基于MRI的深度影像组学集成学习预测高风险产妇产后出血

摘要

目的：基于T₂WI开发一种结合临床特征、深度学习（DL）和放射组学的预测模型，用于产前评估高风险产妇的产后出血（PPH）风险。方法：回顾性收集538名超声报告胎盘植入高风险孕妇，分别作为训练集、内部测试集和外部测试集。训练一个nnUNet模型进行自动胎盘分割。对临床特征进行单变量和多变量分析，选出与PPH相关的特征。从胎盘区域提取定量影像组学特征，并构建随机森林模型预测失血量（EBL）和PPH风险。基于DenseNet训练了一个多任务DL模型预测PPH风险、EBL和胎盘前置状态。最后结合临床特征、DL输出和放射组学评分构建深度-影像组学集成模型（DRE）。通过受试者工作特征曲线（ROC）下面积（AUC）和DeLong检验评估诊断性能。结果：DRE模型在内部和外部测试中的AUC分别为0.874（95%CI:0.792～0.951）和0.836（95%CI:0.648～0.974），显著优于单独的临床、DL和放射组学模型。结合EBL回归，改善了PPH分类模型的表现，外部测试AUC从0.261～0.788提高到0.836。结论：DRE模型结合DL和放射组学，能高效预测PPH风险，有助于高风险妊娠的临床管理。

关键词

产后出血 / 胎盘植入 / 深度学习 / 影像组学 / 失血量