤的不到3%，且缺乏特异性临床表现，术前误诊率高。其中，一些肉瘤仅在术后组织学中被发现，并被推测为非典型平滑肌瘤(ALM) 。作为最常见的妇科良性肿瘤，子宫肌瘤有时可表现出与子宫肉瘤相似的临床症状，但两者的治疗和预后有很大不同。治疗方面，子宫肉瘤主要采用子宫切除术和双侧输卵管卵巢切除术，而子宫肌瘤则采用局部切除、微创治疗甚至药物治疗。目前，临床患者主要通过多参数磁共振成像进行诊断，包括T2加权成像（T2WI）、弥散加权成像（DWI）和动态对比增强磁共振成像（DCE-MRI）。然而，临床上尚未有统一的无创术前诊断标准。

随着机器学习 (ML) 和计算机技术的进步，医学成像研究的一个重要领域是计算机辅助诊断系统的开发。多项研究表明，ML在子宫肉瘤与平滑肌瘤的鉴别诊断中具有作用。迄今为止提出的方法都是基于手工绘制的特征。这种手工制作的特征通常对患者群体中正常和异常模式之间的巨大差异不具有代表性，导致模型的假阳性率很高。

最近，临床上开发出了一种卷积神经网络 (CNN) 技术，可以自动提取给定任务的相关深度学习特征。深度学习特征具有较高的选择性和不变性，对不同待区分类别间特征差异较大的重复性更强。因此，深度学习已成为图像模式识别任务中广泛使用的ML方法。

近日，发表在European Radiology杂志的一项研究探讨了利用迁移学习建立基于平扫mp-MRI结合临床参数的ML模型在区分子宫肉瘤和ALM的可行性和临床价值，为临床的准确无创评估提供了影像学支持。

本研究对2011年7月至2019年12月期间的86例子宫肉瘤和2013年6月至2017年6月期间的86例ALM的数据进行了回顾性分析。本研究从T2加权成像 (T2WI) 和弥散加权成像 (DWI) 中提取了深度学习特征和放射组学特征，并比较了迁移学习和放射组学这两种特征提取方法的差异。采用随机森林作为分类器。分别应用T2WI特征、DWI特征、T2WI和DWI联合（mp-MRI）特征、临床参数和mp-MRI联合特征建立T2、DWI、T2-DWI和复杂多参数（mp）模型。预测性能用接受者操作特征曲线（AUC）下的面积进行评估。

在测试集中，基于迁移学习的T2、DWI、T2-DWI 和复杂mp模型（AUC 范围分别为0.76到0.81、0.80到0.88、0.85到0.92和0.94到0.96），且优于基于迁移学习的模型放射组学（AUC 分别为 0.73、0.76、0.79 和 0.92）。此外，复杂mp模型表现出最好的预测性能，Resnet50-复杂mp模型达到了最高的 AUC（0.96）和准确度（0.87）。

图 ROC曲线和AUC值。a基于MRI放射组学特征的模型的ROC曲线和AUC值。b基于MRI模型和相应CNN之间的迁移学习获得的最佳结果。 受试者工作特征 (ROC)，ROC 曲线下面积 (AUC)

本研究表明，将平扫mp-MRI深度学习特征与临床参数相结合的ML模型可以实现的子宫肉瘤和ALM的准确鉴别，并且迁移学习优于放射组学。

原文出处：

Mengying Dai,Yang Liu,Yan Hu,et al.Combining multiparametric MRI features-based transfer learning and clinical parameters: application of machine learning for the differentiation of uterine sarcomas from atypical leiomyomas.DOI:10.1007/s00330-022-08783-7