0 引言

       胎盘植入性疾病（placenta accreta spectrum, PAS）是指胎盘绒毛与子宫肌层发生病理性粘连或侵入的一类病变。根据绒毛侵袭肌层深度的不同，病变程度由轻到重可以分为胎盘粘连（placenta accreta, PA）、胎盘植入（placenta increta, PI）和胎盘穿透（placenta percreta, PP）^[1]。PAS发生的最主要危险因素为前置胎盘和剖宫产。在过去的几十年，随着剖宫产率的上升，PAS的发病率也显著增加^[2]。PAS属于产科的危重症之一，常导致孕产妇合并严重的并发症，特别是当胎盘的绒毛侵入或穿透子宫肌层，甚至浆膜时，更容易发生致命性产后大出血^{[2, 3]}。因此，准确的产前诊断有利于制订手术计划，协调多学科会诊，优化产妇及新生儿护理，具有重要的临床意义。

       超声是产前筛查PAS的重要影像学检查方法。PAS在超声检查中会出现多种异常征象，有研究者认为，胎盘陷窝以及胎盘与膀胱间的桥血管是特异性的超声表现^{[4, 5]}。目前，超声科医师将多种征象整理成评分系统，便于预测PAS的不同分型。然而，受其成像原理的限制，对于后壁胎盘或身体质量指数较高的PAS患者，超声筛查的应用价值较为有限^[6]。MRI也是产前诊断PAS的常用辅助手段之一，可以清晰显示胎盘的具体位置以及与周围脏器或组织的关系，弥补了超声诊断的不足^[6]。与超声检查类似，PAS疾病也会呈现不同的MRI异常征象。然而，对于PAS的影像学表现尚缺乏共识，对于病变的分型常依赖于主观经验判断。JHA等^[7]根据美国腹部放射学会和欧洲泌尿生殖放射学会关于PAS的MRI联合共识，规范了成像采集方式和异常征象的描述及解释。但这种结构化的报告属于PAS的定性诊断，缺乏定量评估。

       近几年，随着人工智能的快速发展，国内外许多研究者建立了多种基于MRI的机器学习模型，利用列线图预测PAS的不同分型^{[8, 9, 10]}。虽然大部分显示了较好的诊断效能，但目前的实践工作中，PAS的诊断仍然主要依靠放射医师，基于机器学习的不同研究结果尚不成熟，无法广泛应用于临床诊疗过程，其临床实用价值仍然有限^{[11, 12]}。本研究旨在根据国际指南中明确的关于PAS的异常MRI征象以及与疾病相关的临床危险因素，建立定量评分系统，方便妇产放射医师产前预测PAS类型，不仅优化影像报告，同时强化临床评估的可操作性，有利于指导临床相关决策的制订。

1 材料与方法

1.1 一般资料

       本研究遵循《赫尔辛基宣言》，经首都医科大学附属北京妇产医院伦理委员会批准，免除受试者知情同意，批准文号：2022-KY-049-04。回顾性收集2018年1月至2023年6月就诊于首都医科大学附属北京妇产医院产科门诊，并且基于超声筛查怀疑PAS或具有PAS高危临床危险因素的孕产妇的临床及影像资料。纳入标准：（1）孕周超过21周；（2）择期在我院分娩；（3）临床资料完善。排除标准：（1）未进行产前MRI检查评估胎盘情况；（2）图像伪影严重影响诊断；（3）多胎妊娠。

1.2 临床数据收集及PAS分型标准

       本研究中收集的患者临床数据包括：孕产妇年龄、孕周、宫腔操作史（包括刮宫、清宫或其他宫腔操作）、流（引）产史、剖宫产、前置胎盘、子宫肌瘤剔除史、体外受精-胚胎移植术史（in vitro fertilization-embryo transfer, IVF-ET）。

       参考相关文献中的描述^[13]，结合手术过程和病理结果对PAS进行诊断和分型。非PAS：胎盘自然娩出；PA：病理显示胎盘与子宫肌层异常粘连，底部蜕膜缺失，在手术过程中，胎盘残留在宫腔内，必须手动取出，出血可能发生在胎盘表面；PI：病理显示绒毛已经侵入子宫肌层，手术中植入的胎盘部分无法自行脱离宫体，并且人工取出困难，出血较多；PP：在病理切片中，胎盘绒毛已经侵入子宫浆膜层，或侵入邻近的盆腔脏器，手术中可以直接观察到胎盘突破浆膜层，胎盘无法手动剥离，可发生子宫破裂和大出血。

1.3 成像设备及参数

       使用GE Discovery 750 3.0 T MRI设备对所有患者进行仰卧位盆腔定位扫描，应用相控阵体线圈，根据胎盘位置进行横轴位、矢状位和冠状位三个方位成像。T2WI采集使用单次激发快速自旋回波（single-shot fast spin echo, SSFSE）序列，主要参数：TR 1976 ms，TE 85.8 ms，层厚5.5 mm，层间距1.5 mm，FOV 380 mm×342 mm，矩阵为384×384。稳态进动平衡（fast-imaging employing steady-state acquisition, FIESTA）序列及主要参数：TR 3.5 ms，TE Minimum，层厚6 mm，层间距1 mm，FOV 380 mm×342 mm，矩阵192×192。

1.4 产前MRI征象-临床特征评分系统的建立

       根据新版美国腹部放射学会和欧洲泌尿生殖放射学会发布的联合共识，总结归纳了11个与PAS相关的MRI征象（部分典型MRI征象如图1），包括：（1）胎盘附着处肌层变薄，<1 mm或局部中断；（2）T2WI上胎盘与子宫肌层界面低信号线消失；（3）胎盘床异生血管（包括肌层、肌层-胎盘界面）；（4）T2WI上胎盘内条片状低信号带；（5）胎盘内血管异常（粗大血管或较大血窦）；（6）胎盘不对称增厚，>5 cm；（7）胎盘凹陷或缺血性梗死；（8）局灶外生性包块；（9）子宫-胎盘局限性膨出；（10）膀胱壁中断，膀胱血管征或“帐篷征”；（11）子宫周围结构受侵。所有入组对象MRI征象的评估分别由2名妇产放射医师（分别为临床诊断经验超过5年和10年的主治医师及副主任医师）在PACS系统中独立完成，当2名医师的诊断结果出现分歧时，上级医师（1名临床诊断经验超过20年的主任医师）诊断作为最终结果。为减少偏倚，参与评估征象的放射医师对患者的手术结果和临床资料保持盲法。

       本研究基于logistic回归的加权评分系统构建方法。首先经单因素和多因素分析筛选出显著性临床危险因素，再将其与11个MRI征象共同纳入logistics回归分析中，筛选出显著特征（P值<0.05），并计算每个显著特征的β系数，以显著特征中最小绝对值的β系数为基准（对应1分），其他显著特征的得分按比例进行权重分配，得分=round（β系数/基准系数），最后通过总分计算公式（总分=Σ各特征得分×特征值），计算每位研究对象的加权总分。采用Spearman相关性分析对整数化前后权重进行了一致性分析。

点击查看大图

图1  女，32 岁，病理诊断为胎盘植入。T2WI 显示与PAS 相关的征象，胎盘内低信号带（1A；箭），子宫肌层变薄或中断（1B；箭）及子宫-胎盘局限性膨出（1B；星形），胎盘床异生血管（1C；箭）。PAS：胎盘植入性疾病。
Fig. 1  A 32-year-old female patients pathologically diagnosed with placenta increta. T2WI features associated with PAS intraplacental T2 dark bands (1A; arrow), myometrial thinning or disruption (1B; arrow) and uterine-placental bulge (1B; star), abnormal vasculature of the placental bed (1C; arrow). PAS: placenta accreta spectrum.

1.5 统计学方法

       采用SPSS（版本IBM 23.0，http://www.ibm.com/spss）和R软件（版本3.6.1，http://www.r-project.org）进行统计学分析。本研究中数值型变量的表示方法为均数（标准差）或中位数（第25百分位数-第75百分位数），分类变量的表示方法为数值（百分比）。应用Shapiro-Wilk法检验数值型变量的正态性分布。应用单因素方差分析或Kruskal-Wallis检验比较数值型变量的组间差异。因为本研究中PAS分型为等级分类变量，所以采用Kruskal-Wallis检验比较分类变量的组间差异。运用单因素和多因素logistics回归分析筛选与PAS相关的临床独立危险因素。多因素logistics回归采用进入法，将所有变量同时纳入模型进行分析。应用受试者工作特征（receiver operating characteristic, ROC）曲线评价该评分系统的预测效能，计算各类型评分的阈值，以及曲线下面积（area under the curve, AUC）、敏感度、特异度、准确度、阳性预测值（positive predictive value, PPV）和阴性预测值（negative predictive value, NPV）等诊断评价指标。P<0.05为差异具有统计学意义。

2 结果

2.1 临床基线特征及PAS相关独立危险因素的筛选

       本研究共纳入了404例符合纳排标准的孕产妇，其中非PAS组203例，PA组100例，PI组80例，PP组21例，并收集临床资料（表1）。经过单因素和多因素分析筛选出3个与PAS相关的临床独立危险因素，包括剖宫产、前置胎盘和IVF-ET史（表2）。

点击查看表格

表1  入组患者临床基线特征
Tab. 1  The baseline characteristics of enrolled subjects

点击查看表格

表2  临床特征的单因素和多因素分析
Tab. 2  The univariate and multivariate analysis of clinical features

2.2 权重整数化过程中的一致性分析

       为了评估整数化权重对特征排序的影响，我们计算了原始β系数与整数化权重之间的Spearman相关系数。结果显示，两者的相关系数为0.973（P<0.001），详见图2，表明原始权重与整数化后的权重具有较高的正相关性，整数化过程中对变量相对重要性的影响非常小。

点击查看大图

图2  整数化权重与原始β 系数的Spearman 相关系数散点图。
图3  各组产前MRI-临床特征评分的组间差异柱状图。PAS：胎盘植入性疾病；PA：胎盘粘连；PI：胎盘植入；PP：胎盘穿透。
Fig. 2  Scatter plot of the Spearman correlation between integer weights and original beta coefficients.
Fig. 3  Bar chart showing the differences in the scores based on prenatal MRI-clinical features among the groups. PAS: placenta accreta spectrum; PA: placenta accreta; PI: placenta increta; PP: placenta percreta.

2.3 产前MRI征象-临床特征评分系统的建立

       将筛选出的3个临床独立危险因素与11个MRI征象共同纳入logistic回归模型中，各因素的权重分配基于其β系数计算得出（表3），最终建立的评分系统共包含7个显著相关（P<0.05）的MRI征象-临床特征。

点击查看表格

表3  MRI征象-临床特征的具体权重分配和计分标准
Tab. 3  The weighting and scoring criteria for MRI-clinical features

2.4 各类型PAS的MRI-临床特征评分组间差异比较

       各组的MRI-临床征象评分差异采用Kruskal-Wallis检验进行比较，结果显示（图3）非PAS、PA、PI、PP每组的MRI-临床征象评分中位数分别为1.00（1.00~3.00）、7.00（4.00~10.00）、14.50（11.00~16.00），17.00（17.00~18.00），组间差异具有统计学意义（P<0.05）。

2.5 产前MRI-临床特征评分系统的预测界值和效能

       通过绘制散点图及ROC曲线计算预测不同类型PAS的MRI征象及临床特征得分阈值，非PAS与PA组之间评分的阈值为6.0，PA与PI组之间评分的阈值为11.0，PI与PP组评分的阈值为17.0，诊断PAS时均显示出较好的预测效能（图4、表4）。

点击查看大图

图4  各型PAS 产前MRI-临床特征评分阈值的ROC曲线（4A、4C、4E）和散点图（4B、4D、4F）。PAS：胎盘植入性疾病；ROC：受试者工作特征。
Fig. 4  ROC curves (4A, 4C, 4E) and scatter plots (4B, 4D, 4F) illustrating the score thresholds of prenatal MRI-clinical features for different classifications of PAS. ROC: receiver operating characteristic; PAS: placenta accreta spectrum.

点击查看表格

表4  产前MRI征象-临床特征评分系统的预测效能
Tab. 4  The predictive value of scoring system based on prenatal MRI-clinical features

3 讨论

       本研究通过联合与PAS相关的临床危险因素和MRI征象建立产前评分系统，在诊断PAS时显示出较好的预测效能。与传统的评分量表相比，该加权系统能客观反映各征象对诊断的贡献度差异，基于统计学方法确定权重可减少主观偏差，从而提高评分系统的判别效能和临床实用性。在实践工作中，放射医师可根据患者加权总分评估PAS风险水平，有利于协助产科医师预测疾病类型，可为个体化产前管理和分娩方案制订提供量化依据，对可疑高危孕产妇进行分层化的高效管理。

3.1 PAS不同评分系统的应用价值与局限性

       近年来，大量文献中探讨了通过多种方法建立基于超声征象的评分模型，进行PAS的相关评估，虽然各有其优势和不足，但大部分都表现出良好效能，这证明了通过建立评分系统辅助诊断PAS的可行性和重要性^{[14, 15, 16]}。随着人工智能的快速崛起，国内外多位研究者建立了不同的机器学习PAS评分系统。MAUREA等^[17]结合临床风险因素、超声以及MRI的主要异常征象建立模型，预测前置胎盘患者中的PAS，模型效能在外部验证队列中得到了较好的证实，并且发现了MRI在影像学评估方面的价值大于超声检查。HU等^[18]从T2WI中提取影像组学特征，并且联合胎盘内低信号带这一征象，建立了列线图预测PAS发生风险。同期国内发表的文献也报道过类似研究^[19]。虽然各种基于人工智能的评分模型在预测PAS方面都显示出较高的诊断性能，然而目前尚难以投入到临床工作，临床应用价值有限。

       利用异常MRI征象建立PAS的诊断模型的文献报道较少。近几年，虽有研究者通过产前MRI评分系统预测前置胎盘患者中PAS的类型及其相关的出血风险，并取得了较好的诊断结果，但是该研究的样本量只有193例^[13]。本研究纳入不同研究人群，并且采用加权的方法建立了不同的评分系统，在产前诊断PAS方面具有较好的评估效能，进一步证明了其应用价值。

3.2 与PAS发生相关的主要临床危险因素

       目前，剖宫产是国内外各种临床指南中普遍认为的导致PAS发生的重要风险因素之一。其发病机制复杂，涉及多种病理生理过程，最主要的致病原因可能是子宫内膜-肌层界面处的蜕膜化缺陷造成了胎盘滋养层的不完全性侵入^[20]。在正常妊娠过程中，具有侵袭性的滋养层细胞会重塑血管床，为胚胎提供血液供应，在正常蜕膜与附着的胎盘之间存在着一种Nitabuch纤维蛋白层，可以有效阻止滋养细胞的生理性侵入过程。但是，当手术或其他干预措施导致子宫内膜与肌层交界处损伤，特别是在下段子宫，形成了瘢痕组织，使得局部蜕膜变薄或缺失，滋养层可以不受阻碍地穿透至子宫肌层^{[21, 22]}。并且随着剖宫产次数的增加，PAS的累积风险也不断上升，这可能与肌层的修复能力下降有关。然而，当子宫肌层的瘢痕较小时，胎盘可能跨过其生长^[23]。

       本研究发现前置胎盘是PAS的另一个重要风险因素，这与先前研究^[24]一致。OYELESE等^[25]在其最近的文献中总结，PAS几乎只发生在前置胎盘和既往有剖宫产史的患者中，这说明剖宫产可能也增加了前置胎盘的发生风险。根据一项伞式综述的研究结论，超过50%的前置胎盘孕产妇既往经历过剖宫产方式分娩，两者之间具体的发生机制并不明确，多数理论认为子宫蜕膜层的缺陷更容易影响胚泡的正常着床，肌层瘢痕化后血供差，胎盘试图寻找更深层部位的血供，从而导致在后续的妊娠过程中，胎盘在子宫下段的低位植入^{[26, 27]}。此外，随着IVF的快速发展，在胚胎移植的过程中，子宫的收缩可能将胚胎推挤至子宫下段，从而发生前置胎盘，特别对于无剖宫产史的患者^[25]。该类型的前置胎盘是否与PAS存在关联性，目前缺乏相关研究报道。在我们的评分系统中，剖宫产和前置胎盘均通过了单因素和多因素分析的筛选，说明了本研究结果较为可靠。

3.3 诊断PAS的重要MRI征象

       根据国际权威机构中认可或推荐的PAS相关MRI征象，我们在加权评分系统中总结并纳入了5条重要的异常表现。不同的专家认为这些征象可能与多种病理生理学机制密切相关，并且对于其诊断价值也持不同观点^[28]。有研究者通过建立MRI-解剖-临床特征的定量分析框架，预测PAS类型及其不良结局的发生，结果表明与胎盘内T2WI低信号带相关的特征在诊断中发挥了重要的作用。虽然其发生机制不明，但大部分观点认为可能是由于反复出血或绒毛梗死，导致胎盘内出现纤维蛋白沉积或纤维组织条片，组织病理学显示这种征象与PAS和肌层侵袭深度有关，并且是诊断PAS的重要影像特征^{[29, 30]}。在近期发表的权威文献中，对于不同资历的放射医师，T2WI胎盘内低信号带和子宫-胎盘膨隆的诊断一致性最高，也从另一角度证明了这一征象的诊断价值和实践可操作性^[31]。但是在另一项研究结果中，单一征象的出现，如T2WI低信号带的范围或胎盘内异常血管，与侵袭的严重程度无关^[32]。而在LI等^[33]的研究中，局灶外生性包块是诊断PAS的独立危险因素，敏感度和特异度分别达到72.7%和88.1%。而也有文献认为，子宫胎盘膨出于正常的宫体轮廓外或者肌层变薄更具有诊断价值，前者可能与绒毛血管侵入深层有关，同时也提示了重度PAS^{[34, 35]}。而胎盘缺血性梗死或者凹陷的发生可能反映了PAS中螺旋动脉的重塑减少，导致了子宫与胎盘之间和胎盘内的异常血流^[35]。由此说明，目前相关领域的研究结论呈现出多样性。

3.4 研究的局限性

       本研究的局限性主要体现在以下三方面：首先，只能对于PAS的类型进行预测，无法具体判断病变的部位；其次，本研究为回顾性、单中心研究，评分系统的诊断价值需进一步验证；最后，本研究仅分析了MRI异常征象，缺乏与影像组学的相关模型进行对比或联合。在未来的研究中，应发挥医工交叉和多中心大数据的优势，进一步提高预测结果的泛化性和稳定性。

4 结论

       综上，本研究中建立的产前MRI征象-临床评分系统具有较好的临床可操作性和实用性，将定性的影像征象定量化，对于协助诊断PAS类型和识别危重症的患者有重要临床意义，不仅有助于决定生产方式，优化临床决策，也利于协助评估产妇并发症的发生风险，特别是根据评分结果可疑PI和PP的孕产妇，可建议组织适当的多学科会诊，避免分娩过程中不良事件的发生。