基于MR-T2WI 的深度學(xué)習(xí)與影像組學(xué)聯(lián)合臨床特征預(yù)測宮頸癌淋巴脈管間隙浸潤

林寶金，龍先鳳，吳朝霞，梁莉莉，盧子紅，甘武田，朱超華*

0 引言

宮頸癌是女性生殖系統(tǒng)最常見的惡性腫瘤之一，且在中低收入國家中更常見，死亡率居第三位[1]，嚴(yán)重威脅女性的生命健康。我國女性宮頸癌人數(shù)逐年上漲[2]，早發(fā)現(xiàn)、早診斷和早治療能夠有效降低宮頸癌的死亡率[3]?；颊叽_診宮頸癌時，淋巴脈管間隙浸潤（lymph vascular invasion, LVSI）是影響其治療選擇和預(yù)后的重要因素[4-5]。根據(jù)美國國立癌癥綜合網(wǎng)絡(luò)（National Comprehensive Cancer Network）發(fā)布的2023 年子宮頸癌臨床實踐指南[6]，LVSI 被認(rèn)為是宮頸癌的中危因素之一，同時LVSI 已經(jīng)被研究證實是宮頸癌發(fā)生淋巴結(jié)轉(zhuǎn)移的獨立危險因素[7-8]，可以在一定程度上更早地反映淋巴結(jié)發(fā)生轉(zhuǎn)移的潛在風(fēng)險。目前，術(shù)后組織病理分析是檢驗LVSI 的“金標(biāo)準(zhǔn)”，但是活檢和手術(shù)切除是一種有創(chuàng)的方法，其標(biāo)本的陰性預(yù)測值較低，病理分析的適用性有限；由于宮頸活檢組織少，容易漏診微小病灶，在檢測LVSI的臨床應(yīng)用有限[9]。總之，確定其生物標(biāo)記物是一項具有挑戰(zhàn)性的任務(wù)[10]。

MRI 是早期宮頸癌檢查最常用的手段[11-13]，在臨床中具有較高的應(yīng)用價值。傳統(tǒng)的MRI圖像只能對腫瘤表觀特征進行主觀判斷，無法進行定量評價容易忽略腫瘤內(nèi)部異質(zhì)性[14]，在診斷和治療中受到一定限制。影像組學(xué)是利用醫(yī)學(xué)圖像數(shù)據(jù)進行定量分析和挖掘的方法，以非侵入性方式獲得腫瘤的內(nèi)部異質(zhì)性[15]，已在宮頸癌診斷鑒別[16]、淋巴結(jié)轉(zhuǎn)移預(yù)測[17]、療效評估[18]和生存期預(yù)測[19]等方面表現(xiàn)出巨大優(yōu)勢[20]。近年來，深度學(xué)習(xí)在醫(yī)學(xué)圖像處理領(lǐng)域取得長足進步，它主要通過卷積神經(jīng)網(wǎng)絡(luò)使用濾波矩陣對圖像進行特征提取，這就需要大量的標(biāo)注數(shù)據(jù)集來理解數(shù)據(jù)之間的潛在關(guān)系[21]。深度遷移學(xué)習(xí)（deep transfer learning, DTL）是一個使用預(yù)先訓(xùn)練的深度學(xué)習(xí)網(wǎng)絡(luò)[22]，并對其進行微調(diào)以學(xué)習(xí)新任務(wù)的過程，以便將深度學(xué)習(xí)影像組學(xué)應(yīng)用于小型數(shù)據(jù)集上，這一策略成為近年來的研究熱點[23-25]。將深度學(xué)習(xí)算法與影像組學(xué)結(jié)合起來，對于實現(xiàn)個體化精準(zhǔn)醫(yī)療具有重要的價值?，F(xiàn)有的國內(nèi)外研究中，通常利用獲取的影像組學(xué)特征通過機器學(xué)習(xí)建模來預(yù)測LVSI，但國內(nèi)尚未有研究討論深度學(xué)習(xí)特征在診斷宮頸癌LVSI 中的潛在價值。本研究假設(shè)通過DTL方法提取病灶中的DTL 特征，以更全面地反映生物學(xué)信息。同時，將獲取的DTL 特征與影像組學(xué)特征和臨床特征結(jié)合構(gòu)建聯(lián)合預(yù)測模型，旨在進一步評估LVSI狀態(tài)，提高臨床診斷效能。

1 材料與方法

1.1 一般資料

本研究遵守《赫爾辛基宣言》，經(jīng)廣西壯族自治區(qū)人民醫(yī)院倫理委員會批準(zhǔn)（批準(zhǔn)文號：KY-ZC-2023-053），免除受試者知情同意。回顧性分析2019 年1 月至2022 年12 月廣西壯族自治區(qū)人民醫(yī)院經(jīng)術(shù)后病理確診的宮頸癌患者病例。納入標(biāo)準(zhǔn)：（1）宮頸癌根治術(shù)后病理學(xué)檢查確診為宮頸癌；（2）患者在MRI 檢查前未接受新輔助治療或其他治療；（3）術(shù)前1個月內(nèi)接受3.0 T MRI檢查；（4）腫瘤為單個病灶。排除標(biāo)準(zhǔn)：（1）臨床資料不全；（2）圖像質(zhì)量不佳或者缺失；（3）存在遠處轉(zhuǎn)移；（4）術(shù)前接受過治療；（5）合并其他腫瘤。

1.2 儀器與方法

采用Siemens Magnetom Trio 3.0 T 磁共振儀，體部8 通道相控陣線圈，采集盆部MRI。常規(guī)掃描參數(shù)：快速自旋回波T1WI，F(xiàn)OV 400 mm×400 mm，TR/TE 550/13 ms，層厚/間距4 mm/1 mm，矩陣202×384，激勵次數(shù)2；快速自旋回波T2WI，F(xiàn)OV 400 mm×400 mm，TR/TE 550/3 ms，層厚/間距4 mm/1 mm，矩陣202×384，激勵次數(shù)2。

1.3 影像組學(xué)分析

1.3.1 分割圖像

由一名放射科主治醫(yī)師（具有5 年盆腔影像經(jīng)驗）使用3D Slicer 4.10.2 軟件，在矢狀位T2WI 圖像上沿病灶邊緣逐層手動勾畫感興趣（region of interest, ROI），獲得腫瘤三維容積感興趣區(qū)（volume of interest, VOI），見圖1。對圖像進行N4偏置校正[26]和標(biāo)準(zhǔn)化，將所有圖像進行重采樣[27]至體素1 mm×1 mm×1 mm，基于Python平臺的開源軟件包Pyradiomics（http://pypi.org/project/Pyradiomics/）提取影像組學(xué)特征。隨機選取訓(xùn)練集中的30 例患者病例，由另一名放射科副主任醫(yī)師（具有10 年盆腔影像經(jīng)驗），重新繪制ROI 并提取影像組學(xué)特征。以組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient, ICC）評估兩位觀察者之間在提取影像組學(xué)特征方面的一致性，保留一致性較好的特征（ICC＞0.80）。

1.3.2 DTL特征提取

在提取DTL 特征之前，選擇矢狀面中面積最大的ROI 進行裁剪。使用線性差將輸入圖像重新采樣為64×64大小，并將像素強度的平均值和標(biāo)準(zhǔn)偏差歸一化為0 和1。在基于Python 3.7 平臺的深度學(xué)習(xí)庫PyTorch 中[28]，選擇ResNet 50 深度卷積網(wǎng)絡(luò)架構(gòu)[29-30]作為遷移學(xué)習(xí)的基本模型，設(shè)置學(xué)習(xí)率執(zhí)行遷移，提取DTL特征。

圖1 基于T2WI 圖像沿病灶邊緣逐層勾畫三維容積感興趣區(qū)（volume of interest, VOI）示意圖。1A：T2WI 圖像；1B：腫瘤感興趣區(qū)（紅色）；1C：腫瘤VOI。
Fig.1 Sequentially delineate the volume of interest (VOI) along the lesion margin based on T2WI images.1A: T2WI image; 1B: Tumor region of interest (highlighted in red); 1C:Tumor VOI.

1.3.3 特征篩選及特征融合

首先，對ROI 提取的影像特征進行獨立樣本t檢驗，將P＞0.05的特征去除。其次，對于具有高重復(fù)性的特征，計算Pearson 相關(guān)系數(shù)以表達特征之間的關(guān)系，并且保留相關(guān)系數(shù)大于0.9 的任何一對特征中的一個。最后，使用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）算法，通過構(gòu)造懲罰函數(shù)λ來收縮一些回歸系數(shù)以迫使一些特征變?yōu)?，從而將穩(wěn)定的特征并入LASSO 分析?；谧钚≈禈?biāo)準(zhǔn)，進行十倍交叉驗證以確定最佳λ 值。根據(jù)最佳λ 值對應(yīng)的模型，篩選非零系數(shù)的特征，從而得到獨立且穩(wěn)定的特征。使用Z-score 方法對所有篩選特征進行標(biāo)準(zhǔn)化，并計算每列特征的均值和方差。通過減去平均值并除以方差，將每列特征轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布。然后，根據(jù)LASSO 算法篩選出的特征及其對應(yīng)的系數(shù)，繪制特征系數(shù)SHAP value圖，以評估各特征重要性程度。

由于DTL 特征的維數(shù)較大，為保證特征間的平衡，在融合影像組學(xué)特征前，使用主成分分析對DTL特征進行降維，以提高模型泛化能力，降低過擬合風(fēng)險。在融合選定的影像組學(xué)特征和DTL 特征后，使用Z-score 方法對所有特征融合進行標(biāo)準(zhǔn)化，并計算每列特征的平均值和方差。通過減去平均值并除以方差，將每列特征轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布。在特征融合階段，對影像組學(xué)特征和DTL 特征進行早期融合，形成完整的特征集。使用LASSO 篩選出系數(shù)為非零的特征，選擇特征融合并降維以找到具有最佳特征融合的子集。最后得到了一個21 維的特征融合子集。

1.3.4 模型構(gòu)建與驗證

經(jīng)過特征融合和篩選，我們使用scikitslearn機器學(xué)習(xí)庫構(gòu)建了一個機器學(xué)習(xí)分類模型。機器學(xué)習(xí)分類模型包括支持邏輯回歸（logistic regression, LR）、支持向量機（support vector machine, SVM）、K 近鄰（K-nearest neighbor, KNN）、多變量邏輯回歸（multivariate logistic regression, MLP）、隨 機 森 林（random forest, RF）、極端隨機樹（extremely randomized trees, ExtraTrees）、極端梯度提升（eXtreme Gradient Boosting, XGBoost）和輕量級梯度提升機（light gradient boosting machine, LightGBM）。所有模型均在訓(xùn)練隊列中使用網(wǎng)格搜索算法進行訓(xùn)練。每個模型中常用的參數(shù)都被認(rèn)為是經(jīng)過調(diào)整的。比較了不同分類模型的性能，為了防止過擬合，進行了5 次交叉驗證，以在訓(xùn)練序列中為分類模型選擇最佳參數(shù)。最后計算影像組學(xué)評分（Radscore），篩選最佳影像組學(xué)模型。

1.4 統(tǒng)計學(xué)分析

所有統(tǒng)計測試均使用SPSS 25.0軟件、Python 3.7和4.0.2 版R 軟件進行。數(shù)據(jù)經(jīng)Kolmogorov-Smirnov 檢驗，符合正態(tài)分布的計量資料以（xˉ±s）表示，不符合正態(tài)分布的計量資料以中位數(shù)±四分位數(shù)間距表示。以ICC 檢驗評價兩名醫(yī)師之間提取影像組學(xué)特征的一致性，ICC＞0.75 為一致性良好。使用DeLong 檢驗比較各種預(yù)測模型的AUC，使用決策曲線分析（decision curve analysis, DCA）評估模型的臨床價值。以多因素logistic 回歸構(gòu)建基于DTL 特征、影像組學(xué)特征和臨床特征的聯(lián)合預(yù)測模型，并以列線圖將其可視化。列線圖和DCA 主要通過使用R 軟件“rmc”和“rmda”包來計算。P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 訓(xùn)練集和測試集患者臨床基線特征比較

研究共納入178 例宮頸癌患者，年齡27～82（51.91±10.39）歲，其中70 例LVSI（+）、108 例LVSI（-）；按照8∶2 比例劃分為訓(xùn)練集[142 例，54 例LVSI（+）、88 例LVSI（-）]和測試集[36 例，16 例LVSI（+）、20 例LVSI（-）]。記錄患者的臨床資料，包括年齡、血紅蛋白、淋巴結(jié)轉(zhuǎn)移、中性粒細(xì)胞數(shù)等18個項目。臨床特征樣本數(shù)據(jù)分布統(tǒng)計結(jié)果見表1。選用單因素邏輯回歸分析，最終選擇粒細(xì)胞比率和淋巴結(jié)轉(zhuǎn)移（P＜0.05）兩項作為獨立預(yù)測因子，用以構(gòu)建聯(lián)合預(yù)測模型。

表1 訓(xùn)練集和測試集宮頸癌患者臨床基線資料Tab.1 Clinical baseline data of cervical cancer patients in the training and test sets

2.2 構(gòu)建影像組學(xué)模型

基于T2WI 影像分別提取影像組學(xué)特征和DTL特征，經(jīng)ICC 檢驗結(jié)果，分別保留了1 197 個影像組學(xué)特征和2 048個DTL 特征，構(gòu)建影像組學(xué)特征數(shù)據(jù)集、DTL 特征數(shù)據(jù)集和影像組學(xué)特征與DTL 的融合特征數(shù)據(jù)集，各數(shù)據(jù)集依次經(jīng)過t檢驗、Pearson 相關(guān)性和LASSO 后最終篩選出3、7 和21 個最佳組學(xué)特征（圖2），分別構(gòu)建影像組學(xué)（radiomics, Rad）模型、DTL 模型和二者特征融合模型（Rad+DTL 模型）。Rad+DTL 模型預(yù)測訓(xùn)練集和測試集宮頸癌LVSI（+）的AUC（0.966、0.759）高于Rad 模型（0.802、0.741）和DTL 模型（0.886、0.519）；以Rad+DTL 模型為最佳影像組學(xué)預(yù)測模型，詳見表2。

圖2 基于影像組學(xué)特征、深度遷移學(xué)習(xí)（DTL）特征及二者融合特征篩選的最佳影像組學(xué)特征及相應(yīng)SHAP值。Fig.2 The optimal radiomics features based on radiomic features, deep transfer learning features (DTL), and the combined features of both, along with their corresponding SHAP values.

2.3 構(gòu)建聯(lián)合預(yù)測模型

Rad+DTL 模型的Radscore 最高，將Rad+DTL 模型與淋巴結(jié)轉(zhuǎn)移、粒細(xì)胞比率兩項臨床特征構(gòu)建聯(lián)合模型，圖3為其列線圖。聯(lián)合模型在訓(xùn)練集預(yù)測LVSI（+）的AUC 高于Rad+DTL 模型（0.984 vs.0.966，Z=7.84，P＜0.01），在測試集中與Rad+DTL 模型的AUC差異無統(tǒng)計學(xué)意義（0.912 vs.0.759，Z=1.89，P=0.05），見圖4 和表2。校準(zhǔn)曲線顯示，聯(lián)合模型相比于Rad模型、DTL 模型、Rad+DTL 模型具有較高的校準(zhǔn)度（圖5）。DCA 顯示，閾值取0～0.98 時，聯(lián)合模型臨床效益更好，見圖6。

圖3 聯(lián)合模型列線圖。不同指標(biāo)對應(yīng)分?jǐn)?shù)的總和越高，淋巴脈管間隙浸潤（LVSI）陽性的概率越大。Rad 為影像組學(xué)；DL 為深度學(xué)習(xí)；Metastasis為淋巴結(jié)轉(zhuǎn)移（0=陰性，1=陽性）。Fig.3 A nomogram of the union model.The higher the total score based on different indicators, the greater the probability of lymphovascular space invasion being positive.Rad: radiomics; DL: deep learning; metastasis:lymph node metastasis (0=negative, 1=positive).

圖4 Rad 模型、DTL 模型、Rad+DTL 模型及聯(lián)合模型預(yù)測宮頸癌LVSI（+）的ROC 曲線。4A：訓(xùn)練集；4B：測試集。AUC：曲線下面積；Rad：影像組學(xué)；DTL：深度遷移學(xué)習(xí)；Rad+DTL：影像組學(xué)特征與深度遷移學(xué)習(xí)特征的融合；Nomogram：列線圖（聯(lián)合模型）；LVSI：淋巴脈管間隙浸潤；ROC：受試者工作特征。Fig.4 ROC curves of the Rad model, DTL model, Rad+DTL model, and union model for predicting LVSI (+) in cervical cancer.4A: Training set; 4B:Test set.AUC: area under the curve; Rad: radiomics; DTL: deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features; Nomogram: nomogram model (combined model); LVSI: lymph vascular space invasion; ROC: receiver operating characteristic.

圖5 Rad 模型、DTL 模型、Rad+ DTL 模型及聯(lián)合模型的校準(zhǔn)曲線。5A：訓(xùn)練集；5B：測試集。Rad：影像組學(xué)；DTL：深度遷移學(xué)習(xí)：Rad+DTL：影像組學(xué)特征與深度遷移學(xué)習(xí)特征的融合；Nomogram：列線圖（聯(lián)合模型）。Fig.5 Calibration curves of the Rad model, DTL model, Rad+DTL model,and the union model.5A: Training set; 5B: Test set.Rad: radiomics; DTL:deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features; Nomogram: nomogram model (combined model).

圖6 Rad模型、DTL模型、Rad+DTL模型及聯(lián)合模型的DCA圖。y軸表示凈收益，x 軸表示閾值概率。Rad：影像組學(xué)模型；DTL：深度遷移學(xué)習(xí)模型：Rad+DTL：影像組學(xué)特征與深度遷移學(xué)習(xí)特征的融合模型；Nomogram：列線圖（聯(lián)合模型）；DCA：決策曲線分析。Fig.6 DCA plots of the Rad model, DTL model, Rad+DTL model, and the union model.The y-axis represents the net benefit, while the x-axis represents the threshold probability.Rad: radiomics; DTL: deep transfer learning; Rad+DTL: fusion of radiomic features and deep transfer learning features;Nomogram: nomogram model (combined model); DCA: decision curve analysis.

3 討論

本研究開發(fā)并驗證了利用機器學(xué)習(xí)算法基于DTL 特征、影像組學(xué)特征和臨床特征構(gòu)建聯(lián)合（列線圖）模型，探究其在術(shù)前預(yù)測宮頸癌LVSI 的潛在價值。結(jié)果顯示，聯(lián)合模型在訓(xùn)練集中的AUC 為0.984（95%CI：0.966～1.000），在測試集中的AUC 值為0.912（95%CI：0.824～1.000），該模型具有較高的診斷效能，可輔助臨床制訂個體化治療方案。更為重要的是，本研究揭示了DTL 特征能夠為影像組學(xué)預(yù)測宮頸癌LVSI 狀態(tài)提供額外的潛在價值，有望成為宮頸癌診療決策中的生物標(biāo)記物。

3.1 宮頸癌LVSI的影像組學(xué)研究

近年來人工智能技術(shù)的快速發(fā)展，影像組學(xué)成為臨床研究的熱點，通過大數(shù)據(jù)算法和統(tǒng)計分析工具，高通量提取并分析成像特征，將傳統(tǒng)影像轉(zhuǎn)化為可挖掘分析的數(shù)據(jù)信息，獲得另一種洞悉腫瘤特征的生物學(xué)信息[31]，為臨床決策提供支持。傳統(tǒng)的影像學(xué)方法容易忽略腫瘤自身異質(zhì)性，無法準(zhǔn)確預(yù)測宮頸癌LVSI狀態(tài)。已有部分學(xué)者利用影像組學(xué)技術(shù)針對宮頸癌LVSI 狀態(tài)做了相關(guān)研究，最早的研究是LI等[32]基于T1 對比增強（contrast-enhanced, CE）MRI的影像特征構(gòu)建預(yù)測宮頸癌LVSI 狀態(tài)的影像組學(xué)模型，雖然該研究預(yù)測準(zhǔn)確性只有60%，臨床應(yīng)用有限，但是結(jié)果表明MRI 圖像的影像組學(xué)特征可以用于預(yù)測宮頸癌LVSI。WU 等[33]利用多個MRI 序列的影像特征預(yù)測宮頸癌LVSI狀態(tài)的價值，模型的AUC值在0.659 至0.814 之間，其中單個T2WI 序列構(gòu)建的影像組學(xué)模型效果與本研究中的Rad模型結(jié)果相似，一方面是T2WI序列圖像對于腫瘤組織較為敏感，能夠識別微小的組織結(jié)構(gòu)改變；另一方面，T2WI 圖像提取的影像組學(xué)特征能夠較好地描述腫瘤異質(zhì)性和邊緣特性等生物學(xué)信息。喻泓清等[34]基于T2WI+CE-T1WI 影像組學(xué)及淋巴結(jié)轉(zhuǎn)移狀態(tài)、宮頸浸潤深度構(gòu)建的臨床影像組學(xué)模型在訓(xùn)練集及驗證集的AUC 值分別為0.88 和0.83，其中淋巴結(jié)轉(zhuǎn)移狀態(tài)指標(biāo)與本研究納入的臨床指標(biāo)一致，表明淋巴結(jié)轉(zhuǎn)移與LVSI具有較強相關(guān)性[5-6]。將深度學(xué)習(xí)算法和影像組學(xué)結(jié)合用于宮頸癌LVSI 研究中，目前國內(nèi)外鮮有相關(guān)研究報道，HUA等[35]通過VGG-19的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)提取深度學(xué)習(xí)特征并將其與影像組學(xué)特征結(jié)合起來，構(gòu)建的聯(lián)合模型在訓(xùn)練集和測試集中預(yù)測LVSI 的AUC 值分別為0.842 和0.775，本研究則通過ResNet50的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)提取DTL特征與影像組學(xué)特征結(jié)合，構(gòu)建的Rad+DTL 模型在訓(xùn)練集和測試集中的AUC 為0.966 和0.759，兩者在訓(xùn)練集AUC存在一定差異。一方面可能由于兩者訓(xùn)練樣本數(shù)量的差異，HUA 等訓(xùn)練集使用了111 例宮頸癌患者數(shù)據(jù)，本研究訓(xùn)練集使用了142 例宮頸癌患者數(shù)據(jù)，但并不排除結(jié)果存在一定的過擬合；另一方面，兩者使用不同的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，各自發(fā)揮出的優(yōu)勢不同。兩項研究在測試集中的結(jié)果類似，表明深度學(xué)習(xí)特征在判斷宮頸癌LVSI 狀態(tài)方面具有一定的價值。

3.2 宮頸癌LVSI預(yù)測模型的應(yīng)用價值與效能分析

MRI各序列圖像中，宮頸腫瘤在T2WI圖像上呈明顯高信號，能夠清楚地展示子宮頸的解剖位置，可將宮頸腫瘤與周圍正常組織有效區(qū)分開來，有利于確定宮頸病灶的位置、形態(tài)和浸潤范圍[36]。本研究基于T2WI序列圖像進行影像組學(xué)分析，經(jīng)篩選最終獲得21 個特征，其中16 個影像組學(xué)特征（1 個形態(tài)學(xué)特征，15 個紋理特征），5 個DTL 特征。形態(tài)學(xué)特征和紋理特征中的灰度共生矩陣、灰度大小區(qū)域矩陣和灰度游程矩陣在SHAP 圖中均顯示有利于預(yù)測宮頸癌LVSI 狀態(tài)，表明腫瘤異質(zhì)性體現(xiàn)在圖像的灰度變化上；形態(tài)學(xué)特征反映的是腫瘤輪廓基本信息；灰度共生矩陣反映的是圖像灰度在步長、方向等變化的綜合信息；灰度大小區(qū)域矩陣描述圖像中區(qū)域或區(qū)塊的灰度級別和大小；灰度游程矩陣用于描述圖像的灰度連續(xù)性或平滑性。雖然本研究獲取的DTL 特征暫時無法解釋說明，但是根據(jù)SHAP值中的特征重要性表現(xiàn)，可知DTL 特征對于預(yù)測模型構(gòu)建具有一定的貢獻。

與既往的宮頸癌LVSI 影像組學(xué)研究不同，本研究構(gòu)建的預(yù)測模型創(chuàng)新性地納入DTL 特征，通過ResNet50深度卷積網(wǎng)絡(luò)架構(gòu)提取的DTL特征在構(gòu)建預(yù)測模型方面顯示出了一定的潛力，對預(yù)測模型的效能提升起到了促進作用，與JIANG 等[37]發(fā)現(xiàn)基于深度學(xué)習(xí)的影像組學(xué)可區(qū)分血管是否浸潤的結(jié)果類似。深度學(xué)習(xí)作為當(dāng)下熱門的發(fā)展學(xué)科，其算法能夠自動學(xué)習(xí)具有強大表征能力的特征，無需人為干預(yù)，將深度學(xué)習(xí)與影像組學(xué)結(jié)合起來，有利于個性化醫(yī)療的實現(xiàn)[38]。盡管當(dāng)前深度學(xué)習(xí)特征的可解釋性有待進一步研究，但這并不排除在卷積運算中對病變本身的特征進行映射，從而可以進一步用于預(yù)測模型的構(gòu)建；另外，使用DTL 方法能夠有效解決當(dāng)前數(shù)據(jù)樣本不足的困境。本研究以Rad+DTL模型聯(lián)合粒細(xì)胞比率、淋巴結(jié)轉(zhuǎn)移兩項臨床因素構(gòu)建的聯(lián)合模型融合了腫瘤的異質(zhì)性、形態(tài)學(xué)及臨床特征，能夠為宮頸癌LVSI 狀態(tài)診斷提供更加穩(wěn)定可靠的依據(jù)。聯(lián)合模型在訓(xùn)練集和測試集中AUC 值分別為0.984 和0.912，在訓(xùn)練集和測試集均高于Rad+DTL模型，提示其模型臨床應(yīng)用價值高。本研究構(gòu)建聯(lián)合模型的診斷效能優(yōu)于既往研究的效果，可能由于本研究基于三維紋理分析，同時加入了DTL 特征，獲得腫瘤更多的空間信息，提高了整個模型鑒別組織特征的能力。通過列線圖將其可視化，方便臨床使用?？傊瑢⑸疃葘W(xué)習(xí)算法與影像組學(xué)結(jié)合起來，能夠幫助我們更好地理解醫(yī)學(xué)圖像中的復(fù)雜模式，從而提高影像組學(xué)的分析和預(yù)測能力。

3.3 本研究的局限性

本研究的主要局限性：首先，本研究為單中心回顧性觀察，可能存在數(shù)據(jù)選擇偏倚，缺乏多中心參與驗證，計劃在后續(xù)的研究中加入多中心樣本進一步驗證模型可靠性；其次，雖然本研究納入的深度學(xué)習(xí)特征顯示出了一定的預(yù)測潛力，但是樣本量相對較少，而且提取的深度學(xué)習(xí)特征可解釋性有限，后續(xù)研究還需納入更多的樣本量，進一步提高模型的擬合度，優(yōu)化模型效能；最后，本研究勾畫的ROI 僅基于矢狀位T2WI，后續(xù)研究將納入更多其他序列加以完善。

4 結(jié)論

綜上，基于影像組學(xué)特征和深度學(xué)習(xí)特征聯(lián)合臨床特征構(gòu)建的聯(lián)合模型具有良好的診斷效能，可以作為術(shù)前評估宮頸癌LVSI狀態(tài)的個體化決策支持工具，更好地為臨床決策提供幫助。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：朱超華設(shè)計本研究方案，對稿件重要內(nèi)容進行了修改，獲得了廣西醫(yī)療衛(wèi)生適宜技術(shù)開發(fā)與推廣應(yīng)用項目資助；林寶金起草和撰寫稿件，獲取、分析及解釋本研究的數(shù)據(jù)，獲得了廣西壯族自治區(qū)衛(wèi)生健康委科研課題資助；龍先鳳、吳朝霞、梁莉莉、盧子紅、甘武田獲取、分析或解釋本研究的數(shù)據(jù)，對稿件重要內(nèi)容進行了修改；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。