0 引言

       目前普遍认为胎盘植入性疾病（placenta accreta spectrum, PAS）的发生是因胎盘绒毛的滋养层细胞发生过度增殖、子宫底蜕膜的发育不良及其结构缺陷所致，当具有高度侵袭能力的胎盘绒毛通过缺陷的底蜕膜侵入子宫肌层甚至穿透子宫浆膜层时，常会增加胎盘剥离的困难程度，影响子宫收缩，延长生产时长^{[1, 2]}，是妊娠中晚期发生子宫破裂、产后出血，甚至急诊子宫切除的重要原因之一^{[3, 4]}。近年来，随着我国三孩政策开放后晚婚晚育人群的增加，以及人工流产率和剖宫产率的不断增长，PAS的发生率也逐年升高^{[5, 6, 7]}。根据胎盘侵入子宫肌层的深度不同可将PAS分为三种不同的类型，即粘连性胎盘植入、植入性胎盘植入和穿透性胎盘植入（placenta percreta, PP），当胎盘组织侵入子宫肌层达浆膜层甚至累及周围脏器时称为PP^{[3, 8]}。有研究显示，随着胎盘植入的程度不断加深，其可能引起如产后出血、子宫切除、急性肾功能损伤、弥散性血管内凝血等不良妊娠结局的风险也相对升高^{[9, 10]}。因此，产前对PAS的程度进行准确分型尤为重要，特别是对PP类型的识别，是临床医生决定分娩时机及分娩方式的关键。

       在PAS的诊断中没有特异性的检验指标和临床症状。超声因其无创、便携、可重复、对血流敏感等优点仍是目前诊断PAS的首选方法，但容易受到孕妇体型及羊水量等的影响从而干扰诊断的准确性^{[11, 12, 13]}。MRI检查对软组织的分辨率较高，特别是对后壁胎盘及宫旁浸润等方面，但其诊断目前尚未有统一的标准^{[14, 15]}，仍需放射科医师凭借经验肉眼进行诊断，无法避免主观意识影响。影像组学是一种新兴的研究领域，通过对影像图像特征的高通量提取及挖掘目前已广泛应用于疾病的诊断和其预后分析^{[16, 17]}。影像组学通过客观的特征提取或可弥补MRI检查在PAS诊断中的不足。国内外对有无PAS发生的影像组学研究较多，但针对PP的研究鲜有报道，有研究表明，PP是发生产后出血的重要原因之一，产前对其正确识别尤为重要^[18]。因此本研究旨在通过影像组学技术建立预测模型从而提高对产前PP的鉴别诊断能力。

1 材料与方法

1.1 一般资料

       本文回顾性分析2021年1月至2023年12月在郑州大学第三附属医院（河南省妇幼保健院）放射科行胎盘MRI平扫且MRI提示为PP的80例孕产妇的临床及影像资料。纳入标准：（1）在本院行剖宫产分娩，有完整的临床病史；（2）胎龄≥24周；（3）MRI检查均在产前1个月内完成。排除标准：（1）多胎妊娠；（2）影像图像不完整或有伪影影响观察；（3）孕妇存在其他子宫病变（如子宫肌瘤、恶性肿瘤等）。本研究遵循《赫尔辛基宣言》，经本院伦理委员会批准，免除患者知情同意，批准文号：2024-108-01。

1.2 仪器与方法

       本研究采用美国GE 1.5 T MRI扫描仪和自带的相控阵体部线圈完成MRI扫描。检查前叮嘱患者少量憋尿，采取仰卧位，双膝部适度垫高，先对盆腔部位精准定位后展开初次扫描，随后依次完成轴位、矢状位以及冠状位的扫描。首先采用单次激发快速自旋回波（single-shot fast spin echo, SSFSE）序列采集T2WI图像，参数：矩阵288×288，视野40.0 mm×40.0 mm，层厚5.0 mm，层间隔1.0 mm，回波时间100 ms，重复时间2000 ms；继而进行稳态进动平衡（fast-imaging employing steady-state acquisition, FIESTA）序列扫描，参数：矩阵224×256，视野40.0 mm×40.0 mm，层厚5.0 mm，层间隔1.0 mm，回波时间Min Full，重复时间4.3 ms。

1.3 诊断标准

       以孕产妇剖宫产时术中的情况进行确诊^[19]。术中对PP的诊断为胎盘不能自动剥离，往往需手动剥离或钳夹，常发生不可控制的大出血，于子宫浆膜层可见密集且显著扩张的血管，或于周围脏器见胎盘组织。

1.4 影像组学分析

1.4.1 图像分割和特征提取

       将轴位、冠状位及矢状位T2WI图像导入ITK-SNAP 4.0软件（www.itksnap.org），对胎盘边缘感兴趣区（region of interest, ROI）的勾画先由一名具有3年盆腔MRI影像诊断的主治医师（医师1）进行，再由另一名具有7年盆腔MRI诊断经验的副主任医师（医师2）进行检查、修改及保存，如图1。将原始图像及ROI导入Python 3.6（http://www.python.org）软件中，使用Pyradiomics库提供的Scikit-learn模块对三个不同切面的特征进行提取，共提取3591个影像特征（轴位、冠状位、矢状位各1197个）。由第三名具有12年工作经验的主任医师（医师3）在训练集中随机挑选20例单独完成对胎盘ROI的勾画，同样对特征进行提取，用组内相关系数（intra-class correlation coefficient, ICC）对医师2和医师3的勾画结果进行一致性评价，ICC>0.75认为一致性较好。

点击查看大图

图1  女，32岁，术后诊断为完全性前置胎盘，穿透性胎盘植入。冠状位（1A）、矢状位（1B）、轴位（1C）感兴趣区勾画示意图。
Fig. 1  Female, 32 years old, postoperative diagnosis of complete placenta praevia with placenta percreta. Schematic diagram of the region of interest delineation on coronal (1A), sagittal (1B), and axial (1C) images.

1.4.2 特征筛选及模型构建

       对提取的影像特征首先实施Z-score正则化操作，旨在抵消因不同特征数值波动而引发的干扰，接着运用t检验来筛选特征，仅留存满足P<0.05条件的部分，继而计算Pearson相关系数，对|r|>0.9的特征予以剔除，最后使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）对特征展开进一步的筛选及降维处理，通过十折交叉验证选取最优λ值，并依据λ值的不同将回归系数向0趋近，选定非0系数特征，同时对保留下来的特征赋予权重并完成特征权重的计算。

       在Python软件的Scikit-learn库中采用7种不同的机器学习算法进行模型的构建，并采用受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、敏感度、特异度、准确度、阳性预估值（positive predictive value, PPV）、阴性预估值（negative predictive value, NPV）等指标评价其学习能力，从而选取最优的算法进行影像组学模型的构建。

       对收集到的临床信息进行单因素的逻辑回归分析，筛选出对PP具有预测价值的因素，随后将单因素分析中具有统计学差异（P<0.05）的因素纳入到多因素的逻辑回归分析，筛选出对PP具有独立预测的因素，从而构建临床模型。

       将临床信息与影像组学评分（radiomics score, Rad score）纳入到单多因素逻辑回归分析中，筛选出对PP具有独立预测的因素，并将其可视化（列线图）构建联合模型（影像组学-临床模型）。

1.5 统计学分析

       运用Python软件（版本3.7.3，http://www.python.org）完成统计学分析。对于服从正态分布的定量资料以（x¯±s）表示，不符合正态分布的定量资料以M（Q1，Q3）表示，分别采用独立样本t检验和Mann-Whitney U检验对组间差异进行对比分析，对于计数数据用n（%）表示，采用χ²检验或Fisher确切概率法进行组间差异比较。本研究通过单因素逻辑回归分析筛选对PP有预测价值的因素，随后将单因素分析中差异有统计学意义的因素纳入多因素逻辑回归分析，筛选独立预测因素。采用逐步向前的变量选择方法构建逻辑回归模型。采用ROC曲线对构建的各模型其诊断效能进行评估，并计算AUC、敏感度、特异度、准确度、PPV、NPV等指标。采用DeLong检验比较AUC的差异。校准曲线评价模型的校准程度，决策曲线分析（decision curve analysis, DCA）评估模型的临床实用价值。P<0.05为差异具有统计学意义。

2 结果

2.1 患者的临床资料

       根据纳排标准最终共纳入80例患者。经手术证实为PP的有48例，非PP的有32例。将所有患者按照7∶3的比例随机划分为训练集（56例）与测试集（24例），其中训练集中诊断为PP的有32例，测试集中诊断为PP的有16例，见表1。在训练集中PP与非PP组间产后出血量、此前产次和此前剖宫产次的差异具有统计学意义（P<0.05）。

点击查看表格

表1  患者的一般临床资料
Tab. 1  General clinical data of patients

2.2 影像组学特征的筛选

       T2WI图像ROI的3591个影像组学特征经过t检验后剩余388个特征，选取Pearson相关系数|r|<0.9的特征后剩余121个，最后经LASSO算法交叉验证降维后剩余14个特征进行影像组学模型的构建。筛选及收缩系数的收缩路径曲线见图2。

点击查看大图

图2  采用LASSO交叉验证选取的最佳参数及模型构建的影像组学特征。2A：回归系数图；2B：均方误差图；2C：最佳特征系数。
Fig. 2  LASSO was used to cross-verify the optimal parameters and the image omics features of the model construction. 2A: Plot of regression coefficients; 2B: Plot of mean square error; 2C: Plot of best characteristic and coefficients.

2.3 影像组学模型的构建及性能评价

       对14种影像组学特征通过7种不同的机器学习方式进行模型构建，其性能比较详见表2。舍弃掉过拟合及有过拟合趋势的学习方式后可以得知逻辑回归模型的效能最好，在训练组中其AUC值、敏感度、特异度、准确度、PPV、NPV分别为0.948 [95%置信区间（confidence interval, CI）：0.884~1.000]、90.6%、91.7%、91.1%、93.5%、88.0%。

点击查看表格

表2  不同分类器对影像组学模型构建的性能比较
Tab. 2  Comparison of the performance of different classifiers for image omics model construction

2.4 影像组学-临床模型的构建与验证

       将收集到的临床信息和Rad score进行单因素及多因素的逻辑回归分析，在进行单因素分析时孕次、此前产次、此前剖宫产次和Rad score差异均具有统计学意义（P<0.05）。多因素分析时孕次的优势比（odds ratio, OR）值为0.272（95% CI：0.151~0.492），P<0.001。Rad score的OR值为1 934.105（95% CI：118.985~31 445.149），P<0.001，详细见表3。将筛选出来的对PP的独立预测因素可视化构建列线图（图3），即构建影像组学和临床联合模型（影像组学-临床模型），联合模型对PP型胎盘植入具有较好的鉴别能力，在训练集中的AUC、敏感度、特异度、准确度分别为0.962（95% CI：0.906~1.000）、90.6%、91.7%、91.1%，详见表4和图4。

       DeLong检验发现，无论是在训练集还是测试集中，临床模型与影像组学-临床模型之间的差异均具有统计学意义（P<0.05），详见表5。通过校准曲线及DCA比较可以得知影像组学-临床模型具有较好的校准度及临床应用价值（图5）。

点击查看大图

图3  影像组学和临床因素联合构建的列线图。Rad score为影像组学评分；Gravidity为孕次。
Fig. 3  Nomogram constructed by combining radiomics and clinical factors. Rad score refers to the radiomics score; Gravidity refers to the number of pregnancies.

点击查看大图

图4  临床（Clinic）模型、影像组学（Radiomics）模型、影像组学-临床（Radiomics-Clinic）模型的受试者工作特征（ROC）曲线。4A：训练集，4B：测试集。AUC：曲线下面积，CI：置信区间。
Fig. 4  Receiver operating characteristic (ROC) curves of the clinical model, radiomics model, and radiomics-clinical model. 4A: Training set; 4B: Test set. AUC: area under the curve; CI: confidence interval.

点击查看大图

图5  临床（Clinic）模型、影像组学（Radiomics）模型、影像组学-临床（Radiomics-Clinic）模型的校准曲线（5A、5B）和决策曲线分析（5C、5D）。5A和5C为训练集，5B和5D为测试集。
Fig. 5  Calibration curves (5A, 5B) and decision curve analysis (5C, 5D) of the clinical model, radiomics model, and radiomics-clinical model. 5A and 5C represent the training set, 5B and 5D represent the test set.

点击查看表格

表3  临床信息和影像组学评分的单因素及多因素分析
Tab. 3  Univariate and multivariate analyses of clinical information and radiomics score

点击查看表格

表4  临床模型、影像组学模型和影像组学-临床模型之间的效能比较
Tab. 4  Comparison of the efficacy among the clinical model, radiomics model, and radiomics-clinical model

点击查看表格

表5  临床模型、影像组学模型和影像组学-临床模型AUC的DeLong检验结果（P值）
Tab. 5  DeLong test results of the AUC of the clinical model, radiomics model, and radiomics-clinical modelmodel (P value)

3 讨论

       本研究通过高通量的影像组学特征提取，构建不同的预测模型，寻找对PP更好的鉴别诊断方式，这是目前国内少有的仅针对PP的研究。结果显示，孕次和Rad score是鉴别PP的独立预测因素，构建的影像组学-临床模型对产前正确识别PP具有更好的诊断效能，有助于辅助临床医师充分完善术前准确，从而改善母婴结局^{[20, 21]}。

3.1 临床特征在鉴别PP中的价值分析

       近些年来，PAS的发病率不断提高，但是对PAS的产前诊断仍缺乏较为全面的方法。白秀丽等^[22]等的研究表明年龄、孕次、人工流产史、孕早期保胎史、剖宫产手术史、辅助生殖、前置胎盘是影响PAS的独立危险因素。JAUNIAUX等^[23]的研究同样表明PAS的发生原因与高孕产发病率相关，主要为子宫手术史，尤其是剖宫产。本研究发现仅孕次是导致PP发生的临床独立危险因素，但在训练集的临床资料组间比较中发现PP组和非PP组的此前产次和此前剖宫产次的组间比较差异均是有统计学意义的，是因为PAS的发生与子宫内膜-肌层界面的损伤密切相关，而高孕、高产及剖宫产等是不可忽视的因素，且随着次数的增多，肌层受损的程度相对越重，PP的发生风险也越高。

3.2 影像组学在PP中的应用价值分析

       基于MRI对PAS的诊断主要凭借放射科医师的经验对其宏观特征进行分析，因此无法避免主观因素产生的影响。熊星等^[24]基于临床特征及常规胎盘MRI征象经逻辑回归构建的列线图可以作为PAS产前预测的辅助方法，但是特征的评估仍需肉眼识别，缺乏客观性。而影像组学则是通过图像采集、ROI勾画、特征提取、特征筛选从而构建模型^{[25, 26, 27]}，可以提取更多肉眼无法识别的特征，减少一定的主观性影响，现已应用于多种疾病的诊断，如肿瘤、心血管等^{[28, 29, 30]}。SUN等^[31]通过纹理分析及机器学习的方式对PAS的产前预测进行研究，结果显示该方式可以更准确地诊断是否发生PAS。ROMEO等^[32]也采用同样的方式对前置胎盘患者是否发生PAS进行了研究。而REN等^[33]则在该基础上不仅对矢状位进行了分析，冠状位及轴位也进行了研究，结果表明多平面的组合可以使MRI的纹理特征得到更充分的体现。因此，本研究基于当前影像组学在PAS中的应用采用了多平面结合的方式对PAS分型中的PP型进行鉴别诊断。

3.3 影像组学在PP中的创新性分析

       现有的影像组学研究大多集中于对产前PAS的预测，而对PAS中某种类型的研究较少^[34]。邹锦莉等^[10]的研究表明影像组学-临床模型可作为产前预测是否存在PAS的方法，且Rad score对PAS亚型具有较好的鉴别能力，尤其是对PP。因此本研究针对PP进行多平面的特征提取和筛选，通过7种不同的学习方式针对产前PP进行识别，舍弃掉过拟合及表现出过拟合趋势的模型，虽然SVM在训练集中的诊断效能更好，但在测试集中逻辑回归模型相对更稳定。在对临床及影像组学模型的构建中分类器的稳定性是极其重要的^[35]。因此，经综合分析确定逻辑回归模型更好。本研究结果显示基于逻辑回归模型构建的影像组学-临床模型能够对产前PP进行更准确地识别。

3.4 本研究的局限性

       （1）为回顾性研究，不可避免存在偏倚，后续有必要对该模型继续开展前瞻性多中心验证工作，从而提升诊断效能；（2）对ROI的勾画为手动完成，不可避免地存在一定的主观影响，应尽可能开发全自动ROI勾画工具；（3）样本量较小，需扩大样本量进一步对模型的构建进行完善。

4 结论

       综上所述，本研究基于MRI多平面T2WI的影像组学特征提取和筛选结合临床数据所建立的预测模型能够对PP进行更好地识别，有助于制订更完备的手术方案，从而降低产后不良结局的发生，提高母婴产后生活质量。