0 引言

       卵巢恶性肿瘤是女性生殖系统中最致命的肿瘤之一，其起病隐匿、进展迅速。据统计，2022年全球新增卵巢癌病例逾32万例，死亡病例超过20万例，晚期患者的5年生存率仅为20%~40%，而早期诊断则可将生存率提升至80%~95%^[1]。这一巨大的生存差异凸显了早期精准识别与干预的重要性。对于良性病变，通常采用侵入性较小的治疗方案，如简单手术切除或密切观察，旨在尽可能保护卵巢功能与生育能力。而对于高度可疑的恶性病变，则需及时转诊至妇科肿瘤中心，接受规范化的肿瘤细胞减灭术及综合治疗。术前穿刺活检是区分肿瘤良恶性的金标准，但该方法仅能反映局部组织的病理特征，可能存在诊断误差^[2]，同时对于恶性肿瘤还存在肿瘤扩散的风险^[3]。因此，建立一种能够在术前无创、准确地区分附件肿块良恶性的方法，是实现个体化精准医疗、避免不必要手术创伤、优化医疗资源配置并最终改善患者预后的核心环节。

       MRI凭借多参数、多序列成像及高软组织分辨率的优势，在卵巢肿瘤的良恶性鉴别中的表现优于超声和CT^{[4, 5]}。为规范诊断流程，美国放射学会（American College of Radiology, ACR）推出了卵巢附件报告和数据系统（ovarian-adnexal reporting and date system, O-RADS）MRI风险分层系统。该系统依据肿块的形态学、信号强度及强化特征等，将其分为1~5分，对应从良性到恶性的不同风险等级，总体表现出良好的诊断效能。然而，该系统在实际应用中面临一个关键挑战，即被归类为4分（中等风险）的恶性风险约50%。RIZZO等^[6]的荟萃分析发现，O-RADS MRI 4病变的总体恶性概率为60%，与指南大致相同。因O-RADS 4分病变存在显著的诊断不确定性，这使得临床决策常面临两难境地：过于积极的干预可能导致良性患者承受不必要的手术风险与卵巢功能损失，而过于保守的处理则可能延误恶性肿瘤的治疗时机^{[7, 8]}。因此，如何实现O-RADS 4分病变精准鉴别，已成为妇科影像学与肿瘤学领域一项紧迫任务。近年来，影像组学作为一种新兴的计算机辅助分析技术，为突破上述瓶颈提供了全新视角。它通过高通量地从医学图像中提取海量定量特征（包括纹理、形态、小波及滤波器特征等），将图像转化为可挖掘的数据，这些特征远超人眼辨识范围，却能深刻反映肿瘤内部的异质性、微观结构及生物学行为^[9]。传统MRI诊断高度依赖医师经验，主观性强、可重复性差；而影像组学以定量特征为基础，减少人为偏差，更适合临床标准化应用^[10]。现有研究表明，影像组学可有效用于卵巢肿瘤病理分型及腹膜转移的预测^{[11, 12]}；同时，基于MRI的影像组学模型在卵巢癌铂类药物耐药预测中亦展现出良好效能^[13]。现有O-RADS 4分病变影像组学研究较少，且多局限于单序列、样本量偏小、未纳入关键临床指标，模型诊断可靠性与临床应用价值有限^[14]。本研究扩大样本量，基于多参数MRI联合血清学指标构建列线图，以期提升模型稳定性与诊断准确性，辅助临床医师在术前对O-RADS 4分病变进行无创的肿瘤良恶性鉴别。

1 材料与方法

       本文属于回顾性单中心诊断预测模型研究，遵循《赫尔辛基宣言》，已获得山东第一医科大学第一附属医院医学伦理委员会批准，免除受试者知情同意，批准号：[2026]伦审字（S088）号。研究设计、实施及报告过程遵循多变量个体预后/诊断预测模型透明报告规范（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis, TRIPOD）2025版指南。

1.1 研究对象

       回顾性连续收集2019年1月1日至2025年6月30日期间山东第一医科大学第一附属医院因卵巢占位入院患者影像及临床资料。纳入标准：（1）依据ACR发布的O-RADS MRI评分指南，O-RADS MRI评分为4分；（2）卵巢占位经手术或活检后，具有明确的病理诊断；（3）术前2周内行盆腔多序列MR扫描，包括T1加权图像（T1-weighted imaging, T1WI）、T2加权图像（T2-weighted imaging, T2WI）、扩散加权成像（diffusion-weighted imaging, DWI）和对比增强T1WI（contrast-enhanced T1WI, CE-T1WI）；（4）术前2周内血清学检测，包括糖类抗原125（carbohydrate antigen 125, CA125）、人附睾蛋白4（human epididymis protein 4, HE4）等。排除标准：（1）图像存在严重伪影，影响感兴趣区（region of interest, ROI）勾画及影像特征提取；（2）MRI检查前接受过放化疗或手术治疗。

1.2 影像检查方法

       患者MRI检查使用不同MR扫描仪完成，包括德国Siemens Skyra 3.0 T MR扫描仪、GE Sgina 1.5 T MR扫描仪以及GE Discovery 750 3.0 T MR扫描仪。应用8通道或12通道相控阵体部线圈，检查前训练患者呼吸，避免出现较大运动伪影。增强扫描应用双筒高压注射器经肘静脉注射对比剂钆喷酸葡胺（gadopentetate dimeglumine, Gd-DTPA），剂量为0.1 mmol/kg，流速3 mL/s。各序列扫描参数详见表1。

点击查看表格

表1  磁共振扫描序列及参数
Tab. 1  MRI Sequences and Acquisition Parameters

1.3 临床及影像资料分析

       在电子病例系统收集卵巢肿块患者的年龄、绝经状态、肿瘤标志物（CA125、HE4）、病理结果。参照第5版女性生殖系统肿瘤分类指南^[15]，将卵巢肿块标记为良性或者恶性，参照既往研究，交界性肿瘤划分为恶性组^{[16, 17]}。通过医院内图片存储与传输系统（picture archiving and communication system, PACS）导出患者医学数字成像和通信标准（digital imaging and communications in medicine, DICOM）格式磁共振检查影像资料。由影像科2名分别具有8年和10年盆腔MRI诊断经验的主治医师和副主任医师独立进行卵巢肿块的常规MRI特征分析，并诊断肿瘤的良恶性。两名医师在影像评估前均不知道最终病理结果。分析特征包括：肿块位置、肿块最大径、肿块形态是否规则、边界是否清晰、有无包膜、有无腹水、O-RADS MRI评分（评分标准参照ACR 2020版O-RADS MRI评分指南）。对于定量参数，如肿瘤最大径，由医师分别测量后取平均值；对于定性参数，当两名放射科诊断医师分析结果不一致时，由具有18年盆腔MRI诊断经验的主任医师判定。

1.4 病灶分割、数据预处理及影像特征提取

       将所有纳入患者的横轴位T2WI序列原始图像导入3D Slicer软件（https://www.slicer.org/）中，先由一位具有8年腹部影像诊断经验的主治医师沿病灶边缘逐层勾画二维感兴趣区（region of interest, ROI），最后自动融合成三维感兴趣容积（volume of interest, VOI）。随后随机选取30个肿块，由另一位具有10年腹部影像诊断经验的副主任医师再次勾画，用于不同观察者之间可重复性检验。所有参与勾画的医师对患者临床信息与最终病理结果均不知晓。代表性ROI勾画见图1。勾画完成后，采用RIAS v0.2.2软件进行系统的影像预处理，流程包括：（1）将原始DICOM格式转换为NIfTI格式；（2）将T1WI、DWI及CE-T1WI序列向T2WI进行刚性配准，以消除体位移动引起的空间偏差，其中纳入配准与后续分割、组学分析的DWI图像选取b=800 s/mm²单值扩散图，CE-T1WI选取病灶强化程度峰值时相图像，或非动态增强图像；（3）对所有配准后的影像进行空间标准化，统一重采样体素至1 mm×1 mm×1 mm；（4）使用N4ITK算法进行偏置场校正，减少磁场不均匀性影响；（5）进行体素强度标准化（Z-score标准化），以提升不同病例间的强度可比性。预处理完成后，基于最终VOI掩模，使用PyRadiomics（v3.0.1）工具包从各序列（T2WI、T1WI、DWI、CE-T1WI）中提取影像组学特征，提取到的特征采用组内相关系数（intra-class correlation coefficient, ICC）评估观察者间的一致性，将ICC<0.75的特征剔除。

点击查看大图

图1  感兴趣区（ROI）勾画。1A：T2WI 序列图像；1B：单层ROI 勾画；1C：三维感兴趣区容积（VOI）。
Fig. 1  Volume of interest (ROI) delineation. 1A: T2WI image; 1B: Single-slice ROI delineation; 1C: Three-dimensional volume of interest (VOI).

1.5 特征筛选及模型构建

       本研究采用分层建模策略，分别构建临床模型、影像组学模型及联合模型。将临床及常规MRI特征进行单因素分析筛选，随后再次将有统计学意义的指标，纳入多因素逻辑回归分析，以P<0.05为标准确定独立预测因子，以此构建临床模型。影像组学特征筛选采用两步法。首先，使用最大相关最小冗余（minimum redundancy maximum relevance, mRMR）算法进行初步筛选，获取与标签相关性强且彼此冗余度低的特征子集。随后，将该子集纳入最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）逻辑回归模型，通过10折交叉验证确定最优正则化参数（λ），并基于所得的非零回归系数计算每位患者的影像组学评分（radiomics score, Radscore）。以Radscore作为唯一预测因子，拟合一个标准的二元逻辑回归模型，即构成影像组学模型，并采用10折法交叉验证，以提高模型的稳定性。将临床独立预测因子与影像组学评分共同纳入多因素逻辑回归构建联合模型，并基于回归系数绘制列线图以实现个体化风险可视化预测。

1.6 统计学分析

       采用SPSS 27.0软件、Python（版本3.7）及Ｒ软件（版本4.2.2）进行统计分析、特征筛选及影像组学模型构建。采用Kolmogorov-Smirnov检验进行正态性检验，正态分布的计量资料采用x¯±s表示，非正态分布的计量资料用中位数（上下四分位数）表示。计量资料比较采用独立样本t检验（正态分布且方差齐）或Mann-Whitney U检验（偏态分布或方差不齐），计数资料以例表示，组间比较采用χ²检验。P<0.05表明差异有统计学意义。通过绘制受试者工作特征（receiver operating characteristic, ROC）曲线，计算ROC曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度评价各模型的效能。使用校正曲线评估模型的拟合优度，利用决策曲线分析模型的临床净收益。

2 结果

2.1 患者基线特征分析

       最终178例卵巢占位患者（178个卵巢肿块）纳入研究，利用计算机随机数字生成程序进行简单随机化，将所有附件肿块以7∶3的比例随机分为训练集（n=126，良性49例，恶性77例）和验证集（n=52，良性20例，恶性32例），训练集用于构建和训练模型，验证集则用于测试模型的效能。两组患者在年龄、绝经状态、肿瘤位置、形态、边界、包膜、腹水及囊实性等方面差异无统计学意义（P>0.05）。在训练组和验证组中，恶性组的最大径、CA125和HE4值均显著高于良性组，差异具有统计学意义（P<0.05）。患者的基线临床和病理数据如表2和表3所示。

       在训练集中，对上述差异有统计学意义的临床及常规MRI特征（最大径、CA125、HE4）进行单因素及多因素逻辑回归分析（表4）。结果显示，多因素分析后仅HE4是鉴别卵巢肿块良恶性的独立预测因子（P=0.001）。

点击查看表格

表2  训练集和验证集中患者的基线特征
Tab. 2  Basic characteristics of the patients in the training set and validation set

点击查看表格

表3  病理资料统计表
Tab. 3  Statistical table of pathological data

点击查看表格

表4  训练集中临床资料的单因素分析及多因素分析
Tab. 4  Univariate and multivariate analyses of clinical data in the training set

2.2 影像组学特征分析及筛选

       从T2WI、T1WI、DWI、CE-T1WI图像中各提取到1316个影像组学特征，涵盖一阶统计特征、形态学特征、纹理特征[包括灰度共生矩阵（gray-level co-occurrence matrix, GLCM）、灰度依赖矩阵（gray-level dependence matrix, GLDM）、灰度游程矩阵（gray-level run-length matrix, GLRLM）、灰度大小区域矩阵（gray-level size zone matrix, GLSZM）、邻域灰度差分矩阵（neighboring gray-level difference matrix, NGTDM）]及滤波变换后特征等多个类别。两名放射科诊断医师提取的影像组学特征一致性良好（ICC≥0.75，均P<0.05）。mRMR算法对全部影像组学特征进行初步筛选后保留相关性最高的20个特征构成核心特征子集，LASSO回归对该子集进行特征精选与降维（图2A、2B），在最优λ值下，共保留16个具有非零系数的影像组学特征（图2C），并基于其系数计算每个肿块的Radscore（式1）。

       Radscore=-0.092×T2_wavelet-HHH_glszm_SizeZoneNonUniformityNormalized

       -0.911×T1_wavelet-HHH_glszm_LowGrayLevelZoneEmphasis

       +0.374×T1_wavelet-HHH_glszm_GrayLevelVariance

       -0.371×T2_wavelet-HHH_glszm_HighGrayLevelZoneEmphasis

       -0.271×T2_wavelet-HHH_glszm_GrayLevelVariance

       -0.703×CE_wavelet-HHH_glszm_LowGrayLevelZoneEmphasis

       -0.376×T1_wavelet-HHH_glszm_SizeZoneNonUniformityNormalized

       +0.981×CE_wavelet-HHH_glszm_GrayLevelNonUniformityNormalized

       -0.456×CE_squareroot_firstorder_Minimum

       -1.376×T1_gradient_firstorder_RobustMeanAbsoluteDeviation

       +0.551×CE_square_firstorder_90Percentile

       -0.569×DWI_wavelet-LHH_glszm_SizeZoneNonUniformityNormalized

       -0.532×T1_squareroot_firstorder_Minimum

       -0.395×T1_wavelet-LHL_glcm_MaximumProbability

       -0.333×DWI_wavelet-HHH_glszm_SizeZoneNonUniformity

       +0.935×CE_wavelet-HHH_glszm_SizeZoneNonUniformityNormalized+0.385

       （式1）

点击查看大图

图2  基于LASSO 回归的影像组学特征筛选过程与结果。2A：十折交叉验证均方误差随正则化参数（λ）的变化曲线；2B：LASSO 回归系数路径图；2C：筛选出16 个影像组学特征及其全权重图。LASSO：最小绝对收缩和选择算子。
Fig. 2  Radiomics feature selection based on LASSO regression. 2A: Ten-fold cross-validation mean squared error curve as a function of the regularization parameter (λ); 2B: LASSO coefficient profiles; 2C: The 16 selected radiomics features and their corresponding weights. LASSO: least absolute shrinkage and selection operator.

2.3 各模态预测模型的评估

       两位影像医师独立依据ACR O-RADS MRI指南对所有病例的常规平扫及增强序列进行阅片后给出良恶性的二分类诊断结果显示，以病理结果为金标准，中级医师的诊断准确率为70.2%（125/178），敏感度为71.6%（78/109），特异度为68.1%（47/69）；高级医师的诊断准确率为78.7%（140/178），敏感度为80.7%（88/109），特异度为75.4%（52/69）。

       多因素logistic回归分析发现HE4为独立危险因素，据此构建了临床模型，基于Radscore构建了影像组学模型，最后，整合临床与影像组学特征，构建了联合模型，并以列线图形式实现联合模型的可视化（图3）。临床模型在训练集中的AUC为0.783 [95%置信区间（confidence interval, CI）：0.704~0.861]，准确度、敏感度与特异度分别为68.3%、58.4%和83.7%；在验证集中的AUC为0.753（95% CI：0.622~0.885），准确度、敏感度与特异度分别为73.1%、65.6%和85.0%。影像组学模型在训练集中的AUC为0.825（95% CI：0.747~0.903），准确度、敏感度与特异度分别为81.0%、85.7%和73.5%；在验证集中的AUC为0.791（95% CI：0.664~0.917），准确度、敏感度与特异度分别为73.1%、75.0%和70.0%。联合模型在训练集中的AUC为0.885（95% CI：0.824~0.946），准确度、敏感度与特异度分别为85.7%、96.1%和69.4%；在验证集中的AUC为0.877（95% CI：0.782~0.971），准确度、敏感度与特异度分别为84.6%、93.8%和70.0%。结果显示，联合模型在训练集与验证集中均具有最高的AUC值与准确度，影像组学模型次之，临床模型相对较低（表5，图4）。

       DeLong检验结果显示，训练集和验证集中联合模型（即列线图模型）的AUC均显著优于临床模型与影像组学模型，且差异均具有统计学意义（训练集：对比临床模型Z=2.863，P=0.004；对比影像组学模型Z=2.617，P=0.009。验证集：对比临床模型Z=2.000，P=0.046；对比影像组学模型Z=1.965，P=0.049）。训练集和验证集中校准曲线（图5A、图5B）均显示联合模型的预测概率与实际观测概率之间具有良好的一致性，Hosmer-Lemeshow拟合优度检验结果进一步支持该结论（训练集：χ²=2.987，P=0.394；验证集：χ²=1.191，P=0.755）。决策曲线分析（图6A、6B）分析表明，在训练集与验证集中，联合模型的净效益在广泛阈值区间内均持续高于临床模型、影像组学模型以及“全干预”与“无干预”策略，联合模型能够为临床决策提供更高的净获益，具备良好的临床应用潜力。

点击查看大图

图3  联合模型列线图。HE4：人附睾蛋白4；Radscore：影像组学评分。
Fig. 3  Combined model nomogram. HE4: human epididymis protein 4; Radscore: radiomics score.

点击查看大图

图4  临床模型（Clinical）、影像组学模型（Radscore）、联合模型（Nomogram）鉴别卵巢O-RADS 4分肿块良恶性的受试者工作特征（ROC）曲线。4A：训练集；4B：验证集。AUC：曲线下面积；O-RADS：卵巢-附件报告和数据系统。
Fig. 4  Receiver operating characteristic (ROC) curves for the clinical model (Clinical), radiomics model (Radscore), and combined model (Nomogram) in differentiating benign and malignant O-RADS 4 ovarian lesions. 4A: Training set; 4B: Validation set. AUC: area under the curve; O-RADS: ovarian-adnexal reporting and date system.

点击查看大图

图5  联合模型在训练集（5A）与验证集（5B）中的校准曲线（两组P均>0.05）。
图6  临床模型（Clinical）、影像组学模型（Radscore）、联合模型（Nomogram）在训练集（6A）和验证集（6B）中的决策曲线分析。
Fig. 5  Calibration curves of the combined model in the training (5A) and validation (5B) sets (both P > 0.05).
Fig. 6  Decision curve analysis for the clinical model, radiomics model (Radscore), and combined model (Nomogram) in the training (6A) and validation (6B) sets.

点击查看表格

表5  临床模型、影像组学模型、联合模型对卵巢O-RADS 4分肿块良恶性鉴别的效能
Tab. 5  Performance of clinical model, radiomics model, and combined model for differentiating benign and malignant O-RADS 4 ovarian lesions

3 讨论

       在本研究中，我们分别构建了临床模型、影像组学模型及联合列线图模型，用于预测O-RADS 4类肿块的良恶性。模型比较结果显示，融合临床与影像组学特征的列线图模型具有最佳的预测效能，且与不同年资医师常规MRI主观诊断相比，列线图模型在准确率和敏感度方面均显示出明显优势，提示该列线图模型可辅助临床医生术前无创鉴别该类肿块的良恶性。

3.1 临床特征筛选及预测价值

       CA125和HE4是目前临床上用于评估卵巢附件肿块良恶性风险的两个核心血清学生物标志物。本研究发现，恶性组中CA125、HE4及肿瘤最大径的数值均高于良性组，与先前研究结果一致^{[18, 19]}。然而在多因素分析中，CA125及肿瘤最大径未表现出独立预测意义，进一步进行方差膨胀因子（variance inflation factor, VIF）检验，结果显示CA125与HE4的VIF值为5.0，提示两项血清标志物存在一定的共线性，而HE4在预测模型中的贡献更为显著，CA125未被纳入预测模型。此外，既往亦有文献指出，HE4在卵巢肿瘤诊断中比CA125具有更高的敏感性和特异性^{[20, 21]}。丁聪等^[22]在基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤的研究中筛选出临床特征的为HE4，与本研究一致。关于肿瘤最大径，考虑其可能与Radscore包含的信息存在重叠，为保持模型的简洁性与泛化能力，最终未将肿瘤最大径纳入最终预测模型。

3.2 影像组学特征的意义

       本研究构建的影像组学模型所纳入的特征均由软件自动生成，其本质为高阶数学变换后的统计构造，而非可人眼直接观测的影像指标，这反映了影像组学方法的固有“黑箱”特性^[23]：模型多为数据驱动下的统计拟合结果，单一特征难以与特定的细胞或分子事件建立确切的因果关联。尽管如此，通过特征所属的算法家族及图像变换类型，仍可对其所捕获的肿瘤表型进行方向性的合理推断。一阶特征（如_firstorder参数等）直接量化肿瘤区域信号强度的整体分布范围及离散程度，KOAY等^[24]研究发现此类基于信号分布的定量指标可通过与组织学及基因组数据的对照分析，阐释所测影像特征背后的组织学基础。二阶特征（GLCM等）反映图像纹理的规则性与重复性，既往研究推测，此类描述图像灰度分布空间结构特征的方法与肿瘤异质性存在内在关联^{[23, 25]}。高阶特征（如GLSZM、wavelet-HHH等）进一步描述肿瘤的空间结构异质性。灰度区域尺寸矩阵（GLSZM）通过量化同灰度区域的聚集模式（“区带”的大小分布与聚集程度）来反映组织成分的空间分布特征。wavelet-HHH子带通过高通滤波突出图像中灰度变化剧烈的区域（如肿瘤边界、内部纹理、不同组织交界处），推测其对细胞密集区与坏死区的微小交界、微血管密度局部波动高度敏感，可能反映了恶性肿瘤的微观异质性。GROSSMANN等^[26]的研究显示，小波纹理熵与肿瘤免疫应答存在关联，提示此类特征对肿瘤微环境的空间异质性具有敏感性。尽管本模型中的特征命名源于软件自动生成的技术术语，但既往研究已建立此类纹理参数与肿瘤异质性、微血管生成及微观特征之间的关联。然而需要指出的是，目前学术界对影像组学特征的具体生物学内涵尚未形成统一共识，同一特征在不同肿瘤类型、不同成像模态或不同研究背景下可能对应不同的病理内涵，这将是未来研究的重要方向。

       在特征数量层面：T2WI贡献7个（43.75%），CE-T1WI贡献5个（31.25%），T1WI贡献2个（12.50%），DWI贡献2个（12.50%）。T2WI和CE-T1WI是模型的主要贡献序列，二者合计占比超过70%。上述分布具有临床合理性。O-RADS 4分病变的诊断不确定性主要源于其形态学及血流动力学异质性，而T2WI对病灶内部结构（如囊壁、分隔、乳头状突起）的显示能力最优，是卵巢病变MRI评估的基础序列；CE-T1WI则反映病灶的血供状态及强化模式，对于鉴别富血供的恶性肿瘤与乏血供的良性病变（如纤维瘤、卵泡膜细胞瘤）具有重要价值。因此，T2WI与CE-T1WI在模型中占据主导地位，与二者的临床诊断价值相吻合。针对O-RADS 4分病变诊断不确定性所带来的临床决策难题，目前已有研究尝试在O-RADS 4类别中整合扩散加权成像（DWI）的定量参数（如ADC值）来提高该组肿瘤的鉴别能力，但DWI在鉴别附件肿块良恶性中的价值仍存争议，ADC值差异不同研究结果不统一^{[27, 28]}。DWI序列特征比例最小可能也从侧面印证了现有研究对DWI卵巢肿瘤分层价值存在分歧这一现状。

3.3 本研究的定位及优势

       影像组学可以从影像图像中提取大量定量信息，从而更全面、更详细、更客观地描述病变特征，不依赖阅片者的主观判断和经验^[29]。目前国内外已有部分研究探讨影像组学在卵巢良恶性肿瘤鉴别中的价值^{[30, 31, 32]}。列线图作为一种直观、定量的分析工具，在卵巢肿瘤精准诊断与鉴别中具有重要应用价值^{[33, 34]}。多个研究者^{[35, 36, 37]}基于CT影像组学特征联合临床特征构建列线图，成功将其分别应用于原发性与转移性卵巢癌、上皮性与非上皮性卵巢癌以及交界性浆液性卵巢肿瘤与浆液性卵巢癌的鉴别，结果显示列线图模型均表现出较高的诊断效能。ZHANG等^[38]及张晓红等^[39]学者均构建了整合MRI影像组学特征与临床信息的列线图预测模型，发现模型在卵巢肿瘤的良恶性判别、肿瘤亚型鉴别以及患者生存结局预测方面均展现出良好的预测效能。但上述两项研究对象是未做风险分层的全部卵巢肿瘤，纳入了大量良恶性特征典型、易于判断的病例，这类基于整体人群构建的模型容易受到典型病例的影响。

       本研究严格纳入O-RADS 4分诊断困难病灶，更贴近临床实际决策场景，精准解决O-RADS 4分鉴别困难、决策两难的临床痛点，单纯依靠O-RADS定性分层仅能笼统判定中等恶性风险，缺乏个体化定量风险评估能力，而本联合列线图可实现病灶恶性概率精准量化分层，诊断效能与临床净获益均优于单纯O-RADS视觉评估，显著提升模型在实际临床场景中的适用性与指导价值。LEI等^[14]针对O-RADS 4分病变分别构建了单序列模型及多序列联合模型，结果显示通过融合多序列MRI信息构建的影像组学模型诊断效能优于单序列模型，AUC可达0.86，验证了多序列融合在提升诊断准确率方面的关键作用。本研究在此基础上进行了两个方面的扩展与探索：首先，我们将样本量从57例扩充至178例，这增强了模型训练的稳健性与结果的可靠性；其次，我们引入了重要的血清学生物标志物HE4，构建了“影像-临床”综合模型，本研究模型的诊断效能得到了进一步提升，AUC值为0.877，准确率为0.846，这一结果支持了“整合跨模态信息能够提升模型鉴别效能”的观点，与既往研究结论一致^[40]。

3.4 局限性和展望

       本研究仍存在一些局限性：第一，本研究为回顾性研究，且O-RADS评分具有一定主观性，因此可能存在选择偏倚。第二，本研究为单中心研究，仅进行了内部验证对模型进行评估，未来将使用来自多中心的大量样本，并结合外部验证数据集进一步评估模型的泛化性能。第三，研究采用不同场强与型号MR设备，尽管经过标准化预处理，仍可能存在残余设备偏差，未来将统一设备及扫描方案。第四，由于目前技术限制，ROI为手动勾画，需要花费大量的时间并且无法避免主观性，未来我们将尝试使用自动分割或半自动分割来减少人工干预，提高工作效率及采集数据的客观性。

4 结论

       基于多参数MRI和临床特征的列线图模型可作为一种无创诊断工具，用于术前预测卵巢O-RADS 4分肿块的良恶性，并有助于个体化治疗策略和监测管理方案的制定。