分享:
分享到微信朋友圈
X
• 临床研究 •
基于MRI多序列2.5D融合深度学习模型预测宫颈癌淋巴脉管间隙浸润的研究
秦凤英 魏宇泽 栾一祎 田名可 孙昕 温锋 董越

本文引用格式 秦凤英, 魏宇泽, 栾一祎, 等. 基于MRI多序列2.5D融合深度学习模型预测宫颈癌淋巴脉管间隙浸润的研究[J]. 磁共振成像, 2026, 17(11): 99-107. DOI:10.12015/issn.1674-8034.2026.11.012.


[摘要] 目的 构建并验证基于MRI多序列2.5D融合图像的2.5D深度学习(deep learning, DL)模型,术前预测宫颈癌淋巴脉管间隙浸润(lymphovascular space invasion, LVSI)。材料与方法 回顾性纳入两个中心共580例行根治性子宫切除术的宫颈癌患者,按中心来源分为训练集(n=471,中心1)和外部独立测试集(n=109,中心2)。训练集采用10折交叉验证进行模型选择与内部评估。从增强T1加权成像(contrast-enhanced T1-weighted imaging, CE-T1WI)和T2加权成像(T2-weighted imaging, T2WI)中提取肿瘤最大层面的轴位图像,经各向同性重采样后通过多平面重建获得冠状位及矢状位图像,构建三通道2.5D融合图像作为2.5D DL模型输入。采用预训练DenseNet169提取DL特征,经加权弹性网逻辑回归进行特征筛选并构建2.5D DL模型。单因素logistic回归分析筛选临床独立预测因子,构建临床模型,并将临床变量与DL-Score联合构建列线图。以2D DL模型和影像组学模型作为消融对照。模型性能通过受试者工作特征曲线下面积(area under the curve, AUC)评估,模型间AUC比较采用DeLong检验。结果 2.5D DL模型经加权弹性网筛选出48个关键特征,10折交叉验证AUC为0.812,外部测试AUC为0.806(95% CI:0.726~0.886)。单因素logistic回归筛选出深间质浸润(≥外1/3)和淋巴结最大短径为LVSI的独立预测因子。临床模型、2D双序列融合DL模型及影像组学模型的外部测试AUC分别为0.706、0.694和0.777,均低于2.5D DL模型。联合模型外部测试AUC为0.833(95% CI:0.758~0.907),敏感度由2.5D DL模型的34.8%提升至60.9%,但AUC差异无统计学意义(P=0.333)。多阈值分析显示联合模型在阈值0.30时敏感度可达80.4%,阴性预测值达82.7%。校准曲线及决策曲线分析显示联合模型拟合良好且临床净获益更高。结论 基于MRI多序列2.5D融合图像的2.5D DL模型能够有效预测宫颈癌LVSI,通过内部交叉验证与外部独立验证展现了较好的泛化性能,联合临床变量后模型敏感度显著提高,校准性能及临床净获益亦有所改善。
[Abstract] Objective To develop a deep learning (DL) model based on MRI multi-sequence 2.5D fused images for the preoperative prediction of lymphovascular space invasion (LVSI) in cervical cancer, and to evaluate its generalizability through internal cross-validation and external independent validation.Materials and Methods A total of 580 patients with cervical cancer who underwent radical hysterectomy from two centers were retrospectively enrolled and divided into a training set (n = 471, Center 1) and an external independent test set (n = 109, Center 2) according to the center of origin. Ten-fold cross-validation was used for model selection and internal evaluation within the training set. Axial images at the maximum tumor section were extracted from contrast-enhanced T1-weighted imaging (CE-T1WI) and T2-weighted imaging (T2WI), respectively. After isotropic resampling, coronal and sagittal images were obtained via multiplanar reconstruction, and three-channel 2.5D fusion images were constructed as input for the 2.5D DL model. DL features were extracted using a pretrained DenseNet169 model, and feature selection was performed via weighted elastic net logistic regression to build the 2.5D DL model. Independent clinical predictors were identified by univariable logistic regression analysis to construct a clinical model, and subsequently combined with the DL-Score to develop a nomogram. A 2D DL model and a radiomics model served as ablation controls. Model performance was assessed by the area under the receiver operating characteristic curve (AUC), and comparisons between models were performed using the DeLong test.Results The 2.5D DL model selected 48 key features (62.5% from CE-T1WI). It achieved a 10-fold cross-validation AUC of 0.812 and an AUC of 0.806 (95% CI: 0.726 to 0.886) in the external test set. Univariable logistic regression identified deep stromal invasion (≥ outer 1/3) and maximum lymph node short-axis diameter as independent predictors of LVSI. The standalone clinical model, 2D dual-sequence fusion model, and radiomics model yielded external test AUCs of 0.706, 0.694, and 0.777, respectively, all lower than that of the 2.5D DL model. The combined model achieved an external test AUC of 0.833 (95% CI: 0.758 to 0.907), with sensitivity improving from 34.8% (DL alone) to 60.9%, although the difference in AUC did not reach statistical significance (P = 0.333). Multi-threshold analysis showed that at a threshold of 0.30, the combined model attained a sensitivity of 80.4% and a negative predictive value of 82.7%. Calibration curves and decision curve analysis demonstrated good calibration and higher net clinical benefit for the combined model.Conclusions The 2.5D DL model based on MRI multi-sequence 2.5D fusion images can preoperatively predict LVSI in cervical cancer, with acceptable generalizability demonstrated through internal cross-validation and external independent validation. The integration of clinical variables markedly improves model sensitivity and clinical net benefit, providing a new imaging tool for preoperative noninvasive LVSI assessment in cervical cancer.
[关键词] 宫颈癌;淋巴脉管间隙浸润;深度学习;2.5D融合图像;列线图
[Keywords] cervical cancer;lymphovascular space invasion;deep learning;2.5D fusion images;nomogram

秦凤英 1, 2   魏宇泽 2   栾一祎 2   田名可 2   孙昕 2   温锋 3   董越 2*  

1 大连医科大学,大连 116044

2 大连理工大学附属肿瘤医院(辽宁省肿瘤医院、辽宁省肿瘤研究所)医学影像科,沈阳 110042

3 中国医科大学附属盛京医院放射科,沈阳 110004

通信作者:董越,E-mail: dyy1026@sina.com

作者贡献声明:董越设计本研究的方案,对稿件重要内容进行了修改,获得了辽宁省科技计划联合计划的资助;秦凤英起草和撰写稿件,获取、分析和解释本研究的数据,获得了辽宁省自然科学基金面上项目的资助;栾一祎、魏宇泽、田名可、孙昕、温锋获取、分析或解释本研究的数据,对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 辽宁省科技计划联合计划项目(技术攻关计划项目) 2024JH2/102600185 辽宁省自然科学基金面上项目 2026-MS-359
收稿日期:2026-06-17
接受日期:2026-09-18
中图分类号:R445.2  R737.33 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.012
本文引用格式 秦凤英, 魏宇泽, 栾一祎, 等. 基于MRI多序列2.5D融合深度学习模型预测宫颈癌淋巴脉管间隙浸润的研究[J]. 磁共振成像, 2026, 17(11): 99-107. DOI:10.12015/issn.1674-8034.2026.11.012.

0 引言

       宫颈癌是全球女性常见的恶性肿瘤之一,发病率和死亡率均居前列[1, 2]。淋巴脉管间隙浸润(lymphovascular space invasion, LVSI)定义为肿瘤细胞在淋巴管和/或血管内的存在,其在早期宫颈癌中的检出率约为15%~40%[3, 4]。LVSI是宫颈癌重要的独立不良预后因素,与淋巴结转移及较差的生存结局密切相关[5, 6]。在临床实践中,LVSI状态贯穿宫颈癌诊疗决策全过程。术前准确评估LVSI风险有助于优化治疗策略选择,例如辅助判断保留生育功能手术(如根治性宫颈切除术)的适宜性,并为手术范围确定及淋巴结评估策略提供参考;对于接受根治性手术治疗的患者,术后病理证实的LVSI状态则是美国国立综合癌症网络(National Comprehensive Cancer Network, NCCN)指南中辅助治疗风险分层的重要依据,可影响后续辅助放疗或同步放化疗方案的制定[7]。然而,目前LVSI的诊断仍主要依赖术后组织病理学检查,使临床医生在术前阶段无法获得这一关键风险信息。因此,开发基于术前影像的无创LVSI预测方法,对于实现术前精准风险分层、优化治疗方案选择以及改善患者个体化管理具有重要临床意义。

       磁共振成像(magnetic resonance imaging, MRI)凭借其优异的软组织分辨率,已成为宫颈癌诊断与分期的关键影像学手段,但常规MRI无法直接显示LVSI状态[8, 9]。为此,越来越多的研究者尝试基于MRI的影像组学方法构建术前预测模型,其中部分结果展现出良好的预测性能[10, 11, 12, 13]。然而,传统影像组学依赖手工定义的特征,难以充分捕捉肿瘤的复杂异质性,且流程烦琐,各环节的主观性均可能影响模型稳健性[14]。深度学习(deep learning, DL)(特别是卷积神经网络)在医学图像处理中展现出巨大潜力,能够自动学习层次化特征,在多项妇瘤诊断任务中优于传统影像组学[15, 16],并被引入宫颈癌LVSI的术前预测研究[17]。然而,目前大多数研究仍为单中心回顾性设计,且多采用简单的随机划分进行内部验证,外部独立验证数据集的缺失是当前偏倚的主要来源[17, 18]。此外,现有研究的输入图像多为单平面的T2加权成像(T2-weighted imaging, T2WI)序列,未能充分利用多序列MRI的互补信息,多序列融合策略亦缺乏统一规范。同时,现有模型多为端到端的“黑箱”架构,其内部决策机制难以追溯,无法明确哪些影像特征对LVSI预测具有关键价值[19]。

       近年来,2.5D三平面融合策略作为一种介于传统2D单平面输入与全3D卷积网络之间的折中方案逐渐受到关注。对于宫颈癌MRI而言,肿瘤侵袭范围及内部异质性具有明显的三维空间特征,而LVSI可能与肿瘤空间结构及侵袭相关影像表现存在潜在关联。因此,如何在有限样本MRI数据中充分利用三维空间信息,同时避免模型过拟合,是构建影像人工智能模型的重要挑战。与仅使用单一平面2D切片的方法相比,2.5D策略通过融合病灶三个正交平面的空间信息,在保留三维上下文信息的同时降低了全3D卷积网络对大规模数据的依赖[20]。

       本研究拟融合增强T1加权成像(contrast-enhanced T1-weighted imaging, CE-T1WI)与T2WI构建2.5D三平面融合图像,通过DL特征提取与弹性网筛选构建预测模型,并联合临床独立预测因子进一步提升预测效能,采用内部交叉验证与外部独立验证评估其泛化能力,以期为宫颈癌LVSI的术前无创评估提供可靠的方法学依据。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》,经大连理工大学附属肿瘤医院(批准文号:LH20250311)及中国医科大学附属盛京医院(批准文号:2026PS184K)伦理委员会批准,免除受试者知情同意。回顾性连续纳入2014年12月至2022年6月期间在两个中心接受根治性子宫切除术的宫颈癌患者。将来自中心1的471例患者作为训练集,采用10折交叉验证进行内部模型选择与评估;将来自中心2的109例患者作为外部独立测试集。纳入标准:(1)经术后病理学证实的宫颈癌(鳞状细胞癌、腺癌或腺鳞癌);(2)治疗前两周内行盆腔MRI检查,包括T2WI和CE-T1WI;(3)MRI检查后两周内接受根治性子宫切除术及盆腔淋巴结清扫术(伴或不伴腹主动脉旁淋巴结清扫术)。排除标准:(1)MRI图像存在明显运动伪影或其他技术问题,无法可靠评估病灶;(2)临床或病理数据不完整;(3)合并其他原发性恶性肿瘤;(4)MRI检查前接受过新辅助化疗或放疗;(5)术后病理提示为少见组织学类型(如神经内分泌癌、小细胞癌、腺样基底细胞癌等)。

1.2 临床数据采集

       术前收集患者的人口统计学、实验室及病理学变量,包括年龄、绝经状态、2018年国际妇产科联盟(International Federation of Gynecology and Obstetrics, FIGO)分期、鳞状细胞癌抗原(squamous cell carcinoma antigen, SCC-Ag)、组织学类型及分级。影像学变量(深间质浸润、宫体受累、阴道受累、最大肿瘤直径及最大淋巴结短径)由两位放射科医师在术前MRI上独立评估,意见不一致时通过协商达成一致。参照既往文献及相关指南在建模前对部分变量进行如下处理:SCC-Ag以1.5 ng/mL为界进行二值化;深间质浸润定义为间质浸润深度≥2/3[21, 22];最大肿瘤直径按序数分类(1:<2 cm;2:2~<4 cm;3:≥4 cm)[23];最大淋巴结短径按照≥10 mm分类[24, 25]。所有临床和影像学变量的评估均对患者的LVSI状态设盲。

1.3 MRI采集协议

       MRI扫描在两个中心使用多台3.0 T扫描仪完成,具体型号包括Siemens Verio(中心1)、Philips Ingenia CX(中心1)及Philips Ingenia(中心2)。成像方案包括轴位T2WI序列和轴位CE-T1WI序列。T2WI序列采用水脂分离技术(Dixon)或频率选择反转恢复脂肪抑制(spectral attenuated inversion recovery, SPAIR)技术;CE-T1WI序列中,Siemens Verio使用常规快速自旋回波(fast spin echo, TSE)序列,两台Philips设备使用频谱预饱和反转恢复脂肪抑制(spectral presaturation with inversion recovery, SPIR)的TSE序列。增强扫描经静脉团注钆对比剂(约20 mL钆双胺,压力注射器以2 mL/s推注,继以20 mL生理盐水冲管)。各扫描仪序列及参数详见表1。后续影像组学与DL分析均使用轴位T2WI和轴位CE-T1WI图像。

表1  MRI扫描序列及参数
Tab. 1  MRI scan sequences and parameters

1.4 图像预处理与数据集构建

       由两名放射科医师(分别具有6年与3年盆腔MRI诊断经验)在不知晓患者临床病理信息(包括FIGO分期、病理类型、分化程度及LVSI状态)的前提下,使用开源软件ITK-SNAP(version 3.8.0)在轴位T2WI和轴位CE-T1WI图像上沿肿瘤轮廓逐层手动勾画三维感兴趣区(three-dimensional volume of interest, VOI),随后通过ITK-SNAP软件将所有感兴趣区自动融合为VOI。从训练集中随机抽取50例患者,由两位医师分别独立勾画VOI,间隔2周后由上述具有6年盆腔MRI诊断经验的医师再次勾画。上述50例的重复VOI将按照下述流程生成2.5D图像并提取DL特征,以评估勾画差异对特征稳健性的影响。

       所有图像首先进行信号强度Z-score标准化,并将体素重采样至1 mm×1 mm×1 mm的各向同性分辨率。冠状位和矢状位图像由重采样后的各向同性容积数据通过多平面重建获得,因此三个正交平面的空间分辨率和组织对比度一致,避免了额外采集序列可能引入的配准误差。为构建2.5D DL模型的输入,对每个序列(T2WI和CE-T1WI)分别执行以下操作:定位VOI在轴位上的最大面积层面,记录其空间坐标;以该坐标为中心,在重建后的各向同性容积数据中分别提取轴位、冠状位及矢状位三个正交平面包含整个病灶区域的单张2D切片。将三个正交平面的图像分别赋予红、绿、蓝三个通道,合成为一张三通道2.5D融合图像。最终,每个病例获得T2WI和CE-T1WI两个序列各自独立的三通道2.5D数据集(图1)。将上述50例重复VOI对应的2.5D图像分别输入DenseNet169网络,提取全局平均池化层输出的1664维DL特征向量,采用组内相关系数(intra-class correlation coefficient, ICC)评价不同勾画下特征向量的一致性,以反映VOI变动时DL特征的稳健性。

图1  2.5D深度学习模型输入图像构建流程示意图。
Fig. 1  Workflow of 2.5D multi-planar fusion image generation for deep learning.

1.5 DL模型开发及可解释性分析

       采用在ImageNet数据集上预训练的DenseNet169作为特征提取网络,冻结卷积层权重,仅微调最后的全连接分类层。T2WI和CE-T1WI两个序列的2.5D图像分别独立输入网络进行微调。优化器为随机梯度下降(stochastic gradient descent, SGD),初始学习率0.01,损失函数为Softmax交叉熵,最大迭代48轮,采用早停策略(验证损失连续5个epoch不下降则终止训练)。数据增强包括随机裁剪、水平和垂直翻转。训练后取全局平均池化层输出,每个序列获得1664维DL特征向量,两序列拼接后得到3328维融合特征。

       采用弹性网逻辑回归进行嵌入式特征筛选,在损失函数中同时施加L1与L2惩罚,自动压缩冗余特征系数至零。为提升对阳性样本的识别能力,引入逆频率加权策略,使正负样本总权重相等。权重比率(阳性∶阴性)通过训练集10折交叉验证在1、2、3、4、5的网格中优化,最终选择使交叉验证敏感度最高的比率2。混合参数α及正则化强度λ均通过10折交叉验证确定。基于最终加权弹性网模型,计算每位患者的DL影像评分(DL-Score)。

       为直观展示DenseNet169特征提取网络在图像层面的关注区域,对代表性病例应用梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)。Grad-CAM通过计算预测的LVSI概率相对于最后卷积层特征图的梯度,生成空间定位热图。将热图叠加于原始MRI图像,以显示对模型输出有贡献的影像特征的空间分布。

1.6 对照模型构建

       为评估2.5D融合策略及DL特征的增量价值,补充构建以下对照模型:(1)2D DL模型,分别以轴位CE-T1WI和轴位T2WI最大肿瘤层面单张二维切片作为输入,采用与主模型相同的DenseNet169预训练骨干网络进行训练,并通过与主模型一致的数据增强策略和10折交叉验证确定模型参数。每个序列模型输出患者级预测概率,随后将CE-T1WI和T2WI模型预测概率进行算术平均,构建双序列2D DL模型。(2)在轴位CE-T1WI和轴位T2WI图像上,使用开源PyRadiomics工具包(遵循IBSI指南)提取影像组学特征。特征类型涵盖一阶统计量、形态特征及纹理特征,经小波变换后共提取1075个特征。特征经方差筛选(剔除方差为零的特征)、Z-score标准化后,以单因素方差分析、F检验筛选排名前12的特征,最终以随机森林分类器构建预测模型。(3)临床模型,以独立临床预测因子构建logistic回归模型。所有对照模型均采用与主模型相同的训练/测试划分和评估策略。

1.7 联合模型构建

       在训练集中,对候选临床及影像学变量进行单因素logistic回归分析,将差异具有统计学意义(P<0.05)的临床变量与DL-Score共同纳入多因素logistic回归模型,构建2.5D DL-临床联合预测模型(以下简称联合模型)。因DL-Score本身已基于加权策略优化了对阳性样本的识别能力,联合模型未再引入额外权重,直接采用最大似然估计拟合。模型性能通过训练集10折交叉验证进行内部评估,并在外部独立测试集中进行验证。联合模型以列线图展示,并计算各变量的比值比(odds ratio, OR)及95%置信区间(confidence interval, CI)。

1.8 统计学分析

       所有统计分析均在R软件(版本4.4.0)中完成。符合正态分布及方差齐性的连续变量以均数±标准差表示,组间比较采用独立样本t检验;不符合正态分布者以中位数及四分位距表示,组间比较采用Mann-Whitney U检验。分类变量以频数(百分比)表示,组间比较采用χ2检验。分类变量采用Cohen's κ系数评价观察者间一致性,连续变量采用双向随机绝对一致性ICC。

       DL模型训练在Python 3.7.12(PyTorch 1.11.0, CUDA 11.3.1)环境下完成。统计分析与建模在R 4.4.0环境下完成,主要使用glmnet、pROC、rms及dcurves等包。模型性能通过受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)评估,95% CI采用DeLong方法计算,模型间AUC比较采用DeLong检验。基于训练集Youden指数确定最佳风险阈值,并据此计算准确率、敏感度、特异度、阳性预测值及阴性预测值。采用Bootstrap校准曲线(200次重抽样)和Hosmer-Lemeshow检验评估校准度,并通过决策曲线分析(decision curve analysis, DCA)评估模型在不同风险阈值下的临床净获益。为评估训练集与外部测试集基线分布差异对模型性能的潜在影响,采用逆概率加权(inverse probability weighting, IPW)对外部测试集进行事后敏感性分析:以训练集的人群分布为目标,计算外部测试集的IPW权重并据此计算加权AUC。所有检验均为双侧,P<0.05认为差异有统计学意义。

2 结果

2.1 患者一般资料

       本研究最终纳入580例经病理确诊的宫颈癌患者,其中训练集471例,外部独立测试集109例。两位医师的影像学指标评估一致性良好,分类变量的κ值为0.854~0.987,肿瘤最大径的ICC为0.982(95% CI:0.979~0.985)。基于不同VOI勾画所提取的DL特征具有良好的可重复性(观察者内ICC=0.900,95% CI:0.860~0.960;观察者间ICC=0.870,95% CI:0.820~0.950)。两个队列的基线人口学及临床病理特征见表2。除FIGO分期、年龄和SCC-Ag外,其余变量组间差异均无统计学意义(均P>0.05)。

表2  训练集与外部测试集患者的基线特征
Tab. 2  Baseline characteristics of patients in the training and external test sets

2.2 DL模型建立与效能评估

       经加权弹性网筛选(α=0.4,权重比=2),模型共筛选出48个非零系数特征,其中30个(62.5%)来源于CE-T1WI序列,18个(37.5%)来源于T2WI序列。利用训练集约登指数确定最佳分类阈值。2.5D DL模型在10折交叉验证中的AUC为0.812(95% CI:0.705~0.900)。在外部独立测试集(n=109)中,2.5D DL模型的AUC为0.806(95% CI:0.726~0.886),敏感度为34.8%,特异度为87.3%。模型的ROC曲线、弹性网交叉验证曲线及特征重要性排序见图2。针对训练集与外部测试集在FIGO分期、年龄及SCC-Ag水平上的分布差异(表2),采用IPW进行敏感性分析。以训练集的FIGO分期、年龄组(<50岁/≥50岁)及SCC-Ag水平(根据训练集中位数采用2 ng/mL进行二分类)的联合分布为目标分布,计算外部测试集中每例患者的IPW权重。经IPW重加权后,2.5D DL模型在外部测试集中的加权AUC为0.782(95% CI:0.661~0.893),较原始AUC(0.806)下降0.024。

图2  深度学习(DL)模型性能与特征筛选。2A:ROC曲线;2B:弹性网交叉验证曲线,垂直虚线指示最佳λ;2C:特征重要性排序。ROC:受试者工作特征;10-fold CV:十折交叉验证;AUC:曲线下面积;T1_DL:增强T1深度特征。
Fig. 2  Performance of the deep learning (DL) model and feature selection. 2A: ROC curves; 2B: Cross-validation curve of elastic net, with the vertical dashed line indicating the optimal λ; 2C: Feature importance ranking. ROC: receiver operating characteristic; 10-fold CV: 10-fold cross-validation; AUC: area under the curve; T1_DL: deep features from contrast-enhanced T1-weighted imaging.

2.3 消融实验比较

       为进一步验证2.5D三平面融合策略及DL影像特征的增量价值,本研究在相同训练/测试划分下构建了多个基线模型,包括2D DL模型、影像组学模型及临床模型。各模型在外部独立测试集中的预测性能汇总见表3。在外部独立测试集中,2D DL模型AUC为0.694,影像组学模型AUC为0.777,临床模型AUC为0.706,均低于2.5D DL模型。DeLong检验显示,2.5D DL模型的外部测试AUC高于2D DL模型(P<0.001)和临床模型(P=0.039),与影像组学模型的差异未达统计学显著性(P=0.533)。

表3  模型性能对比表
Tab. 3  Comparison of predictive performance among different models

2.4 联合模型效能评估

       在训练集中,单因素logistic回归分析显示深间质浸润(OR=3.36,95% CI:2.27~4.96,P<0.001),淋巴结最大短径(OR=1.96,95% CI:1.30~2.97,P=0.001)为LVSI的预测因子,其余变量差异无统计学意义(P>0.05)。将2.5D DL模型输出的DL影像分数(DL-Score)与上述两个临床变量共同纳入多因素logistic回归,构建联合模型。多因素logistic回归显示,DL-Score每增加0.1,LVSI阳性风险增加约3.69倍(95% CI:2.89~4.71,P<0.001);深间质浸润(OR=6.59,95% CI:3.73~12.05,P<0.001)和淋巴结最大短径(OR=3.06,95% CI:1.67~5.75,P<0.001)亦为LVSI的独立预测因子。联合模型在10折交叉验证中AUC为0.915(95% CI:0.865~0.984),高于2.5D DL模型;在外部独立测试集中,联合模型的AUC为0.833(95% CI:0.758~0.907),亦高于单纯2.5D DL模型,但差异无统计学意义(DeLong检验P=0.333)(图3A)。外部测试集中,联合模型的敏感度为60.9%,特异度为87.3%。联合模型中DL-Score的贡献最为显著,提示影像特征为主导,临床变量提供额外的独立预测信息。联合模型以列线图展示(图4),校准曲线显示良好的校准度(Hosmer-Lemeshow检验P>0.05,图3B)。DCA显示联合模型的净获益高于2.5D DL模型(图5)。

图3  联合模型在外部独立测试集中的性能评估。3A:受试者工作特征(ROC)曲线;3B:联合模型校准曲线,对角线为理想校准线,散点为各分箱内平均预测概率与实际阳性比例。DL:深度学习;AUC:曲线下面积。
Fig. 3  Performance of the combined model in the external independent test set. 3A: Receiver operating characteristic (ROC) curves; 3B: Calibration curve of the combined model, the diagonal line represents perfect calibration, and the scatter points represent the mean predicted probability versus the observed proportion of lymphovascular space invasion (LVSI)-positive cases within each bin. DL: deep learning; AUC: area under the curve.
图4  预测宫颈癌淋巴脉管间隙浸润的联合模型列线图。pred_prob:预测概率;DSI:间质浸润深度;LNmax.short.diameter:最大淋巴结短径。
Fig. 4  Nomogram of the combined model for predicting lymphovascular space invasion in cervical cancer. pred_prob: predicted probability; DSI: depth of stromal invasion; LNmax.short.diameter: maximum short-axis diameter of lymph node.
图5  外部独立测试集的决策曲线分析。展示外部独立测试集中联合模型与2.5D深度学习(DL)模型在不同阈值概率下的标准化净获益。横轴为风险阈值,纵轴为净获益。“All”线表示假设所有患者均接受干预的净获益,“None”线表示无患者接受干预的净获益。在阈值概率约为0.1~0.5范围内,联合模型的净获益高于2.5D DL模型及两种极端策略。该阈值范围覆盖了基于本队列淋巴脉管间隙浸润(LVSI)发生率(外部测试集阳性率42.2%)及术前风险分层需求所关注的主要决策区间。当阈值概率超过事件发生率后,“All”策略的净获益下降至零以下,且不同策略间净获益差异逐渐减小,因此进一步扩大阈值范围的临床解释价值有限。
Fig. 5  Decision curve analysis in the external independent test set. Standardized net benefit of the combined model and the 2.5D deep learning (DL) model across threshold probabilities in the external independent test set. The x-axis represents the risk threshold, and the y-axis represents the net benefit. The "All" line indicates the net benefit if all patients receive intervention, and the "None" line indicates the net benefit if no patients receive intervention. Within the threshold probability range of approximately 0.1 to 0.5, the combined model yielded a higher net benefit than the 2.5D DL model and both extreme strategies. This range encompasses the clinically relevant decision interval, as informed by the lymphovascular space invasion (LVSI) prevalence in the external test set (42.2%) and the requirements for preoperative risk stratification. When the threshold probability exceeds the event rate, the net benefit of the "All" strategy falls below zero, and the differences in net benefit among strategies diminish, limiting the interpretive value of extending the threshold range further.

2.5 联合模型多阈值分析

       联合模型在外部测试集中不同阈值下的性能分析显示(表4),当阈值降至0.30时,敏感度提升至80.4%,阴性预测值达82.7%,特异度维持68.3%;进一步降低阈值未再提升敏感度。

表4  联合模型在外部测试集中不同阈值下的性能
Tab. 4  Performance of the combined model at different thresholds in the external test set

2.6 模型可解释性可视化

       为探究DL模型影像特征提取网络的关注区域,对联合模型预测正确的代表性LVSI阳性与阴性病例进行Grad-CAM可视化分析。LVSI阳性病例的高激活区域主要集中于肿瘤实质及瘤周区域,LVSI阴性病例亦可观察到一定程度的激活,但其高响应区域主要局限于肿瘤内部,未表现出与阳性病例类似的瘤周扩展性激活模式(图6)。上述激活模式提示,DenseNet169特征提取网络主要关注与肿瘤相关的影像区域,而非周围正常组织或图像背景,且不同LVSI状态下的激活特征存在差异。

图6  深度学习模型预测LVSI 阳性与阴性代表性病例的Grad-CAM 可视化。6A:术后病理证实的LVSI 阳性病例;6B:术后病理排除LVSI 的阴性病例。每个病例分别展示原始MRI 图像、Grad-CAM热图及叠加图像。高亮区域表示对模型预测有贡献的影像区域。模型在LVSI 阳性与阴性病例间呈现不同的激活模式,提示网络捕获了与LVSI状态相关的影像特征。LVSI:淋巴脉管间隙浸润;Grad-CAM:梯度加权类激活映射;T2WI:T2 加权成像;CET1WI:对比增强T1加权成像。
Fig. 6  Grad-CAM visualization of representative cases of positive and negative LVSI predicted by deep learning model. 6A: LVSI-positive case confirmed by postoperative pathological examination. 6B: LVSI-negative case without pathological evidence of lymphovascular invasion. For each case, original MRI images, Grad-CAM heatmaps, and corresponding overlay images are presented. The highlighted regions indicate image areas contributing to the model prediction. The model demonstrated different activation patterns between LVSI-positive and LVSI-negative cases, suggesting that the network captured imaging features associated with LVSI status. LVSI: lymphovascular space invasion; Grad-CAM: gradient-weighted class activation mapping; T2WI: T2 weighted imaging; CET1WI: contrast enhancement T1 weighted imaging.

3 讨论

       本研究基于MRI多序列2.5D融合图像,采用预训练DenseNet169提取DL特征,经加权弹性网嵌入式筛选后构建预测模型,用于术前预测宫颈癌LVSI。在内部10折交叉验证中,2.5D DL模型AUC为0.812;在外部独立测试集中,联合模型AUC达到0.833,敏感度从34.8%提升至60.9%。本研究的主要创新在于:将2.5D三平面融合策略引入宫颈癌LVSI预测领域;采用加权弹性网嵌入式特征筛选,赋予模型特征级可解释性;通过独立中心外部验证为模型泛化能力提供了更严格的证据。联合模型以列线图呈现,校准曲线和DCA均支持其临床实用性。

3.1 2.5D融合策略在LVSI预测中的优势及模型增益分析

       目前宫颈癌LVSI的术前预测主要依赖基于MRI的传统影像组学方法。ZHANG等[10]对11项研究的荟萃分析报告验证集汇总AUC为0.83,SHE等[17]对16项研究的荟萃分析外部验证汇总AUC为0.84,但纳入研究中仅4项(25%)包含外部独立验证。上述方法普遍依赖手工定义特征,流程烦琐且稳健性有限。近年虽有DL研究尝试突破,但多以单平面2D图像为输入,未充分利用多序列MRI的三维空间信息。针对上述不足,本研究从输入策略、特征筛选和验证设计三个层面进行了改进。在输入图像构建上,本研究对T2WI和CE-T1WI两个序列分别采用2.5D三平面融合策略。首先,将MRI容积数据重采样至各向同性空间分辨率,并以轴位VOI最大截面积所在层面的空间坐标作为参考,通过多平面重建(multiplanar reconstruction, MPR)从同一序列的三维容积数据中生成轴位、冠状位和矢状位三个正交方向的二维切片。随后,将三个方向切片分别赋予RGB三个通道,融合形成单张三通道输入图像。与既往常见的晚期融合方式(三个平面由独立模型分别处理后拼接)不同,这一早期融合设计使单一DenseNet主干可直接在底层学习跨平面的空间关联,参数量更小[20]。由于三个通道来源于同一MRI序列,仅代表不同空间方向的信息,因此通道间不存在额外的序列信号差异,可减少跨序列强度变化对特征学习的干扰。与既往多使用单一平面2D切片的方法相比[17],该策略保留了病灶的三维空间上下文信息,同时避免了全3D卷积网络对计算资源和大样本量的高需求[26]。在特征工程上,摒弃了传统多步骤筛选范式,采用弹性网逻辑回归进行嵌入式特征选择。弹性网的L1+L2双重惩罚机制无需人为预设阈值,能够在模型训练过程中自动完成特征压缩和筛选。本研究从3328维DL特征中筛选出48个非零系数特征,其中30个(62.5%)来源于CE-T1WI序列,18个(37.5%)来源于T2WI序列。增强序列反映肿瘤微循环灌注及血管通透性特征,与LVSI涉及的血管侵犯机制高度相关[27, 28, 29];既往研究亦证实,基于增强MRI的影像组学特征对LVSI具有较好的预测价值[30]。T2WI特征的保留则提示两序列可能存在互补信息[31]。在验证策略上,本研究实施了外部独立验证,测试集来自完全独立的第二中心。SHE等[17]的荟萃分析指出,纳入的16项研究中仅4项包含外部验证,且多数研究的内部验证仅为简单的随机划分。本研究以患者为分析单位,通过独立中心的外部验证评估模型泛化能力,较之仅依赖随机内部验证的研究更为严格,为模型临床应用的可行性提供了更可靠的证据。

       为进一步量化2.5D三平面融合策略的贡献,本研究在统一外部测试集开展了消融试验。以单纯轴位切片作为输入时,2D DL模型外部AUC仅为0.694,而采用三平面正交融合输入后,2.5D DL模型AUC提升至0.806,且DeLong检验显示两者差异具有统计学意义(P<0.001),提示多平面空间上下文信息的引入显著提升了模型的判别能力。基于三维ROI提取特征的影像组学随机森林模型AUC为0.777,虽优于单平面2D模型,但仍低于2.5D DL模型(ΔAUC=0.029)。虽然两者AUC差异未达到统计学显著性(P=0.533),可能与外部测试集样本量有限导致检验效能不足有关,但2.5D DL模型在数值上仍表现出更好的判别能力,提示DL能够学习传统影像组学难以充分表征的高维非线性特征。与此同时,2.5D DL模型较临床模型(AUC=0.706)亦具有更高的判别能力(P=0.039),进一步表明MRI深度影像特征可为LVSI预测提供超越传统临床变量的增量信息。

       上述消融结果通过内部对照直接证实了三平面正交编码的增益。在外部验证中,本研究2.5D DL模型的AUC为0.806,联合模型为0.833,与SHE等[17]报告的荟萃分析外部验证汇总AUC(0.84)及WANG等[32]基于生境分析的影像组学在双中心300例中的外部验证AUC(0.780)相比处于可比水平。

3.2 2.5D DL模型的性能分析与临床变量的补充价值

       在外部独立测试集中,2.5D DL模型的AUC为0.806,与SHE等[17]报告的外部验证汇总AUC相近,表明模型具备可接受的跨中心泛化能力。但该模型敏感度仅为34.8%,这一方面可能因为LVSI为局灶性脉管内肿瘤细胞团,部分微小病灶在常规MRI分辨率下难以显影;另一方面,基于内部训练集确定的Youden最佳阈值应用于外部队列时,可能受到队列间疾病谱及模型校准差异影响,使分类界值偏向保守,从而导致敏感度下降。若根据筛查需求适当降低阈值,敏感度可显著提升。DCA亦证实,2.5D DL模型输出的连续概率在较宽阈值范围内具有临床净获益。上述局限提示,单纯依赖影像特征难以充分识别所有LVSI阳性病例,需整合临床变量进行多模态建模。

       本研究进一步探索了临床变量的补充预测价值。单因素logistic回归分析显示,深间质浸润(≥外1/3)和淋巴结最大短径为LVSI的显著预测因子。在多因素分析中,两者仍保持独立预测价值。深间质浸润反映肿瘤向子宫壁深层的侵袭程度,当肿瘤突破肌层内淋巴管屏障时,LVSI的风险显著增加,多项研究已证实这一关联[10, 33, 34, 35]。淋巴结最大短径则通过术前MRI测量获得,其增大通常提示淋巴结异常状态,可能反映区域淋巴结受累风险及肿瘤淋巴播散倾向[36, 37]。上述两个变量均可通过术前盆腔MRI直接评估,无需额外有创检查,保证了联合模型全流程的无创性和临床可操作性。联合模型在10折交叉验证中AUC达到0.915,外部测试集中AUC为0.833。与2.5D DL模型相比,联合模型的敏感度从34.8%提升至60.9%,特异度维持在87.3%。尽管联合模型与2.5D DL模型的AUC差异未达统计学意义(DeLong检验P=0.333),这可能与外部测试集样本量仅109例导致检验效能有限有关,且DL-Score本身已通过增强序列特征间接捕捉了部分与浸润深度和淋巴结状态相关的影像信息。多阈值分析显示,联合模型在阈值0.30时即可实现80.4%的敏感度,NPV达82.7%。需要指出,该NPV水平仍意味着17.3%的假阴性风险。因此,在当前模型性能下,联合模型更适合作为术前风险分层工具,用于辅助识别LVSI高风险患者并指导临床关注程度,而不应依据单一的阴性预测结果独立排除LVSI或作出保留生育功能等不可逆的高风险临床决策。模型在真实术前决策中的整合尚需前瞻性队列中的进一步评估。

3.3 局限性及未来方向

       本研究存在一定局限性:第一,回顾性设计可能引入选择偏倚;手工勾画ROI虽经ICC评估显示了良好的观察者内和观察者间一致性,但未能直接量化分割误差对模型预测性能的影响。未来可引入自动化分割网络以提高效率和可重复性,并通过人为扰动分割边界的方式系统评估模型对分割误差的稳健性。第二,训练集与外部测试集在年龄、FIGO分期及SCC-Ag上存在差异,虽经IPW校正后模型性能未受明显影响,但外部测试集个别亚组样本量有限,可能影响模型在特定人群中的性能稳定性。第三,外部测试集仅来自单一中心,样本量有限,未来需在更大规模的多中心前瞻性队列中进一步验证模型的泛化能力。

4 结论

       综上所述,本研究构建了一种基于多序列2.5D融合图像DL模型,用于术前预测宫颈癌LVSI。通过内部交叉验证与外部独立验证,该模型展现出较好的预测性能和泛化潜力。内部消融试验证实三平面正交编码是模型性能的关键贡献因素。联合临床变量后模型敏感度及临床净获益有所提升,列线图等可视化工具为临床决策提供了直观的参考依据。

[1]
WU J, JIN Q Y, ZHANG Y M, et al. Global burden of cervical cancer: current estimates, temporal trend and future projections based on the GLOBOCAN 2022[J]. J Natl Cancer Cent, 2025, 5(3): 322-329. DOI: 10.1016/j.jncc.2024.11.006.
[2]
BRAY F, LAVERSANNE M, SUNG H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263. DOI: 10.3322/caac.21834.
[3]
STOLNICU S, TALIA K L, BANET N, et al. Lymphovascular space invasion in cervical cancer: a review of clinical significance and pathologic issues[J]. Int J Gynecol Pathol, 2026, 45(2): 152-161. DOI: 10.1097/PGP.0000000000001135.
[4]
XU M C, CAO C H, WU P, et al. Advances in cervical cancer: current insights and future directions[J]. Cancer Commun (Lond), 2025, 45(2): 77-109. DOI: 10.1002/cac2.12629.
[5]
HUANG Y, WEN W B, LI X D, et al. Prognostic value of lymphovascular space invasion in stage IA to IIB cervical cancer: A meta-analysis[J/OL]. Medicine, 2023, 102(15): e33547 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/37058045/. DOI: 10.1097/MD.0000000000033547.
[6]
WENZEL H H B, HARDIE A N, MONCADA-TORRES A, et al. A federated approach to identify women with early-stage cervical cancer at low risk of lymph node metastases[J]. Eur J Cancer, 2023, 185: 61-68. DOI: 10.1016/j.ejca.2023.02.021.
[7]
ABU-RUSTUM N R, CAMPOS S M, AMARNATH S, et al. Cervical Cancer, Version 2.2026, NCCN Clinical Practice Guidelines In Oncology[J/OL]. J Natl Compr Canc Netw, 2025, 23(12): 549-573 [2026-08-01]. DOI: 10.6004/jnccn.2025.0057.
[8]
林宝金, 龙先凤, 吴朝霞, 等. 基于MR-T2WI的深度学习与影像组学联合临床特征预测宫颈癌淋巴脉管间隙浸润[J]. 磁共振成像, 2024, 15(3): 130-136. DOI: 10.12015/issn.1674-8034.2024.03.021.
LIN B J, LONG X F, WU Z X, et al. Predicting lymph-vascular space invasion in cervical cancer based on MR-T2WI with deep learning and radiomic features combined with clinical features[J]. Chin J Magn Reson Imaging, 2024, 15(3): 130-136. DOI: 10.12015/issn.1674-8034.2024.03.021.
[9]
BOEMI S, PAVAN M, SIENA R, et al. Locally advanced cervical cancer: multiparametric MRI in gynecologic oncology and precision medicine[J/OL]. Diagnostics (Basel), 2025, 15(22): 2858 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/41300883/. DOI: 10.3390/diagnostics15222858.
[10]
ZHANG H, TENG C, YAO Y, et al. MRI-based radiomics models for noninvasive evaluation of lymphovascular space invasion in cervical cancer: a systematic review and meta-analysis[J/OL]. Clin Radiol, 2024, 79(11): e1372-e1382 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/39183137/. DOI: 10.1016/j.crad.2024.07.018.
[11]
ZHAO M L, LI Z, GU X W, et al. The role of radiomics for predicting of lymph-vascular space invasion in cervical cancer patients based on artificial intelligence: a systematic review and meta-analysis[J/OL]. J Gynecol Oncol, 2025, 36(2): e26 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/39058366/. DOI: 10.3802/jgo.2025.36.e26.
[12]
WU L Y, LI S H, LI S F, et al. Preoperative magnetic resonance imaging-radiomics in cervical cancer: a systematic review and meta-analysis[J/OL]. Front Oncol, 2024, 14: 1416378 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/39026971/. DOI: 10.3389/fonc.2024.1416378.
[13]
YANG C S, WU M, ZHANG J C, et al. Radiomics based on MRI in predicting lymphovascular space invasion of cervical cancer: a meta-analysis[J/OL]. Front Oncol, 2024, 14: 1425078 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/39484029/. DOI: 10.3389/fonc.2024.1425078.
[14]
WANG Y X, HU Z T, WANG H Z. The clinical implications and interpretability of computational medical imaging (radiomics) in brain tumors[J/OL]. Insights Imaging, 2025, 16(1): 77 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/40159380/. DOI: 10.1186/s13244-025-01950-6.
[15]
ZHANG Y F, QIN Q. Prospects and challenges of deep learning in gynecologic malignancies[J/OL]. Front Oncol, 2025, 15: 1592078 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/41256318/. DOI: 10.3389/fonc.2025.1592078.
[16]
孙诗画, 张静, 牟亚男, 等. 基于MR扩散成像技术的人工智能在评估宫颈癌中的研究进展与现状[J]. 磁共振成像, 2025, 16(12): 220-226. DOI: 10.12015/issn.1674-8034.2025.12.032.
SUN S H, ZHANG J, MOU Y N, et al. Research progress and current status of artificial intelligence based on MR diffusion imaging technology in evaluating cervical cancer[J]. Chin J Magn Reson Imaging, 2025, 16(12): 220-226. DOI: 10.12015/issn.1674-8034.2025.12.032.
[17]
SHE L Z, LI Y F, WANG H Y, et al. Imaging-based AI for predicting lymphovascular space invasion in cervical cancer: systematic review and meta-analysis[J/OL]. J Med Internet Res, 2025, 27: e71091 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/40523236/. DOI: 10.2196/71091.
[18]
SULEMAN M U, MURSALEEN M, KHALIL U, et al. Assessing the generalizability of artificial intelligence in radiology: a systematic review of performance across different clinical settings[J]. Ann Med Surg, 2025, 87(12): 8803-8811. DOI: 10.1097/ms9.0000000000004166.
[19]
FOTOPOULOS D, LADAKIS I, FILOS D, et al. Explainable AI in cancer imaging: scoping review of methods, modalities, and clinical integration[J/OL]. J Med Internet Res, 2026, 28: e80645 [2026-08-01]. https://doi.org/10.2196/80645. DOI: 10.2196/80645.
[20]
BAHETI B, PATI S, MENZE B, et al. Leveraging 2D deep learning ImageNet-trained models forNative 3D medical image analysis[C]//Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. Cham: Springer, 2023: 68-79. DOI: 10.1007/978-3-031-33842-7_6.
[21]
BHATLA N, AOKI D, SHARMA D N, et al. Cancer of the cervix uteri[J]. Int J Gynecol Obstet, 2018, 143(S2): 22-36. DOI: 10.1002/ijgo.12611.
[22]
ABU-RUSTUM N R, YASHAR C M, AREND R, et al. NCCN guidelines® insights: cervical cancer, version 1.2024[J]. J Natl Compr Canc Netw, 2023, 21(12): 1224-1233. DOI: 10.6004/jnccn.2023.0062.
[23]
CIBULA D, PÖTTER R, PLANCHAMP F, et al. The European society of gynaecological oncology/European society for radiotherapy and oncology/European society of pathology guidelines for the management of patients with cervical cancer[J]. Virchows Arch, 2018, 472(6): 919-936. DOI: 10.1007/s00428-018-2362-9.
[24]
EISENHAUER E A, THERASSE P, BOGAERTS J, et al. New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1)[J]. Eur J Cancer, 2009, 45(2): 228-247. DOI: 10.1016/j.ejca.2008.10.026.
[25]
CHOI H J, JU W, MYUNG S K, et al. Diagnostic performance of computer tomography, magnetic resonance imaging, and positron emission tomography or positron emission tomography/computer tomography for detection of metastatic lymph nodes in patients with cervical cancer: Meta-analysis[J]. Cancer Sci, 2010, 101(6): 1471-1479. DOI: 10.1111/j.1349-7006.2010.01532.x.
[26]
DONG J, ZHANG C, ZHANG Y, et al. Precise diagnosis of pediatric posterior cranial Fossa neoplasms based on 2.5D MRI deep learning[J/OL]. Front Oncol, 2025, 15: 1700694 [2026-08-01]. https://doi.org/10.3389/fonc.2025.1700694. DOI: 10.3389/fonc.2025.1700694.
[27]
MAYERHOEFER M E, MATERKA A, LANGS G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI: 10.2967/jnumed.118.222893.
[28]
CARMELIET P, JAIN R K. Molecular mechanisms and clinical applications of angiogenesis[J]. Nature, 2011, 473(7347): 298-307. DOI: 10.1038/nature10144.
[29]
LIU B, GAO H, ZHOU F, et al. Dynamic contrast-enhanced magnetic resonance imaging in cervical cancer: correlation between quantitative parameters and molecular markers hypoxia-inducible factors-1-alpha, vascular endothelial growth factor, and Ki-67[J/OL]. Clin Radiol, 2024, 79(6): e826-e833 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/38582634/. DOI: 10.1016/j.crad.2024.01.039.
[30]
HUANG G, CUI Y Q, WANG P, et al. Multi-parametric magnetic resonance imaging-based radiomics analysis of cervical cancer for preoperative prediction of lymphovascular space invasion[J/OL]. Front Oncol, 2021, 11: 663370 [2026-08-01]. https://pubmed.ncbi.nlm.nih.gov/35096556/. DOI: 10.3389/fonc.2021.663370.
[31]
LUO S G, GUO Y, YE Y Q, et al. Prediction of cervical cancer lymph node metastasis based on multisequence magnetic resonance imaging radiomics and deep learning features: a dual-center study[J/OL]. Sci Rep, 2025, 15: 29259 [2026-08-01]. https://doi.org/10.1038/s41598-025-13781-y. DOI: 10.1038/s41598-025-13781-y.
[32]
WANG S X, LIU X W, WU Y, et al. Habitat-based radiomics enhances the ability to predict lymphovascular space invasion in cervical cancer: a multi-center study[J/OL]. Front Oncol, 2023, 13: 1252074 [2026-08-01]. https://doi.org/10.3389/fonc.2023.1252074. DOI: 10.3389/fonc.2023.1252074.
[33]
WU Y, WANG S X, CHEN Y Q, et al. A multicenter study on preoperative assessment of lymphovascular space invasion in early-stage cervical cancer based on multimodal MR radiomics[J]. J Magn Reson Imaging, 2023, 58(5): 1638-1648. DOI: 10.1002/jmri.28676.
[34]
LI S Y, CHEN Y S, HUANG X Z, et al. Nomogram prediction of the lymph-vascular space invasion in cervical cancer: comparison of 2009 and 2018 staging systems[J/OL]. Front Oncol, 2025, 15: 1505512 [2026-08-01]. https://doi.org/10.3389/fonc.2025.1505512. DOI: 10.3389/fonc.2025.1505512.
[35]
YAN H W, HUANG G T, YANG Z H, et al. Machine learning-based multiparametric magnetic resonance imaging radiomics model for preoperative predicting the deep stromal invasion in patients with early cervical cancer[J]. J Imaging Inform Med, 2024, 37(1): 230-246. DOI: 10.1007/s10278-023-00906-w.
[36]
MANGANARO L, LAKHMAN Y, BHARWANI N, et al. Staging, recurrence and follow-up of uterine cervical cancer using MRI: Updated Guidelines of the European Society of Urogenital Radiology after revised FIGO staging 2018[J]. Eur Radiol, 2021, 31(10): 7802-7816. DOI: 10.1007/s00330-020-07632-9.
[37]
QIN F Y, SUN X Y, TIAN M K, et al. Prediction of lymph node metastasis in operable cervical cancer using clinical parameters and deep learning with MRI data: a multicentre study[J/OL]. Insights Imaging, 2024, 15(1): 56 [2026-08-01]. https://doi.org/10.1186/s13244-024-01618-7. DOI: 10.1186/s13244-024-01618-7.

上一篇 基于DWI的虚拟磁共振弹性成像联合磁共振严重程度指数对急性胰腺炎的早期危险分层预测价值
下一篇 伴中央颞区棘波自限性癫痫脑结构及功能MRI研究进展:从局灶放电到脑网络重塑
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2