开发和验证一个可解释的基于MRI的息地放射学模型,用于预测p53-异常子宫内膜癌:一个多中心可行性研究
Wentao Jin1, Hao Zhang2, Yan Ning3
1Department of Radiology, Obstetrics and Gynecology Hospital, Fudan University, Shanghai, People's Republic of China.
Journal of imaging informatics in medicine
|August 4, 2025
概括
一个新的基于MRI的息地放射学模型 (HRM) 准确地预测p53-异常子宫内膜癌 (EC). 这种AI方法为p53abn EC亚型提供了更好的诊断洞察力.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 子宫内膜癌 (EC) 的分子亚型对治疗至关重要.
- p53-abnormal (p53abn) 是EC的一个关键分子亚型.
- 准确预测p53abnEC有助于个性化治疗策略.
研究的目的:
- 开发和验证基于MRI的息地放射学模型 (HRM),用于预测p53abn EC.
- 将HRM的性能与整个区域的放射学模型 (WRM) 和临床模型 (CM) 进行比较.
- 为了提高预测模型的可解释性,使用SHAP (SHApley增量扩展) 值.
主要方法:
- 来自三个医院的EC患者的回顾性分析.
- 在扩散加权成像 (DWI) 和对比增强 (CE) MRI 上使用K-平均值将瘤细分为息地子区域.
- 从T1WI,T2WI,DWI和CE图像中提取放射性特征.
- 使用后勤回归,支向量机器和随机森林开发预测模型.
- 使用接收器操作特征 (ROC) 曲线和DeLong的测试进行验证.
主要成果:
- HRM表现出卓越的性能,曲线下面积 (AUC) 值最高:0.855 (训练),0.769 (测试1) 和0.766 (测试2).
- 在所有队列中,WRM和CM显示出明显较低的AUC.
- 息地放射学方法与机器学习和SHAP相结合,为风险因素贡献提供了可解释的见解.
结论:
- 基于MRI的HRM是预测p53abn EC的高效工具.
- 息地放射学与机器学习和SHAP相结合,为EC亚型化提供了一种强大且可解释的方法.
- 这种方法可以帮助临床医生做出更明智的EC管理决策.
