基于胎盘磁共振成像和临床因素的胎儿生长受限预测模型研究

《BMC Pregnancy and Childbirth》：A machine learning model based on placental magnetic resonance imaging and clinical factors to predict fetal growth restriction

本研究为解决胎儿生长受限（FGR）早期诊断难题，基于胎盘磁共振成像（MRI）和临床因素构建机器学习模型，预测FGR，为产科护理提供新工具，具有重要临床意义

　　胎儿生长受限（FGR）是产科领域的重要问题，它指的是胎儿未能达到其生长潜能，通常由胎盘功能障碍引起。FGR会增加围产期发病率和死亡率，还可能导致长期健康问题，如神经系统和认知发育受损，以及成年期的心血管和内分泌疾病。目前，临床上对胎儿生长潜力的评估主要依赖于胎儿大小与人群参考值的统计偏差，但这种方法存在局限性，容易导致误诊。为了更准确地预测FGR，浙江大学医学院附属妇产科医院的研究人员开展了一项研究，旨在开发一种基于胎盘磁共振成像（MRI）和临床因素的机器学习模型，以提高FGR的预测准确性。

研究团队回顾性分析了2017年1月至2024年3月在浙江大学医学院附属妇产科医院湖滨院区和萧山院区进行胎盘MRI检查的110例FGR病例和158例健康对照组孕妇的胎盘MRI和临床数据。研究中，湖滨院区的227例病例随机分为训练集（182例）和内部测试集（45例），萧山院区的41例病例作为外部测试集。研究人员从胎盘MRI的矢状位T2加权成像（T2WI）中提取特征，并通过Mann–Whitney U检验、冗余分析和LASSO回归等方法筛选出与FGR强相关的放射组学特征，最终构建了基于放射组学评分（Rad-score）和临床因素的联合预测模型。该模型在训练集、内部测试集和外部测试集上的表现良好，AUC值分别为0.941（95% CI, 0.904–0.977）、0.899（95% CI, 0.789–1）和0.861（95% CI, 0.725–0.998），预测准确率分别为0.885、0.844和0.805。此外，校准曲线和决策曲线分析也显示了联合模型的良好性能。研究结果表明，基于胎盘MRI的放射组学特征和临床因素的联合机器学习模型能够有效预测FGR，为临床实践提供了新的工具。

在研究方法上，研究人员首先对胎盘组织图像进行手动分割，并使用开源Python包pyradiomics提取放射组学特征。为了减少不同扫描仪和MRI协议导致的数据集异质性，对图像进行了预处理，包括归一化、离散化和重采样。通过分析放射组学特征的组内和组间一致性，筛选出具有可重复性的特征。然后，利用Mann–Whitney U检验比较FGR组和非FGR组的放射组学特征，并进行冗余分析以去除高度相关的特征。最后，采用LASSO回归筛选出与FGR相关的放射组学特征，并计算每个患者的放射组学评分（Rad-score）。基于放射组学特征和临床因素，研究人员使用八种机器学习算法构建预测模型，并选择表现最佳的算法构建最终的放射组学模型。通过受试者工作特征曲线（ROC）评估模型性能，并构建校准曲线和决策曲线以进一步评估联合模型的性能。此外，还建立了联合模型的列线图，以确认模型的临床应用性。

研究结果表明，从1561个放射组学特征中筛选出10个与FGR强相关的特征。放射组学模型采用逻辑回归算法表现最佳，与八种算法相比具有最高的AUC值。联合模型在训练集、内部测试集和外部测试集上均显示出良好的预测性能。校准曲线显示模型拟合线与对角线基本一致，决策曲线显示联合模型的净收益远高于全治疗和无治疗线。此外，列线图的构建有助于联合模型的临床应用和决策。

在讨论部分，研究人员指出，该研究仅包括T2加权序列的MRI放射组学分析，忽略了多模态或多序列成像在评估FGR中的潜在贡献。此外，研究未区分早发和晚发FGR，可能导致胎盘纹理的差异。研究还受到MRI设备制造商种类有限的限制，且研究队列相对较小。因此，需要更大的测试集来验证所提出模型的普适性。尽管如此，该研究基于胎盘MRI特征的机器学习模型表现良好，结合孕妇的临床特征进一步提高了模型预测FGR的能力，适合在临床实践中应用。