0 引言

       子宫内膜癌是女性生殖系统最常见的恶性肿瘤之一，其发病率和死亡率呈逐年上升的趋势^{[1, 2, 3]}。以手术为核心的综合治疗是目前子宫内膜癌患者的主要治疗手段^{[4, 5]}。由于肿瘤的异质性和患者的免疫差异，不同患者在接受根治性手术会表现出不同的疗效和预后^[6]。约有20%的子宫内膜样癌（Ⅰ型）和50%的非子宫内膜样癌（Ⅱ型）会在术后出现复发和进展^{[3, 7]}。一旦子宫内膜癌患者术后出现复发或转移，其5年生存率将从80%降至30%^{[8, 9]}。因此早期预测子宫内膜癌患者的进展潜能具有重要意义。病理类型、分化程度、肌层浸润、国际妇产联合会（international federation of gynecology and obstetrics, FIGO）分期等，已被报道与子宫内膜癌的复发相关^[10]。然而这些因素在子宫内膜癌患者复发风险中的预测效能有限，难以满足临床需求。病理信息的获得又具有限制性和信息滞后性^[11]。因此，目前迫切需要开发一种新型无创标志物来早期精准预测子宫内膜癌患者的复发风险及复发节点，从而协助临床医生开展个性化治疗和随访，并最终改善患者预后。

       MRI作为子宫内膜癌术前评估的首选成像方式，不仅能够提供肿瘤的形态、结构、范围等信息，同时还包含着肉眼无法识别的肿瘤异质性、侵袭性、免疫水平等生物学信息^{[12, 13]}。影像组学便是一种有效揭示医学图像内在信息，并实现数据定量化的新兴技术^[14]。通过对影像图像中纹理特征的解构和分析，其可以提取大量与肿瘤异质性、侵袭性、免疫活性等潜在相关的参数，从而实现对临床事件的监控和预测^{[15, 16]}。同时，人工智能的发展和转化进一步提高了影像组学在临床中的应用价值。基于机器学习的影像组学模型已被应用于食管癌、肺癌、肝癌等多种肿瘤的诊疗中^{[12, 13, 14]}。但影像组学在子宫内膜癌的预后预测中的价值和机制仍有待探索和完善。目前多数影像组学在子宫内膜癌中的研究均缺乏对生物学机制的探索和验证（如COADA等^[17]和LI等^[18]的研究），少有的尝试探索影像组学生物学机制的研究^[19]却忽视了影像组学特征本身（二维）和机器学习价值。因此本研究尝试利用多种机器学习模型构建基于磁共振三维影像组学特征的预测模型，并探索影像组学模型的生物学机制。以期为子宫内膜癌的预后预测和诊疗决策提供一种高效、实用的工具。

1 材料与方法

1.1 研究对象

       回顾性分析2015年1月1日至2022年1月1日于双中心就诊的子宫内膜癌患者资料304例。根据纳入和排除标准最终212例患者被纳入研究。中心1（中国科学技术大学附属第一医院）的170例为训练集用于模型构建，中心2（阜阳师范大学医学院附属阜南医院）的42例为验证集用于模型验证。一般临床资料包括年龄、分期、分型和血液学指标等均从医院病历系统中收集。本研究遵守《赫尔辛基宣言》，经伦理委员会批准免除受试者知情同意，批准文号为2024-YXK-08（中心1）和FNLL202407023（中心2）。

       纳入标准：（1）病理确诊为子宫内膜癌；（2）于中心1或中心2接受手术；（3）术前2周内接受MRI检查。排除标准：（1）合并其他恶性肿瘤；（2）临床资料不全；（3）随访中断。

1.2 治疗与随访

       治疗方案：子宫内膜癌治疗方案参考国家综合癌症网络指南^[20]。手术方式为全子宫切除+双侧输卵管、卵巢切除+盆腔淋巴结清扫+腹主动脉旁淋巴结检查。

       随访方案：术后前3年3~6个月复查一次，3~5年6~12个月复查一次，此后每年复查一次。任何时间出现阴道出血、腹胀、疼痛等相关症状均需复查。监测指标包括妇科检查、肿瘤标志物、影像学检查等。

       本研究的终点指标为无病生存期（disease-free survival, DFS）：从手术开始至肿瘤复发、继发性恶性肿瘤、死亡或最后一次随访的时间^[10]。

1.3 扫描方案

       中心1采用3.0 T MRI扫描系统（Signa Excite HD，GE，美国），配备8通道Torsor相控阵线圈。中心2采用西门子1.5 T MRI扫描仪（Magnetom Avanto，西门子，德国），配备16通道相控阵体线圈。扫描序列包括：轴位T1WI、轴位T2WI、轴位T2WI压脂、矢状位T2WI和轴位DWI。本研究采用轴位T2WI进行影像组学特征提取。中心1的T2WI扫描参数为：视野24 cm×24 cm；重复时间4600 ms；回波时间68 ms；切片厚度3 mm；层间距1 mm；矩阵320×256。中心2的T2WI扫描参数为：视野24 cm×24 cm；重复时间3500 ms；回波时间107 ms；切片厚度4 mm；层间距1.6 mm；矩阵：224×320。

1.4 图像分析

       将T2WI图像导入3D slicer软件（V.4.10.2，https://www.slicer.org），由资深影像科医师A（副主任医师，11年工作经验）逐层勾画肿瘤及瘤周5 mm^[21]的感兴趣区（region of interest, ROI）。ROI被融合为感兴趣体积（volume of interest, VOI），以提取三维影像组学特征。最后采用PyRadiomics软件（V2.2.0，https://pypi.org/project/pyradiomics/）从每张图像中提取1037个影像组学参数（图1）。为检验影像组学参数的鲁棒性，随机选取50例患者由医师A和医师B（副主任医师，9年工作经验）再次进行ROI勾画，并进行组内相关系数（inter-class correlation coefficient, ICC）分析。

点击查看大图

图1  影像组学研究流程。
Fig. 1  Flow of the radiomics study.

1.5 影像组学模型的构建

       采用ComBat减少影像组学参数的批次效应，采用Z-score进行标准化和归一化。Spearman相关性分析被用于剔除冗余参数，LogRank检验被用于剔除无预测价值参数。最后采用梯度提升机（gradient boosting machines, GBM）、最小绝对收缩和选择算法（the least absolute shrinkage and selection operator, LASSO）、随机生存森林（random survival forest, RSF）、支持向量机（support vector machine, SVM）和极端梯度上升（extreme gradient boosting, XGboost）5种机器学习方法筛选最佳影像组学评分（radiomics score, Radscore）。

1.6 联合模型的构建

       为明确影像组学模型对现有临床指标的增量价值，我们将LogRank检验中具有统计学意义的临床参数和Radscore进行联合。并根据多因素Cox回归分析中的独立预测因子构建联合模型。

1.7 生物学机制的探索

       提取癌症成像档案（The Cancer Imaging Archive, TCIA）（https://www.cancerimagingarchive.net/）中8例具有合格MRI扫描图像子宫内膜癌患者的影像组学参数。根据患者的Radscore对患者进行分层。求出影像组学模型的差异基因，并进行富集分析和免疫评分。利用加权基因共表达网络分析挑选Radscore相关基因簇，筛选关键枢纽基因。

1.8 统计学方法

       采用R语言软件（V4.3.2,https://www.r-project.org/）进行统计学分析。对组内和组间ICC均大于0.75的影像组学参数进行Spearman检验（r>0.8代表冗余）和LogRank检验（P>0.05代表无预测价值），去除无预测价值的冗余参数。采用GBM、LASSO、XGboost、RSF和SVM构建最佳影像组学模型。将Radscore和临床参数（LogRank P<0.05）联合构建列线图模型。采用校准曲线、决策曲线、临床影响曲线、受试者工作特征（receiver operating characteristic, ROC）曲线、净重新分类指数（net reclassification improvement, NRI）和整体鉴别指数（integrated discrimination improvement, IDI）评估联合模型的预测效能及临床价值。

2 结果

2.1 一般临床资料

       本研究共纳入212例子宫内膜癌患者，训练集170例（中心1），验证集42例（中心2）。中位年龄57岁，范围27~88岁；中位随访时间41个月，范围1~79个月。随访复发51人（24.1%），其中局部复发27人，占比52.9%；远处转移14人，占比27.5%；同时出现复发和转移10人，占比19.6%。一般临床资料在双中心间差异无统计学意义（表1）。

点击查看表格

表1  212例子宫内膜癌患者的基线资料表
Tab. 1  Baseline data table of 212 patients with endometrial cancer

2.2 最佳影像组学模型的筛选

       从肿瘤和瘤周各提取1037个影像组学特征，其中876个肿瘤和791个瘤周影像组学参数的组内、组间ICC均大于0.75。剔除无预测价值的冗余参数后，剩余37个肿瘤和29个瘤周影像组学参数被用于模型构建。肿瘤、瘤周的影像组学参数在子宫内膜癌患者DFS的预测中展现出一定的互补性，联合模型较单一模型综合预测效能更佳（图2）。在5种机器学习模型中，基于GBM的联合模型展现出最佳预测效能，其在训练集和验证集预测1年、3年、5年DFS的曲线下面积（area under the curve, AUC）分别为0.977、0.986、0.995和0.745、0.764、0.802（表2）。

点击查看大图

图2  五种机器学习模型的预测效能。2A：验证集中肿瘤、瘤周以及二者联合的综合AUC比较（综合AUC为1年、3年、5年AUC的平均值），证明联合模型较单一模型预测效能更佳；2B：验证集中5种机器学习模型的AUC比较，证明基于GBM的联合模型预测效能最佳；2C、2D：最佳预测模型GBM在训练集（2C）和验证集（2D）中的ROC曲线。AUC：曲线下面积；GBM：梯度提升机；LASSO：最小绝对收缩和选择算法；RSF：随机生存森林；SVM：支持向量机；XGboost：极端梯度上升；ROC：受试者工作特征。
Fig. 2  Predictive efficacy of five machine learning models. 2A shows the comparison of the combined AUC of tumor, peritumor and the combination of the two in the validation set (the combined AUC is the average of the 1-year, 3-year and 5-year AUCs), which proves that the combined model has better prediction efficacy than a single model; 2B shows the comparison of the AUCs of the five machine learning models in the validation set, which proves that the combined model based on the GBM has the best prediction efficacy; 2C and 2D show the ROC curves of the best prediction model, the GBM, in both the training set (2C) and the validation set (2D). AUC: area under the curve; GBM: gradient boosting machines; LASSO: least absolute shrinkage and selection operator; RSF: random survival forest; SVM: support vector machine; XGboost: extreme gradient boosting; ROC: receiver operating characteristic.

点击查看表格

表2  不同机器学习模型的预测效能
Tab. 2  Predictive efficacy of different machine learning models

2.3 联合模型的构建

       LogRank检验显示临床指标中临床分型、FIGO分期、分化程度、糖类抗原125（carbohydrate antigen 125, CA125）、SIRI具有预测子宫内膜癌患者DFS的价值，其中FIGO分期、CA125和Radscore为独立预后因子。联合模型在训练集和验证集中预测1年、3年、5年DFS的AUC分别为0.926、0.894、0.864和0.828、0.839、0.873。校准曲线、临床影响曲线和ROC曲线证明了联合模型的高拟合度和高精准度（图3）。决策曲线证明联合模型的临床收益显著优于任一参数及临床模型。NRI（0.24~0.73）和IDI（0.06~0.33）证明Radscore的加入显著改善了模型的预测效能。

点击查看大图

图3  影像组学与临床参数的联合模型。3A：Radscore与临床参数联合的列线图模型；3B：模型的森林图；3C、3D：联合模型在训练集（3C）和验证集（3D）的ROC曲线；3E：模型的决策曲线，证明联合模型的临床净收益优于任一参数及临床模型；3F、3G为联合模型的校准曲线和临床影响曲线，证明联合模型具有较高的拟合度和临床效能。FIGO：国际妇产联合会；CA125：糖类抗原125；Radscore：影像组学评分；OS：总生存期；AUC：曲线下面积；ROC：受试者工作特征。
Fig. 3  Joint model of radiomics and clinical parameters. 3A shows the nomogram of the joint Radscore and clinical parameters; 3B shows the forest plot of the model; 3C and 3D show the ROC curves of the joint model in the training set (3C) and the validation set (3D); 3E shows the decision curve of the combined model, which demonstrates that the net clinical benefit of the model outperforms that of either parameter and the clinical model; 3F and 3G show the calibration curves and the clinical impact curves of the combined model, which demonstrates that the combined model has a high degree of goodness of fit and clinical efficacy. FIGO: international federation of gynecology and obstetrics; CA125: carbohydrate antigen 125; Radscore: radiomics score; OS: overall survival; AUC: area under the curve; ROC: receiver operating characteristic.

2.4 影像组学模型的生物学机制

       根据Radscore将TCIA患者分为High和Low两组，截断值为1.463。以P<0.05，LogFC绝对值>1为界，有874个差异基因（上调795，下调79）。功能富集在免疫调节相关通路。ESTIMATE免疫评分显示高Radscore患者免疫评分更低。Cibersort提示高低组间CD8⁺T细胞差异有统计学意义。加权基因共表达网络分析提示Radscore与免疫模块基因簇相关性最强，其中CD4、CTLA4、CD69、SELL、FCGR3A、CD86、GZMB、CCR7、CD8A和PTPRC为hub基因。Spearman相关性分析显示CD8A与Radscore相关性最强（P<0.05，r>-0.77）。肿瘤基因组图谱数据库显示CD8A与子宫内膜癌患者的DFS显著相关，进步证明了Radscore的预后价值。详见图4。

点击查看大图

图4  影像组学模型的生物学功能预测。4A：TCIA患者根据Radscore分组后的差异基因火山图；4B：差异基因的GSEA富集分析，提示富集到免疫相关通路；4C：ESTIMATE免疫评分，提示高Radscore患者免疫得分更低；4D：加权基因共表达网络分析，结果显示MEtan基因簇与Radscore相关性最高；4E：Cytoscape软件筛选出的hub基因；4F：TCIA数据库中hub基因与Radscore的相关性分析。TCIA：癌症成像档案；Radscore：影像组学评分；GSEA：基因集；ESTIMATE：一种用于评估样本肿瘤纯度的算法。
Fig. 4  Biological function prediction of radiomics models. 4A shows the volcano map of differential genes in TCIA patients grouped according to Radscore; 4B shows the GSEA enrichment analysis of differential genes, suggesting enrichment into immune-related pathways; 4C shows the ESTIMATE immunity score, suggesting that the immunity score was lower in patients with a high Radscore; 4D shows the clustering analysis of weighted gene co-expression network analysis, which showed that the MEtan gene cluster had the highest correlation with Radscore; 4E shows the hub genes screened by cytoscape; 4F shows the correlation analysis of hub genes in TCIA database with Radscore correlation analysis. TCIA: The Cancer Imaging Archive; Radscore: radiomics score; GSEA: Gene Set Enrichment Analysis; ESTIMATE: Estimation of STromal and Immune cells in MAlignant Tumor tissues using Expression data.

3 讨论

       本研究收集了双中心212例子宫内膜癌患者的临床及影像学资料，并进行了长期严密的随访和分析。通过采用五种机器学习方法筛选出最佳影像组学模型，并与临床指标联合建立了预测子宫内膜癌患者DFS的预测模型。结果发现基于MRI的影像组学具有预测子宫内膜癌患者术后复发的潜能。基于肿瘤及瘤周的影像组学参数在子宫内膜癌患者DFS的预测中展现出一定的预后价值和互补价值，二者的联合效能显著优于单一模型。在五种机器学习模型中，基于GBM的联合模型综合预测效能最佳。其与临床指标联合的列线图模型实现了对子宫内膜癌患者的风险分层以及术后DFS的精准预测。该模型可帮助临床医生早期、无创、精准识别高风险人群，从而给予更多强化性或实验性治疗，提高复查频率，改善临床结局。同时本研究首次在子宫内膜癌研究中提出影像组学与肿瘤免疫的相关性，为子宫内膜癌的治疗决策和预后预测提供了更多参考依据。

3.1 肿瘤及瘤周影像组学的互补性

       影像组学是一种从微观水平和结构学角度定量描述组织纹理差异的技术^{[22, 23]}。通过对医学图像的客观分析和解构，实现对肿瘤生物学信息及肿瘤微环境的揭示^[24]。目前针对子宫内膜癌的影像组学研究都局限于肿瘤本身，但肿瘤周围同样蕴含丰富的信息如肿瘤微环境、亚临床病灶、肿瘤相关免疫等^{[18, 19, 20]}。因此，本研究同时分析了子宫内膜癌原发灶及瘤周5 mm的三维纹理特征，无创性地实现对肿瘤整体的“虚拟活检”以及对亚临床病灶“无创解剖”^[25]。在子宫内膜癌患者DFS的预测中，肿瘤及瘤周影像组学的联合模型展现出更高预测价值。并且优于既往单一影像组学参数模型的预测效能^{[23, 24]}。这表明不仅是肿瘤本身，瘤周的影像组学特征同样包含着大量与肿瘤异质性、免疫状态、进展潜能等密切相关的有用信息。肿瘤、瘤周影像组学的联合应用有助于更好揭示肿瘤的生物学特性，并发挥更大的临床价值。

3.2 机器学习与影像组学的互补性

       人工智能的进步以及医工交叉的深入进一步推动了影像组学的发展和应用^[26]。基于机器学习的影像组学模型被证明具有更高的应用价值和临床效益^{[27, 28, 29]}。在GITTO等^[27]的研究中，基于机器学习的影像组学模型被证明对骨肿瘤诊断的准确率与高年资放射科医师相当。YU等^[28]发现基于随机森林和SVM的影像组学模型可有效预测乳腺癌腋窝淋巴结转移，并具有揭示肿瘤微环境的潜能。LI等^[29]对103例成釉细胞瘤患者进行基因检测，发现基于随机森林的影像组学模型具有预测其基因表达和突变水平的潜能。在本研究中，我们采用了5种机器学习方法，以尽可能选择出子宫内膜癌复发相关的影像组学参数及其最佳组合模式。结果证明基于GBM的影像组学模型在子宫内膜癌患者DFS的预测中效能最佳，优于传统模型^{[23, 24]}。

3.3 影像组学与临床参数的互补性

       为进一步分析影像组学模型对现有预测指标的增量价值并完善预测模型，我们将Radscore与多种临床参数联合。结果发现FIGO分期、CA125和Radscore为子宫内膜癌患者DFS的独立预后因子。FIGO分期作为子宫内膜癌患者临床诊疗中使用最广泛的指标，包含着肿瘤恶性程度、疾病进展范围、淋巴免疫状态等信息，无疑具有巨大预后预测价值^{[5, 30]}。在前人的研究中，CA125已被证实具有预测子宫内膜癌患者复发的价值^[31]。但本研究进一步揭示其独立预测性能及最佳阈值。不同于临床35 U/mL的界限^{[32, 33]}，本研究发现以42 U/mL为界的分类方式能更好地将子宫内膜癌患者的复发风险分层。这表明CA125是子宫内膜癌患者的重要预后指标，并且探索一个全新的专项阈值可能有助于提升其对子宫内膜癌患者复发风险的预测能力。

3.4 影像组学的生物学意义

       影像组学本质为数据所驱动的信息，其底层蕴含的生物学机制十分模糊。明确的生物学意义对了解疾病的发生发展、探索新型诊疗模式、推广模型临床应用等具有重要意义。在JACOB等^[19]的研究中，其分析了177名子宫内膜癌患者的影像组学和基因组学信息。发现子宫内膜癌的COMP和DMBT1表达与特定影像组学特征及子宫内膜癌患者预后有关。这为影像组学的生物学机制探索提供了方向和思路。但该研究仅提取了二维的肿瘤影像组学特征，忽视了立体肿瘤的复杂性和瘤周信息的多样性。这使得该研究的可靠性和全面性十分欠缺。在本研究中我们利用公共数据库揭示了本研究所构建影像组学模型的生物学机制。首次提出了影像组学模型与子宫内膜癌免疫水平，尤其CD8A（CD8A被证明是反映肿瘤整体免疫状态的最佳单一指标^[34]）表达水平的相关性。通过对肿瘤及瘤周纹理差异解构无创性实现对肿瘤免疫状态的精准评估，这对子宫内膜癌的诊疗决策和疗效评估意义重大。

3.5 本研究的局限性

       本研究的局限性：（1）虽然本文为双中心研究，但验证集样本量有限，未来仍需多中心、大样本的研究进行验证；（2）受样本量及随访时间的限制，本研究仅分析了影像组学对子宫内膜癌患者DFS的预测价值，而未进一步分析其对总生存期的预测价值；（3）影像组学模型生物学机制的探索尚停留在猜想阶段，未来仍需进一步的验证。

4 结论

       综上所述，基于机器学习的影像组学模型有助于子宫内膜癌患者免疫水平及DFS的预测。影像组学和临床参数的联合能进一步提高预测效能，改善现有诊断模式，为子宫内膜癌患者的复发风险评估和个体化治疗提供参考依据。