机器学习鉴别IA期宫颈癌与高级别鳞状上皮内病变：基于MRI影像组学模型

2021-08-04樊知昌夏雨薇甄俊平周宇堃靳波边文瑾杨洁

磁共振成像 2021年6期

樊知昌，夏雨薇，甄俊平，周宇堃，靳波，边文瑾，杨洁

宫颈癌是全球女性第四大常见癌症，同时也是导致女性癌症死亡的第四大原因，2018年全世界范围内共有51万宫颈癌患者与31.1 万死亡病例；而在发展中国家，宫颈癌的发生率与死亡率在女性群体中仅次于乳腺癌[1]。高级别鳞状上皮内病变(high-gr ade squamous intr aepit hel ial l esion，HSIL)被认为是宫颈癌的癌前病变，ⅠA期宫颈癌则是只有镜检才能确诊的早期宫颈癌[2-3]。两者的术式大相径庭，HSIL以宫颈锥切为主，ⅠA期宫颈癌原则上需行子宫全切术(ⅠA1期行筋膜外子宫全切术，ⅠA2期行改良广泛性子宫切除术及盆腔淋巴结清扫)[4-5]。因此，术前准确识别疾病所处阶段对手术方式及范围的选择有着重大的意义。然而，ⅠA期宫颈癌与HSIL在MRI图像上病灶范围往往较局限，肉眼常难以识别，导致常规的MRI图像对两者识别价值有限。近年来，随着影像组学研究的兴起，图像所反映的信息不再局限于形态的改变，其背后所蕴含的数据潜力被逐步挖掘并利用。影像组学技术作为医学图像分析最近的一次创新，可以高通量地从医学图像中提取定量特征，从而将视觉层面的图像转化为可供计算的数据[6-8]。将影像组学提取到的数据与机器学习相结合，分析肉眼难以识别的宫颈病变已经得到诸多实践[9]。本研究利用磁共振图像提取宫颈的组学特征，结合随机森林算法(r andom f or est，RF)建立机器学习模型，探讨影像组学技术在区分ⅠA期宫颈癌与HSIL中的作用。