0 引言

       卵巢癌是女性中常见且致死率较高的妇科恶性肿瘤之一。2022年全球新发卵巢癌约32.4万例，死亡病例约20.7万例^[1]。由于早期临床症状多不典型，约60%的患者在初诊时已处于国际妇产科联盟分期Ⅲ~Ⅳ期，其5年生存率不足27%；而Ⅰ~Ⅱ期患者的5年生存率可超过80%^[2]。因此，术前对卵巢肿块恶性风险进行准确评估，对制订个体化治疗策略和改善患者预后至关重要。

       多参数磁共振成像（magnetic resonance imaging, MRI）因其软组织对比度高且无电离辐射等优势，已被推荐为卵巢肿瘤在超声检查结果不明确时的首选影像学评估工具^[3]。为了提高卵巢肿瘤术前恶性风险评估的准确性，美国放射学会提出了卵巢-附件报告和数据系统（Ovarian-Adnexal Reporting and Data System, O-RADS）MRI评分，用于附件肿块的MRI风险分层评估。多中心研究显示，其敏感度和特异度可达93%和91%^[4]，但该评分对O-RADS MRI 4分病灶的评估仍存在一定局限^[5]。

       肿瘤内异质性（intratumoral heterogeneity, ITH）被认为是影响治疗反应及预后差异的重要生物学基础，异质性较高往往提示更强的侵袭性、更差的治疗敏感性及更短的生存期^{[6, 7, 8]}。然而，目前对肿瘤异质性的评估主要依赖多点活检及基因测序，这类方法不仅具有创伤性，而且容易受到取样部位限制，从而低估肿瘤真实的生物学多样性^[9]。近年来，影像组学作为一种新兴的定量分析技术，能够从医学影像中高通量提取人眼难以识别的微观特征，从而为无创揭示肿瘤生物学行为及量化ITH提供了可能^{[10, 11, 12]}。基于影像组学的ITH定量研究在多种恶性肿瘤中已取得进展^{[13, 14, 15]}，且研究显示卵巢肿瘤生境异质性特征对治疗反应及预后评估具有重要价值^[16]，但目前尚缺乏将基于影像组学的ITH量化方法应用于卵巢肿瘤良恶性评估的相关研究。

       本研究旨在基于MRI影像组学量化卵巢肿瘤ITH评分，并结合临床及常规MRI特征构建术前恶性风险评估模型，同时探索其在O-RADS MRI 4分病灶风险分层及辅助医师诊断中的价值，以期为临床决策提供无创且实用的辅助工具。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经聊城市人民医院伦理委员会批准，免除受试者知情同意，批准文号：2025305。本研究是一项基于回顾性数据的预测模型研究，研究报告遵循基于人工智能的临床预测模型研究报告规范，并参考影像组学研究报告清单对影像组学研究流程规范化描述。收集2021年4月至2024年12月间在聊城市人民医院因盆腔肿块接受盆腔MRI检查的221例患者的临床及影像学资料。纳入标准：（1）术前临床资料及盆腔MRI影像资料完整，且检查序列中包含频谱衰减反转恢复脂肪抑制技术的T2加权成像（T2-weighted imaging with spectral attenuated inversion recovery fat suppression, T2WI-SPAIR）；（2）具有明确的手术或活检组织病理学资料；（3）MRI检查至病理诊断的时间间隔≤2周。排除标准：（1）MRI图像存在明显伪影或信噪比低，病灶显示不清，影响后续特征分析（n=19）；（2）肿瘤最大径<2 cm（n=16）；（3）病理证实为继发性卵巢肿瘤或非卵巢来源的肿块者（n=45）；（4）既往接受盆腔手术或放化疗者（n=21）。最终共有120例患者符合标准并纳入分析。根据病理结果将所有患者分为良性组和恶性组。因交界性卵巢肿瘤具有潜在恶性特征，参考既往文献将其归入恶性组分析^{[17, 18, 19]}。采用分层随机抽样方法，将患者按7∶3的比例划分为训练集（84例）和测试集（36例）。

1.2 图像采集

       盆腔MRI检查采用3.0 T MRI系统（Ingenia Elition X, Philips Healthcare, Best, The Netherlands）及16通道体部相控阵射频接收线圈完成。患者检查前禁食4至6小时以抑制肠道蠕动，并于检查前1小时饮水约600 mL使膀胱适度充盈。轴位T2WI-SPAIR序列具体参数如下：重复时间2558 ms，回波时间110 ms，翻转角90°，信号平均次数1，扫描视野240 mm×240 mm，采集矩阵344×248，层厚为5.0 mm，层间距0.5 mm，共采集24层。原始图像采集像素为0.70 mm×0.95 mm，重建像素为0.375 mm×0.375 mm。动态对比增强扫描采用轴位三维T1加权快速回波mDIXON水像序列，参数如下：重复时间4.0 ms，第一回波时间1.42 ms，第二回波时间2.5 ms，翻转角10°，扫描视野300 mm×238 mm×158 mm，采集矩阵232×184；采集体素1.29 mm×1.29 mm×3.50 mm，重建体素大小0.78 mm×0.78 mm×1.75 mm，共采集90层。动态增强共获取30个时相，单个时相采集时间为10.7 s。单期增强扫描采用轴位三维T1加权mDIXON水像序列，参数如下：重复时间5.2 ms，回波时间1.93 ms，翻转角为10°，扫描视野380 mm×282 mm×160 mm，采集矩阵424×256，采集体素0.90 mm×1.10 mm×4.00 mm，重建体素0.72 mm×0.72 mm×2.00 mm，共采集80层，该序列于对比剂注射后约30~40 s获取。增强扫描经肘静脉注射钆喷酸葡胺，剂量0.1 mmol/kg，注射速率2.0 mL/s，随后以20 mL生理盐水冲洗静脉通路。

1.3 肿瘤分割

       对所有MRI图像进行标准化预处理，包括去标识化、N4偏置场校正、Z-score强度归一化以及重采样。将MRI序列重采样至1 mm×1 mm×1 mm的各向同性分辨率，其中原始影像采用B样条插值，掩膜采用最近邻插值。由一名具有5年以上妇科肿瘤诊断经验的主治医师使用3D Slicer软件逐层手动勾画肿瘤感兴趣区（region of interest, ROI），勾画范围包含肿瘤全部实性及囊性成分。另一名具有10年以上诊断经验的副主任医师对所有分割结果进行独立复核。对多发病灶的病例，选取影像上体积最大的病灶进行分析。当病灶边缘模糊不清或两位医师对勾画结果存在分歧时，两位医师将结合多序列MRI影像共同讨论，最终达成一致意见。分割及复核过程中，两位医师均对组织病理学结果不知情。基于上述肿瘤ROI向外扩展3 mm以纳入瘤周信息。

1.4 肿瘤内异质性评分

       肿瘤异质性定量评估参考HUANG等^[15]提出的方法，在肿瘤最大轴位层面的二维ROI上，分别基于原始肿瘤ROI及其外扩后的ROI计算ITH评分及联合ITH评分（图1）。首先，根据ROI边界裁剪出肿瘤区域；随后以每个像素为中心，采用3 mm×3 mm的滑动窗口，使用PyRadiomics（版本3.0.1）提取每个窗口的局部影像组学特征，每个像素共提取19个一阶特征和75个纹理特征。对所有像素的影像组学特征应用K-means算法进行无监督聚类，聚类数K采用肘部法则确定：计算K从2到8时的平方误差和（sum of squared errors, SSE），对SSE曲线进行二阶差分运算，取二阶差分最大值对应的K值作为最优聚类数K^∗，即SSE下降速率变化最大处。对聚类标签图中的每个聚类类别k，通过8连通域分析识别连通区域。为减少噪声的影响，过滤面积不超过1个像素的微小连通区域。记录每个有效聚类k的有效连通区域数Nk及其最大连通区域面积Akmax，根据公式（1）计算ITH评分。

       S为ROI区域的总像素数，K*为最优聚类数，Akmax为第k类聚类中最大连通区域的面积，Nk为第k类聚类中有效连通区域的数量。ITH评分范围为[0, 1]，值越大表示肿瘤内异质性越高。

       为评估ITH评分的可重复性，由同一名具有5年以上诊断经验的主治医师在间隔1个月后，对随机选取的40例病灶再次进行独立分割，用于评价观察者内一致性。另一名具有10年以上诊断经验的副主任医师对同一组病例进行独立分割，用于评价观察者间一致性。采用组内相关系数（intra-class correlation coefficient, ICC）评估一致性，ICC>0.75视为一致性良好。

点击查看大图

图1  肿瘤内异质性评分流程图。
Fig. 1  Workflow of the intratumoral heterogeneity scoring method.

1.5 特征筛选与模型构建

       首先对训练集进行单因素分析，初步筛选与肿瘤恶性程度相关的特征（P<0.05）；随后将筛选后特征纳入最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归模型进一步筛选。模型训练过程中采用五折交叉验证确定正则化参数λ，并以二项偏差评估模型性能。依据1个标准误规则选取最终的λ值，即在交叉验证误差位于最小值加1个标准误范围内选择最大λ（λ.1se）。将LASSO回归中系数不为零的变量纳入多因素logistic回归模型，采用全变量进入法筛选独立预测因子。分别基于临床特征、临床特征及ITH评分、临床特征及联合ITH评分构建临床模型、瘤内模型和联合模型。流程详见图2。

点击查看大图

图2  研究流程图。肿瘤分割向外扩展3 mm，在感兴趣区内以3 mm×3 mm滑动窗口提取局部影像特征，基于局部特征进行无监督聚类，并计算肿瘤内异质性评分，特征筛选后构建列线图模型，并进行模型性能评估。
Fig. 2  Study workflow. Tumor segmentation with a 3 mm outward expansion, extraction of local imaging features within the region of interest using a 3 mm × 3 mm sliding window, unsupervised clustering based on local features, and calculation of the intratumoral heterogeneity score, after feature selection, a nomogram model is constructed, and the model performance is evaluated.

1.6 O-RADS MRI评分及分析

       由1名具有8年妇科肿瘤MRI诊断经验的副主任医师在不知晓患者临床资料及病理结果的情况下独立阅片，并依据O-RADS MRI风险分层系统对每个病灶进行评分。对于含实性成分的病灶，先依据动态对比增强MRI评估实性组织的时间-信号强度曲线，并与子宫外肌层的强化状态进行比较；对未采集动态对比增强序列的病灶，则在对比剂注射后约30~40 s的早期增强图像上，选取病灶内强化最明显的实性成分，并与子宫外肌层比较；实性组织强化程度大于子宫外肌层者归为5分，否则归为4分。

       以病理结果为金标准，比较O-RADS MRI评分与本研究模型在卵巢肿瘤中的诊断效能。进一步对O-RADS MRI 4分病灶进行亚组分析，评估模型在该类病灶中的鉴别能力。

1.7 医师辅助诊断效能

       由一名具有3年诊断经验的初级医师和一名具有10年诊断经验的副主任医师分别独立判读影像。两名医师在知晓常规临床资料但不知悉病理结果的前提下，对每例肿瘤的良恶性作出初步判断。随后，初级医师结合模型输出结果对病例再次评估。

1.8 统计学分析

       统计学分析均在R软件（4.5.0版）中完成，主要使用gtsummary、glmnet、pROC、rms、ResourceSelection、PRROC和Hmisc等软件包。所有计量资料采用Shapiro–Wilk检验评估正态性。符合正态分布的连续变量以均数±标准差（x¯±s）表示，组间比较采用独立样本t检验；不符合正态分布的连续变量以中位数和四分位距表示，即M（Q1，Q3），组间比较采用Wilcoxon秩和检验。分类资料以例数（n）和百分比（%）表示，组间差异采用卡方检验或Fisher精确检验进行比较。模型的最佳截断值在训练集中根据约登指数确定，并应用于测试集。计算准确率、敏感度、特异度及受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）评估模型的诊断效能。计算精确率–召回率曲线下面积（area under the precision-recall curve, AUPRC），用于评估模型在少数类样本上的识别性能。采用DeLong检验比较不同模型间AUROC的差异。计算连续净重新分类改善指数（continuous net reclassification improvement, NRI）和综合判别改善指数（integrated discrimination improvement, IDI）评价新模型相较于基线模型在判别能力的增益。采用自助抽样法对数据集进行2000次重抽样，计算AUROC及AUPRC的95%置信区间（confidence interval, CI）。所有统计检验均为双侧检验，P<0.05为差异具有统计学意义。

2 结果

2.1 一般资料

       共纳入120例卵巢肿瘤患者，分层随机划分为训练集和测试集。训练集共84例，其中良性35例、恶性49例；测试集共36例，其中良性17例、恶性19例。训练集与测试集基线特征比较显示（表1），两组在所有特征上组间差异均未达到统计学显著性（P>0.05）。病理学类型分布详见表2。

点击查看表格

表1  训练集与测试集的基线特征比较
Tab. 1  Comparison of baseline characteristics between the training and test sets

点击查看表格

表2  卵巢肿瘤病理学类型
Tab. 2  Pathological types of ovarian tumors

2.2 特征筛选结果

       ITH评分观察者内及观察者间ICC分别为0.86（95% CI：0.75~0.92）和0.84（95% CI：0.71~0.90）。联合模型纳入的14个候选特征经单因素分析（表3）显示，糖类抗原125（carbohydrate antigen 125, CA125）、人附睾蛋白4（human epididymis protein 4, HE4）、卵巢恶性肿瘤风险算法（risk of ovarian malignancy algorithm, ROMA）、联合ITH评分、绝经状态、肿瘤形态、边界情况及肿瘤成分在良恶性组之间差异均具有统计学意义（P<0.05）。将上述8项特征纳入LASSO回归分析，基于五折交叉验证并采用1个标准误原则确定最优正则化参数λ.1se为0.0883，最终保留4个非零系数特征，即肿瘤形态、肿瘤成分、ROMA和联合ITH评分（图3）。进一步行多因素logistic回归分析，最终肿瘤成分、ROMA指数及联合ITH评分为联合模型独立预测因子（表4）。

点击查看大图

图3  联合模型LASSO回归筛选特征。3A：系数路径图，虚线分别为λ.min与λ.1se；3B：五折交叉验证曲线，红点为均值，灰色误差线为±1标准误。基于五折交叉验证并按1个标准误原则选择最优λ.1se=0.088 3。LASSO：最小绝对收缩和选择算子；λ：惩罚参数；λ.min：交叉验证误差最小时对应的惩罚参数；λ.1se：在最小误差的1个标准误范围内所对应的惩罚参数。
Fig. 3  Feature selection using LASSO regression for the combined model. 3A: Coefficient path plot, the vertical dashed lines indicate λ.min and λ.1se. 3B: Five-fold cross-validation curve, red dots denote the mean deviance and grey error bars represent ± 1 standard error. Based on five-fold cross-validation and the one-standard-error rule, the optimal penalty parameter was chosen as λ = 0.088 3. LASSO: least absolute shrinkage and selection operator; λ: penalty parameter; λ.min: the value of λ corresponding to the minimum cross-validation error; λ.1se: the value of λ within one standard error of the minimum error.

点击查看表格

表3  联合模型良性与恶性组特征单因素分析
Tab. 3  Univariate analysis of characteristics in benign and malignant groups for the combined model

点击查看表格

表4  联合模型卵巢肿瘤恶性风险多因素logistic回归分析
Tab. 4  Multivariate logistic regression analysis of the risk of ovarian tumor malignancy for the combined model

2.3 模型的构建及验证结果

       临床模型、瘤内模型和联合模型测试集的AUROC分别为0.805（95% CI：0.662~0.948）、0.867（95% CI：0.750~0.984）和0.923（95% CI：0.827~0.994），AUPRC分别为0.844（95% CI：0.717~0.938）、0.877（95% CI：0.756~0.968）和0.949（95% CI：0.877~0.995）（图4），模型最佳截断值分别为0.51、0.61和0.65，各模型性能指标详见表5。DeLong检验显示，联合模型与临床模型之间差异具有统计学意义（P=0.04），而联合模型与瘤内模型之间（P=0.40）以及瘤内模型与临床模型之间（P=0.24）的差异均没有统计学意义。各模型的NRI和IDI比较结果（表6）显示，联合模型相较于临床模型和瘤内模型表现出更高的重分类能力。基于联合模型中的肿瘤成分、ROMA指数及联合ITH评分构建列线图（图5）。联合模型在训练集和测试集中的Hosmer-Lemeshow检验P值分别为0.824和0.568，均未见明显拟合不足，测试集校准曲线见图6A。决策曲线分析（图6B）表明，在较宽的阈值概率范围内，联合模型的净收益整体高于临床模型和瘤内模型。

点击查看大图

图4  测试集受试者工作特征曲线（4A）与精确率-召回率曲线（4B）。AUROC：受试者工作特征曲线曲线下面积；AUPRC：精确率-召回率曲线曲线下面积。
Fig. 4  Receiver operating characteristic curves (4A) and precision-recall curves (4B) for the test set. AUROC: area under the receiver operating characteristic curve; AUPRC: area under the precision-recall curve.

点击查看大图

图5  基于肿瘤成分、ROMA和联合ITH评分构建预测卵巢肿瘤恶性风险的列线图。ROMA：卵巢恶性肿瘤风险算法；ITH：肿瘤内异质性。
Fig. 5  Nomogram for predicting the risk of malignancy in ovarian tumors based on tumor components, ROMA, and combined ITH score. ROMA: risk of ovarian malignancy algorithm; ITH: intratumoral heterogeneity.

点击查看大图

图6  模型校准曲线（6A）和决策曲线分析（6B）。
Fig. 6  Calibration curves (6A) and decision curve analysis (6B) of the models.

点击查看表格

表5  各模型的诊断性能指标
Tab. 5  Diagnostic performance metrics of the models

点击查看表格

表6  三种模型比较的NRI和IDI
Tab. 6  Comparison of continuous net reclassification improvement and integrated discrimination improvement among three models

2.4 O-RADS MRI评分效能及亚组分析

       O-RADS MRI评分在训练集中的AUROC为0.891（95% CI：0.817~0.951），AUPRC为0.894（95% CI：0.829~0.950），准确率、敏感度和特异度分别为83.3%、91.8%和71.4%。测试集中的AUROC为0.927（95% CI：0.848~0.981），AUPRC为0.906（95% CI：0.825~0.971），准确率、敏感度和特异度分别为83.3%、94.7%和70.6%。在测试集中，O-RADS MRI评分与联合模型的AUROC数值接近，但O-RADS MRI评分的敏感度更高，而特异度相对较低。

       O-RADS MRI 4分亚组共36例，其中良性14例，恶性22例。在亚组中，联合模型的准确率为77.78%，高于副主任医师（75.00%）、初级医师结合列线图（72.22%）和初级医师单独判读（61.11%）。联合模型与副主任医师的敏感度均为72.73%；联合模型的特异度为85.71%，高于其余三种判读方式（表7）。

点击查看表格

表7  O-RADS 4分亚组不同判读方式的诊断效能比较
Tab. 7  Diagnostic performance of different interpretation methods in the O-RADS 4 subgroup

2.5 辅助诊断效能

       将联合模型作为辅助判读工具引入后，初级医师的诊断准确率、敏感度和特异度分别提高11.1%、10.5%和11.7%。与副主任医师相比，模型辅助下初级医师的准确率和敏感度略低，但特异度一致。各级医师的诊断性能指标见表8。

点击查看表格

表8  医师的诊断效能比较
Tab. 8  Comparison of diagnostic performance among physicians

3 讨论

       本研究将基于影像组学的ITH评分与血清学及常规影像特征相结合，建立了术前预测卵巢肿瘤恶性风险的多参数模型。结果显示，基于ROMA指数、肿瘤成分及联合ITH评分构建的联合模型诊断性能优于临床模型及瘤内模型，且其总体效能与O-RADS MRI评分接近，并在一定程度上改善了初级医师的诊断效能。此外，该模型在O-RADS MRI 4分亚组中也表现出较好的诊断能力，提示其在中间风险病变的分层中具有潜在价值。本研究的创新之处是首次将基于影像组学的量化ITH评分引入卵巢肿瘤的术前评估，为肿瘤异质性的无创、客观量化提供了新的辅助指标，同时探索了其在O-RADS MRI 4分亚组中的应用价值。

3.1 血清学指标及MRI特征在卵巢肿瘤恶性风险中的价值

       多因素logistic回归筛选表明，ROMA指数和肿瘤成分为预测卵巢肿瘤恶性风险的独立预测因子。ROMA指数的诊断价值来源于对CA125和HE4的综合评估。Meta分析显示，由CA125与HE4结合并根据绝经状态加权计算得到的ROMA指数，在鉴别附件肿块良恶性方面的诊断效能优于单一标志物^[20]。机制如下：CA125是卵巢上皮癌细胞过度表达的糖蛋白，水平与腹膜种植和肿瘤负荷密切相关^[21]；HE4与肿瘤细胞增殖和侵袭性行为相关^[22]，表达受炎症相关核因子κB信号通路调控，并参与肿瘤细胞黏附与迁移过程^[23]。因此，作为一种复合血清学指标，ROMA指数在一定程度上更全面地反映肿瘤的恶性风险。

       肿瘤成分构成病灶的局部形态学特征，也是O-RADS MRI分级体系中用于风险分层的关键变量。既往研究指出，具有实性成分、乳头状突起、厚隔及明显不均匀强化的病变更倾向于恶性^{[4, 24]}，实性成分的形成可能与肿瘤实质内异常细胞聚积及新生微血管供血需求增加有关^{[25, 26]}。本研究中含实性成分的病变恶性比例升高，与既往相关研究结果一致，反映了MRI形态学特征的重要价值。除肿瘤成分外，既往研究显示肿瘤侧向性是预测卵巢肿瘤良恶性的独立危险因素^[27]。然而本研究中肿瘤侧向性在单因素分析中未显示显著性差异，这可能与研究对象构成差异以及样本量较少有关。

3.2 肿瘤内异质性评分在卵巢肿瘤恶性风险中的价值

       在整合血清学指标及常规影像特征的基础上，本研究进一步引入基于影像组学生境分析的ITH评分。肿瘤异质性在恶性肿瘤发生发展、治疗敏感性以及耐药机制中具有重要作用，但在临床实践中难以精确量化。影像组学可通过高通量提取纹理、形状及高阶统计特征，在宏观层面反映肿瘤内部及周围环境的异质性，并揭示其与蛋白组学等多组学特征之间的潜在联系^[28]。其中，生境分析通过将复杂肿瘤划分为影像特征相对一致的亚区，能够进一步刻画其空间异质性，在量化肿瘤异质性方面具有潜在优势^[16]。研究结果显示，联合ITH评分是恶性风险的独立预测因子，提示其所反映的异质性与肿瘤的恶性生物学行为密切相关。这种影像学异质性可能反映了肿瘤内部细胞密度差异、坏死灶分布不均及血管生成异常等病理过程，这些改变通常与侵袭性有关^{[13, 29]}。

       本研究构建的联合模型整体诊断效能优于临床模型及瘤内模型。与临床模型相比，其差异具有统计学意义；与瘤内模型相比，AUROC差异虽未达到统计学意义，但NRI和IDI结果显示其具有更优重分类性能。这表明基于瘤内区域计算的ITH评分能够反映与恶性风险相关的影像特征，而纳入瘤周区域后，模型可获得额外的判别价值。瘤周区域并非单纯的背景组织，而是肿瘤与周围微环境相互作用的重要区域。肿瘤生长和侵袭可在瘤周引起间质反应、炎性细胞浸润及新生血管形成等变化，并表现为纹理特征改变、边界复杂性增加及信号分布不均等影像学特征^{[30, 31]}。因此，瘤周区域可能包含与恶性浸润和疾病进展相关的重要信息。既往研究^{[32, 33, 34]}也表明，融合卵巢癌瘤内与瘤周纹理特征，可提升对术后早期复发、预后及腹腔外腹膜转移等侵袭相关结局的预测能力；其中，瘤周特征本身具有较高的信息价值，而瘤内与瘤周特征的联合应用可进一步提升模型性能。这与本研究中联合模型总体表现更优、重分类能力改善的结果一致。

       多项研究已在不同肿瘤中证实ITH评分的价值。既往研究表明，ITH评分与非小细胞肺癌肿瘤-淋巴结-转移分期、病理进展及胸膜脉管浸润密切相关，还能为生存结局提供额外预测价值^[13]。在乳腺癌中，将基于MRI的ITH定量指标联合分子分型及传统影像组学特征后，可显著提升对新辅助化疗后病理学完全缓解的预测能力^[14]；HUANG等^[15]进一步将ITH评分与临床病理特征整合构建列线图，发现该评分与无复发生存期相关。在卵巢癌中，生境影像组学分析可用于预测铂类耐药和预后^{[35, 36]}，评估新辅助化疗早期疗效反应^[37]以及术前鉴别交界性与恶性卵巢肿瘤^[38]。这些研究表明，影像学量化的肿瘤异质性具有跨肿瘤应用与转化的潜力，并与卵巢肿瘤的恶性程度密切相关。

       既往研究已证明影像组学在卵巢肿瘤风险评估中的应用价值，但多数研究基于高维影像组学特征构建模型。尽管这些模型诊断性能高，并展现出接近资深医师的潜力^{[39, 40, 41]}，但临床可解释性有限^{[42, 43]}。与上述模型不同，本研究在影像组学生境分析的基础上，通过特定算法量化肿瘤异质性，在保证较高诊断效能的同时提升了模型的可解释性。

3.3 模型在O-RADS MRI评分体系中的价值

       O-RADS MRI评分在测试集中AUROC达到0.927，提示其对卵巢肿瘤良恶性具有较好的鉴别能力。既往研究证实，O-RADS MRI对附件肿块良恶性鉴别具有较好的准确性和重复性，是一种可靠的风险分层工具^{[39, 44]}。然而，O-RADS MRI评分在4分亚组的阳性预测值仅为61.1%，表明其在中间风险病灶中的鉴别能力有限，可能导致一定程度的过度治疗。既往研究表明，O-RADS MRI 4类病灶具有较高异质性，其包括部分良性病变、交界性肿瘤以及浸润性恶性肿瘤，由于不同病理类型之间在影像学特征上存在重叠，尤其在交界性肿瘤与浸润性恶性肿瘤的鉴别方面仍存在一定局限^{[39, 45]}。因此，对于4分病灶单纯依赖O-RADS MRI分层的鉴别仍然有限，需要结合更多定量信息进一步风险分层。在亚组分析中，联合模型表现出较好的诊断性能，数值上高于初级医师判读结果，并与副主任医师判读结果接近；同时其一定程度改善了初级医师诊断水平。这提示联合模型有望作为O-RADS MRI评分的补充工具，用于提高复杂附件肿块的术前风险评估能力。

3.4 局限性

       本研究仍存在以下局限性。首先，本研究为单中心回顾性研究，样本量较少，可能存在选择偏倚；其次，将交界性卵巢肿瘤纳入恶性组进行分析，可能会影响模型对真正恶性卵巢肿瘤的预测特异性；再次，受滑动窗口逐像素特征提取计算量大的限制，ITH评分仅基于肿瘤最大层面的二维ROI进行计算，可能对全肿瘤空间异质性的表征有限；最后，肿瘤ROI仍由人工逐层手动勾画，尽管一致性分析结果尚可，但存在一定主观性。未来仍需在大样本、多中心研究中进一步验证模型的稳健性与泛化能力，并探索针对良性、交界性及恶性肿瘤的三分类预测模型。同时，可通过优化特征提取开展三维ITH评分研究，并结合自动分割算法，提高对肿瘤异质性的全面表征能力及ROI勾画的效率。

4 结论

       总之，基于ROMA指数、肿瘤成分及联合ITH评分构建的联合模型在卵巢肿瘤术前恶性风险评估中诊断效能最佳。该模型在O-RADS MRI 4分亚组中具有分层潜力，有望为医师诊断提供辅助参考。