一种用于区分交界性与恶性卵巢上皮肿瘤的多模态MRI放射组学模型

《Clinical and Translational Oncology》：A multimodal MRI radiomics model for distinguishing borderline from malignant ovarian epithelial tumors

　　

摘要

背景

旨在开发并验证一种多模态MRI放射组学机器学习模型，用于区分交界性上皮性卵巢肿瘤与恶性上皮性卵巢肿瘤。

方法

共有147名患者（72名患有交界性上皮性卵巢肿瘤，75名患有恶性上皮性卵巢肿瘤）被纳入研究，随后以7:3的比例随机分为训练组和测试组。通过多变量逻辑回归分析确定独立的临床预测因子。利用多模态MRI特征构建放射组学模型，并计算出相应的放射组学评分。随后建立了结合临床预测因子与放射组学评分的联合模型。通过ROC曲线分析和决策曲线分析来评估模型的性能，同时运用SHAP方法对放射组学模型进行解释。

结果

人类附睾蛋白4是恶性上皮性卵巢肿瘤的独立风险因素，因此被用于构建临床模型。该放射组学模型包含17个特征，交界性上皮性卵巢肿瘤患者与恶性上皮性卵巢肿瘤患者的放射组学评分存在显著差异（临界值为0.564）。随后建立了结合人类附睾蛋白4与放射组学评分的联合模型。在训练组和测试组中，无论是放射组学模型还是联合模型，其诊断性能均优于临床模型（AUC值分别为0.968/0.970 vs 0.858，以及0.914/0.920 vs 0.711；所有p值均小于0.05），且两者之间不存在显著差异。决策曲线分析进一步证实了这两种模型的更好净收益。SHAP分析则揭示了关键特征及其生物学意义。

结论

借助SHAP方法解读的多模态MRI放射组学模型，在区分交界性上皮性卵巢肿瘤与恶性上皮性卵巢肿瘤方面具有良好的诊断性能。作为一种无创且可解释的工具，它有望通过辅助制定个性化治疗方案、减少不必要的手术，从而在临床应用中发挥重要作用。