编辑推荐：
为解决产前诊断胎盘植入谱（PAS）和产后出血（PPH）风险预测难题，研究人员开展了利用 T2 加权 MRI 影像组学预测 PAS 和 PPH 风险的研究。结果显示临床 - 影像组学模型在预测 PAS 和 PPH 风险上表现优异，对临床诊疗意义重大。
胎盘植入谱（Placenta accreta spectrum，PAS）是一种严重的妊娠并发症，表现为胎盘异常附着并侵入子宫壁，可能引发产后出血（Postpartum hemorrhage，PPH）、子宫切除甚至导致产妇死亡。近年来，PAS 的发病率显著上升，这主要归因于剖宫产率的增加、产妇年龄的增长以及体外受精技术的应用。
PPH 指阴道分娩时估计失血量超过 500 mL 或剖宫产时超过 1000 mL，是导致产妇发病和死亡的重要因素。准确识别 PAS 患者并预测其产后出血风险，对于及时转诊、制定综合治疗方案、降低严重不良妊娠结局至关重要。然而，PAS 患者产前往往无症状或症状特异性低，超声检查虽为一线诊断方法，但在胎盘位于子宫后壁、底部，或受羊水、母体肥胖、肠气等因素影响时，检测率会大幅下降。
在此背景下，为解决这些问题，首都医科大学附属北京妇产医院的研究人员开展了一项研究，旨在探究磁共振成像（Magnetic resonance imaging，MRI）在产前预测 PAS 和 PPH 风险中的作用。该研究成果发表在《BMC Pregnancy and Childbirth》上。
研究人员采用回顾性分析，纳入 2018 年 1 月至 2023 年 6 月在北京妇产医院进行产前 MRI 检查、临床怀疑 PAS 的单胎孕妇。通过随机抽样，将患者分为训练集（n = 303）和测试集（n = 130）。
研究的主要技术方法包括：利用 GE Discovery 750 3.0T MRI 扫描仪获取 T2 加权成像（T2-weighted imaging，T2WI）数据；由有经验的医生手动勾勒感兴趣区域（Region of interest，ROI），并使用 pyradiomics 库在 Python 环境中提取 806 个影像组学特征；运用 Pearson 相关性分析和 LASSO 回归进行特征筛选；通过逻辑回归算法构建影像组学模型、临床模型以及临床 - 影像组学模型，并使用 ROC 曲线、AUC 等指标评估模型性能。
研究结果如下：
- 患者临床特征：训练集和测试集患者的临床特征无显著差异，具有可比性。PAS 组与非 PAS 组、PPH（+）组与 PPH（-）组在多个临床特征上存在显著差异，提示这些因素与 PAS 和 PPH 可能存在关联。
- ROI 标注一致性：不同医生间 ROI 标注的一致性良好，组内相关系数（ICC）均大于 0.8，保证了研究的可靠性。
- 特征选择与模型构建：筛选出 43 个与 PAS 高度相关的影像组学特征和 31 个与 PPH 风险高度相关的影像组学特征。临床因素和影像组学模型输出的 R 评分经单因素和多因素逻辑回归分析，确定了胎盘前置、辅助生殖和孕次是 PAS 的独立临床风险因素，胎盘前置是 PPH 的独立临床风险因素，并据此构建了相应模型。
- 模型性能评估：临床 - 影像组学模型在预测 PAS 和 PPH 风险方面表现最佳。在训练集和测试集中，该模型预测 PAS 的 AUC 分别为 0.918 和 0.885，预测 PPH 风险的 AUC 分别为 0.918 和 0.905，均优于单独的影像组学模型和临床模型。DeLong 检验表明，临床 - 影像组学模型与影像组学模型在预测 PAS 和 PPH 风险上存在显著差异。
- 临床应用：将临床 - 影像组学模型构建为列线图，经决策曲线分析（DCA）和校准曲线分析，证实该模型在不同临床决策阈值下具有显著的预测优势，且预测准确性与实际临床结果相符。
研究结论和讨论部分指出，基于 MRI T2WI 的影像组学分析在产前预测 PAS 和 PPH 风险方面具有潜力。临床 - 影像组学模型整合了高维成像特征和独立临床风险因素，其预测性能优于单独的影像组学模型和临床模型，有望提高产前预测的准确性。然而，该研究也存在局限性，如单中心回顾性研究可能导致选择偏倚、未评估 PAS 的侵袭面积、模型的外部验证和泛化能力有待进一步确认等。未来研究可通过多中心合作、优化算法和参数、整合多学科信息等方式，进一步完善临床 - 影像组学模型，提高其在临床实践中的应用价值，为降低产妇严重并发症风险、改善母婴结局提供有力支持。
