子宫内膜癌卵巢转移与原发卵巢癌原发灶的DCE-MRI血流动力学参数差异及机器鉴别诊断体系构建
该研究纳入310例卵巢肿瘤患者（168例子宫内膜癌卵巢转移，142例原发卵巢癌），通过3.0 T DCE-MRI定量参数、影像组学特征及血清标志物构建支持向量机鉴别模型。结果显示子宫内膜癌卵巢转移的Ktrans显著低于原发卵巢癌，Ve显著增高，多模态SVM模型在独立测试集中AUC达0.90，敏感度87.1%，特异度85.5%，优于单一参数模型。
要点
- 子宫内膜癌卵巢转移的Ktrans值显著低于原发卵巢癌，而Ve值显著增高，提示血管通透性和间质间隙差异
- 基于DCE-MRI参数、影像组学及血清标志物的SVM模型可有效鉴别两者，AUC达0.90
- 该模型为术前无创鉴别子宫内膜癌卵巢转移与原发卵巢癌提供可靠工具
核心结论
- 基于DCE-MRI血流动力学参数联合影像组学的机器学习模型可以有效区分子宫内膜癌卵巢转移与原发卵巢癌，为两者的术前无创鉴别诊断提供可靠工具
研究设计与样本
- 回顾性研究，纳入310例卵巢肿瘤患者（168例子宫内膜癌卵巢转移，142例原发卵巢癌）
- 采用3.0 T DCE-MRI检查，定量计算Ktrans、Ve、TTP参数并提取26个影像组学特征
- 联合血清标志物CA125/HE4，通过LASSO回归-随机森林算法筛选变量，建立支持向量机鉴别模型
- 采用时间独立测试集（n=62）和5折交叉验证的双重验证策略
关键影像表现/征象
- 子宫内膜癌卵巢转移组的Ktrans显著低于原发卵巢癌组[（0.28±0.09） min-1 vs. （0.46±0.13） min-1，P<0.05]
- 子宫内膜癌卵巢转移组的Ve显著增高（0.71±0.19 vs. 0.53±0.21，P<0.05）
诊断标准与关键数值
- SVM模型在时间独立测试集的AUC达0.90（95%CI: 0.83~0.96），敏感度为87.1%，特异度为85.5%
- 多模态SVM模型显著优于单一参数模型
临床应用与阅片要点
- 在卵巢肿瘤DCE-MRI报告中，应定量测量Ktrans和Ve参数以辅助鉴别子宫内膜癌卵巢转移与原发卵巢癌
- Ktrans降低且Ve增高的卵巢肿瘤，合并子宫内膜癌病史时应高度怀疑卵巢转移
- 联合血清CA125/HE4及影像组学特征可进一步提高鉴别诊断的准确性
局限性
- 回顾性研究设计
- 需要专业后处理软件进行DCE-MRI定量分析和影像组学特征提取
原文图文
目的 探讨子宫内膜癌卵巢转移（EC转移）与原发卵巢癌（原发OC）的动态对比增强磁共振成像（DCE-MRI）血流动力学参数差异,并基于DCE-MRI参数、影像组学特征及血清标志物构建多模态机器学习鉴别模型。 方法 回顾性选取310例卵巢肿瘤患者（168例EC转移,142例原发OC）。对所有患者行3.0 T DCE-MRI检查,定量计算K trans 、V e 、TTP参数并提取26个影像组学特征,联合血清标志物（CA125/HE4）,通过LASSO回归-随机森林算法筛选变量,建立支持向量机（SVM）鉴别模型。采用时间独立测试集（ n =62）和5折交叉验证的双重验证策略。 结果 EC转移组的K trans 显著低于原发OC组[（0.28±0.09） min -1 vs. （0.46±0.13） min -1 , P <0.05],V e 显著增高（0.71±0.19 vs. 0.53±0.21, P <0.05）。SVM模型在时间独立测试集的曲线下面积达0.90（95%CI:0.83~0.96）,敏感度为87.1%,特异度为85.5%,显著优于单一参数模型。 结论 基于DCE-MRI血流动力学参数联合影像组学的机器学习模型可以有效区分EC转移与原发OC,为两者的术前无创鉴别诊断提供可靠工具。
引用
- 临床放射学杂志：子宫内膜癌卵巢转移与原发卵巢癌原发灶的DCE-MRI血流动力学参数差异及机器鉴别诊断体系构建
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。