MRI-based deep-learning radiomics nomogram for differentiating FIGO 2023 stage I from stage II–IV endometrial cancer: a multicenter study

方法

多中心回顾性数据，融合深度学习特征、瘤内及瘤周影像组学特征与临床特征建模。

发现

DLRN在内外部测试集AUC达0.852和0.829，优于临床及影像组学模型，并可提升放射科医生诊断

机会点

可探索将多模态影像组学列线图迁移至其他妇科肿瘤分期，并引入可解释性分析提升临床信任。

目的：术前识别FIGO 2023分期I期子宫内膜癌（endometrial cancer, EC）对治疗规划具有重要意义。本研究旨在开发并验证一种基于多参数MRI的深度学习影像组学列线图（deep-learning radiomics nomogram, DLRN），用于区分I期EC与II–IV期病变。材料与方法：本研究回顾性纳入来自三个中心的患者。中心1和中心2的患者被随机分为训练集（n = 616）和内部测试集（n = 158），中心3作为外部测试集（n = 232）。DLRN整合了深度学习特征、瘤内及瘤周影像组学特征和临床特征。将DLRN与临床模型、影像组学模型和深度学习模型进行比较。采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）评估判别能力，并使用DeLong检验比较AUC。结果：共分析1006例患者（平均年龄56.5 ± 9.7岁）。在内部测试集中，DLRN的AUC为0.852，高于临床模型（0.673；p = 0.001）、原始影像组学模型（0.765；p = 0.030）和联合影像组学模型（0.793；p = 0.050）。在外部测试集中，DLRN仍保持稳健性能（AUC = 0.829），并优于临床模型、原始影像组学模型和联合影像组学模型（AUC分别为0.680、0.681和0.743；均p < 0.005）。在DLRN辅助下，放射科医师的诊断性能有所提高。结论：基于MRI的DLRN在各测试集中均能稳健区分FIGO 2023 I期与II–IV期EC，支持其用于术前风险分层和决策支持的潜力。要点：问题 FIGO 2023分期系统的引入使各期之间的区分更具挑战性，凸显了对更优工具的需求。发现 一种新的基于MRI的深度学习影像组学列线图（DLRN）能够准确识别高风险患者，显著优于传统方法和单一临床预测方法。关键意义声明 该工具有助于医生制定更好的术前治疗方案，有望改善子宫内膜癌患者的预后。