超声影像组学分析鉴别实性形态附件肿块的良恶性
回顾性单中心研究纳入326例超声呈实性形态的附件肿瘤患者,提取68个影像组学特征构建随机森林模型鉴别良恶性。验证集中仅影像组学模型AUC为0.80,联合年龄模型AUC为0.79,均低于ADNEX模型的0.88;作者认为影像组学模型鉴别能力中等,但结果足以支持继续开发。
要点
- 超声呈实性形态的附件肿块中,62%为恶性,其中约30%可能为转移瘤。
- 仅影像组学模型在验证集AUC为0.80,敏感度0.78、特异度0.76,阈值68%。
- 影像组学模型鉴别能力低于ADNEX模型(AUC 0.88),作者认为结果值得继续开发。
核心结论
- 影像组学模型在内部验证中具有中等鉴别能力,加入年龄未改善其性能。
- 影像组学模型鉴别能力低于ADNEX模型,但作者认为结果足以支持继续开发超声影像组学分析。
研究设计与样本
- 回顾性观察性单中心研究,在意大利罗马Fondazione Policlinico Universitario A. Gemelli IRCC开展。
- 纳入2014年至2021年超声按IOTA术语定义为实性形态(肿瘤至少80%为实性组织)且接受手术的附件肿瘤患者326例,共分析775幅术前超声图像。
- 按70:30随机分为训练集(228例)和验证集(98例),两亚组良恶性比例相同,恶性包括交界性、原发浸润性和转移性肿瘤。
- 提取68个影像组学特征(基于强度的统计特征和纹理特征),采用随机森林分类器,在训练集5折交叉验证调参,在独立验证集测试。
- 参考标准为组织学诊断,主观评估由原超声检查者(EFSUMB II或III级)采用模式识别完成。
关键影像表现/征象
- 68个影像组学特征中52个在训练集良恶性肿瘤间差异有统计学意义,18个不相关特征纳入建模。
- 同样52个特征在良性、原发恶性和转移性肿瘤间差异有统计学意义,但原发恶性与转移性肿瘤间特征值重叠且差异无统计学意义。
- 验证集98例中良性25例(25.5%),恶性73例(74.5%),其中交界性6例、原发浸润性57例、转移性10例。
诊断标准与关键数值
- 仅影像组学模型在验证集AUC为0.80,敏感度0.78、特异度0.76,恶性风险最佳阈值68%(基于约登指数)。
- 年龄联合影像组学模型在验证集AUC为0.79,敏感度0.86、特异度0.56,阈值60%(基于约登指数)。
- ADNEX模型(不含CA125)在验证集AUC为0.88,20%恶性风险阈值下敏感度0.99、特异度0.64。
- 原超声检查者主观评估敏感度0.99、特异度0.72。
临床应用与阅片要点
- 对超声呈实性形态的附件肿块,影像组学模型可辅助鉴别良恶性,但鉴别能力低于ADNEX模型和主观评估。
- 分割感兴趣区时仅纳入实性成分,最大径大于5 mm的囊性区域予以排除,以分析实性组织本身的超声特征。
局限性
- 原文为回顾性观察性单中心研究。
- 影像组学模型鉴别能力低于ADNEX模型,作者认为结果足以支持继续开发超声影像组学分析。
- 超声影像组学应用面临图像采集方案和超声设备差异、感兴趣区分割的操作者依赖性、图像噪声以及训练稳健机器学习模型所需大型标注数据集等挑战。
全文中译14 节 · 点击展开
引言
据报道,在转诊中心经超声检出并随后经手术切除的卵巢肿块中,有13%根据国际卵巢肿瘤分析(IOTA)术语在超声上被归类为实性,而此类实性肿瘤中62%为恶性1。约30%的实性恶性肿块可能是非卵巢肿瘤的转移2。超声成像为鉴别附件肿块良恶性提供了有用信息,且有多种不同的超声方法可对其进行分类。一种是超声图像的主观评估(模式识别),在有经验的检查者手中是一种优良方法3。其他方法为数学模型,如附件不同肿瘤评估(ADNEX)模型4。ADNEX模型的一个独特能力在于其可计算四种不同类型恶性肿瘤(交界性肿瘤、I期或II−IV期卵巢癌,或来自其他原发肿瘤的卵巢转移瘤)的可能性。在外部验证中,ADNEX模型鉴别良恶性肿块的能力已显示非常好,且该模型已显示校准良好(即计算得出的恶性风险与观察到的恶性患病率高度一致)5。ADNEX模型在不同经验和培训水平的操作者手中均能保持其诊断性能6。
鉴别原发性卵巢恶性肿瘤与卵巢转移瘤对于制定适当的治疗方案具有重要临床意义。手术减瘤是原发性卵巢恶性肿瘤的首选治疗,而手术对卵巢转移瘤临床结局的影响尚存争议7, 8, 9。原发性卵巢恶性肿瘤与卵巢转移瘤之间超声表现的差异已有描述2, 10。大多数来源于乳腺、子宫内膜和胃的转移瘤在超声检查中表现为实性10。然而,许多原发性浸润性卵巢恶性肿瘤(如高级别浆液性癌、癌肉瘤、恶性生殖细胞肿瘤、性索间质肿瘤和类固醇细胞肿瘤)11, 12, 13, 14, 15也表现为实性超声形态,正如许多良性卵巢性索间质肿瘤(如纤维瘤和卵泡膜细胞瘤)一样16。因此,即使对有经验的超声检查者而言,使用主观评估对实性卵巢肿瘤进行正确分类也具有挑战性。
近年来,人们对放射组学的使用兴趣日益增长,该技术可从医学图像中提取、分析和解释定量数据。放射组学数据与肿瘤诊断、预后和遗传信息之间的关联正在研究中17。基于放射组学的超声预测模型的应用面临若干挑战,包括图像采集方案和超声设备的变异性、感兴趣区(ROI)分割的操作者依赖性、图像噪声,以及需要大型标注数据集来训练稳健的机器学习模型18。特征选择和模型优化方法的选择以及验证策略的选择会影响所开发模型的泛化性和可靠性。
多项研究评估了磁共振成像19和计算机断层扫描20,21图像的影像组学分析将卵巢肿块分类为良性或恶性或预测治疗反应和预后的能力。关于使用影像组学从卵巢肿块超声图像中提取信息的数据很少。我们此前使用超声图像的影像组学分析开发了一种放射基因组模型,用于预测超声上卵巢外观正常的女性胚系BRCA1/2基因状态22。Chiappa等23将影像组学分析应用于卵巢肿块的超声图像,以开发预测附件肿块恶性的模型。Christiansen等24证明了深度神经网络在区分良性和恶性卵巢肿瘤方面的有效性,达到了与专家主观评估相当的准确度水平。他们使用了矩形ROI,因此无需对肿瘤进行手动分割24。
本研究的主要目的是识别能够区分具有实性超声形态的良性和恶性附件肿块的超声影像组学特征,以及区分原发性恶性(包括交界性和原发性浸润性)与转移性实性卵巢肿块,并开发包含影像组学特征的基于超声的机器学习模型,以区分良性和恶性实性附件肿块。次要目的是将新开发的影像组学模型的判别性能与ADNEX模型以及经验丰富的超声检查者主观评估的判别性能进行比较。
方法
这是一项回顾性观察性、单中心研究,在意大利罗马的Fondazione Policlinico Universitario A. Gemelli IRCC进行。通过检索IOTA数据库(IOTA第5阶段26和IOTA第7阶段,两者均为正在进行的前瞻性观察性研究,后者注册于ClinicalTrials.gov NCT02847832),识别了2014年至2021年间超声检查中根据IOTA术语25具有实性形态的附件肿瘤患者。IOTA数据库是一个研究数据库,包含所有参与国际多中心IOTA研究的患者。它包含术前经阴道超声(必要时补充腹部超声)检查的附件肿块患者的临床、超声和组织学数据,以及非手术治疗患者的随访数据。IOTA第7阶段研究旨在创建和验证风险预测模型以区分良性和恶性附件肿瘤,而IOTA第5阶段研究的主要目的是阐明超声形态良性且保守管理的附件肿块的天然病史26。在本研究中,我们仅纳入接受手术治疗的患者。每位患者均获得了书面知情同意。
超声检查采用标准化的IOTA检查和测量技术进行,附件肿块的超声图像采用标准化的IOTA术语进行描述25。所有超声检查医师均经验丰富(根据欧洲医学和生物学超声学会联合会(EFSUMB)标准为II级或III级)27,所有超声检查均使用高端超声设备进行(Voluson E10机器,GE Healthcare,Waukesha,WI,USA;HERA W10和HERA I10机器,Samsung Medison Co.,Ltd.,Gyeonggi-do,Korea)。经阴道探头的频率在5.0至9.0 MHz之间变化,经腹部探头的频率在3.5至5.0 MHz之间变化。
关于超声结果的信息,包括原超声检查医师的主观评估(模式识别)结果,以及根据国际妇产科联盟(FIGO)28的组织学诊断和分期信息,均从IOTA数据库中获取。组织学诊断随后在患者记录中得到验证。
患者纳入标准为:年龄至少18岁;根据IOTA术语为实性附件肿块(即在超声上估计肿瘤至少80%由实性组织构成25);至少有一张实性肿瘤的医学数字成像和通信(DICOM)超声图像;超声检查后120天内进行了手术。如果仅有的可用图像为打印图像,或DICOM图像中卵巢肿瘤的外部边缘显示不清,或卡尺或文字覆盖了肿瘤,则排除患者。
图像分割
以DICOM格式保存的实性肿瘤经腹部和经阴道灰阶超声图像被调取并用于我们的分析。图像由一位妇科专家(F.M.)进行质量筛选。每张图像的感兴趣区(ROI)由一位经过培训的妇科医师(F.B.,EFSUMB II级27)使用Aliza软件1.48版(Aliza Medical Imaging,Bonn,Germany)手动分割。ROI仅包括肿块的实性成分。如果实性肿块包含囊性区域,检查者将最大直径大于5 mm的囊肿从ROI中排除(图1)。这是因为我们希望分析实性组织本身的超声特征。
影像组学特征的提取
使用MODDICOM 29提取放射组学特征用于定量图像分析,该软件是由Fondazione Policlinico Universitario A. Gemelli IRCCS放射组学研究核心设施开发的内部开源软件解决方案,完全符合图像生物标志物标准化倡议的建议30。我们提取了属于两个不同类别的68个放射组学特征:基于强度的统计特征(F_stat)和纹理特征。统计特征描述ROI内灰度直方图的统计特性(如均值、中位数、方差、偏度、峰度),而纹理特征提供ROI内灰度空间分布的信息。纹理特征基于以下矩阵计算31:(1)灰度大小区域矩阵(F_szm或GLSZM),表示具有相同灰度级的相邻像素组(区域)的数量;(2)灰度游程长度矩阵(F_rlm或GLRLM),表示具有相同灰度级的连续像素序列的长度;(3)灰度共生矩阵(F_cm或GLCM),其中报告了相邻像素内灰度级的共现情况32(图2)。
统计分析与建模
统计分析和建模使用 R 的集成开发环境 RStudio 33(R 版本 3.6)以及 Python 编程语言(版本 3.9)34 进行,Python 是一种广泛用于数据分析和科学计算的高级编程语言。
分类变量以绝对频率和百分比描述,而连续变量则使用中位数、四分位距(第25和第75百分位数)和范围(最小值和最大值),或均值和标准差进行汇总。良性肿瘤与恶性肿瘤之间差异的统计学显著性,对分类变量使用卡方检验(适当时使用Fisher精确检验),对连续变量使用Wilcoxon–Mann–Whitney检验进行评估。良性肿瘤、原发性恶性肿瘤和转移性肿瘤之间差异的统计学显著性,对分类变量使用卡方检验(适当时使用Fisher精确检验),对连续变量使用Kruskal–Wallis检验进行计算。
对于放射组学分析,使用同一肿瘤的所有超声图像提取放射组学特征。如果同一附件肿瘤有多幅图像,则使用各图像中每个放射组学特征的平均值作为该肿瘤的代表值。根据IOTA研究方案,如果存在双侧实性肿块,则使用最大(优势)肿块作为我们的主要目标。使用Wilcoxon–Mann–Whitney检验识别训练集中良性与恶性肿瘤之间具有统计学显著差异的放射组学特征(双侧P值 < 0.05被认为具有统计学显著性)。我们使用Benjamini–Hochberg程序对P值进行多重检验校正,显著性水平设定为0.05。
模型开发与内部验证
为了开发预测恶性肿瘤风险的放射组学模型,患者队列被随机分为训练集和留出验证集,比例为70:30,且两个子集中良性和恶性肿瘤的比例相同(交界性肿瘤归类为恶性)。对于约70个放射组学特征和0.05的实验总体错误率,样本量为228名患者的训练集将有80%的效能检测到特征表达中至少为0.6的真实差异(以Cohen's d效应量35衡量)。
采用皮尔逊相关系数研究在良性与恶性肿瘤之间表现出统计学显著差异的影像组学特征(Wilcoxon–Mann–Whitney检验和Benjamini–Hochberg检验)之间的相关性。若某一特征与任何其他特征高度相关(相关系数>0.9),则随机选择两者之一用于模型构建,另一特征不予使用。为使所选影像组学特征的数值处于同一尺度,采用最小–最大缩放将其归一化至[0,1]范围。为构建影像组学模型,我们测试了四种分类器:线性回归器、随机森林、极端梯度提升(XGBoost)和支持向量机。其中,随机森林分类器表现更优(表S1)。因此,我们呈现基于随机森林分类器的结果,该分类器通过创建不同决策树的集成来工作 36 。为确定最优超参数集(机器学习模型的特征参数,用于修改和指导学习过程),在训练集上使用5折交叉验证通过随机网格搜索进行微调。
开发了两个模型来预测恶性肿瘤风险。第一个模型仅将所选影像组学特征作为输入变量(仅影像组学模型)。第二个模型包括所选影像组学特征加患者年龄(年龄+影像组学模型)。加入年龄是因为已知年龄会影响恶性肿瘤风险。此外,年龄信息易于获取,且年龄是我们用于比较影像组学模型的ADNEX模型中的一个预测因子。
两个影像组学模型在留出验证集上进行了测试。其区分良性与恶性肿块的能力用受试者工作特征曲线下面积(AUC)描述。我们还计算了在使用最佳截断值将肿块分类为恶性时(根据Youden指数 37 提供最多正确分类数的截断值)的敏感度、特异度、阳性似然比和阴性似然比及其95%CI。除AUC外,我们对所有指标使用正态近似估计95%CI。为估计AUC的95%CI,我们使用自助法。在验证集中,比较了仅有单张图像的肿瘤与有多张图像的肿瘤之间影像组学模型的区分性能。
区分性能的比较
将两种影像组学模型的诊断性能与ADNEX模型以及原超声检查者的主观评估进行比较。ADNEX模型可使用或不使用CA125血清水平信息。我们将影像组学模型与不使用CA125的ADNEX模型进行比较,后者包括以下八个预测因子:年龄、中心类型(肿瘤转诊中心或其他)、病灶最大直径(对数转换)、实性组织比例(计算为最大实性成分最大直径与病灶最大直径之比,二次项)、乳头状突起数量、囊腔数量超过10个(是或否)、声影(是或否)和腹水(是或否)4。我们将ADNEX模型应用于训练集和验证集,并使用数据分析时可从IOTA网站(www.iotagroup.org)获取的基于网络的计算器计算恶性风险。使用两个恶性风险阈值(即10%和20%)计算ADNEX模型的敏感度和特异度。欧洲共识声明推荐使用10%风险阈值38。选择20%风险截断值以提高特异度。我们还计算了所有模型在特异度为0.90时的敏感度,以及在敏感度为0.90时的特异度。
两个影像组学嵌套模型之间AUC差异的统计学显著性使用F检验方法进行检验39,影像组学模型与ADNEX模型之间AUC差异使用DeLong方法计算40。
影像组学特征的可靠性分析
为评估分析同一肿瘤不同图像时影像组学特征值的可靠性,我们使用SPSS统计软件包23版(IBM Corp., Armonk, NY, USA),基于平均评分(k = 4)、绝对一致性、双向混合效应模型计算组内相关系数(ICC)。我们纳入训练集和验证集中至少有四幅可用图像的肿瘤,并对每个肿瘤分析四幅图像。对于可用图像超过四幅的肿瘤,使用Excel工作表中包含所有图像信息的RANDBETWEEN功能从每个肿瘤中随机选择四幅图像。Koo和Li41提出,ICC值< 0.5表示可靠性差,值≥ 0.5且< 0.75表示中等可靠性,值≥ 0.75且< 0.9表示良好可靠性,值≥ 0.9表示极好可靠性。
组织学相同的右侧和左侧实性肿瘤之间影像组学特征差异的分析
对于组织学相同的双侧实性附件肿瘤,首先从同一肿瘤的所有可用图像(一幅或多幅)计算每个影像组学特征的平均值。然后进行配对t检验,以检查右侧和左侧肿块之间任何影像组学特征值是否存在统计学显著差异。
结果
2014年2月至2021年1月,在意大利罗马Fondazione Policlinico Universitario A. Gemelli IRCCS,共有574例患者接受了一个或多个实性附件肿块的检查。其中,242例被排除,原因是无法获得数字超声图像(n = 208),或数字图像不适合放射组学分析,原因要么是卡尺或文字覆盖了肿瘤,要么是卵巢肿瘤的外部边缘显示不清(n = 34)。对于其余332例患者,可获得DICOM图像,但其中6例被排除,原因是文件在轮廓勾画过程的导出阶段损坏,导致某些数据无法进行分析。因此,326例患者被纳入最终分析(训练集228例,验证集98例)。分析中总共使用了775幅术前超声图像。总体而言,276例(84.7%)患者(训练集191例,验证集85例)仅有经阴道图像,27例(8.3%)患者(训练集18例,验证集9例)仅有经腹部图像,23例(7.1%)患者同时有经阴道和经腹部图像。
临床、超声和组织病理学数据
训练集和测试集患者的临床特征总结于表1。整个研究人群的中位年龄为56岁(范围,18–87)岁,大多数患者为绝经后(204/326,62.6%)。训练集和测试集中肿瘤的超声特征见表2,组织学结果见表3,原发性恶性肿瘤的FIGO分期见表4。肿瘤大小(超声测量的肿瘤最大直径)范围为13至290 mm。在训练集和验证集中,良性和恶性实性肿瘤的超声特征均存在差异,与良性肿瘤相比,恶性肿瘤中腹水和双侧性更常见,声影较少见,且恶性肿瘤的颜色评分高于良性肿瘤。在326例患者中,83例(25.4%)患者为良性肿瘤,197例(60.4%)患者为原发性恶性肿瘤,其中10例(5.1%)为交界性肿瘤,46例(14.1%)患者为转移性肿瘤。最常见的良性诊断是卵巢纤维瘤(45/83,54.2%)。最常见的原发性浸润性肿瘤类型是高级别浆液性卵巢癌(139/187,74.3%)。卵巢转移中最常见的原发肿瘤是胃癌(10/46,21.7%)、结肠癌(7/46,15.2%)和乳腺癌(6/46,13.0%)。具体组织学和FIGO分期的分布在训练集和验证集中相似,但交界性肿瘤在验证集中更常见(4/228,1.8% vs 6/98,6.1%)(表3)。
在136/326例(41.7%)患者中发现组织学相同的双侧实性肿瘤,包括训练集中89/228例(39.0%)患者和验证集中47/98例(48.0%)患者。在训练集中,6/58例(10.3%)良性肿瘤、68/134例(50.7%)原发性恶性肿瘤和15/36例(41.7%)转移性肿瘤为双侧。在验证集中,3/25例(12.0%)良性肿瘤、38/63例(60.3%)原发性恶性肿瘤和6/10例(60.0%)转移性肿瘤为双侧。
放射组学特征分析
我们从每个ROI中总共提取了68个放射组学特征。在训练集中比较良性与恶性(包括交界性、原发性浸润性和转移性)肿瘤时,52个特征具有统计学显著差异(表S2)。相同的52个放射组学特征在良性、交界性、原发性浸润性和转移性肿瘤之间也具有统计学显著差异。然而,各特征的计算值在原发性恶性肿瘤(包括交界性和原发性浸润性)与转移性肿瘤之间无统计学显著差异。
54/326(16.6%)个肿瘤至少有四幅图像可用(其中38个肿瘤仅有经阴道图像,2个肿瘤仅有经腹部图像,14个肿瘤同时有经阴道和经腹部图像),这些肿瘤被纳入放射组学特征的瘤内可靠性分析。表S3显示了结果。同一病灶不同图像间的可靠性为:8个特征为中等(ICC范围0.516至0.743),17个特征为良好(ICC范围0.750至0.899),34个特征为极好(ICC范围0.912至1)。峰度(F.stat_kurt)是唯一可靠性差的特征(ICC为0.089)。因此,我们将其作为协变量从分析中排除。
有136例双侧实性肿瘤患者的组织学类型相同。右侧与左侧实性附件肿块的放射组学特征之间未发现统计学显著差异(表S4)。
在良性与恶性肿瘤之间具有统计学显著差异的52个放射组学特征中,18个不相关特征(相关系数 > 0.9)被纳入预测恶性肿瘤的模型(两个统计特征(平均强度、强度分布的偏度);两个基于GLCM的纹理特征(联合最大值、聚类阴影);六个基于GLRLM的纹理特征(灰度级非均匀性、短游程强调、归一化游程长度非均匀性、长游程高灰度级强调、游程熵、长游程强调);以及八个基于GLSZM的纹理特征(区域大小非均匀性、灰度级非均匀性、区域百分比、归一化区域大小非均匀性、小区域强调、大区域高灰度级强调、区域大小方差、小区域高灰度级强调)。这18个不相关放射组学特征的简称见附录S1,30。两个放射组学模型与ADNEX模型的判别性能见表5和图3。在训练集中,将年龄加入仅放射组学模型改善了良性与恶性肿瘤之间的判别能力(仅放射组学模型的AUC为0.86 vs 年龄+放射组学模型为0.92)。然而,在内部验证中,仅放射组学模型的AUC从0.86降至0.80,放射组学+年龄模型的AUC从0.92降至0.79,因此两个放射组学模型在验证集中的AUC相似(P = 0.32)。在验证集中,ADNEX模型的AUC大于仅放射组学模型(0.88 vs 0.80;P = 0.16)和年龄+放射组学模型(0.88 vs 0.79;P = 0.10)。
模型和主观评估的分类性能(在选定截断值下的敏感度和特异度)见表5。在验证集中,主观评估的分类性能最佳(敏感度0.99,特异度0.72),ADNEX模型在20%恶性风险截断值下次之(敏感度0.99,特异度0.64),年龄+影像组学模型的分类性能最差(敏感度0.86;在60%风险截断值下特异度0.56)。表S5和表S6显示了验证集中固定敏感度为0.90和固定特异度为0.90时的分类性能。在固定敏感度为0.90时,ADNEX模型的特异度最高(0.80)。在固定特异度为0.90时,ADNEX模型的敏感度最低(0.44)。
影像组学模型在有多个图像可用的肿瘤(n=56)上验证时,表现优于仅在只有一个图像可用的肿瘤(n=42)上验证时(表S7)。
讨论
我们已经表明,良性与恶性实性附件区肿块之间的影像组学特征存在差异,并且我们构建了包含影像组学特征的机器学习模型,可用于鉴别良性与恶性实性附件区肿块。包含18个不相关影像组学特征的模型在内部验证中具有中等鉴别能力。包含年龄和影像组学特征的模型的鉴别能力并不优于仅影像组学模型。
据我们所知,这是迄今为止关于实性附件区肿瘤超声图像影像组学分析的最大规模研究。重要的局限性包括回顾性、单中心研究设计以及缺乏外部验证。此外,未评估分割的评定者内和评定者间变异性。另一个局限性是我们未纳入形态学影像组学特征(即面积、伸长率、粗糙度),因为分析是在二维图像上进行的。另一方面,这对于模型在临床环境中的应用是一个优势,因为在临床环境中并非总能获得三维超声图像。未进行校准/拟合优度检验也是一个局限性。
在我们的研究中,75%的实性肿块为恶性。这一恶性患病率高于Timmerman等1和Chiappa等23的研究所报告的比例(均为60%),这两项研究均纳入了转诊中心检查并手术切除的肿块。然而,本研究中实性肿瘤为转移性的比例(14%)低于Valentin等2的研究(30%)。但后者使用了与Timmerman等1相同的研究队列。
其他研究团队已开发出基于超声的影像组学机器学习模型,用于鉴别良性与恶性附件肿块。在Chiappa等23的一项回顾性研究中,检查了95个实性、66个囊性和80个“实性-囊性”肿瘤。他们的模型仅纳入影像组学特征,应用于实性肿瘤时具有良好的判别性能(AUC,0.87),但存在模型过拟合的风险(269个影像组学特征,95个实性肿块)。Chiappa及其同事还开发了一种决策支持系统,基于绝经状态、声影、CA125和影像组学特征42来鉴别良性与恶性附件肿块。Qi等43开发了一种基于超声的影像组学模型,用于鉴别良性与恶性卵巢浆液性肿瘤。他们的结果与我们的结果不可比,因为其研究仅纳入单一组织学类型,且未专门纳入实性肿块。
我们曾希望我们的影像组学模型具有与ADNEX模型相似的判别能力,即影像组学特征能够替代ADNEX模型中的超声变量。然而,我们的影像组学模型的判别能力劣于ADNEX模型。ADNEX模型目前是卵巢恶性肿瘤预测性能最佳的模型5, 44。在本研究中,ADNEX模型(以20%恶性风险为截断值)的分类性能几乎与经验丰富的超声检查者的主观评估相当。
我们感到失望的是,未能发现任何能够鉴别原发性恶性肿瘤与转移性实性肿瘤的影像组学特征。这可能是由于我们研究人群中转移瘤数量较少所致。已有研究表明,ADNEX模型应用于所有类型附件肿块时,鉴别II–IV期原发性浸润性卵巢恶性肿瘤与转移瘤的能力较差(AUC,0.66)5,但目前尚无关于其鉴别不同类型卵巢实性肿瘤能力的已发表结果。
安全使用ADNEX模型至少需要中等程度的超声技能、了解IOTA术语25以及获得IOTA认证(https://www.iotagroup.org/iota-online-course)。超声图像影像组学分析的优点在于其对超声技能的依赖性要小得多,因此可能对经验较少的检查者有用。未来,带有自动分割的机器学习可嵌入超声设备中,从而无需专家级超声检查者即可评估恶性风险45, 46, 47, 48。
令人惊讶的是,将年龄加入放射组学特征并未改善模型的性能。年龄+放射组学模型在训练集和验证集之间的性能下降表明,该模型在年龄方面可能存在过拟合。需要进一步的工作来提高放射组学超声特征的稳健性。我们的模型在包含多张图像的肿瘤上测试时表现优于仅在单张图像肿瘤上的测试。这可能是因为通过对不同图像的特征值取平均,改善了对病变的刻画并去除了噪声。预处理图像以去除散斑噪声以及强度归一化,可能提高稳健性,因为纹理特征对噪声和超声机器特性敏感。需要开展研究以了解超声图像放射组学分析的最佳方法,例如,是使用预处理图像(去噪和强度归一化)还是原始超声图像。
总之,我们成功训练并内部验证了一个随机森林分类器,利用从超声图像中提取的放射组学信息将实性卵巢肿块分为良性和恶性。尽管我们的放射组学模型的判别和分类能力劣于ADNEX模型和经验丰富的超声检查者的主观评估,但我们认为我们的结果足够有前景,值得继续开展附件肿块超声图像的放射组学分析研究。
支持信息
表S1 用于构建放射组学模型的分类器
表S2 训练集中良性与恶性肿瘤之间具有统计学显著差异的特征
表S3 提取的放射组学特征的组内相关系数(ICC)
表S4 具有相同组织学的右侧和左侧实性卵巢肿块放射组学特征比较(n = 136)
表S5 所有模型在0.90灵敏度下的特异度(验证集)
表S6 所有模型在0.90特异度下的灵敏度(验证集)
表S7 仅放射组学模型和年龄+放射组学模型在单张与多张图像患者中的性能(验证集)
附录S1 选定的放射组学特征
引用
- Moro F, Vagni M, Tran HE, et al. Radiomics analysis of ultrasound images to discriminate between benign and malignant adnexal masses with solid morphology on ultrasound. Ultrasound Obstet Gynecol. 2025. PMID: 38748935. doi:10.1002/uog.27680
- 全文:PMC11872347(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11872347/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。