影像组学模型预测卵巢恶性肿瘤的价值:与O-RADS及放射科医师的回顾性多中心比较
该回顾性多中心研究纳入497例(249例良性、248例恶性)卵巢肿块患者,基于术前MRI构建影像组学模型,并在外部验证集中比较其与O-RADS及不同年资放射科医师的诊断性能。外部验证集中影像组学模型AUC为0.939,高于O-RADS的0.862(p=0.047)和低年资医师的0.802(p=0.003),与高年资医师的0.886相似(p=0.231)。在O-RADS评分4分的亚组中,模型AUC为0.879,优于两位放射科医师。
要点
- 外部验证集中影像组学模型AUC为0.939,高于O-RADS的0.862和低年资医师的0.802。
- O-RADS评分4分亚组(n=112)中模型AUC为0.879,优于低年资医师0.676和高年资医师0.712。
- 实性肿块亚组模型AUC为0.921,囊实性为0.975,囊性为0.848。
核心结论
- 影像组学模型对卵巢肿块良恶性分类的性能优于O-RADS和低年资放射科医师,与高年资放射科医师相似。
- 作为O-RADS的补充工具,该模型可对O-RADS评分4分及不同形态特征的卵巢肿块进行细化风险分层,为临床提供定量决策支持。
研究设计与样本
- 回顾性多中心研究,纳入2018年12月至2023年12月两家医院(重庆大学附属肿瘤医院和重庆市人民医院)的497例患者(249例良性、248例恶性),共497个肿块。
- 肿块分配至训练集293个、内部验证集124个、外部验证集80个;外部验证集来自重庆市人民医院。
- MRI使用1.5-T或3.0-T扫描仪(GE Healthcare和Philips Healthcare),序列包括轴位T2WI-FS、轴位T2WI、矢状位T2WI、冠状位T2WI、轴位同反相位T1WI、ADC图、DWI(b值=0和1000 s/mm²)及钆双胺增强轴位CE-T1WI(增强前及增强后30、60、150秒三期)。
- 参考标准为手术切除后组织病理学检查,交界性肿瘤归类为恶性。
关键影像表现/征象
- 影像组学特征从DWI、ADC、T2WI-FS和CE-T1WI四个序列的感兴趣体积中提取,每个VOI提取1688个特征。
- 经过特征选择后保留16个稳健特征,基于多序列组合(DWI+ADC+T2WI-FS+CE-T1WI)构建逻辑回归模型。
- 影像组学模型在训练集、内部验证集和外部验证集的AUC分别为0.975(95%CI:0.950,0.990)、0.962(95%CI:0.911,0.988)和0.939(95%CI:0.863,0.981)。
诊断标准与关键数值
- O-RADS评分≥4分归类为恶性;O-RADS评分4分与5分的判定依据为第一期增强图像上实性组织最强化成分与子宫外层肌层的比较。
- 放射科医师对恶性(包括交界性肿瘤)的诊断置信度评分为0、0.2、0.4、0.6、0.8、1.0,0–0.4归类为非恶性,0.6–1.0归类为恶性。
- 外部验证集影像组学模型敏感度为0.875、特异度为0.917;O-RADS的AUC为0.862(95%CI:0.767,0.929);低年资医师AUC为0.802(95%CI:0.698,0.883);高年资医师AUC为0.886(95%CI:0.795,0.946)。
- O-RADS评分4分亚组(n=112,31例良性、81例恶性):影像组学模型AUC为0.879(95%CI:0.804,0.933),低年资医师AUC为0.676(95%CI:0.581,0.761;p=0.001),高年资医师AUC为0.712(95%CI:0.619,0.794;p=0.005)。
- 形态学亚组:实性肿块(n=101)模型AUC为0.921(95%CI:0.850,0.965),O-RADS为0.756(p=0.002),低年资医师为0.712(p=0.001),高年资医师为0.822(p=0.028);囊实性肿块(n=258)模型AUC为0.975(95%CI:0.948,0.990),低年资医师为0.898(p<0.001),高年资医师为0.935(p=0.008),与O-RADS的0.965(p=0.332)无差异;囊性肿块(n=138)模型AUC为0.848(95%CI:0.777,0.903),与O-RADS的0.776(p=0.542)、低年资医师的0.639(p=0.093)、高年资医师的0.677(p=0.194)均无差异。
临床应用与阅片要点
- 影像组学模型可作为O-RADS的补充工具,对O-RADS评分4分的卵巢肿块提供细化风险分层,辅助术前诊断和治疗规划。
- 模型在实性和囊实性肿块中表现出较高或相似的性能,对囊性肿块的鉴别价值有限,与O-RADS及放射科医师均无显著差异。
- 模型在不同场强(3.0T与1.5T,p=0.953)和不同扫描仪之间性能一致,未见显著差异。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
卵巢癌是全球第四大常见妇科恶性肿瘤。2022年,全球新增卵巢癌病例超过320,000例,死亡超过200,000例[1]。准确诊断卵巢肿块的良恶性对于确定适当的治疗策略至关重要[2]。正确的诊断有助于避免对良性肿块进行不必要的手术干预,并优化卵巢癌的手术治疗[3, 4]。
多参数磁共振成像(MRI)具有优异的软组织分辨率,被推荐用于评估性质不明的卵巢肿块[5–7]。常规序列与扩散加权成像(DWI)的结合已被证明在鉴别卵巢肿块良恶性方面具有高灵敏度、特异度和准确度[8, 9]。尽管MRI在检测卵巢肿块方面具有重要意义,但由于卵巢肿块形态学特征复杂,良恶性肿块的MRI表现存在相当多的相似之处[10, 11]。例如,恶性卵巢肿块可表现为以囊性为主的主体成分而类似良性肿瘤,而良性肿块可呈实性或囊实性而模仿恶性肿瘤[12]。因此,准确鉴别具有不同形态学特征的卵巢肿块良恶性至关重要。
放射科医师对MR图像的评估是卵巢肿块分类的常规流程。然而,由于视觉分析的主观性,定性评估可能因放射科医师而异[13]。因此,为提高附件区良恶性病变评估的准确性,美国放射学会推出了卵巢-附件报告和数据系统(O-RADS)[14],其AUC达0.961[15],作为风险分层和管理的标准化方法。然而,管理O-RADS MRI评分为4分的卵巢肿块仍具有挑战性,因为信息有限且阳性预测值约为50%[14]。
影像组学在临床实践中已显示出良好前景,包括辅助诊断、治疗反应评估和多种疾病的预后预测[16–18],并已被证明是分类卵巢肿块的有效工具[19–28],其性能超过放射科医师的主观评估[21]。然而,大多数研究缺乏外部验证[19, 20]或样本量较小[19],限制了其在不同人群中的推广性。此外,据我们所知,尚无先前研究以综合方式同时评估影像组学、O-RADS和放射科医师评估的诊断性能。此外,目前缺乏关于MRI影像组学在评估O-RADS评分为4分的卵巢肿块以及具有不同形态学特征的卵巢肿块亚组中应用价值的研究。这些空白凸显了开展多中心、多方法比较研究的必要性,以明确影像组学在补充O-RADS和减少诊断不确定性中的作用。
因此,本研究旨在开发用于卵巢肿块分类的影像组学模型,并将其诊断性能与O-RADS及放射科医师评估的诊断性能进行比较。此外,我们试图探索影像组学在细化O-RADS评分为4且具有不同形态学特征的卵巢肿块风险分层方面的潜力。我们的研究结果可通过提供更客观、更准确的诊断工具、减少不必要的干预以及优化卵巢肿块患者的治疗策略,对临床实践产生重大影响。
方法
患者
本回顾性研究经我院当地机构审查委员会批准(CZLS2024169-A),并豁免了书面知情同意要求。从两家医院(重庆大学附属肿瘤医院和重庆市人民医院)回顾性识别2018年12月至2023年12月期间临床怀疑妇科疾病的患者。纳入标准如下:(1)接受外科手术并获得组织病理学结果的患者,MRI检查与手术之间的时间间隔不超过30天;(2)既往无卵巢癌病史的患者。排除标准如下:(1)非卵巢来源的肿块;(2)既往盆腔手术史或放疗史;(3)MR图像质量差。患者流程图见图1。
MR图像采集与分析
我们的工作流程概览见图2。所有MRI检查均使用来自两家制造商(GE Healthcare和Philips Healthcare)的1.5-T或3.0-T扫描仪完成。数据来自两个中心:重庆大学附属肿瘤医院使用3.0-T GE SIGNA Premier扫描仪(n = 247)和1.5-T Philips Ingenia XD扫描仪(n = 170),而重庆市人民医院使用3.0-T Philips Ingenia DNA扫描仪(n = 80)。在总共497次检查中,327次(65.8%)在3.0 T下完成,包括247次(75.5%)来自GE Healthcare和80次(24.5%)来自Philips Healthcare。其余170次扫描(34.2%)在1.5 T下采集,且全部使用Philips Healthcare系统。各中心获取图像所用的方案包括以下内容:轴位脂肪抑制T2加权成像(T2WI-FS)、轴位非脂肪抑制T2加权成像(T2WI)、矢状位非脂肪抑制T2WI、冠状位非脂肪抑制T2WI、轴位同相位和反相位T1加权成像(T1WI)、表观扩散系数(ADC)图、DWI(b值 = 0和1000 s/mm²),以及钆双胺增强轴位对比增强T1WI(CE-T1WI),在轴位平面上采集1个平扫序列和3个增强后序列(采集时间分别为30、60和150秒)。MRI成像方案见表S1–S3。
对于存在多个附件肿块的患者,选择MRI上形态结构最复杂或体积最大的肿块进行评估。一位经验丰富的放射科医师(L.L.,具有7年妇科肿瘤MRI诊断经验)在不知晓患者临床和病理数据的情况下独立评估图像,并基于O-RADS MRI风险分层系统[15]对每个附件肿块进行评分。如果病灶内存在实性组织,则将第一期增强图像中观察到的实性组织最明显强化成分与子宫外层肌层进行比较,以确定该病灶的O-RADS评分应为4分还是5分。在研究开始前,该放射科医师接受了O-RADS MRI风险分层系统的培训。O-RADS评分≥4分的肿块被归类为恶性。
另外两位放射科医师,放射科医师1(J.J.,具有4年盆腔MR成像经验;初级放射科医师)和放射科医师2(X.D.,具有10年妇科肿瘤MRI诊断经验;高级放射科医师),独立审阅了每位患者的MR图像。他们通过对恶性肿块(包括交界性肿瘤)诊断赋予置信水平来评估每幅图像:0,明确良性;0.2,可能良性;0.4,疑似良性;0.6,疑似恶性;0.8,可能恶性;1.0,明确恶性。0–0.4分归类为非恶性,而0.6–1.0分归类为恶性。
图像分割与特征提取
所有医学数字成像和通信图像,包括轴位T2WI-FS、第三期轴位CE-T1WI、ADC和轴位DWI(b = 1000 s/mm2),均导出至商业平台(Deepwise,版本2.5.1;https://keyan.deepwise.com)。使用Deepwise在每个序列(轴位T2WI-FS、轴位CE-T1WI、ADC和轴位DWI)上独立且半自动生成感兴趣体积(VOI)。一位放射科医师(J.J.)手动勾画肿瘤的三个关键轴位层面:横截面积最大的层面以及上、下边界层面。随后软件自动将轮廓传播至所有其余层面,由该放射科医师审阅并调整以确保准确性。
在提取影像组学特征之前进行了图像归一化。采用三次样条插值对体素大小进行重采样,将各向异性体素重采样为1.0 × 1.0 × 3.0 mm(CE-T1WI)和1.0 × 1.0 × 5.0 mm(ADC、DWI和T2WI-FS)的体素。对每位患者,从MR图像的四个体积感兴趣区(VOI)(DWI、ADC、T2WI-FS和CE-T1WI)中提取影像组学特征,使用Python中的PyRadiomics从每个VOI中共提取1,688个影像组学特征,包括形状相关特征、一阶特征、纹理特征(灰度共生矩阵特征、灰度大小区域特征、灰度游程矩阵特征、邻域灰度差矩阵特征和灰度依赖矩阵)以及基于相应VOI的拉普拉斯变换和小波变换特征。
为评估VOI的可重复性,随机选取30例患者共120个VOI,由同一名对每位患者临床和病理数据不知情的放射科医师于1个月后再次进行肿块分割。此外,由第二名设盲的放射科医师独立分割30例(120个VOI)的子集,以评估观察者间变异。计算组内相关系数(ICC)以确定特征的稳定性。观察者内ICC由主要放射科医师的重复测量得出,而观察者间ICC比较两名观察者之间的分割结果。观察者内ICC低于0.80的特征被排除,其余特征用于后续评估。
特征选择与模型构建
为确保验证集的独立性并防止模型开发过程中的数据泄漏,采用基于肿块恶性状态(良性 vs. 恶性)的分层随机抽样,将来自重庆大学附属肿瘤医院的整个队列(n = 417)随机划分为训练集(70%,n = 293)和内部验证集(30%,n = 124)。所有后续的预处理、特征选择和模型构建步骤均仅在训练集上进行。
在特征选择过程之前且仅在训练集上,异常值和缺失值以中位数替代,特征通过z-score归一化进行标准化。在训练集内,随后应用最小冗余最大相关性和最小绝对收缩和选择算子回归(纳入10折交叉验证)来选择显著特征。接着,使用纳入赤池信息准则的逐步逻辑回归分析来选择最优的恶性相关卵巢癌特征。最后,使用训练集计算影像组学评分,公式纳入所选特征并按训练集得出的各自系数进行加权。首先在训练集中初步评估与卵巢癌的潜在关联,然后将最终模型严格应用于内部验证集和独立外部测试集进行后续验证,不进行任何再训练或参数调整。
参考标准
最终诊断由手术切除后的组织病理学检查确定。根据世界卫生组织国际肿瘤疾病分类,肿块被分类为良性、交界性或恶性。在分析中,交界性卵巢肿瘤被归类为恶性[15, 29, 30]。
统计分析
所有统计分析均使用MedCalc®统计软件20.022版(MedCalc Software, Ltd.;https://www.medcalc.org;2021)进行。连续变量分布的正态性采用Kolmogorov–Smirnov检验。正态分布的连续变量以均值±标准差和范围表示。非正态分布的连续变量以中位数及第一四分位数(Q1)和第三四分位数(Q3)表示。生成受试者工作特征(ROC)曲线以评估预测性能,最佳阈值通过在训练集上最大化约登指数确定,并在验证集中固定。从ROC曲线获得ROC曲线下面积(AUC)及相应的95%置信区间(CI),以及灵敏度和特异度。置信区间的计算采用DeLong法计算AUC,采用带连续性校正的Wilson评分法计算二项比例(灵敏度/特异度)。影像组学模型、O-RADS和放射科医师评估的诊断性能采用AUC进行评估。AUC的比较采用DeLong检验。
亚组分析作为事后分析进行,以评估影像组学模型在特定临床背景和技术设置下的稳健性。临床亚组包括O-RADS评分为4分的肿块以及按形态学亚型(实性、囊实性和囊性)分类的肿块。技术异质性亚组按磁场强度(1.5 T vs. 3.0 T)和扫描仪制造商(GE vs. Philips)定义。在所有亚组分析中,AUC的比较采用DeLong检验。
p < 0.05被视为具有统计学意义。
结果
患者特征
本研究共纳入497例患者(平均年龄48.1 ± 14.7岁;年龄范围14–81岁)。其中,249例患者(50.1%)为良性肿块,248例患者(49.9%)为恶性肿块。研究人群的基线特征总结于表1。训练集有293例患者(141例良性肿块和152例恶性肿块),内部验证集有124例患者(60例良性肿块和64例恶性肿块),外部验证集有80例患者(48例良性肿块和32例恶性肿块)。卵巢肿块的详细组织病理学结果总结于表S4。
模型开发与性能
影像组学特征的平均阅片者内ICC值为0.874,表明具有高重复性,而阅片者间ICC显示中等一致性(平均值=0.78,范围0.65–0.92)。经过特征选择后,保留了16个稳健特征,最终选择的影像组学特征详见补充说明。影像组学模型基于多序列组合(DWI + ADC + T2WI-FS + CE-T1WI)构建。表2和图3呈现了影像组学模型在训练集、内部验证集和外部验证集的结果。结果表明,联合模型在鉴别卵巢良恶性肿块方面表现出稳健的性能。在训练集中,模型的AUC为0.975(95% CI:0.950,0.990),灵敏度为0.941,特异度为0.922,表明具有优异的诊断准确性和正确识别恶性和良性病变的平衡能力。在内部验证集中,模型保持了高性能,AUC为0.962(95% CI:0.911,0.988),灵敏度为0.922,特异度为0.933,证明了其在同一人群中的泛化能力。在外部验证集中,模型表现出略有降低但仍较强的性能,AUC为0.939(95% CI:0.863,0.981),灵敏度为0.875,特异度为0.917。灵敏度的轻微下降可能反映了外部队列的异质性,而高特异度表明模型具有减少假阳性诊断的能力。
O-RADS
如表2和图3所示,用于表征卵巢肿块的O-RADS系统达到了高准确度,训练集的AUC为0.917(95% CI:0.879,0.946),内部验证集为0.901(95% CI:0.834,0.947),外部验证集为0.862(95% CI:0.767,0.929)。
放射科医师评估
与放射科医师1相比,放射科医师2在卵巢肿块分类中达到了更高的准确度;详细结果见表2。放射科医师1在训练集、内部验证集和外部验证集中的AUC分别为0.877(95% CI:0.834,0.912)、0.828(95% CI:0.749,0.889)和0.802(95% CI:0.698,0.883)。放射科医师2在训练集、内部验证集和外部验证集中的AUC分别为0.926(95% CI:0.889,0.953)、0.896(95% CI:0.829,0.944)和0.886(95% CI:0.795,0.946)。ROC曲线见图3。
影像组学模型、O-RADS与放射科医师评估的比较
如图3和表2所示,影像组学模型在鉴别卵巢良性与恶性肿块方面表现出更优的性能。在训练集中,影像组学模型获得了最高的AUC,显著高于O-RADS(p = 0.001)、放射科医师1(p < 0.001)和放射科医师2(p = 0.001)。在内部验证集中,影像组学模型同样获得了最高的AUC,优于O-RADS(p = 0.046)、放射科医师1(p = 0.001)和放射科医师2(p = 0.034)。在外部验证集中,影像组学模型的AUC高于O-RADS(p = 0.047)和放射科医师1(p = 0.003),与放射科医师2相比差异无统计学意义(p = 0.231)。
亚组分析
在联合队列(训练集+内部验证集+外部验证集)中进行了亚组分析。在O-RADS评分为4分的卵巢肿块中(n = 112,良性肿块31例,恶性肿块81例),影像组学模型在鉴别卵巢良性与恶性肿块方面表现出优异的预测性能(AUC = 0.879;95% CI:0.804,0.933),优于放射科医师1(AUC = 0.676;95% CI:0.581,0.761;p = 0.001)和放射科医师2(AUC = 0.712;95% CI:0.619,0.794;p = 0.005)。详细结果见图4和表3。
根据卵巢肿块的形态学特征进一步进行了亚组分析,结果见图5和表4。在实性肿块亚组中(n = 101,良性肿块25例,恶性肿块76例),影像组学模型获得了最高的AUC(0.921;95% CI:0.850,0.965),显著高于O-RADS(AUC = 0.756;95% CI:0.661,0.836;p = 0.002)、放射科医师1(AUC = 0.712;95% CI:0.613,0.798;p = 0.001)和放射科医师2(AUC = 0.822;95% CI:0.733,0.891;p = 0.028)。在囊实性肿块亚组中(n = 258,良性肿块96例,恶性肿块162例),影像组学模型的AUC为0.975(95% CI:0.948,0.990),高于放射科医师1(AUC = 0.898;95% CI:0.855,0.932;p < 0.001)和放射科医师2(AUC = 0.935;95% CI:0.898,0.962;p = 0.008),影像组学与O-RADS之间差异无统计学意义(AUC = 0.965;95% CI:0.935,0.984;p = 0.332)。在囊性肿块亚组中(n = 138,良性肿块128例,恶性肿块10例),影像组学模型(AUC = 0.848;95% CI:0.777,0.903)与O-RADS(AUC = 0.776;95% CI:0.633,0.789;p = 0.542)、放射科医师1(AUC = 0.639;95% CI:0.553,0.719;p = 0.093)和放射科医师2(AUC = 0.677;95% CI:0.592,0.754;p = 0.194)之间差异均无统计学意义。
影像组学模型在不同扫描仪类型和场强下表现一致。按场强分层,3.0 T扫描仪的AUC为0.959(95% CI:0.931,0.978)(n = 327),1.5 T扫描仪的AUC为0.958(95% CI:0.916,0.983)(n = 170),差异无统计学意义(p = 0.953)。同样,各扫描仪之间的两两比较均未见显著差异:GE 3.0 T vs. Philips 3.0 T(p = 0.204)、GE 3.0 T vs. Philips 1.5 T(p = 0.139)、Philips 3.0 T vs. Philips 1.5 T(p = 0.538)。详细结果见补充表S6和S7。
讨论
卵巢肿块的准确表征对于优化患者治疗至关重要。本研究开发了影像组学模型,并将其诊断性能与O-RADS及放射科医师主观评估进行了比较。所提出的影像组学模型整合了DWI、ADC、T2WI-FS和CE-T1WI,能够有效识别卵巢恶性肿块。影像组学模型在鉴别卵巢良恶性肿块方面的诊断性能高于或相当于放射科医师和O-RADS。具体而言,影像组学模型可对O-RADS评分4分的卵巢肿块进行进一步精细化的风险分层。此外,在实性肿块和囊实性肿块亚组中,影像组学模型表现出优异的性能,与O-RADS和放射科医师评估相比有显著提高。这些发现凸显了影像组学作为临床实践中决策辅助工具的潜力。通过提供定量且可重复的风险分层,影像组学模型可减少疑难病例中的诊断不确定性,并指导个体化管理策略——例如选择患者进行保守监测还是手术干预。
既往研究强调了影像组学模型在卵巢肿块分类中的价值[19–28]。尽管现有模型显示出有前景的结果,我们的方法通过两个关键的方法学进展而区别于其他研究。首先,与依赖有限序列的既往影像组学模型(例如,动态对比增强MRI药代动力学方案[19])相比,我们的模型整合了四个序列(DWI、ADC、T2WI-FS和CE-T1WI)的互补信息。这种多参数设计同时捕捉肿瘤的功能性(DWI/ADC)和解剖性(T2WI-FS/CE-T1WI)特征,模拟了放射科医生的综合诊断工作流程。例如,Zhang等[20]使用轴位T1WI、冠状位T2WI、矢状位T2WI-FS和ADC获得了0.967的AUC,但其模型省略了对血管性评估至关重要的对比增强序列。其次,与许多基于同质单扫描仪数据训练的AI方法[19, 20, 22]不同,我们的模型在多厂商扫描仪(GE和Philips)和场强(1.5 T和3.0 T)上进行了严格验证。这种异质性在既往研究中常被忽视[21, 25],确保了对真实世界成像变异性的稳健性。例如,该模型在3.0 T(AUC 0.959)和1.5 T(AUC 0.0.958;p = 0.953)之间保持了可比较的性能。
O-RADS MRI已被验证为鉴别附件肿块的有效工具[15]。在我们的研究中,O-RADS在训练集(152个良性肿块和141个恶性肿块)中表现出高诊断效能,AUC为0.917。在既往研究中,Wu等评估了O-RADS诊断附件肿块的性能,该研究纳入362个附件肿块(320个良性肿块和42个恶性肿块),报告的AUC为0.918[31],与我们的研究相似。
尽管O-RADS具有优异的性能和可重复性,但O-RADS 4类病变的恶性阳性预测值约为50%[14],提供的信息有限。这可能导致良性卵巢肿块的不必要切除,可能影响绝经前女性的生育力,或导致恶性肿瘤的次优手术治疗。因此,有必要进一步对O-RADS评分4进行风险分类。近期研究表明,附件肿块实性组织的ADC分析有助于鉴别O-RADS评分4中的浸润性肿块[32]。值得注意的是,我们的研究是首个基于影像组学扩展O-RADS评分4风险分层的研究,影像组学在卵巢良恶性肿块分类中达到了0.879的AUC,显著优于放射科医生,可直接指导临床决策。例如,低风险预测可能支持保守管理(如短期MRI随访),保护年轻患者的生育力,而高风险预测可优先转诊至妇科肿瘤会诊进行手术治疗。
必须区分具有不同形态特征的良性和恶性卵巢肿块。既往研究表明,磁共振波谱和扩散加权成像(DWI)可以区分良性和恶性实性卵巢肿块[33, 34]。在实性及囊实性肿块亚组中,我们的结果显示影像组学在区分良性和恶性卵巢肿块方面具有最高的AUC,与放射科医师相比具有统计学显著改善,这提示影像组学可以辅助放射科医师将实性及囊实性卵巢肿块分类为良性或恶性。
为促进临床整合,未来实施可利用基于深度学习的半自动分割工具进行轮廓勾画,减少手动标注时间。然而,将影像组学转化为实践需要解决监管(如FDA认证)和计算(如GPU/云基础设施)障碍,同时还需通过DICOM标准实现与PACS/RIS的互操作性。
应提及若干局限性。首先,回顾性设计和来自两个中心的相对较小样本量可能限制泛化性,尤其是在多样化人群中。然而,在多厂商MRI扫描仪(GE 3.0 T、Philips 3.0 T/1.5 T)上的验证部分减轻了技术异质性(补充表S6和S7)。此外,O-RADS评估基于非DCE方案,这可能降低其依据原始O-RADS指南的诊断准确性,并妨碍与源自DCE成像的影像组学特征进行直接比较。最后,在亚组分析中,囊性肿块亚组的恶性肿块数量较少,且良性和恶性肿块数量不均衡。未来研究应优先在不同人群中进行前瞻性多中心验证以确认泛化性。此外,成本效益分析对于评估将影像组学整合到常规工作流程中的临床可行性至关重要,需在诊断准确性与资源利用(如分割时间、计算基础设施)之间取得平衡。最后,将DCE-MRI纳入O-RADS和影像组学方案可能提高诊断一致性并促进对指南推荐的依从性。
总之,影像组学模型对卵巢肿块分类的性能优于O-RADS和初级放射科医师,与高级放射科医师相似。此外,作为O-RADS的补充工具,它能够对O-RADS评分为4且具有不同形态特征的卵巢肿块进行精细风险分层,为临床医师提供定量决策支持,以改善术前诊断并指导治疗规划。
补充信息
电子补充材料
引用
- Jin J, Deng X, Long L, et al. The value of a radiomics model in predicting ovarian malignancy: a retrospective multi-center comparison with O-RADS and radiologists. Insights Imaging. 2025. PMID: 40745233. doi:10.1186/s13244-025-02047-w
- 全文:PMC12314133(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12314133/
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。