基于扩散加权成像的肿瘤微环境异质性分析在子宫内膜癌淋巴血管间隙浸润术前评估中的价值

《Scientific Reports》：Evaluate lymphovascular space invasion in endometrial cancer using diffusion-weighted imaging-based habitat imaging

本研究针对子宫内膜癌（EC）术前难以无创评估淋巴血管间隙浸润（LVSI）这一临床难题，研究人员开展了基于扩散加权成像（DWI）的肿瘤微环境异质性成像研究。通过回顾性分析101例子宫内膜癌患者的IVIM（体素内不相干运动）和DKI（扩散峰度成像）参数，利用无监督K-means聚类将肿瘤解码为四个具有不同病理生理特征的亚区（栖息地）。结果发现，LVSI阳性肿瘤的栖息地1（H1，低扩散、低灌注、高微结构异质性）体积分数显著增高，且H1是LVSI的独立预测因子（AUC=0.76）。将H1与FIGO分期、组织学分级结合的综合性模型预测效能更佳（AUC=0.89）。该研究为子宫内膜癌术前无创、精准评估LVSI提供了新方法，对指导个体化手术方案和改善预后具有重要意义。

　　

子宫内膜癌是发达国家中最常见的妇科恶性肿瘤，也是中国女性中发病率第二高的妇科癌症。淋巴血管间隙浸润（LVSI）是子宫内膜癌一个关键的预后因素，它与淋巴结转移风险增加、无进展生存期和总生存期缩短显著相关。作为淋巴结转移的独立危险因素，术前准确判断LVSI状态对于手术规划至关重要，它直接影响前哨淋巴结活检或淋巴结清扫术的决策，从而指导辅助治疗，同时避免不必要的淋巴结取样以降低手术并发症。然而，由于肿瘤异质性和取样变异性高，LVSI状态无法通过术前活检准确评估，只能通过子宫切除术后病理检查来确定。因此，开发术前准确识别LVSI的策略迫在眉睫。

常规的术前MRI预测LVSI存在重复性不一致、敏感性低和观察者间变异大等局限性。尽管最近开发的MRI影像组学和深度学习模型显示出良好的诊断性能，但其全肿瘤分析框架忽略了瘤内亚区域的表型差异。肿瘤微环境异质性成像通过识别具有相似病理生理特征的空间 distinct 亚区（称为“栖息地”）来克服这些限制，从而实现对肿瘤异质性的精确量化。然而，尚无研究探索栖息地成像在子宫内膜癌LVSI评估中的应用。

为了回答这一问题，发表在《Scientific Reports》上的这项研究，创新性地提出了一种基于扩散加权成像（DWI）的栖息地成像方法，用于子宫内膜癌LVSI的术前无创评估。

本研究主要采用了以下关键技术方法：研究回顾性纳入了101例在本机构接受术前多b值DWI检查的子宫内膜癌患者。利用采集的DWI数据，分别拟合出体素内不相干运动（IVIM）模型的真实扩散系数（D）和灌注分数（f）图，以及扩散峰度成像（DKI）模型的平均峰度（MK）图。随后，使用无监督K-means聚类算法，基于D、f、MK三个参数将整个患者队列的肿瘤体素解码为不同的栖息地，并量化每个栖息地的体积分数。最后，通过统计学分析比较LVSI阳性与阴性组间栖息地体积分数的差异，并评估其预测LVSI的诊断效能。

患者特征

在最初纳入的231例患者中，经过严格排除（图像质量差、MRI不可见肿瘤、接受新辅助治疗、病理信息不全），最终101例患者进入分析。队列中LVSI阳性者22例（21.78%），阴性者79例（78.22%）。LVSI阳性组在肿瘤体积、血清CA125水平、FIGO分期、肌层浸润深度、组织学分级和组织学亚型方面与阴性组存在显著差异。

栖息地成像构建与组间栖息地体积分数比较

聚类分析确定将每个子宫内膜癌病灶解码为四个栖息地时效果最佳（轮廓系数=0.311）。这四个栖息地表现出不同的参数特征：栖息地1（H1）表现为低扩散（D=0.699±0.231×10^-3mm²/s）、低灌注（f=0.062±0.022）和高微结构异质性（MK=1.256±0.443）；栖息地2（H2）表现为高扩散（D=1.118±0.390×10^-3mm²/s）、中等灌注（f=0.067±0.032）和中等微结构异质性（MK=0.838±0.306）；栖息地3（H3）表现为极低扩散和低灌注、低峰度；栖息地4（H4）表现为中等扩散、高灌注（f=0.221±0.067）和高峰度。

组间比较发现，与LVSI阴性组相比，LVSI阳性组的栖息地1（H1）体积分数显著更高，而栖息地2（H2）和栖息地4（H4）的体积分数显著更低。栖息地3（H3）的体积分数在两组间无显著差异。

LVSI的危险因素和ROC分析

单因素逻辑回归分析显示，肿瘤体积、FIGO分期、肌层浸润深度、组织学亚型、组织学分级、H1和H2与LVSI相关。多因素分析进一步确定FIGO分期（OR, 12.57）、组织学分级（OR, 6.36）和H1（OR, 1.05）是LVSI的独立危险因素。

受试者工作特征（ROC）曲线分析表明，H1预测LVSI的曲线下面积（AUC）为0.76，与FIGO分期（AUC=0.78）、组织学分级（AUC=0.71）以及两者结合的病理指标（AUC=0.83）的诊断效能相当。更重要的是，将H1与FIGO分期、组织学分级结合的综合性模型预测效能显著提高，AUC达到0.89，且H1的敏感性最高（81.82%）。探索性的栖息地风险评分（HRS = H1 - H2）的预测性能（AUC=0.78）并未显著优于单独的H1。

肿瘤体积、FIGO分期、组织学亚型、组织学分级与栖息地体积分数的关系

相关性分析显示，H1与肿瘤体积呈显著正相关，而H2与组织学分级呈显著负相关。H1和H2与FIGO分期或组织学亚型均无显著相关性。

本研究得出结论，基于DWI的栖息地成像能够量化子宫内膜癌肿瘤内的不同亚区。其定量指标——特别是栖息地1（H1）的体积分数，可作为术前无创识别LVSI的潜在诊断标志物，其诊断准确性可与临床病理指标相媲美，且具有更高的敏感性。这表明该技术在子宫内膜癌患者术前风险分层中具有重要的临床应用价值，有助于更明智的临床决策。

讨论部分强调，栖息地1可能代表与较高LVSI风险相关的侵袭性亚区，而栖息地2可能起保护性作用。H1与肿瘤体积的正相关以及H2与组织学分级的负相关支持了这一假设。本研究提出的术前无创评估LVSI的方法有助于识别高危患者，使其能接受适当的前哨淋巴结活检，从而避免手术分期不足并影响辅助治疗决策，最终改善患者预后。尽管研究存在单中心回顾性设计、样本量有限（尤其是LVSI阳性病例较少）、手动分割可能引入变异以及采用队列而非个体化聚类定义栖息地等局限性，但其结果为进一步在前瞻性大样本研究中验证该方法的有效性奠定了基础。