基于超声影像组学的子宫内膜癌肌层浸润深度预测模型研究

本研究针对子宫内膜癌(EC)术前评估中肌层浸润深度(DMI)主观判断差异大的临床难题，通过Inception-V3卷积神经网络提取77例患者超声影像组学特征，构建二元(AUC 90.76%)和三级分类模型(准确率84.93%)。创新性证实超声影像组学辅助可提升操作者判断精度10%，为EC精准分期提供标准化决策支持。

　　

子宫内膜癌(EC)作为欧洲女性第四大高发肿瘤，其治疗策略高度依赖肌层浸润深度(DMI)的准确评估。当前临床依赖超声(US)或磁共振(MRI)进行术前判断，但存在操作者依赖性高(经验差异导致诊断偏差达20%)、共存病变(如子宫肌瘤)干扰等痛点。尤其对于年轻患者保留生育功能的决策，传统方法难以区分<50%浸润中的"局灶性浸润"亚类。

巴里肿瘤研究所联合团队在《Scientific Reports》发表研究，创新性将影像组学与深度学习结合。通过77例EC患者的超声图像，采用Inception-V3卷积神经网络(CNN)提取235,200维低阶特征，经双重特征选择(克鲁斯卡尔-沃利斯检验+最大相关最小冗余算法)后构建支持向量机(SVM)模型。特别设计级联式三级分类架构，首次实现"无/局灶浸润"、"<50%浸润"和"≥50%浸润"的自动化区分。

关键技术方法：1) 基于相干传输算法的图像修复预处理；2) Inception-V3 CNN迁移学习特征提取；3) 双重特征选择策略(非参数检验+MRMR算法)；4) 自适应合成采样(ADASYN)处理数据不平衡；5) 100次十折交叉验证。样本来自意大利巴里大学附属医院和罗马Regina Elena国家癌症中心的77例经病理确诊患者。

主要结果
Performance evaluation of depth myometrial invasion prediction model: binary classification
二元模型(mod1)区分≥50%浸润的AUC达90.76%(95%CI 88.63-92.89)，显著优于操作者单独判断(80.52%准确率)。当模型辅助临床决策时，精确度提升13.14%(p<0.05)，证实其减少假阳性价值。

Performance evaluation of depth myometrial invasion prediction model: multiclass classification
三级分类模型(mod2)整体准确率84.93%，对关键中间类别(<50%浸润)的召回率(85.63%)较操作者(56.25%)提升29.38%。特别在保留生育功能相关的"无/局灶浸润"判定中，模型与专家共识(IETA)的一致性达93.33%。

Subjective assessment
对比实验显示，模型辅助使操作者对<50%浸润的判断准确率从56.25%提升至71.88%，证实其临床辅助价值。在共存子宫肌瘤等复杂病例中，模型特异性保持91.28%，克服传统超声的解剖干扰局限。

结论与意义
该研究首次建立基于超声的EC肌层浸润多级预测体系，其创新性体现在：1) 突破MRI依赖，利用低成本超声实现媲美文献报道MRI模型(AUC 89-92%)的性能；2) 通过低阶特征提取克服超声图像噪声大的缺陷；3) 级联式架构解决小样本多分类难题。临床价值在于：为保留生育功能决策提供≤50%浸润的精细分层依据；辅助基层医院实现接近三级中心的诊断水平；标准化评估减少MELF模式(微囊状伸长碎片样浸润)的漏诊。未来需扩大样本验证设备普适性，但当前成果已为EC精准诊疗提供新范式。