基于 MRI 的深度学习成像在预测高危孕妇胎盘植入谱系（PAS）中的卓越诊断价值

为探究深度学习（DL）成像预测高危孕妇胎盘植入谱系（PAS）的诊断价值，研究人员开展相关研究，发现 DL 模型诊断效果更佳，意义重大。

　　旨在探究基于磁共振成像（MRI）的深度学习（DL）成像在预测高危孕妇胎盘植入谱系（PAS）方面的诊断价值。研究回顾性分析了来自机构 I 和机构 II 的 263 例疑似胎盘植入患者，将其分为训练集（n = 170）和外部验证集（n = 93）。通过成像采集、特征提取和影像组学数据处理，利用 15 个影像组学特征训练支持向量机（SVM）、K 近邻（KNN）、随机森林（RF）、轻梯度提升机（LGBM）和 DL 模型来预测 PAS。在训练集中用曲线下面积（AUC）和准确率评估模型的诊断性能，并在外部验证集中进一步验证。单因素和多因素逻辑回归分析显示，剖宫产史、胎盘厚度和前置胎盘是预测 PAS 的独立临床危险因素。在机器学习（ML）模型中，SVM 的诊断能力最强（AUC = 0.944），准确率为 0.876。DL 模型的诊断效率显著优于其他模型，在训练集中 AUC 为 0.956（95% 置信区间 0.931 - 0.981），在外部验证集中 AUC 为 0.863（95% 置信区间 0.816 - 0.910）。在特异性方面，DL 模型优于 ML 模型。基于 MRI 的 DL 模型在 PAS 诊断上可能比传统临床模型或 ML 影像组学模型表现更优，这在外部验证集中得到了进一步证实。