0 引言

       胎盘植入性疾病（placenta accreta spectrum, PAS）是一种以胎盘滋养细胞异常粘连和部分或全部侵犯子宫肌层为特征的疾病。根据胎盘滋养层侵入子宫肌层的深度，PAS分为三种类型：胎盘粘连（placenta accrete, PA）、胎盘植入（placenta increta, PI）和胎盘穿透（placenta percreta, PP）^{[1, 2]}。PAS产妇分娩时难以完全剥离胎盘，存在子宫切除、无法控制的出血、盆腔脏器损伤等不良临床结局的高风险，手术和住院时间长^{[3, 4, 5]}。因此，PAS准确的产前诊断和风险评估，对于建立正确可行的处置规范流程，改善患者预后具有重要意义。

       目前超声是产前诊断PAS的首选影像学方法，但超声显像易受较多因素的干扰，且受限于分辨率及视野，在评估PAS的深度、解剖部位和后壁胎盘方面存在不足^{[6, 7, 8]}；而MRI能有效弥补超声检查的不足，在PAS产前诊断和评估中发挥着越来越重要的作用^{[9, 10]}。国内外已有相关文献对PAS的MR主观征象进行量化评分，但目前尚无统一标准，诊断的准确性和一致性存在较大差异^{[11, 12, 13]}。因此需要加入一些客观的影像定量分析来弥补主观可视化影像诊断的不足。影像组学是近年来应用的一种新的影像诊断技术，其优势在于能够高通量地从医学图像中提出大量人眼无法识别的影像特征指导临床决策^{[14, 15]}。相关研究表明，影像组学在PAS的诊断评估和临床结局预测方面有着较高的应用价值^{[16, 17]}。虽然已有相关研究将影像组学特征与MR主观征象以及临床特征相结合建立模型用于PAS的预测，但现有研究大多是将MR主观征象进行筛选后保留其中1~2个征象直接纳入模型，这样的方式容易漏掉专家共识中其他的有意义征象，且不能形成统一的评价标准，导致模型的可重复性不足；此外目前研究中所建立的多参数模型仅单一地用于PAS或不良临床结局的预测，未能形成一种同时用于二者评估的影像学方法。

       因此，本研究将参考以往文献中建立的评分量表对专家共识中所提出的胎盘MR主观征象进行全面分析和量化评分，在此基础上加入临床特征和胎盘MR影像组学特征进行多因素分析建立联合模型，评估该模型是否能够在产前同时实现对PAS的分级预测以及临床结局的风险评估。

1 材料与方法

1.1 一般资料

       本研究符合《赫尔辛基宣言》的原则，并经过昆山市第一人民医院伦理委员会批准，且入组患者均已对本研究知情同意并签署了知情同意书，伦理批号为：2022-03-037-K01。于2022年12月开始前瞻性纳入临床疑诊PAS孕妇在昆山市第一人民医院行产前胎盘MRI检查，至2024年12月完成产前胎盘MR检查者共182例。纳入标准：（1）存在PAS的高危因素，临床症状、体征或超声检查高度提示PAS的孕妇；（2）孕龄为>24周的中、晚期孕妇。排除标准：（1）有幽闭恐惧症或因身体因素不能耐受MRI检查的孕妇；（2）超声检查可以明确诊断，无进行MRI检查计划者。167例孕妇最终于昆山市第一人民医院分娩并获得完整临床资料、手术记录和/或病理结果，且MR图像质量符合诊断和评估要求纳入本研究，根据是否为PAS按7∶3的比例分层随机划分为训练集119例和验证集48例。

1.2 仪器与方法

       采用联影UMR770 3.0 T超导扫描仪，配备盆腔相控阵线圈行胎盘MRI检查。孕妇取仰卧位，膀胱适度充盈，扫描范围自膈肌至耻骨联合。扫描序列包括平衡稳态自由进动（balanced steady-state free precession, BSSFP）-T2WI序列的轴位和冠、矢状位，单次激发快速自旋回波（single shot fast spin echo, SSFSE）-T2WI序列以及T1WI脂肪抑制序列的矢状位，具体参数见表1。

点击查看表格

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

1.3 PAS诊断分型标准以及不良临床结局的定义

       本研究以分娩术中所见或术后病理诊断结果为PAS分型标准^[18]。（1）PA：术中胎盘与子宫内膜粘连紧密，剥离胎盘或术后病理发现胎盘绒毛侵犯子宫肌层表面时发生无法控制的出血；（2）PI：术中钳刮取出植入子宫肌层的胎盘组织或术后病理发现植入子宫肌层的胎盘绒毛；（3）PP：术中胎盘组织侵及子宫全层，甚至超越子宫侵犯周围脏器，或术后病理发现绒毛已达浆膜层或浆膜外组织。将PAS组定义为存在上述任意一种PAS分型的入组患者，将非PAS组定义为不存在上述任意一种PAS分型的入组患者。

       产妇不良临床结局包括^[19]：（1）手术时间延长（剖宫产手术时间>60 min）；（2）术中大出血（术中出血量>2000 mL）；（3）子宫切除术；（4）膀胱扩大修补术（需行膀胱切除术或膀胱全切术）；（5）需要入住ICU。新生儿不良临床结局包括^[20]：（1）早产（胎龄≤36周）；（2）低出生体重儿（出生体质量<2500 g）。以上不良临床结局出现至少一个被认为是阳性不良临床结局。

1.4 MR主观征象评估

       由2名具有10年以上MRI诊断经验的主治医师对《腹部放射学会及欧洲泌尿生殖放射学会关于PAS的MRI检查联合共识声明》^[21]中推荐的7个主要的MRI主观征象以及是否存在前置胎盘进行评估，当评估结果不一致时，与第3位医师（15年以上MR诊断经验的副主任医师）共同商讨决定最终结果。在训练集中筛选出PAS和非PAS组间差异有统计学意义的MR征象，并根据朱晓曼等^[12]发表文献中所使用的MR征象评分方法，将入组病例的上述差异有统计学意义的MR征象分数相加得到最终MR主观征象评分（表2）。

点击查看表格

表2  预测PAS的MR征象评分量表
Tab. 2  MR signs scoring scales for predicting PAS

1.5 影像组学分析

1.5.1 图像分割及特征提取

       将BSSFP-T2WI序列和SSFSE-T2WI序列的矢状位图像分别导入中国科学院苏州生物医学工程技术研究所和苏州国科康成医疗科技有限公司联合开发的人工智能辅助建模软件（artificial intelligence-assisted diagnosis modelling software, AIMS）（V1.0），并由1名具有10年盆腔MR工作经验的放射科副主任医师采用该软件中的“图像分割”模块对感兴趣体积（volume of interest, VOI）进行半自动勾画，VOI包括胎盘区域及其相邻的子宫肌层（图1）。图像分割完成后，使用Z-score归一化对图像进行标准化，得到图像强度的标准正态分布；然后，采用AIMS的“特征提取”模块，分别使用标准差为4 mm和5 mm的拉普拉斯-高斯（Laplacian-Gaussian, LoG）滤波器对图像进行重建。随后，应用小波变换和LoG变换，根据原始图像特征提取特征。提取的特征包括一阶统计量、形状特征和纹理特征。2周后由另一名放射科主治医师（2年MRI图像分割经验）随机抽取40例对VOI进行分割及其影像组学特征的提取，采用组间相关系数（intra-class correlation coefficient, ICC）对医师间图像分割的一致性进行评价，ICC>0.8为一致性良好。

点击查看大图

图1  VOI图像分割示意图。1A～1B：BSSFP-T2WI序列的矢状位图像分割和相应的VOI生成；1C～1D：SSFSE-T2WI序列的矢状位图像和相应的VOI生成。VOI：感兴趣体积；BSSFP：平衡稳态自由进动；SSFSE：单次激发快速自旋回波。
Fig. 1  Schematic diagram of the segmentation of the volume of interest image. 1A and 1B: Sagittal image segmentation and corresponding VOI generation of BSSFP-T2WI sequence; 1C, 1D: Sagittal images of SSFSE-T2WI sequence and corresponding VOI generation. VOI: volume of interest; BSSFP: balanced steady-state free precession; SSFSE: single shot fast spin echo.

1.5.2 影像组学特征筛选和模型建立

       采用AIMS的“特征筛选”模块将ICC大于0.8的VOI特征纳入进一步的筛选过程。采用Spearman相关性分析和最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析中的lambda.1se方法，分别在BSSFP-T2WI序列和SSFSE-T2WI序列图像中进行特征筛选，避免过多的无关特征和过拟合，确定预测PAS阳性的关键特征，采用10折交叉验证法选择最合适的λ值。最后，得到最优特征及其对应的回归系数。采用AIMS的“建模”模块以筛选出的最优影像组学特征构建用于预测PAS的广义线性模型（generalised linear model, GLM）——logistic回归模型。随后，采用WEI等^[22]提出的公式得到相应的影像组学分数（radiomics score, Radscore），见公式（1）。

       Intercept和Featurei是LASSO回归产生组学特征对应的截距和特征值；βi为每个特征的回归系数。

1.6 多因素联合模型和列线图的建立

       对训练集中患者的临床特征（年龄、BMI、孕次、产次、流产次数、分娩孕周、剖宫产史、胎盘位置、超声下有无前置胎盘）和MR征象评分进行PAS和非PAS的组间差异性分析，将组间差异统计学有意义的临床特征、MR征象评分和Radscore进行不同组合的logistic多因素回归分析，分别建立临床模型、临床-MR评分模型和临床-MR评分-Radscore模型，评估各模型的诊断效能和临床净效益，使用1000次重采样的Bootstrap方法进一步对各模型进行内部测试，并采用验证集病例进行验证以筛选最优模型。随后生成最优模型的列线图，在列线图上确定每个特征值对应的分数，所有特征值分数相加得到的总分数所对应的线性预测值即为列线图预测值。

1.7 统计学方法

       采用SPSS 19.0、MedCalc1 5.0和R软件（v4.0.5,http://www.Rproject.org）进行统计学分析。采用K-S检验进行正态分布检验。符合正态分布的连续变量用平均值±标准差表示，采用独立样本t检验比较组间差异；不符合正态分布的连续型变量用中位值（四分位间距）表示，采用秩和检验比较组间差异；分类变量用数量（百分比）表示，采用卡方检验或费舍尔检验比较组间差异。P值<0.05为差异有统计学意义。采用Stepwise向后logistic回归分析对临床特征、MR征象评分以及Radscore进行多因素分析，筛选PAS的独立预测指标，并建立不同的联合预测模型，P值<0.05的特征为多因素分析中有显著意义的指标。采用受试者工作特征（receiver operating characteristic, ROC）曲线分析和DeLong检验比较各模型的诊断效能；使用决策曲线分析（decision curve analysis, DCA）评价各模型的临床应用净效益。采用R软件包生成列线图，并采用校准曲线评价列线图的校准度，Hosmer-Lemeshow检验评估模型的校正性能。采用ICC评估两名医生评分结果的一致性，ICC>0.8为一致性良好。

2 结果

2.1 患者临床特征

       本研究共纳入167例孕妇，年龄21~43岁（中位值33岁），MR检查孕周33~40周（中位值37周）。其中非PAS 78例，PAS 89例（包括PA 48例，PI 31例，PP 10例）。无产后不良临床结局者83例，存在产后不良临床结局者84例（包括早产儿66例，低出生体重儿26例，产后大出血23例，手术时间延长23例，子宫切除者5例，膀胱修复手术者2例，进ICU者11例）。随机分为训练集119例和验证集48例。患者一般特征见表3。

       在纳入分析的临床特征中，训练集中的孕次、流产次数、分娩孕周、剖宫产史、超声下有无前置胎盘以及验证集中孕次、流产次数、剖宫产史、超声下有无前置胎盘在PAS和非PAS组间差异有统计学意义（P值均<0.05）。详见表3。

点击查看表格

表3  临床特征和MR征象评分在PAS组和非PAS组间差异性分析
Tab. 3  Analysis of differences in clinical characteristics and MR signs scores between the PAS and non-PAS groups

2.2 MR征象评分量表

       在8个MR主观征象中，训练集中前置胎盘、T2WI胎盘内低信号带、胎盘/子宫膨出、胎盘后低信号线消失、胎盘床异生血管及膀胱壁中断6个征象在PAS和非PAS组间差异有统计学意义（P值均<0.05），详见表4。将以上6个征象的分数相加为MR征象的最终评分。一致性分析结果显示，两位医生间的评分一致性良好（ICC值为0.859）。MR征象评分在PAS和非PAS组间差异有统计学意义（P值<0.001，表4）。

点击查看表格

表4  MR征象在PAS和非PAS组间的差异性分析
Tab. 4  Analysis of differences in MR signs between PAS and non-PAS groups

2.3 影像组学模型建立

       分别从BSSFP-T2WI和SSFSE-T2WI序列中提取了1130个特征，各剔除了623个和702个ICC≤0.8或Spearman相关系数r≤0.6的冗余特征后，经LASSO回归分析方法最终筛选出5个特征用于建立影像组学模型，具体见图2。同时通过公式（1）得到相应的Radscore。

点击查看大图

图2  影像组学特征筛选过程和结果。2A：影像组学特征的LASSO系数剖面图；2B：采用LASSO算法筛选影像组学特征；2C：从BSSFP-T2WI序列和SSFSE-T2WI序列中筛选出的最佳影像组学特征及其权重系数。LASSO：最小绝对收缩和选择算子；BSSFP：平衡稳态自由进动；SSFSE：单次激发快速自旋回波。
Fig. 2  Screening process and results of radiomics features. 2A: Sectional view of LASSO coefficient of radiomics features; 2B: Radiomics features selected by LASSO algorithm; 2C: The best radiomics features and their weight coefficients selected from BSSFP-T2WI and SSFSE-T2WI sequences. LASSO: least absolute shrinkage and selection operator; BSSFP: balanced steady-state free precession; SSFSE: single shot fast spin echo.

2.4 临床模型、临床-MR评分模型和临床-MR评分-Radscore模型建立

       将组间差异有统计学意义的临床特征纳入多因素分析，结果显示：流产次数和分娩孕周预测PAS有显著意义（P<0.05），OR值分别为：2.071（95% CI：1.408~3.047）和0.693（95% CI：0.489~0.983），二者建立的临床模型为：logit（P）=12.889+0.724×流产次数-0.366×分娩孕周。

       将组间差异有统计学意义的临床特征和MR征象评分纳入多因素分析，结果显示：流产次数和MR征象评分预测PAS有显著意义（P<0.05），OR值分别为：3.828（95% CI：1.105~13.262）和1.465（95% CI：1.167~1.839）。二者建立的临床-MR评分预测模型为：Logit（P）=7.802+1.342×流产次数+0.382×MR征象评分。

       将组间差异有统计学意义的临床特征、MR征象评分和Radscore纳入多因素分析，结果显示：流产次数、MR征象评分和Radscore预测PAS有显著意义（P<0.05），OR值分别为：1.896（95% CI：1.196~3.006），1.280（95% CI：1.044~1.570）和5.26×10⁹（95% CI：4.83×10⁹~5.74×10⁹）。三者建立的临床-MR评分-Radscore预测模型为：Logit（P）=-13.591+0.640×流产次数+0.247×MR征象评分+22.384×Radscore。

2.5 MR征象评分和各模型的性能评估

       经训练集评估、Bootstrap内部测试及验证集验证结果示，在MR征象评分和所有模型中，临床-MR评分-Radscore模型的诊断效能最高，训练集和验证集的ROC曲线下面积（area under the curve, AUC）值分别为0.857和0.848，高于MR征象评分、临床模型、临床-MR评分模型以及影像组学模型，具体见表5，表6和图3A、3B、图4；且差异均有统计学意义（Z值分别2.764、3.218、2.470、2.213，P值均<0.05）。此外，当临床-MR评分-Radscore模型阈值取>0.452时，敏感度、特异度和准确度较MR征象评分和其他模型均有所提高。

       DCA结果显示，在可行阈值概率的大部分范围内，与MR征象评分和其他模型相比，临床-MR评分-Radscore模型用于PAS的产前评估获得了最高的临床净效益（图3C）。

点击查看大图

图3  MR征象评分和各模型预测PAS的ROC曲线和临床决策曲线。3A：训练集ROC曲线；3B：验证集ROC曲线；3C：训练集临床决策曲线。PAS：胎盘植入性疾病；ROC：受试者工作特征。
Fig. 3  ROC curves and clinical decision curves of MR sign scores and each model for predicting PAS. 3A: ROC curve of training set; 3B: ROC curve of validation set; 3C: Clinical decision curve of training set. PAS: placenta accreta spectrum; ROC: receiver operating characteristic.

点击查看大图

图4  训练集各模型的Bootstrap内部测试的ROC曲线。4A：临床模型；4B：临床-MR评分模型；4C：影像组学模型；4D：临床-MR评分-Radscore模型。ROC：受试者工作特征；Radscore：影像组学分数。
Fig. 4  ROC curves of Bootstrap internal tests for each model in the training set. 4A: Clinical model; 4B: Clinical-MR scoring model; 4C: Radiomics model; 4D: Clinical-MR score-Radscore model. ROC: receiver operating characteristic; Radscore: radiomics score.

点击查看表格

表5  训练集MR征象评分和各模型预测PAS的ROC曲线分析结果
Tab. 5  Results of ROC curve analysis of MR sign scores and each model for predicting PAS in the training set

点击查看表格

表6  验证集MR征象评分和各模型预测PAS的ROC曲线分析结果
Tab. 6  Results of ROC curve analysis of MR sign scores and each model for predicting PAS in the validation set

2.6 列线图的生成和性能评估

       因流产次数、MR征象评分和Radscore构建的联合模型对PAS的预测效能最高，故生成相应的列线图（图5A），得到相应的列线图预测值。校准曲线分析显示，在训练集和验证集中，该列线图的预测值和实际值的一致性均较高（Hosmer-Lemeshow测试，P=0.426、0.513）（图5B、5C）。

       在所有入组病例中，列线图预测值在PA组和PI组、PI组和PP组、不良临床结局阴性组和阳性组间差异均有统计学意义（P值均<0.05）。列线图预测值鉴别PA和PI、PI和PP以及预测不良临床结局的效能均较高，AUC值分别约0.837（95% CI：0.769~0.905），0.879（95% CI：0.807~0.951）和0.822（95% CI：0.753~0.891）；最佳阈值分别为：>0.628、>0.966、>0.710，敏感度和特异度分别为：78.9%和74.4%、89.2%和75.6%、72.8%和80.4%。典型病例见图6。

点击查看大图

图5  列线图及其校准曲线。5A：临床-MR评分-Radscore列线图；5B~5C：训练集和验证集中列线图的校准曲线。Radscore：影像组学分数；Pr：列线图预测值。
Fig. 5  Nomogram and its calibration curve. 5A: Clinical-MR score-Radscore nomogram; 5B, 5C: Calibration curves of the nomogram in the training and validation sets. Radscore: radiomics score; Pr: nomogram predicted value.

点击查看大图

图6  6A~6C：孕38⁺⁵ w，34岁，流产次数3次，超声疑诊PAS，术中诊断为PI，不良临床结局阳性（低出生体重儿）。BSSFP-T2WI（6A）和SSFSE-T2WI（6B）矢状位图像上可见边缘型前置胎盘（1分），前壁胎盘与子宫前壁肌层间T2WI低信号线消失（2分）（蓝色短箭），MR征象评分3分；列线图（6C）预测值为0.9，>0.628正确诊断为PI，>0.710正确提示不良临床结局阳性风险。6D~6F：孕36⁺⁶ w，31岁，无流产史，超声诊断凶险型前置胎盘，临床疑诊PAS，术中未见PAS，不良临床结局阴性。BSSFP-T2WI（6D）和SSFSE-T2WI（6E）矢状位图像上可见边缘型前置胎盘（1分），T2WI胎盘内低信号带（1分）（蓝色长箭），胎盘后缘局部T2WI低信号线消失（2分）（蓝色短箭），胎盘下缘局部膨出（2分）（蓝色短箭头），MR征象评分6分；列线图（6F）预测值为0.39，<0.452正确排除PAS，<0.710正确提示不良临床结局阴性。
Fig. 6  6A-6C: 38⁺⁵ weeks of gestation, 34 years old, with 3 previous miscarriages, ultrasound suspected PAS, intraoperative diagnosis was PI, and the adverse clinical outcome was positive (low birth weight infant). Sagittal images of BSSFP-T2WI (6A) and SSFSE-T2WI (6B) show marginal placenta previa (1 point), and the low signal line between the anterior wall placenta and the anterior uterine wall muscle layer on T2WI disappeared (2 points) (blue short arrow), the MR sign score is 3 points. The nomogram (6C) predicted value is 0.9, > 0.628 correctly diagnosed as PI, and > 0.710 correctly indicated the positive risk of adverse clinical outcome. 6D-6F: 36⁺⁶ weeks of gestation, 31 years old, no history of miscarriage, ultrasound diagnosed as pernicious placenta previa, clinically suspected PAS, PAS was not found during the operation, and the adverse clinical outcome was negative. Sagittal images of BSSFP-T2WI (6D) and SSFSE-T2WI (6E) show marginal placenta previa (1 point), low signal band within the placenta on T2WI (1 point) (blue long arrow), disappearance of the low signal line at the posterior edge of the placenta on T2WI (2 points) (blue short arrow), and local bulging at the lower edge of the placenta (2 points) (blue short arrowhead), the MR sign score is 6 points. The nomogram (6F) predicted value is 0.39, < 0.452 correctly excluded PAS, and < 0.710 correctly indicated the negative risk of adverse clinical outcome.

3 讨论

       本研究参照过去文献中的研究方法^{[12, 23]}，对入组病例的胎盘MR主观征象进行分析，最终将6个MR主观征象纳入评分量表并进行评分，然后基于胎盘MR的影像组学特征、MR征象评分以及流产次数构建列线图。研究结果表明，该列线图在PAS产前诊断中的临床应用价值显著高于单独的MR征象评分、临床模型、临床-MR评分模型以及影像组学模型。这表明，影像组学特征的引入显著提升了PAS的诊断准确性，同时在鉴别PI类型方面表现出较高的鉴别能力。此外，该列线图对产妇和新生儿不良临床结局的风险预测价值也较高，表明其在临床决策中具有重要的参考意义。

3.1 MR征象评分量表在PAS产前诊断中的应用价值

       2020年《腹部放射学会及欧洲泌尿生殖放射学会联合发布关于胎盘植入的检查共识》中将7个MR征象推荐为PAS的主要诊断征象^[4]。本研究对该7个征象以及以往文献中纳入的前置胎盘MR征象一起进行PAS和非PAS的组间差异性分析，结果表明子宫肌层变薄和局部外生团块两个征象没有显著的组间差异。可能由于子宫肌层变薄是孕中期PAS孕妇的MRI特点，而本研究以孕晚期孕妇居多，孕晚期正常孕妇胎盘附着部位的子宫肌层也可能变薄，因此该征象诊断孕晚期PAS时特异度明显下降^{[21, 24]}；局部外生团块这一征象对于诊断PP具有较高的特异度^{[25, 26]}，而本研究由于PP的数量相对较少，在本研究中该征象的出现频率较低，因此进行统计学分析时容易产生一定的偏倚。故本研究未将以上两个征象纳入评分量表。目前对于MR征象的量化评分尚无统一标准。MAHALINGAM等^[27]采用2个临床指标和6个MRI征象建立评分表，每个征象赋1分，以评分总和对PAS进行评估，但是不同诊断征象的敏感度及特异度不同，对临床不良结局的影响程度也不同，应区别对待或赋分。XIA等^[28]对11个MR征象按照0~5分的标准进行评分，并将评分结果进行logistic回归分析建立预测模型，但是该评分标准和模型计算公式较复杂，部分征象在2名评分者间的一致性较低（ICC<0.6），不利于临床应用与普及。朱晓曼等^[12]纳入2个临床高危因素及7个MRI征象，采用0~2分对各项赋分，建立评分表，结果表明该评分方法对PAS及其分型诊断价值较高，且该赋分方法较为简单、易于使用。因此本研究参考该研究中的方法对入组病例进行MR主观征象分析和量化评分，结果表明，该方法的评估一致性较高，但对于PAS的诊断效能不足，特别是对PAS的诊断敏感度较低，在PAS产前评估中的漏诊率较高，即使联合了有意义的临床指标后（临床-MR评分模型）也未见明显改善，因此还需加入一些客观的量化指标以提高准确度。

3.2 影像组学特征在PAS产前诊断中的应用价值

       近年来，已有相关文献基于胎盘MRI影像组学特征构建模型来预测PAS的存在和分型^{[29, 30, 31]}。邹锦莉等^[30]纳入10个影像组学特征和1个临床特征构建联合模型用于PAS的诊断和分型。但是该模型仅提取了SSFSE单一序列的组学特征，相关研究显示，BSSFP序列较SSFSE序列对于显示胎盘与子宫肌层之间的分界更有优势，指南中也推荐两种序列联合应用^{[21, 32]}，因此本研究从两种序列中提取并筛选出的5个最优影像组学特征构建模型，该模型的特征来源更为全面，且因为纳入的影像组学特征较少，可重复性更好。PENG等^[16]采用3个影像组学特征、2个临床特征和2个MR形态学特征建立联合预测模型，较单独的临床-影像组学模型对PAS具有更高的预测价值，但该研究仅纳入了两个MR形态学特征，对胎盘形态学评估可能不够全面或存在偏倚。与以往研究相比，本研究的创新之处在于将6个MR主观形态学特征以量化评分的方式与影像组学以及临床特征相整合构建了列线图，既可以全面将主观形态学特点纳入模型，又避免了烦琐的模型计算，提高了临床应用的可重复性和准确度。

3.3 列线图对PAS分型和不良临床结局的风险预测价值

       PAS的治疗目前没有最佳方案，术中出血量、手术难易程度以及额外止血措施的需求等可能因其植入程度不同而有巨大区别^{[33, 34]}，因此准确的产前分级诊断和不良结局的风险预判是实施个性化的治疗方案的重要前提。邹锦莉等^[30]构建了胎盘MR的影像组学模型并生成相应的Radscore，可用于鉴别PAS的不同分型，尤其对于PP具有较高预测价值，但该研究未评价临床-影像组学列线图对PAS分型的鉴别价值。BOURGIOTI等^[35]构建MR主观征象模型、WU等^[17]构建临床-影像组学模型均可用于产后不良结局的风险预测，但以上模型都未将临床、MR主观征象和影像组学特征相整合，且只能单独用于不良结局的预测，不能同时评估PAS。而本研究所构建的列线图不但可以在产前对是否存在PAS进行直观地预测，生成的列线图预测值还可进一步对PAS的植入程度进行分级评估，同时对是否可能产生不良的临床后果进行初步的预判，为妊娠高风险人群提供了更为直观和个性化的风险评估工具。

3.4 研究的局限性和未来方向

       本研究仍存在一些局限性：第一，样本量相对较小，尤其是PP病例数较少，这可能影响模型在PP诊断中的稳定性；第二，本研究为单中心回顾性研究，缺乏外部验证，但采用了Bootstrap方法对训练集数据进行了内部重抽样测试，在一定程度上增加了模型的可靠性，但仍需后期加入外部验证集对模型的泛化能力做进一步验证；第三，本研究纳入对象为产前疑似PAS的患者，纳入对象的选择偏倚可能会影响结果；第四，本研究仅探索了胎盘MR的影像组学特征和LASSO-GLM模型算法，未来可结合深度学习等先进技术，采用更多算法以进一步提升模型的预测性能。

4 结论

       综上所述，本研究基于胎盘MR影像组学特征、MR征象评分和流产次数构建的列线图在PAS的产前诊断、分型和不良临床结局的风险评估中表现出较高的临床应用价值，为PAS的早期诊断和风险评估提供了新的思路和方法。