0 引言

       子宫内膜癌（endometrial carcinoma, EC）作为女性生殖系统常见的恶性肿瘤^{[1, 2]}，近年来发病率逐渐上升且趋于年轻化趋势^[3]。根据组织学分型，EC可分为Ⅰ型和Ⅱ型^{[4, 5]}，Ⅰ型EC一般与雌激素相关，通常发生于围绝经期或绝经后不久的女性，预后较好。Ⅱ型EC通常独立于雌激素，与遗传因素和其他病理因素有关，通常发生于老年女性，侵袭性强且预后较差^{[6, 7]}。MSI是由于错配修复（mismatch repair, MMR）基因缺陷导致错配的碱基未能得到有效修复，从而引起基因突变的积累，最终导致肿瘤发生^{[8, 9]}。根据在肿瘤中发生频率，微卫星稳定性（microsatellite stability, MS）可分为三种状态：高度微卫星不稳定（high microsatellite instability, MSI-H）、低度微卫星不稳定（low microsatellite instability, MSI-L）和微卫星稳定（microsatellite stable, MSS）^[10]。在EC患者中，约15%~30%存在MSI状态^[11]。MSI的EC患者通常呈现出一些特征，如早发性、家族史、较好的预后。MSI状态的肿瘤通常具有更高的突变负荷和免疫原性，它们对某些免疫检查点抑制剂（如PD-1/PD-L1抑制剂）更为敏感，这类药物能够增强EC患者自身的免疫系统来攻击肿瘤细胞^[12]。由于MSS状态的肿瘤相对稳定，它们对免疫治疗的反应可能不如MSI状态的肿瘤明显，在治疗上更倾向于使用传统的化疗或其他治疗方法。一般来说，MSI的EC患者在接受合适的免疫治疗后，有着较好的预后，MSS的患者生存率与传统治疗策略相关性更大^[13]。因此，MSI状态评估在患者的分类和治疗上具有重要意义，有助于个性化治疗策略的制订，影响患者的治疗方案和预后评估^{[14, 15, 16]}。但MSI状态是取得标本后的病理免疫组化评估，目前没有采用影像学方法用于EC患者MSI的预测研究，应用mp-MRI影像组学术前预测EC患者的MSI状态可以为临床诊疗提供新思路。本研究拟通过mp-MRI的影像组学建立预测模型，对EC患者的MSI表达状态进行精准预测，为临床提供关于EC患者MSI表达状态有价值的信息，旨在辅助临床制订个性化治疗决策，以优化患者的治疗效果和生存率。

1 材料与方法

1.1 研究对象

       回顾性收集2020年1月至2024年6月于滨州医学院附属医院术后病理证实为EC患者的临床、病理及影像资料。纳入标准：（1）于本院接受全子宫+双附件切除并术后病理证实为EC；（2）术前两周内完成盆腔mp-MRI检查。排除标准：（1）合并其他盆腔恶性肿瘤；（2）MRI检查前行放、化疗及免疫治疗；（3）图像伪影过大或病灶直径<5 mm，无法勾画病灶；（4）免疫组化指标中无MMR蛋白表达情况。纳入病例按7∶3的比例随机分为训练集和验证集。本研究遵守《赫尔辛基宣言》，经滨州医学院附属医院伦理委员会批准，免除患者知情同意，批准文号：【2021】伦审字（KT-050）号。

1.2 MRI扫描方法及参数

       采用Simens Magnetom Skyra 3.0 ＴMR扫描系统及18通道相控阵体部线圈，检查前嘱咐患者禁食8 h禁水4 h，扫描前排空膀胱和肠管。同时训练患者呼吸，避免检查过程中出现大的呼吸运动伪影影响图像质量。有节育环者检查前1 d取出。患者取仰卧位，足先进。扫描序列包括平扫轴位T1WI、T2WI、T2WI脂肪抑制、扩散加权成像（diffusion weighted imaging, DWI）和斜矢状位T2WI序列，以及VIBE-T1WI增强序列。增强序列用双筒高压注射器经肘静脉注射对比剂钆喷酸葡胺（Gd-DTPA）注射液，剂量0.1 mmol/kg，流速2.5 mL/s，再以相同流速注射生理盐水20 mL。轴位的动脉期、静脉期及轴位、矢状位延迟期的采集时间分别为注射对比剂开始的25、60、160、190 s。各扫描序列及参数详见表1。

点击查看表格

表1  MRI扫描序列及参数
Tab. 1  MRI scan sequence and parameters

1.3 MMR蛋白表达情况评估

       收集所有患者术后肿瘤组织标本，通过免疫组化方法得到的MMR蛋白的表达情况，根据MS状态对患者进行分组：若MLH1、MSH2、MSH6、PMS2中任一项表达缺失判定为MSI；若MLH1、MSH2、MSH6、PMS2均呈阳性表达则判定为MSS。

1.4 影像组学特征的提取、筛选及影像组学模型构建

       将所有患者的影像资料以DICOM的格式从本院图片存储与传输系统（picture archiving and communication system, PACS）导出至3D-Slicer软件中，由两位具有5年以上影像诊断经验的主治医师在二维界面对各序列手动勾画感兴趣区（region of interest, ROI），并自动叠加形成肿瘤的三维ROI（VOI）。具体勾画方法：手动依次从肿瘤的第一层面勾画至最后一层面，标记出肿瘤的边界，考虑到肿瘤边缘的不规则性并确保勾画的ROI符合肿瘤的形状。在逐层勾画时，要确保每一层之间有一定的重叠区域，避免因某一层数据缺失而影响后续层面的判断。对于多个切片，尽量保持各层之间的连续性和一致性。当两名医师在勾画ROI意见不一致时，请具有15年以上工作经验的主任医师进行最终裁定（图1）。随后进行影像组学特征提取，采用组内相关系数（intra-class correlation coefficient, ICC）评估特征的一致性，将ICC<0.75的特征剔除，随后采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归算法和十折交叉验证，对剩余特征进行筛选，选出与MSI相关的特征，为了避免构建的模型出现过拟合现象，将保留的特征进行Person相关性检验，如两个特征的相关性>0.7时剔除其中之一，剔除标准是将二者中加权系数小的特征剔除，筛选出最有价值的特征，计算各序列的影像组学评分（radiomics score, Rad-score）并采用向前法构建二元logistic回归模型。

点击查看大图

图1  感兴趣区勾画图。1A～1C：分别为T2WI、DWI、CE-T1WI序列图像；1D：融合生成三维容积感兴趣区。DWI：扩散加权成像；CE-T1WI：对比增强T1WI。
Fig. 1  Delineation of the region of interest. 1A-1C: T2WI, DWI, and CE-T1WI sequence image, respectively; 1D: The fused three-dimensional volumetric region of interest. DWI: diffusion weighted imaging; CE-T1WI: contrast-enhanced T1WI.

1.5 统计学分析

       使用SPSS 26.0和R语言（版本4.2.3）软件进行统计分析并绘图。采用Kolmogorov-Smirnov检验计量资料的正态性分布，符合正态分布以均数±标准差（x¯±s）表示，两组间比较采用独立样本t检验；不符合正态分布的计量资料，使用中位数（M）和四分位距（Qr）来描述数据的中心位置和分布范围，并且采用Mann-Whitney U检验来比较两组之间的差异。计数资料以例数（百分比）表示，组间比较采用卡方检验。使用ICC、LASSO回归算法、十折交叉验证及Person相关性检验进行特征筛选，受试者工作特征（receiver operating characteristic, ROC）曲线比较各模型的诊断效能，并计算各模型的曲线下面积（area under the curve, AUC）值、敏感度、特异度、约登指数及最佳阈值。DeLong检验比较各模型AUC值的差异。P<0.05为差异具有统计学意义。

2 结果

2.1 临床及病理结果

       最终纳入ES患者病例171例，年龄36~87（59.2±8.7）岁。其中MSI 35例，MSS 136例。MSI与MSS患者的年龄、身体质量指数（body mass index, BMI）、Ki-67表达水平、绝经状态、高血压、糖尿病及肌层浸润深度在测试集与验证集之间差异均无统计学意义（P>0.05），详见表2。

点击查看表格

表2  测试集和验证集MSI与MSS患者临床病理特征分析
Tab. 2  Analysis of clinical and pathological features in MSI and MSS patients in the training set and validation set

2.2 影像组学特征提取、筛选和Rad-score的计算

       使用3D-Slicer软件中的Radiomics模块分别在T2WI、DWI和对比增强T1WI（contrast-enhanced T1WI, CE-T1WI）序列图像中均提取了1316个特征，ICC检验显示所有特征的一致性均较好，LASSO回归筛选和十折交叉验证筛选后T2WI保留了8个特征，DWI保留了3个特征，CE-T1WI保留了4个特征，各特征及加权系数详见图2、图3。经Person相关性检验之后T2WI、DWI和CE-T1WI序列最终保留了6、3、3个特征（图4）。最后经如下线性公式（公式1~3）计算各单一序列的Rad-score。

点击查看大图

图2  LASSO回归（右）和十折交叉验证（左）。2A~2C：分别为T2WI、DWI、 CE-T1WI 序列。LASSO：最小绝对收缩和选择算子；DWI：扩散加权成像；CE-T1WI：对比增强T1WI。
Fig. 2  LASSO regression (left) and Ten-fold cross-validation (right). 2A-2C: T2WI, DWI, and CE-T1WI sequences, respectively. LASSO: least absolute shrinkage and selection operator; DWI: diffusion weighted imaging; CE-T1WI: contrast-enhanced T1WI.

点击查看大图

图3  LASSO回归筛选出的特征。2A～2C：分别为T2WI、DWI、CE-T1WI序列，分别保留了8、3、4个特征。LASSO：最小绝对收缩和选择算子；DWI：扩散加权成像；CE-T1WI：对比增强T1WI。
Fig. 3  Features Selected by LASSO Regression. 2A-2C: T2WI, DWI, and CE-T1WI sequences, 8, 3, and 4 features are retained, respectively. LASSO: least absolute shrinkage and selection operator; DWI: diffusion weighted imaging; CE-T1WI: contrast-enhanced T1WI.

点击查看大图

图4  Person相关性检验热图。4A~4C：分别为T2WI、DWI、CE-T1WI序列，经Person检验并剔除相关性大于0.7的特征之后，分别保留了6、3、3个特征。LASSO：最小绝对收缩和选择算子；DWI：扩散加权成像；CE-T1WI：对比增强T1WI。
Fig. 4  Heatmaps of Pearson correlation test. 4A-4C: T2WI, DWI, and CE-T1WI sequences, 6, 3, and 3 features are retained, respectively, after excluding features with correlations greater than 0.7. LASSO: least absolute shrinkage and selection operator; DWI: diffusion weighted imaging; CE-T1WI: contrast-enhanced T1WI.

2.3 预测模型的建立与验证

       使用T2WI、DWI、CE-T1WI序列计算的Rad-score分别构建单一序列的影像组学模型，然后将T2WI、DWI、CE-T1WI序列的Rad-score联合作为输入，以充分利用多模态数据的互补信息来构建Combine模型。在测试集中T2WI、DWI、CE-T1WI单序列模型和Combine模型的AUC值分别为0.869[95%置信区间（confidence interval, CI）：0.772~0.938]、0.768（95% CI：0.645~0.865）、0.912（95% CI：0.830~0.966）、0.927（95% CI：0.865~0.966）（图5A、表3）。在验证集中T2WI模型、DWI模型、CE-T1W模型和Combine模型的AUC值分别为0.736（95% CI：0.573~0.896）、0.714（95% CI：0.560-0.872）、0.856（95% CI：0.675~0.990）、0.907（95% CI：0.813~0.977）（图5B、表3）。DeLong检验显示DWI模型与Combine模型、DWI模型和CE-T1WI模型的AUC值差异有统计学意义（P<0.05），余各模型两两之间的AUC值差异没有统计学意义（P>0.05）（表4）。

点击查看大图

图5  测试集（5A）及验证集（5B）各模型的ROC曲线。ROC：受试者工作特征；DWI：扩散加权成像；CE-T1WI：对比增强T1WI；AUC：曲线下面积；CI：置信区间。
Fig. 5  ROC Curves of models in the training set (5A) and validation set (5B). ROC: receiver operating characteristic; DWI: diffusion weighted imaging; CE-T1WI: contrast-enhanced T1WI; AUC: area under the curve; CI: confidence interval.

点击查看表格

表3  各模型ROC曲线分析结果
Tab. 3  Analysis of ROC curves in each model

点击查看表格

表4  各模型DeLong检验P值表
Tab. 4  DeLong test P-values for each model

3 讨论

       本研究构建了多个模型并对各个模型之间的性能进行了比较，证明了基于mp-MRI的影像组学模型在术前对EC患者MSI的表达状态进行精准预测的可行性，研究表明联合模型的预测效能最好，提供了一种无创的新方法用于EC患者MSI的术前诊断。

3.1 mp-MRI预测EC MSI状态的价值及影像组学模型效能的评价

       尽管mp-MRI不能直接检测EC的MSI状态，但它是一种非侵入性的成像技术，可以通过获取高分辨率的影像资料，评估肿瘤的位置、大小及周围组织情况，以评估肿瘤的存在及其大致的生物学行为^[17]。为了避免模型产生过拟合，本研究在特征降维、特征筛选之后进一步采用person相关性检验对相关特征进行筛选，细化选择与目标变量相关且相互独立的特征。向前法是一种逐步选择法，从没有任何变量的模型开始，然后逐步加入统计学最显著的自变量，过程简单、直观，适合在预测变量较多时，筛选出重要的变量。本研究构建的各单一模型中，CE-T1WI模型的诊断效能最高，可能是CE-T1WI对比度增强有助于区分病变与周围正常组织，可检测较小的病灶或具有不典型增强模式的病变，对于肿瘤的定位和边缘的评估有帮助^[18]。WANG等^[19]的研究与本研究结果一致，各单一序列模型中CE-T1WI模型的效能最高，但他们的研究样本量小且仅提取了肿瘤的形状特征，没有涵盖与EC患者MS状态密切相关的其他特征，导致模型的效能低于本研究。WANG等^[20]基于DWI深度学习和影像组学特征，结合临床参数和表观扩散系数（apparent diffusion coefficient, ADC）值验证EC患者MSI预测模型的有效性，该研究结合了更为全面的信息，多维度的数据融合策略使得预测模型能够更好地捕捉疾病的复杂性和异质性。本研究所构建的预测模型具有较高的诊断效能，可能与本研究纳入了多模态、多方位MRI序列，提取了多种特征（包括形态特征、一阶统计特征、纹理特征、高阶特征），并使用多种特征筛选方法，筛选出最有意义的特征有关，这些特征可以更准确客观地反映肿瘤组织的异质性。LIN等^[21]等结合影像与临床病理指标构建的列线图模型效能更高，由于引入临床病理指标综合分析提高了模型的效能。ZHANG等^[22]和WANG等^[23]等开发了一种基于深度学习的方法，从病理图像入手对EC患者MSI状态进行分类与预测，与本研究不同的是，他们的模型是基于组织病理学切片图像提取特征构建的，是病理组学的研究方法。虽然影像组学与病理组学的方法有所不同，但这两种非侵入性、高效率的人工智能推理方法为MSI状态的评估提供了新的工具，尤其是在资源有限的医疗环境中，可以作为分子生物学测试的补充。此外，在精准医疗时代，深度学习在图像分析中的应用潜力，为诊断、预后和药物治疗反应预测提供了新的视角。JIA等^[24]等采用双中心数据构建了五种机器学习模型，包括逻辑回归（LR）、k最近邻（KNN）、朴素贝叶斯（NB）、支持向量机（SVM）和随机森林（RF），其中SVM模型表现最佳，可能是由于SVM模型相对于二元logistic回归模型在处理高维数据集时展现出的鲁棒性和对噪声的低敏感性，但是SVM模型对于参数调优较为敏感，需要较好的经验和调参技巧，而二元logistic回归模型通常更容易实现，且对参数调优的需求相对较少。

       虽然本研究预测模型的效能较好，但本研究中个别模型在训练集与验证集中的敏感度与特异度差距较大，可能与本研究纳入的患者数量较少导致样本分布不平衡有关。

3.2 评估EC患者MSI状态的研究现状及意义

       除了已知的激素依赖性和遗传易感性，MSI被认为是EC形成的第三大因素^[25]，它能够影响肿瘤的发生和发展过程，MSI状态与EC患者的病理类型、分级以及生存率密切相关，可以预测EC患者对不同治疗策略的反应^[26]。检测和评估EC患者的MSI状态能够帮助临床医生更准确地评估患者的病情和预后，并为治疗方案的选择提供科学依据，这种个性化的医疗管理有助于提高患者的生存率和生活质量。肖婧等^[27]发现MSI与EC肌层侵犯深度有关，MMR蛋白的表达情况是EC患者总体生存情况的独立影响因素。MA等^[28]探讨了通过靶向TCF19来增强对抗PD-1治疗的敏感性，并通过TRIM14-IFN-β轴解除CD8⁺ T细胞耗竭的机制，为理解和优化MSI型EC免疫治疗提供了新的机制和策略，并有助于指导未来的临床研究和治疗开发。GATIUS等^[29]比较了Idylla™ MSI检测方法与Promega™ MSI分析系统以及免疫组化方法在甲醛水溶液固定石蜡包埋组织中的应用效果，并指出需要进一步标准化和验证的方面，有助于指导MSI检测方法在EC临床管理中的选择和应用，以及未来的方法改进和标准化的方向。GONZALEZ-BOSQUET等^[30]探讨了在MSI-H或无特定分子特征型（no specific molecular profile, NSMP）EC患者中的预后分层，有助于指导临床医生更精准地评估和管理EC患者的预后和治疗选择。马长军等^[31]发现T2 mipping联合mDixon-Quant多参数成像可以定量评估EC患者MSI状态。田士峰等^[32]基于增强T2^*加权血管成像序列R2^*图的肿瘤全域纹理分析对术前预测EC患者MSI状态具有一定的价值。当前，MSI状态评估在EC领域的相关研究相对较少，相比之下，结直肠癌领域的研究更为充分和深入，结直肠癌MSI状态与肿瘤发生、预后以及治疗反应等方面有着显著的影响^{[33, 34, 35]}。此外，随着对免疫检查点抑制剂治疗效果研究的不断深入，MSI状态的评估在指导EC的个体化治疗中逐渐显现出潜在价值。因此，进一步开展针对EC患者MSI状态的研究，尤其是在肿瘤生物学、治疗反应和预后评估方面，将有助于推动这一领域的进展。

3.3 非MSI型EC及研究现状

       在癌症基因组图谱（The Cancer Genome Atlas, TCGA）中，EC被分为四种主要的分子亚型：POLE突变型、微卫星不稳定高突变型、p53异常型和NSMP型。LIN等^[36]纳入了138名EC患者（35名POLE突变型，103名非POLE突变型），基于T2WI、DWI和CE-T1WI图像分别构建了三个影像组学模型并进一步开发了T2WI+DWI和T2WI+DWI+CE-T1WI特征的联合模型。所有模型中，整合了三个序列特征的联合模型表现最佳，与单序列模型相比，联合模型在预测POLE突变状态方面有所改进。VEERARAGHAVAN等^[37]发现CE-CT图像的影像组学特征在区分MSI型和POLE突变型的EC方面具有良好的效能。TIAN等^[38]研究发现p53abn组的APT值和R2^*值高于其他组。ZHANG等^[39]研究发现在P53abn组中，病变的最大直径和体积与其他组有显著差异。p53异常型组的ADC值高于其他组，ADC平均值在p53异常型组与其他组之间差异有统计学意义。VERMIJ等^[40]研究对高风险EC（high-risk EC, HR-EC）的分子亚型进行预后精细化分析，发现在NSMP型HR-EC患者中，雌激素受体（estrogen receptor, ER）阳性是一个强有力的预后良好因素，ER阳性与降低复发风险独立相关。DE BIASE等^[41]研究发现在NSMP型EC中，空间癌症-免疫表型（spatial cancer-immune phenotypes, SCIs）与疾病无复发生存期（disease-free survival, DFS）有很强的相关性。然而，在EC患者的TCGA研究中，对于各分子亚型的具体作用和其与治疗效果之间的关系仍然存在较多未知，需要更多的研究来加深我们对这一关联的理解。

3.4 本研究的局限性

       本研究存在一定的局限性：（1）本研究仅基于单中心数据、样本量少，模型的泛化能力不足，后续应增加样本量且通过多中心数据进行模型的验证。（2）本研究仅采用了T2WI、DWI及CE-T1WI序列，提供的肿瘤相关信息有限，后续应引入更多序列并联合临床病理因素进行综合分析，以提供更多关于EC MSI的信息，提高模型的诊断效能。（3）本研究仅构建了logistic回归模型，后续应该构建多种模型，比较多种模型的效能，找出预测EC MSI状态最有价值的模型。（4）实际临床应用中的可行性和可操作性差，特别是不同医院和设备之间一致性差。（5）影像组学特征的解释性相对较低，使得临床医生在实际应用时可能面临决策困难，因为他们难以理解模型给出的预测结果及其背后的生物学机制。因此，为了增强影像组学模型的临床可操作性，未来的研究应致力于简化模型结构、提升其可解释性，并通过多中心合作提高数据的标准化与共享，以促进其在临床实践中的广泛应用。

4 结论

       综上所述，本研究基于mp-MRI构建的影像组学模型对EC MSI状态的预测具有良好的效能，可以在一定程度上辅助临床制订个体化治疗策略，从而改善患者的预后及生存率。