基于瘤周超声影像组学与深度学习的宫颈癌LVSI预测模型
Peritumoral ultrasound-driven multimodal AI model for predicting lymphovascular space invasion and prognosis in cervical cancer.
PubMed 文献 · Abdom Radiol (NY) · 2026-10-08
本研究纳入292例宫颈癌患者（回顾性241例+前瞻性51例），开发融合瘤周超声影像组学特征、深度学习特征及临床数据的混合模型用于术前预测淋巴血管间隙侵犯（LVSI）。混合模型在前瞻性队列中AUC达0.79（95%CI: 0.66-0.92），敏感度0.85，高危组无病生存期显著缩短（P<0.05），TCGA分析显示LVSI阳性患者Wnt/β-catenin通路显著富集。
要点
- 混合模型结合瘤周超声影像组学、深度学习及临床因素可提高宫颈癌LVSI术前预测准确性
- 前瞻性队列验证显示敏感度达0.85，可用于LVSI风险分层及无病生存预测
- SHAP可解释性分析提示深度学习评分是LVSI预测的主要贡献因素
核心结论
- 融合瘤周超声影像组学、深度学习特征与临床数据的混合模型在前瞻性队列中显示出术前预测宫颈癌LVSI及无病生存风险分层的潜力
- LVSI阳性患者Wnt/β-catenin信号通路显著富集，提供生物学机制补充依据
- 模型需在更大规模多中心独立队列中验证后方可用于临床实践
研究设计与样本
- 回顾性队列241例和前瞻性队列51例宫颈癌患者，分为训练集188例、内部验证集53例、前瞻性测试集51例
- 从超声图像的肿瘤及瘤周感兴趣区提取影像组学特征，使用LASSO回归和机器学习分类器生成影像组学评分
- 采用预训练卷积神经网络迁移学习构建深度学习评分，整合临床因素建立混合模型
- 使用TCGA数据库探索LVSI相关分子通路，采用Kaplan-Meier分析评估预后价值
诊断标准与关键数值
- 混合模型在前瞻性测试集中AUC为0.79（95%CI: 0.66-0.92），敏感度0.85（95%CI: 0.71-0.98）
- 混合模型性能优于单模态模型
- 高危组无病生存期显著短于低危组（P<0.05）
- SHAP可解释性分析显示深度学习评分是LVSI预测的首要贡献因子
临床应用与阅片要点
- 术前超声检查时应关注瘤周区域特征提取，不仅限于肿瘤本身
- 模型可用于术前LVSI风险分层以辅助制定个体化治疗方案和随访策略
- 深度学习评分对预测贡献最大，提示图像整体模式识别价值高于传统手工特征
局限性
- 需在更大规模多中心独立队列中进一步验证后方可用于临床实践
- 前瞻性测试集样本量相对较小（51例）
- 回顾性队列存在选择偏倚风险
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Shen, Jiang, Sun, et al. Peritumoral ultrasound-driven multimodal AI model for predicting lymphovascular space invasion and prognosis in cervical cancer. Abdom Radiol (NY). 2026. PMID: 42848195. doi:10.1007/s00261-026-05804-7
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。