0 引言

       子宫内膜癌（endometrial cancer, EC）是女性生殖系统最常见的恶性肿瘤之一，其发病率在全球范围内逐年上升，且呈年轻化趋势^[1]。2023年国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）在2009 FIGO分期基础上进行了修订和发布^[2]，纳入了淋巴脉管间隙浸润（lymphovascular space invasion, LVSI）、组织学分型等病理学特征；该分期指出非侵袭性组织类型的子宫内膜癌无论肌层浸润深度、是否侵犯宫颈间质，若存在大量LVSI（≥5个淋巴脉管间隙受累）均为FIGO Ⅱ期。多项研究证明，FIGO 2023的预后准确性优于FIGO 2009^[3]。LVSI作为EC肿瘤重要的病理表现，是影响EC预后的重要独立因素^[4]，与肿瘤分期升级、淋巴结转移及预后不良密切相关^[5]。研究证明^{[6, 7]}，伴局灶性或弥漫性LVSI者，其生存率显著低于无LVSI者，复发率及淋巴结转移风险均明显升高；其中弥漫性LVSI较局灶性LVSI，肿瘤复发与远处转移发生率更高。另外，根据欧洲内科肿瘤学会（European Society for Medical Oncology, ESMO）-欧洲妇科肿瘤学会（European Society of Gynaecological Oncology, ESGO）-欧洲放射治疗和肿瘤学会（European Society for Therapeutic Radiology and Oncology, ESTRO）联合共识^[8]，LVSI阳性使低级别子宫内膜样癌（G1~2）的风险等级由低或中危提升至中高危水平。低危患者不推荐系统性淋巴结清扫；而中高危患者则需采取更为积极的扩大手术切除方案。因此，术前精准评估EC患者的LVSI状态，对避免过度治疗或治疗不足、优化临床决策具有重要意义。

       目前，EC患者LVSI状态的评估仍然以术后病理检查为金标准^{[9, 10]}，但该指标在不同研究与不同中心的报告中存在明显差异。在I期EC中LVSI发生率在文献中报道可达8.3%~14%^{[11, 12]}。来自国际妇科病理学者的调查^[13]显示：在全子宫切除标本中有90%的受访者会报告LVSI，但仅有50%会对其进行量化/分级。PETERS等^[9]研究指出，LVSI评估的可重复性仍是现实问题：在专门评估“真正LVSI与拟态”及“LVSI范围”的可重复性研究中，区分真正LVSI与LVSI拟态的一致性为ICC=0.64，LVSI范围评估为ICC=0.62。

       MRI是EC患者术前分期的重要检查依据^[14]，常规MRI能够清晰显示EC患者的病灶范围及肌层浸润深度等宏观特征。影像组学技术能够将医学图像中肉眼可辨识的视觉信息转化为具有量化属性的特征参数，借助这些参数可实现对肿瘤异质性的客观化评估，为肿瘤的早期筛查诊断、预测预后等方面提供了新的潜在价值^{[15, 16, 17]}。既往对EC患者LVSI状态的影像组学研究多围绕常规MRI序列联合弥散加权成像（diffusion-weighted imaging, DWI）、表观弥散系数（apparent diffusion coefficient, ADC）、对比增强T1WI及动态对比增强MRI等，受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）值范围为0.80~0.90^{[18, 19, 20]}。高分辨T2加权成像（high-resolution T2-weighted imaging, HR-T2WI）的空间分辨率显著优于常规序列，信噪比与细节显示能力更强，可清晰显示肿瘤-肌层交界面，瘤内微坏死等微观结构，能够为后续提取形态特征、纹理特征提供更丰富的灰度及空间信息。

       作为影响EC患者预后的独立风险因子，LVSI的术前精准诊断对临床医师制定个体化治疗决策至关重要^{[21, 22]}。迄今为止，术前对LVSI状态的精准评估仍是临床亟待解决的难题。HR-T2WI能够更清晰反映肿瘤微观结构，有利于提高特征提取质量与预测准确性，但目前尚无基于3.0 T HR-T2WI的影像组学特征术前预测EC患者LVSI状态的相关研究。因此，本研究拟联合3.0 T HR-T2WI影像组学特征、临床及传统影像指标，构建术前预测EC患者LVSI状态的模型，为临床治疗方案的制定提供无创、精准的参考依据。

1 材料与方法

1.1 一般资料

       本研究为单中心回顾性研究，遵守《赫尔辛基宣言》，经潍坊市益都中心医院伦理委员会的批准，免除受试者知情同意，批准文号：KYLLSC2025017。连续性纳入2019年1月至2024年12月在潍坊市益都中心医院行盆腔3.0 T MRI检查并经本院手术治疗EC患者的临床及影像学资料。

       纳入标准：（1）术前1周内完成盆腔3.0 T MRI检查，影像资料完整；（2）术后常规病理检查报告完整，明确记录LVSI状态、病理组织学类型、病理分级、术前影像FIGO分期等信息；（3）未接受术前放化疗、靶向治疗或免疫治疗。排除标准：（1）扫描序列不完整；（2）图像质量不达标，有明显运动伪影、金属伪影，肿瘤边界、子宫肌层及宫颈结构显示不清晰，无法满足病灶观察、征象判读及后续图像后处理分析要求。

       研究收集的具体资料包括：患者一般临床资料（年龄）、血清肿瘤标志物[糖类抗原CA19-9（carbohydrate antigen 19-9, CA19-9）、CA125]、影像定量指标（肿瘤最大厚度、肿瘤累及最大长度、ADC值）、肿瘤分化程度（高分化、中分化、低分化），FIGO分期（FIGO 2023：Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期）。本研究属于回顾性研究，纳入指标均为术前可常规获取且无数据缺失的指标；BMI、高血压、糖尿病等EC相关高危因素因部分病例存在数据缺失，未被纳入。

       纳入病例根据术后病理LVSI的检测结果，分为LVSI阳性组和LVSI阴性组；采用简单随机抽样法，按6∶4比例分为训练集与验证集。

1.2 仪器与方法

       图像采用SIEMENS 3.0 T Skyra（德国西门子公司），配备18通道盆腔专用线圈进行扫描。检查前嘱患者空腹4~6 h，适度充盈膀胱以明确盆腔解剖结构。患者取仰卧位，头先进，采集HR-T2WI矢状位与DWI轴位序列。HR-T2WI序列参数，重复时间（repetition time, TR）8410 ms，回波时间（echo time, TE）99 ms，视野（field of view, FOV）200 mm×200 mm，矩阵320×320，层厚3 mm，层间距0.3 mm；DWI序列参数，TR 5300 ms，TE 65 ms，FOV 328 mm×328 mm，矩阵140×87，层厚6 mm，层间距1.2 mm，b值为0和800 s/mm²。根据DWI序列自动生成ADC图。

1.3 肿瘤分割和影像组学特征提取

       由2名从业年限超过5年的妇科MRI诊断医师（医师1：6年工作经验，主治医师；医师2：8年工作经验，主治医师），在未被告知病理结果的状态下依托深睿平台内置3D-slicer软件的半自动勾画软件独立进行肿瘤区域的勾画操作。两名医师在标注前进行图像一致性训练，由高年资主任医师（超过10年工作经验）对勾画的准确性进行评估。

       以DWI及ADC图像为辅助参考，用于帮助识别病灶范围及信号异常区域，在HR-T2WI矢状位序列各层面上手动绘制肿瘤感兴趣区（region of interest, ROI）。为保证数据准确性，ROI需完整覆盖肿瘤实质部分，同时避免将正常子宫肌层、宫腔积液及周边脂肪组织纳入其中。勾画过程中，结合同次MRI检查中各序列的层面位置，并参照子宫形态、宫腔位置、病灶解剖部位及内膜-肌层交界等解剖标志进行逐层对应。若DWI与HR-T2WI显示存在不一致，则以HR-T2WI所示病灶形态学边界为准。

       使用PyRadiomics库（3.0.1 版本）和scikit-learn工具包（0.22 版本）提取各ROI对应的影像组学特征。移除特征提取前所有随机图像变换操作，仅保留重采样、灰度归一化等标准预处理步骤，保证特征稳定性与可重复性，避免特征泄露。其中17个通道分别为：原始影像（Original）1个、小波变换（Wavelet）8个、梯度变换（Gradient）1个、平方变换（Square）1个、平方根变换（SquareRoot）1个、对数变换（Logarithm）1个、指数变换（Exponential）1个、拉普拉斯高斯变换（LoG）共3个（sigma=1.0、2.0、3.0）。特征提取涵盖7大类经典影像组学特征，分别为：形态特征（Shape）、一阶统计特征（First Order Statistics）、灰度共生矩阵特征（gray level co-occurrence matrix, GLCM）、灰度相关矩阵特征（gray level dependence matrix, GLDM）、灰度运行长度矩阵特征（gray level run length matrix, GLRLM）、灰度区域大小矩阵特征（gray level size zone matrix, GLSZM）及邻域灰度差矩阵特征（neighborhood gray-tone difference matrix, NGTDM）。肿瘤ROI勾画见图1。

点击查看大图

图1  肿瘤ROI勾画示意图（HR-T2WI矢状位）。ROI：感兴趣区；HR-T2WI：高分辨T2加权成像。
Fig. 1  Schematic drawing of tumor ROI (HR-T2WI sagittal view). ROI: region of interest; HR-T2WI: high-resolution T2-weighted imaging.

1.4 ADC值测量方法

       于肿瘤实性成分最清晰层面放置圆形ROI（面积≥30 mm²），避开囊变、坏死、出血，连续测量3次ADC值取平均值。

1.5 特征选择和模型构建

       首先对获取的特征集进行预处理，体素大小统一为0.6 mm×0.6 mm×0.6 mm。从勾画的肿瘤ROI中提取包括一阶灰度统计、形态学及纹理特征在内的共1595个原始特征。随后，按以下步骤筛选有意义的特征：（1）剔除方差<0.01的低方差无意义特征，减少数据冗余；（2）剔除与其他特征相关系数>0.7的高共线性特征，避免变量间互相干扰；（3）采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）结合10折交叉验证进行特征降维，确定最优惩罚系数λ（lambda），为平衡模型预测性能与简约性，本研究选择1-SE标准对应的λ [λ.1se，log（λ）=-3.429 7，λ≈0.000 372]。筛选出对LVSI状态具有预测价值的影像组学特征。同时对EC患者的临床指标及传统影像定量指标进行单因素分析，筛选潜在关联因素。将筛选出的临床-传统影像指标与影像组学特征共同作为输入变量，构建线性支持向量机（linear support vector classifier, Linear SVC）、逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、决策树（decision tree, DT）、支持向量机（support vector machine, SVM）5种机器学习联合预测模型。

1.6 模型的诊断效能评价

       绘制ROC曲线，以AUC作为筛选模型预测效能的核心评价指标，采用DeLong检验比较不同预测模型AUC的差异，P<0.05为差异具有统计学意义。此外，利用决策曲线分析（decision curve analysis, DCA），进一步比较不同模型在特定阈值范围内的净获益。

1.7 统计学分析

       使用SPSS（23.0版本）、MedCalc（22.0 版本）软件进行数据统计学分析。用Kolmogorov-Smirnov检验对连续变量进行正态性检验。对于正态分布的连续变量，以均数±标准差表示，组间比较采用Student's t检验；非正态分布的连续变量以中位数（上下四分位数）表示，采用Mann-Whitney U检验；分类资料以数量和百分比（%）表示，组间比较根据情况采用χ²检验或Fisher精确检验。采用Kappa检验评价2名医师肿瘤勾画范围的一致性，Kappa>0.75为一致性良好；将2名医师的测定值分别作为一组数据进行分析，并利用组内相关系数（intra-class correlation coefficient, ICC）对测量结果做一致性检验，ICC>0.8为一致性良好。根据影像组学特征及系数计算影像组学评分（radiomics score, Rad-score），数值越高提示LVSI阳性风险越高。Rad-score由所有筛选后的组学特征直接纳入Logistic方程计算得到，计算公式为：Logit（P）=ln[P/(1-P)]=β0+β1x1+β2x2+…+βPxP。采用单因素logistic回归分析筛选潜在风险因素；多因素logistic回归分析采用全变量进入法筛选独立危险因素。P<0.05为差异具有统计学意义。

2 结果

2.1 临床资料

       本研究最终纳入173例EC患者。根据术后病理LVSI状态，将患者分为LVSI阳性组93例、LVSI阴性组80例；采用简单随机抽样法将全部173例患者按6∶4比例分为训练集103例和验证集70例，分别用于模型构建与独立验证。对纳入的173例EC患者的临床指标及影像定量指标进行单因素组间比较，结果显示：LVSI阳性组与LVSI阴性组在年龄、CA125、CA19-9、肿瘤最大厚度、肿瘤累及长度、肿瘤分化程度、FIGO分期及ADC值方面的差异均具有统计学意义（P<0.05）。训练集与验证集的各项指标比较，差异均无统计学意义（P>0.05）。详见表1。

       两位阅片医师勾画范围的一致性Kappa值为0.85，两名医师对ADC值、肿瘤最大厚度与肿瘤累及长度等测量结果ICC值均>0.8。

点击查看表格

表1  子宫内膜癌患者的临床-影像指标
Tab. 1  Clinical and imaging parameters of patients with in endometrial cancer

2.2 筛选的影像组学特征提取结果

       基于入组173例EC患者的3.0 T HR-T2WI矢状位图像提取影像组学特征，经LASSO回归筛选后，最终筛选出最有意义的7个对LVSI具有预测价值的核心影像组学特征，包括形态特征2个，灰度共生矩阵特征3个、一阶统计特征2个。各特征筛选过程与权重分布如图2所示。SHAP条形图直观显示7个关键影像组学特征对LVSI预测的贡献程度，其中GLCM特征贡献度最高（图3）。

点击查看大图

图2  基于LASSO回归的组学特征筛选分析图。2A：LASSO回归特征系数路径图；2B：LASSO回归正则化参数选择图（基于二项偏差）。LASSO：最小绝对收缩和选择算子。
图3  基于影像组学模型预测子宫内膜癌LVSI 7个关键组学特征贡献的SHAP条形图。LVSI：淋巴脉管间隙浸润。
Fig. 2  LASSO regression analysis for radiomics feature selection. 2A: LASSO regression coefficient paths for feature selection; 2B: LASSO regularization parameter selection plot (based on Binomial deviance). LASSO: least absolute shrinkage and selection operator.
Fig. 3  SHAP bar chart illustrating the contribution of seven key radiomic features from a radiomics model for predicting LVSI in endometrial carcinoma. LVSI: lymphovascular space invasion.

2.3 逻辑回归分析结果

       单因素logistic回归分析显示，CA125、CA19-9、肿瘤最大厚度、肿瘤累及长度、肿瘤分化程度、Rad-score、ADC值差异均有统计学意义（P<0.05），是影响LVSI的潜在危险因素。LR模型中，多因素logistic回归分析结果显示，Rad-score和ADC值是LVSI的独立危险因素（P<0.05）。详见表2。

点击查看表格

表2  预测EC患者LVSI阳性风险的单因素与多因素logistic回归分析
Tab. 2  Univariate and multivariate logistic regression analysis for predicting risk of LVSI positivity in EC patients

2.4 模型构建与效能评估

       融合影像组学特征（图3）、临床及传统影像指标（表3）构建了Linear SVC、LR、RF、DT、SVM 5种机器学习联合预测模型。

       校准曲线分析显示，各模型在训练集与验证集校准度存在显著差异。在训练集中，RF模型的Brier评分仅为0.03，校准度优于其他模型，预测概率与LVSI实际情况高度一致。然而，在验证集中，各模型的校准度均出现不同程度的衰减，LR模型展现出最优的泛化稳定性，Brier评分为0.17，其曲线形态更接近理想校准线。而Linear SVC模型在训练集与验证集中的Brier评分始终最高，分别为0.34与0.31，曲线偏离理想校准线明显，存在较为突出的概率高估现象，校准性能及泛化能力均不理想。综合来看，LR模型在训练集与验证集中的校准表现最为均衡、稳健（图4）。

       ROC曲线分析显示，训练集中RF模型AUC为1，与验证集结果差异显著，提示存在明显过拟合^[23]。验证集中LR与Linear SVC模型效能最优，二者差异无统计学意义。以截断值为0.56为临界值时，LR模型具有较好的预测效能，敏感度为76.4%，特异度82.1%，约登指数为0.585。RF模型在训练集AUC为0.89（95% CI：0.83~0.96），验证集AUC为0.92（95% CI：0.85~1.00）。训练集与验证集的ROC曲线均位于参考线之上，且置信区间较窄，提示该模型对EC患者LVSI状态具有可靠的区分能力。详见图5、表4。

       采用DeLong检验对训练集、验证集中5种模型的AUC值进行组间比较。结果显示，在训练集中RF模型的AUC高于其余模型（P<0.05），而验证集中Linear SVC模型的AUC高于RF、DT模型（P=0.021、0.030），LR模型AUC高于DT、RF模型（P=0.049、0.035），其余模型间AUC差异均无统计学意义（P>0.05）。详见表4。

       DCA曲线结果显示，在阈值概率0.2~0.8的临床常用区间内，LR与Linear SVC模型的净获益始终为正，且高于RF、SVM、DT模型，提示采用该两类模型指导临床治疗决策可减少过度治疗或治疗不足。其中LR模型的净获益值在全阈值范围内均高于Linear SVC模型，临床应用价值更高。RF模型的净获益在阈值概率>0.7后接近0，临床实用价值有限。详见图6。

点击查看大图

图4  各模型在训练集（4A）与验证集（4B）中的校准曲线。
Fig. 4  Calibration curves of different models in the training set (4A) and validation set (4B).

点击查看大图

图5  各模型在训练集（5A）与验证集（5B）中ROC曲线。
Fig. 5  ROC curves of each model in the training set (5A) and validation set (5B).

点击查看大图

图6  各模型在训练集（6A）与验证集（6B）中决策曲线分析。
Fig. 6  Decision curve analysis of different models in the training set (6A) and validation set (6B).

点击查看表格

表3  逻辑回归模型在训练集与验证集的预测性能
Tab. 3  Prediction performance of logistic regression model in training set and validation set

点击查看表格

表4  各模型AUC比较的DeLong检验结果
Tab. 4  DeLong test results for comparison of AUC among different models

3 讨论

       本研究以HR-T2WI影像组学特征为基础，构建了5种融合影像组学特征与临床指标、传统影像定量指标的机器学习预测模型用于EC患者LVSI状态的术前预测，结果表明LR模型具有稳定识别与泛化能力。LR模型的AUC为0.92（95% CI：0.85~1.00），敏感度为92%（95% CI：86%~98%），特异度为92%（95% CI：84%~100%），整体效能优于其他模型；Rad-score和ADC值在该模型中是预测LVSI的独立危险因素。该模型能够为EC患者的临床治疗决策、风险分层及个体化方案优化提供可靠依据，同时进一步拓展了高分辨率MRI在EC精准诊疗中的应用场景。

3.1 LVSI临床危险因素分析

       本研究单因素分析显示，LVSI阳性组患者的多项临床、病理及影像指标与LVSI阴性组患者存在显著差异（P<0.05），这与既往研究^{[24, 25]}一致。LVSI阳性组患者年龄偏大，可能与高龄患者机体免疫功能下降、肿瘤侵袭性增强相关。从临床病理角度分析，LVSI阳性患者肿瘤体积更大，提示肿瘤对周围组织的侵犯范围更广泛，为淋巴脉管间隙浸润提供了形态学前提。既往研究^{[26, 27]}证实，当肿瘤存在较深肌层浸润、体积更大时，肿瘤的增殖力更加旺盛，发生LVSI的风险也显著增高。血清CA125、CA19-9水平升高则提示其作为肿瘤标志物，可在一定程度上反映肿瘤的侵袭转移潜能。低分化病理特征与晚期FIGO分期，是肿瘤恶性程度偏高、转移风险增加的直接病理特征；这与ESMO指南^[28]相一致，病理分化程度与FIGO分期为EC高风险因素。既往研究^{[29, 30]}也表明，LVSI与较高的肿瘤组织学级别之间存在显著相关性。

       从功能影像指标上，ADC值是反映肿瘤细胞密度的重要指标，其数值越低代表肿瘤细胞密度越高。LVSI阳性组ADC值显著减低，推测可能伴有LVSI阳性的EC肿瘤恶性程度更高，肿瘤细胞增殖更旺盛，肿瘤细胞密度增高、细胞外间隙减小，从而导致水分子弥散运动受限。研究证明ADC值能够间接反映肿瘤的侵袭性^[31]，可为LVSI的无创预测提供影像学依据。张萌等^[32]研究进一步表明，ADC值与EC患者肌层浸润、Ki-67、P53表达水平显著相关，因此ADC值通常更低并且有助于反映EC组织学分级特征。CA125、CA19-9、肿瘤最大厚度、肿瘤累及长度、病理分化程度及FIGO 2023分期虽在单因素分析中差异有统计学意义，但在LR模型中经多因素校正后均不再具有独立预测价值，而Rad-score与ADC值为独立危险因素；该结果体现了多因素联合模型在剔除混杂因素、提升预测效能方面的重要价值。训练集与验证集两组患者临床与影像特征比较差异无统计学意义（P>0.05）。这一数据特征说明无数据分布偏差导致的模型效能偏移，结果较为可靠。

3.2 影像组学特征分析

       本研究基于3.0 T HR-T2WI图像提取并筛选出7个核心影像组学特征，涉及形态、灰度共生矩阵（GLCM）及一阶统计特征。SHAP分析显示，GLCM纹理特征对模型预测的贡献度最高，提示肿瘤内部灰度分布的不均匀性、纹理异质性改变是区分LVSI状态的关键影像组学基础。GLCM等纹理特征可定量刻画肿瘤内部灰度的空间异质性，而这种异质性通常与肿瘤生物学行为差异密切相关，并可能对应肿瘤微环境的一系列改变，包括组织重塑、间质重构及纤维化等^[33]。LIU等^[34]研究表明，基于多参数MRI提取的纹理（如GLCM）等影像组学特征可反映肿瘤的多尺度异质性，并可通过影像组学与组织纤维化、微血管生成等微环境重塑过程相关联；影像纹理异常可能反映微环境重塑，比如纤维化与血管相关改变，进而与肿瘤侵袭性增强、脉管受累风险升高等病理生物学行为相关。

       相较于常规T2WI序列，本研究采用3.0 T HR-T2WI具有更高的空间分辨率与信噪比，能够更清晰地显示肿瘤与结合带交界面，瘤内微结构及细微纹理差异，为精准提取与LVSI相关的影像特征提供了可靠的图像基础，这也是本研究模型预测效能优于既往常规MRI影像组学研究的重要原因。

3.3 模型效能分析与临床应用价值

       与既往多项子宫内膜癌LVSI影像组学研究相比，本研究模型表现出更优的预测效能。LIU等^[20]开展的多中心研究中，模型AUC值为0.85，但其纳入人群异质性较高，并且不同中心设备、扫描参数及后处理流程存在差异，可能在一定程度上降低了模型整体效能。UENO等^[21]基于常规MRI纹理特征构建预测模型，AUC值为0.80，该研究仅提取180个纹理特征，特征维度相对有限，可能限制了对肿瘤异质性的全面刻画。LUO等^[22]、彭永佳等^[19]及LIU等^[23]构建的影像组学模型，测试集AUC介于0.81~0.91之间，整体效能仍弱于本研究。易芹芹等^[18]的研究AUC值达0.89，该研究基于Siemens Avanto 1.5 T常规盆腔矢状位T2WI图像，融合了超分辨率重建技术与深度学习预测模型，但其最终效果高度依赖于原始图像的质量，而且该方法需迭代优化梯度先验等约束条件，处理时间较长，计算负荷较大。

       本研究的潜在优势主要体现在两方面：第一，直接采用3.0 T HR-T2WI图像进行特征提取，该序列图像空间分辨率更高，对肿瘤边界、内部微结构及细微纹理差异的显示更为清晰，有助于更精准地捕捉与LVSI相关的异质性特征；第二，本研究构建了5种机器学习模型并进行横向效能对比，最终筛选出最优预测模型，有助于提升模型的稳定性与临床适用性。

       临床应用场景：对于术前经LR模型预测为LVSI阳性的低级别、浅肌层浸润EC患者，可直接将其风险等级由低或中危上调至中高危，临床可更积极地选择系统性淋巴结清扫术，无需等待术后病理结果，实现术前精准分层与术中个体化手术方案，优化诊疗流程并改善患者预后。

3.4 局限性与未来展望

       本研究存在一些局限性：第一，本研究为单中心回顾性研究，仅纳入临床资料完整的病例，部分与EC相关的高危因素因原始数据缺失而未能纳入分析可能对研究结果的全面性和模型评估的完整性造成一定影响。未来应开展多中心、前瞻性研究以扩大样本量，规范临床资料的收集流程，补充缺失的高危因素数据，以增强研究结论的可靠性。第二，所有图像仅采用SIEMENS 3.0 T Skyra设备，未纳入其他品牌设备的数据。由于不同厂家在扫描参数、图像重建算法等方面存在差异，可能对影像组学特征的稳定性与可重复性产生影响。未来应纳入不同品牌、不同场强MRI设备的数据，探索跨平台影像组学特征的标准化方案，优化扫描参数与特征提取流程，提升特征的稳定性和可重复性。第三，本研究仅完成内部验证，尚未开展多中心外部验证，模型的临床泛化能力仍需进一步证实。未来应积极推进多中心外部验证，系统评估模型在不同临床场景下的预测效能，并据此对模型进行迭代优化，以期为临床决策提供更可靠的参考。

4 结论

       联合Rad-score和ADC值构建的LR模型可在术前较为准确地评估EC患者的LVSI状态，可为个体化治疗方案制订提供可靠的影像学依据。