李陇超 常鸿志 杨艳蓉 折霞 汤敏 雷晓燕 张小玲 张沥

膀胱癌是泌尿系统最常见的恶性肿瘤之一［1］。临床将膀胱癌分为非肌层浸润性膀胱癌（nonmuscle-invasive bladder cancer，NMIBC）和肌层浸润性膀胱癌（Muscle-invasive bladder cancer，MIBC），二者治疗方式完全不同，前者主要采用经尿道肿瘤切除术，后者需行根治性膀胱肿瘤切除术，术前准确分期对膀胱癌患者治疗和预后至关重要［2-5］。目前临床分期主要依赖诊断性经尿道电切术和MRI 检查。诊断性电切术，有创且结果依赖病理标本获取准确性［6,7］。多参数磁共振成像（multiparmetic MRI，mpMRI）已越来越多应用于膀胱癌的术前分期，但其诊断准确性仍需进一步提高［8-12］。

近年来，随着人工智能技术不断发展，基于机器学习的影像组学方法已广泛应用于全身各系统疾病的诊断与评估中［13-17］，采用自动化数据特征化算法将医学影像图像转化为具有高分辨率的、可挖掘的特征空间数据，量化病灶形态学特征及内部的异质性，获取主观视觉无法看到的信息，用于疾病诊断与评估等方面。本研究旨在探讨基于机器学习的影像组学模型预测肌层浸润性膀胱癌的诊断价值。

资料与方法

1.一般资料

收集本院2017 年9 月～2020 年4 月经病理证实的膀胱癌患者资料。纳入标准：（1）患者术前均接受3.0 T MRI 扫描，序列包括T2WI 和DWI，自动生成ADC 图；（2）所有患者均于MRI 检查后1个月内行手术治疗，病理证实为膀胱癌。排除标准：（1）术前接受过放疗、化疗等治疗；（2）MRI 图像存在伪影，影响评估；（3）病理结果无准确分期；（4）肿瘤直径小于1.0 cm（因肿瘤小于1.0 cm 时几乎全部为非肌层浸润性膀胱癌［18］），无纳入研究的必要，且较小肿瘤在勾画VOI 时因部分容积效应影响较大。……