摘要
第一部分基于mp-MRI的深度学习影像组学列线图预测早期宫颈癌淋巴结转移 目的:本研究旨在探索基于多参数磁共振成像(multiparametric-magneticresonanceimaging,mp-MRI)深度学习(deeplearning,DL)-影像组学列线图术前无创预测早期宫颈癌患者盆腔淋巴结转移(lymphnodemetastasis,LNM)的可行性。 材料与方法:回顾性收集2020年1月至2022年12月期间收治的5个中心共1095例早期宫颈癌患者的术前MRI资料，分为训练队列(n=481)、内部测试队列(n=204)和外部验证队列(n=410)。从轴位扩散加权成像(diffusionweightedimaging，DWI)、轴位脂肪抑制T2加权成像(fat-saturationT2-weightedimaging,FS-T2WI)和轴位对比增强T1加权成像(contrast-enhancedT1-weightedimaging,CE-T1WI)图像中分别提取影像组学特征、DL特征。依次使用单因素分析、斯皮尔曼相关性分析、最小绝对值收敛和选择算子(leastabsoluteshrinkageandselectionoperator,LASSO)方法进行特征筛选。多因素逻辑回归分别构建影像组学模型、DL模型(包括分别基于二维和三维图像的ResNet50、ResNet101、ResNet152模型)。选择最好的DL模型与影像组学模型、临床特征建立DL-影像组学-临床(deeplearning-radiomics-clinical,DLRC)融合模型，构建DLRC列线图。三个模型的诊断效能采用受试者工作特性曲线(receiveroperatingcharacteristiccurve,ROC)评估。通过Hosmer-Lemeshow(H-L)检验绘制校准曲线衡量模型预测结果与实际结果的一致性。决策曲线用于评估模型的临床收益。DeLong检验方法用于评估模型间的诊断效能差异。并从独立内部、外部队列验证模型诊断效能。双尾P值＜0.05认为差异具有统计学意义。 结果:c_LNM，即淋巴结短径(lymphnodeshort-axisdiameter，LNSD)≥10mm,是预测LNM的重要因素。DLRC模型以列线图形式直观展示患者LNM风险预测结果，在训练、内部测试和外部验证三个队列中，DLRC模型的曲线下面积(areaunderthecurve,AUC)值均最高，分别为0.807、0.789、0.807。在训练队列中，DLRC模型预测LNM的效能显著优于影像组学模型(P＜0.001)和最好的DL模型，即ResNet152_2D模型(P＜0.001);内部测试队列中，DLRC的预测效能显著优于ResNet152_2D(P=0.009)，相较影像组学模型差异无统计学意义(P=0.312);在外部验证队列中，DLRC的预测效能均显著优于影像组学模型(P＜0.001)和ResNet152_2D模型(P＜0.001)。在3个队列中影像组学模型较ResNet152_2D模型的效能差异无统计学意义(P均＞0.05)。校准曲线显示，在3个队列中DLRC模型预测概率与实际观测概率均趋于一致(P＞0.05),这表明:该模型拟合优度良好。决策曲线显示，在大多数风险阈值范围内，DLRC净收益为正且具有相较其他模型最高的净收益。 结论:融合DL、影像组学和临床特征的DLRC模型在3个队列中具有最高的AUC值，优于DL模型及影像组学模型，预测LNM的准确度与放射科医师相当，灵敏度高于放射科医师评估，建立的DLRC列线图有利于临床使用以检出LNM风险高的患者，指导临床治疗决策。 第二部分基于mp-MRI的深度学习联合影像组学预测早期宫颈癌宫旁浸润 目的:本研究旨在探索开发基于mp-MRI深度学习影像组学（deeplearning-radiomics，DLR）融合模型术前无创预测早期宫颈癌宫旁浸润（parametrialinvasion,PMI）状态，为临床医生制定个体化治疗方案提供帮助。 材料和方法:回顾性收集2020年1月至2022年12月期间5个中心收治的1095例早期宫颈癌患者的术前MRI资料，分为训练队列（n=481）、内部测试队列（n=204）和外部验证队列（n=410）。从轴位FS-T2WI、轴位CE-T1WI、轴位DWI序列中分别提取影像组学特征和DL特征。使用单因素分析、最大相关最小冗余（max-relevanceandmin-redundancy,mRMR）分析、LASSO方法筛选特征，通过多因素逻辑回归分析开发影像组学模型、DL模型（包括分别基于二维和三维图像的ResNet50、ResNet101、ResNet152模型）用于PMI诊断。选择效能最好的DL模型与影像组学模型及临床特征通过多因素逻辑回归建立DLRC融合模型或DLR融合模型评估宫颈癌PMI。使用ROC曲线分析评估模型的诊断效能。通过H-L检验绘制的校准曲线以衡量其预测结果与实际结果的一致性。应用决策曲线评估模型的临床收益。应用DeLong检验方法比较模型诊断效能的差异。分别在独立内部、外部队列验证三种模型的诊断效能。双尾P＜0.05认为差异具有统计学意义。 结果:没有临床特征保留参与融合模型建立。ResNet50_3D模型是最优的DL模型。虽然DLR模型在3个队列中均取得了最优的诊断效能，然而，相较于影像组学模型诊断效能的差异无统计学意义（P均＞0.05）。DLR模型在训练队列和内部测试队列中均明显优于ResNet50_3D模型（P均＜0.05），然而在外部验证队列差异无统计学意义（P=0.579）。3个队列中影像组学模型与ResNet50_3D模型诊断效能差异均无统计学意义（P均＞0.05）。校准曲线显示训练队列中3个模型的拟合优度均良好（P均＞0.05），然而在内部测试队列中，仅DLR模型（P=0.189）拟合优度良好，外部验证队列中，3种模型的拟合优度均较差(P均＜0.001）。决策曲线显示，训练队列和内部测试队列中，在60％风险阈值以下，DLR与ResNet50_3D模型有着相似的正收益，训练队列中影像组学模型在40％风险阈值以下时净收益为正，内部测试队列中，影像组学模型在60％风险阈值以下时净收益为正。在外部验证队列中，三者在15％风险阈值以下净收益为正。 结论:本研究展现了传统影像组学模型、DL模型及DLR融合模型在早期宫颈癌患者PMI诊断的重要性和价值。影像组学模型效能较好，结合DL模型建立的DLR模型并没有显著提高PMI诊断效能。影像组学模型与DL模型诊断效能差异无统计学意义。3种模型在外部验证队列诊断效能稍差。3种模型诊断PMI灵敏度均优于一般放射科医师的经验学诊断，可为宫颈癌患者制定个体化治疗方案提供一种无创、便捷、较为可靠的辅助手段。
NETL