深度学习超分辨率增强MRI影像组学预测胎盘植入谱系疾病
Deep learning super-resolution enhances MRI radiomics for predicting placenta accreta spectrum and invasiveness
RSS 订阅 · European Journal of Radiology · 2026-10-11
本研究为多中心回顾性研究，纳入245例胎盘MRI检查患者，评估基于GAN的深度学习超分辨率重建对T2WI影像组学预测胎盘植入谱系疾病及侵入性的价值。结果显示SRT2WI联合临床特征模型在各队列中AUC均最高，训练集中对PAS预测AUC达0.953。
要点
- SRT2WI-临床联合模型的AUC在四个队列中均高于T2WI和SRT2WI单独模型。
- SRT2WI-临床对侵入性PAS在训练、内部验证及外部验证队列1中均显著优于T2WI。
- 决策曲线分析提示SRT2WI-临床模型临床净获益更高，SHAP可量化影像组学特征贡献。
核心结论
- 超分辨率重建联合影像组学对预测PAS及侵入性PAS具有潜在提升价值。
- 整合临床特征可进一步提高模型性能。
研究设计与样本
- 回顾性多中心研究，共纳入245例患者，来自3家不同机构。
- 机构I的158例用于训练集和内部验证集，机构II的34例和机构III的53例作为外部验证集。
- 采用基于生成对抗网络的超分辨率重建生成SRT2WI。
- 两位放射科医师独立基于T2WI诊断PAS，作为评估模型性能的参考标准。
诊断标准与关键数值
- 对于PAS预测，SRT2WI-临床模型在训练、内部验证、外部验证1和外部验证2队列的AUC分别为0.953、0.887、0.793和0.788。
- 对于PAS预测，T2WI模型在上述四个队列的AUC分别为0.738、0.697、0.654和0.652。
- 对于PAS预测，SRT2WI模型在上述四个队列的AUC分别为0.879、0.820、0.696和0.768。
- 对于侵入性PAS预测，SRT2WI-临床模型在上述四个队列的AUC分别为0.895、0.875、0.843和0.815。
- SRT2WI-临床对PAS的AUC仅在训练集中显著高于T2WI（P<0.001）和SRT2WI（P=0.004），验证集差异均无统计学意义。
临床应用与阅片要点
- SRT2WI-临床模型对侵入性PAS在训练集（P=0.003）、内部验证集（P=0.021）和外部验证队列1（P=0.019）中均显著优于T2WI模型。
- SRT2WI-临床与SRT2WI相比在侵入性PAS预测中的差异均未达到统计学意义。
局限性
- 研究为回顾性设计，可能存在选择偏倚。
- SRT2WI-临床对PAS的验证集AUC改善未达到统计学意义。
- 外部验证队列2中SRT2WI-临床对侵入性PAS的改善未达到统计学意义（P=0.398）。
引用
- European Journal of Radiology：Deep learning super-resolution enhances MRI radiomics for predicting placenta accreta spectrum and invasiveness
- Yang, Qin, Chen, et al. Deep learning super-resolution enhances MRI radiomics for predicting placenta accreta spectrum and invasiveness. Eur J Radiol. 2026. PMID: 42887436. doi:10.1016/j.ejrad.2026.113268
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。