基于超声影像组学列线图联合临床参数预测子宫内膜样腺癌淋巴血管间隙浸润的研究

《Scientific Reports》：Ultrasound based radiomics nomogram combined with clinical parameters to predict lymphovascular space invasion in endometrioid adenocarcinoma

本研究针对子宫内膜样腺癌术前难以评估淋巴血管间隙浸润状态的临床难题，开发了一种结合超声影像组学特征与临床参数的综合预测模型。该研究通过提取837个超声影像特征，最终筛选出7个关键特征构建Rad-score，联合术前组织学分级建立列线图模型。结果显示训练集AUC达0.83，测试集AUC为0.75，实现了高灵敏度（0.96）与中等特异度（0.64）的平衡，为临床术前决策提供了重要工具。

　　

在妇科恶性肿瘤领域，子宫内膜癌（Endometrial Cancer, EC）已成为发达国家最常见的妇科恶性肿瘤，在中国女性恶性肿瘤中位列第三。其中，子宫内膜样腺癌（Endometrioid Adenocarcinoma, EAC）作为主要亚型，占子宫内膜癌病例的75%-80%。淋巴血管间隙浸润（Lymphovascular Space Invasion, LVSI）是影响EAC患者预后的关键因素，它不仅与肿瘤转移风险密切相关，还直接影响辅助治疗方案的选择。然而，目前LVSI状态只能通过术后病理检查确定，无法在术前进行有效评估，这给临床决策带来了巨大挑战。

传统上，磁共振成像（MRI）被用于子宫内膜癌的术前评估，但其成本高、检查时间长且存在禁忌症限制。相比之下，超声检查具有无创、便捷、实时等优势，已成为子宫及附件疾病评估的首选方法。近年来，影像组学（Radiomics）技术的发展为医学图像分析开辟了新途径，它能够从常规医学图像中提取大量肉眼无法识别的定量特征，从而揭示肿瘤的异质性特征。虽然MRI影像组学在预测LVSI方面已取得一定进展，但基于超声的影像组学模型在EAC中的应用仍属空白。

为解决这一临床需求，来自华中科技大学同济医学院附属武汉中心医院的研究团队开展了一项创新性研究，开发了一种结合超声影像组学特征与临床参数的综合预测模型，用于术前预测EAC患者的LVSI状态。该研究近期发表在《Scientific Reports》期刊上，为EAC的个体化治疗提供了新的思路。

本研究采用回顾性单中心设计，纳入了2017年12月至2022年12月期间经术后病理证实为EAC的171例患者。通过分层随机抽样将患者按7:3比例分为训练集（119例）和测试集（52例）。研究团队从术前14天内进行的经阴道超声检查图像中，使用3D Slicer软件手动勾画肿瘤感兴趣区域（Region of Interest, ROI），并提取了837个超声影像组学特征。

关键技术方法包括：使用Z-score标准化方法对特征进行标准化处理；通过T检验（p<0.05）和Pearson相关系数（>0.9时剔除高相关特征）进行特征筛选；采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归和十倍交叉验证最终确定7个最具价值的影像组学特征，构建影像组学评分（Rad-score）；通过单因素和多因素逻辑回归分析确定LVSI的独立预测因素，并建立临床模型、影像组学模型和综合预测模型；使用受试者工作特征曲线下面积（Area Under the Curve, AUC）、灵敏度、特异度和准确度评估模型性能，并通过Delong检验比较模型差异。

临床病理特征分析

研究纳入的171例EAC患者中，LVSI阴性组132例，LVSI阳性组39例。两组患者在年龄、绝经状态、肿瘤大小、术前组织学分级、Ki-67表达以及血清CA125和CA199水平方面均无显著差异（p>0.05），表明训练集和测试集的划分是合理的。

影像组学特征提取与筛选

从每位患者的超声图像中共提取837个影像组学特征。经过标准化、T检验和相关性分析后，最终通过LASSO回归筛选出7个最具预测价值的特征。这些特征主要来自小波变换图像，包含一阶统计量和纹理特征，反映了肿瘤的强度分布和纹理异质性模式。

Rad-score的计算公式为：Rad-score = -1.25 - 0.01×Original_firstorderTotalEnergy - 0.20×Wavelet.HLH_glszm_ZonePercentage - 0.18×Wavelet.HHL_firstorder_Skewness - 0.12×Wavelet.HHL_firstorder_TotalEnergy - 0.10×Wavelet.HHL_firstorder_Median - 0.07×Wavelet.LHH_glszm_LowGrayLevelZoneEmphasis - 0.01×Wavelet.HHH_glrlm_GrayLevelVariance

模型建立与效能评估

单因素分析显示，术前组织学分级和Ki-67是LVSI的显著预测因素。多因素分析进一步证实术前组织学分级是LVSI的独立预测因素。单独基于术前组织学分级建立的临床模型在训练集和测试集的AUC分别为0.71和0.66。

超声影像组学模型在训练集的AUC为0.80，测试集为0.74。而结合术前组织学分级和Rad-score的综合预测模型表现最佳，训练集AUC达0.83（95% CI：0.76-0.91），测试集AUC为0.75（95% CI：0.57-0.93）。训练集的灵敏度、特异度和准确度分别为0.96、0.64和0.71，测试集分别为0.75、0.70和0.71。

模型比较显示，综合列线图在训练集中的性能显著优于临床模型（p=0.007），但与单独影像组学模型相比无统计学显著差异（训练集p=0.371，测试集p=0.776）。校准曲线显示综合预测模型具有良好的校准度，决策曲线分析表明该模型具有积极的临床实用性。

研究结论与意义

本研究成功开发了一种结合超声影像组学特征和临床参数的综合预测模型，用于术前预测EAC患者的LVSI状态。该模型表现出高灵敏度（0.96）和中等特异度（0.64），为临床提供了一种无创、可及的术前评估工具。

研究的创新点在于首次将超声影像组学应用于EAC患者LVSI的术前预测，填补了该领域的研究空白。与MRI相比，超声具有成本低、操作简便、实时性好等优势，更适合临床常规应用。综合预测模型中选择的影像组学特征主要反映肿瘤的纹理异质性和强度分布模式，这些定量描述符可能捕获与LVSI相关的潜在病理特征，如不规则血管模式、坏死区域和侵袭性肿瘤生长前沿，为预测能力提供了生物学合理性。

该列线图为临床医生提供了一个用户友好的定量工具，可用于术前对EAC患者进行LVSI风险分层，有助于手术规划（如淋巴结清扫范围的确定）和患者咨询。通过提供LVSI状态的无创评估，该模型可能有助于优化治疗策略，避免治疗不足或过度治疗。

然而，本研究作为单中心回顾性研究，存在一定局限性，包括缺乏外部验证、仅使用2D图像可能遗漏肿瘤内异质性信息、不同超声设备间特征变异性等。未来需要开展大样本、多中心、前瞻性研究进一步验证模型的临床实用价值。

总体而言，这项研究为EAC的术前评估提供了新的思路和方法，展示了超声影像组学在妇科肿瘤精准医疗中的巨大潜力。随着技术的不断发展和验证的完善，这种基于超声的综合预测模型有望成为临床实践中重要的辅助决策工具，最终改善EAC患者的治疗效果和生存质量。