Radiology子刊（IF=6.3）复旦大学附属金山医院强金伟教授等团队：基于多参数MRI的深度学习和影像组学评估早期宫颈癌淋巴结转移

01文献学习今天分享的文献是由复旦大学附属金山医院强金伟教授等团队于2026年4月3日在《Radiology: Imaging Cancer》中科院2区IF6.3上发表的研究“Multiparametric MRI-based Deep Learning and Radiomics for Evaluating Lymph Node Metastasis in Early-Stage Cervical Cancer”即基于多参数MRI的深度学习和影像组学评估早期宫颈癌淋巴结转移该研究是一项多中心回顾性研究旨在利用术前多参数MRI图像分别基于影像组学和深度学习-影像组学融合方法构建预测早期宫颈癌淋巴结转移LNM的模型。研究纳入862例患者分为训练集、内部测试集和外部测试集。结果显示联合肿瘤和淋巴结的影像组学模型Rad_TLN在外部测试集中AUC达0.77而加入深度学习特征后模型性能未显著提升。两个模型均具有良好的校准度和临床净获益且敏感性显著高于放射科医师。创新点①首次融合原发灶与淋巴结的多参数MRI影像组学和深度学习特征预测早期宫颈癌淋巴结转移。②构建影像组学-深度学习融合模型系统比较2D与3D特征性能并经独立外部验证。③针对小淋巴结10mm等难题进行亚组分析揭示模型在常规影像漏诊病例中的优势。临床价值①术前无创预测淋巴结转移可避免不必要的淋巴结清扫术及相关手术并发症。②模型敏感性显著优于放射科医生最高提升至75.8%有效降低漏诊风险。③提供个体化辅助决策工具帮助区分早期手术与放化疗适应人群优化治疗策略。图 2宫颈癌淋巴结转移预测模型构建技术流程图数据输入影像多中心多参数MRIT2WI、DWI、增强T1WI临床年龄、SCCA、FIGO分期等病理淋巴结转移状态金标准图像分割肿瘤逐层手动勾画ROI→自动生成3D肿瘤体积感兴趣区T-VOI淋巴结选取最大短径可疑淋巴结勾画2D最大截面ROILN-ROI一致性验证组内/组间ICC0.75的特征才保留保证分割可靠性特征提取影像组学提取肿瘤3D淋巴结2D的多序列组学特征深度学习ResNet50提取2D深度特征Med3D提取3D深度特征数据校正ComBat方法消除多中心MRI设备、扫描参数的差异特征筛选初筛Mann-Whitney U检验P0.01Spearman相关性过滤r0.8剔除降维LASSO算法模型构建多因素逻辑回归单部位组学Rad_T仅肿瘤、Rad_LN仅淋巴结联合组学Rad_TLN肿瘤淋巴结深度融合DLR(2D)_TLN、DLR(3D)_TLN临床融合DLRC(2D)融合SCCA模型评估ROC曲线、校准曲线、决策曲线、亚组分析、误差分析02研究背景和目的研究背景宫颈癌是全球女性第四大常见恶性肿瘤淋巴结转移LNM是其关键的预后因素。LNM阳性患者的复发风险高达37.5%5年生存率仅20%~60%而阴性患者的复发风险仅为6.66%生存率超过90%。2018年FIGO分期将影像学MRI、CT、PET/CT纳入LNM评估一旦确诊LNM即分期上调至IIIC期。对于早期宫颈癌≤IIA期首选根治性手术而晚期≥IIB期则推荐放化疗。然而约10%~30%的早期患者术后病理证实存在LNM这意味着大量患者接受了无效的淋巴结清扫术承受着出血、感染、淋巴囊肿、下肢淋巴水肿等并发症风险。目前LNM诊断的金标准是术后病理属于有创检查临床常用MRI因软组织分辨率高而被广泛应用但其汇总灵敏度仅57%存在明显局限。近年来影像组学通过高通量特征提取将医学图像转化为定量生物标志物深度学习则能直接获取图像特征两者在肿瘤预测中展现出潜力。既往研究多仅从原发肿瘤提取影像组学特征构建LNM预测模型尚未有研究联合原发肿瘤和淋巴结的影像组学及深度学习特征对宫颈癌LNM状态进行分析。研究目的本研究旨在基于多参数MRI开发两种术前预测早期宫颈癌淋巴结转移的模型一是仅利用影像组学特征的模型二是融合深度学习与影像组学DLR的模型。与既往研究不同本研究同时纳入原发肿瘤和盆腔可疑淋巴结两大感兴趣区分别提取其影像组学和深度学习特征以全面捕捉与LNM相关的影像信息。具体而言研究构建了基于肿瘤三维影像组学特征的模型Rad_T、基于淋巴结二维影像组学特征的模型Rad_LN以及联合两者的组合模型Rad_TLN。在此基础上进一步融合ResNet50提取的二维深度学习特征和Med3D提取的三维深度学习特征构建DLR_TLN融合模型并探索加入临床变量如鳞状细胞癌抗原SCCA水平能否提升性能。通过多中心回顾性研究862例患者分为训练集、内部测试集和外部测试集采用ROC曲线、校准曲线、决策曲线等评估模型的诊断效能、校准度和临床净收益旨在验证联合肿瘤与淋巴结的多参数MRI影像组学及深度学习模型能否提高术前预测LNM的准确性从而辅助临床制定个体化治疗策略、改善患者预后。03数据和方法研究数据数据来源五家医疗中心复旦大学附属金山医院、妇产科医院、肿瘤医院、同济大学附属第一妇婴保健院、上海交通大学医学院附属国际和平妇幼保健院时间范围2020年1月至2022年12月纳入患者共862例早期宫颈癌女性患者中位年龄53岁分组训练集381例内部测试集162例外部测试集319例LNM阳性率训练集31.5%内部测试集31.5%外部测试集32.6%图 1五中心宫颈癌患者纳入与排除流程图技术方法图像序列多参数MRIT2WI、DWI、T1CE特征提取影像组学特征从肿瘤3D和淋巴结2D分别提取深度学习特征使用预训练ResNet502D和Med3D3D网络提取特征校正ComBat方法消除多中心扫描差异模型构建Rad_T仅肿瘤影像组学Rad_LN仅淋巴结影像组学Rad_TLN联合肿瘤淋巴结影像组学DLR(2D)_TLN联合肿瘤淋巴结的影像组学2D DL特征DLR(3D)_TLN进一步加入3D肿瘤DL特征DLRC(2D)加入临床特征SCCA水平特征选择Mann-Whitney U检验、Spearman相关性、LASSO回归、逐步逻辑回归评估指标AUC、准确性、敏感性、特异性、校准曲线、决策曲线分析04实验结果Rad_TLN模型训练集AUC 0.81 (0.76–0.86)内部测试0.79 (0.72–0.87)外部测试0.77 (0.71–0.82)。在外部测试中显著优于单独肿瘤模型P0.04和单独淋巴结模型P0.02。DLR(2D)_TLN模型训练集AUC 0.84 (0.80–0.88)内部测试0.83 (0.76–0.91)外部测试0.79 (0.74–0.84)。与Rad_TLN相比无显著提升P0.05。DLR(3D)_TLN模型与2D版本性能相当P0.05。加入临床特征未改善模型性能P0.05。与放射科医师比较模型敏感性显著提高外部测试中Rad_TLN敏感性69.2% vs. 医师39.4%但特异性和阳性预测值较低。校准与决策曲线模型校准良好在较宽阈值范围内提供正向净临床获益。图 3各模型在训练、内部测试、外部测试队列的ROC曲线图 4各模型在三个队列的校准曲线图 5各模型在三个队列的决策曲线05研究结论该研究证明基于肿瘤和淋巴结的放射组学特征构建的联合模型Rad_TLN以及融合深度学习与放射组学的模型DLR_TLN均能在术前较准确地预测早期宫颈癌的淋巴结转移状态。在外部测试队列中Rad_TLN模型的AUC为0.77DLR(2D)_TLN模型的AUC为0.79两者诊断性能无显著差异且均优于仅基于肿瘤或仅基于淋巴结的单源模型。值得注意的是这些模型在灵敏度方面显著优于临床放射科医生尤其在识别直径小于10毫米的小淋巴结转移或单侧转移等挑战性场景下表现突出有助于降低漏诊风险。然而模型的特异性和阳性预测值相对较低主要受限于MRI图像层厚较厚导致的容积效应、微转移灶难以识别以及良性增生等生物学重叠因素。此外添加深度学习特征或临床指标如SCCA水平未能进一步提升预测效能。总体而言所建模型可作为术前辅助诊断工具指导个体化治疗决策但未来需结合自动分割技术、薄层扫描及前瞻性研究来优化其临床适用性和可解释性。参考文献Bao YH, Xiao ML, Li YA, Ma FH, Chen Y, Lin ZJ, Wu JY, Zhang GF, Qiang JW. Multiparametric MRI-based Deep Learning and Radiomics for Evaluating Lymph Node Metastasis in Early-Stage Cervical Cancer. Radiol Imaging Cancer. 2026 May;8(3):e250345. doi: 10.1148/rycan.250345.