MRI影像组学特征列线图在鉴别卵巢囊肿和单房囊腺瘤中的应用价值

Application of MRI radiomic features⁃based nomogram in identifying ovarian cysts and unilocular cystadenomas

摘要

目的 通过建立影像组学的方法将女性盆腔MR-T2WI及增强序列的图像信息模型绘制列线图评价其鉴别女性卵巢囊肿和单房囊腺瘤的诊断效能。 方法 回顾性收集113例因卵巢肿物行盆腔MRI平扫及增强扫描并手术证实为卵巢囊肿或单房囊腺瘤的患者，共121例病灶，其中卵巢囊肿49例，单房囊腺瘤72例。分析各卵巢病变的T2WI及增强序列的磁共振图像，同时收集患者的相关临床资料。基于T2WI及增强图像各提取1 316个、共2 632个影像组学特征，筛选最佳特征，计算影像组学评分并建立影像组学模型。按7∶3将患者随机分为训练组（n=80，共84个病灶）和验证组（n=33，共37个病灶）。应用Logistic回归分析筛选临床相关独立危险因素，建立临床模型，并构建形态学和影像组学评分联合模型，绘制列线图将之可视化。以受试者工作特征（ROC）曲线评估各模型预测囊肿和单房囊腺瘤的效能，以决策曲线分析（DCA）评价联合模型的价值。 结果 训练组与验证组患者年龄差异无统计学意义（P>0.05）。本研究基于T2WI和增强扫描两个序列的影像组学特征进行特征筛选，最终T2WI及增强序列各筛选出10个特征，并建立单序列影像组学模型；基于T2WI及增强序列的影像特征进行融合得到融合特征集后，再次进行特征筛选，最终剩余6个特征。基于筛选到的6个关键特征建立T2WI及增强序列联合影像组学模型在训练组患者中预测卵巢单房囊腺瘤的曲线下面积（AUC）为0.946，验证组的AUC为0.927。临床特征中病变前后径与上下径是鉴别囊肿与单房囊腺瘤的MRI影像学独立因素（P<0.05）；与影像组学构建的联合nomogram模型训练集AUC为0.955，测试集AUC为0.942，高于影像组学模型（Z=-3.451，P<0.001）。联合模型在阈值概率0~1.0时的临床净获益大于影像组学模型。　结论临床特征与MR-T2WI及增强序列影像组学的联合模型对卵巢囊肿和单房囊腺瘤有很高的鉴别诊断能力。

Abstract

Objective To evaluate the diagnostic efficacy of a radiomics-based nomogram using female pelvic MR-T2WI and contrast-enhanced sequences in distinguishing ovarian cysts and unilocular cystadenoma. Methods A retrospective study was conducted on 113 patients， 121 lesions（49 ovarian cysts and 72 unilocular cystadenomas）， who underwent pelvic MRI scans（both non-contrast and contrast-enhanced） for ovarian masses and were surgically confirmed as ovarian cysts or unilocular cystadenomas. The MRI images of T2WI and contrast-enhanced sequences for each ovarian lesion were analyzed， and clinical data of patients were collected. From T2-weighted and contrast-enhanced images， 1 316 radiomic features were extracted per sequence， producing 2 632 features in total， to select the optimal features， calculate the radiomics score， and establish a radiomics model. Patients were randomly divided into training group（n=80， 84 lesions） and validation group（n=33， 37 lesions） at a ratio of 7∶3. Logistic regression was employed to identify independent clinical risk factors and construct a clinical model. Finally， a combined model of morphologic parameters and radiomics score was built and visualized as a nomogram.Receiver operating characteristic（ROC） curves were used to evaluate the discriminatory performance of each model in distinguishing ovarian cysts from unilocular cystadenomas， while decision curve analysis（DCA） was performed to assess the clinical value of the combined model. Results The difference in age was not statistically significant between the training set and the testing set（P>0.05）. Based on the imaging characteristics of T2WI and enhanced sequences， 10 features were identified from each sequence and a single-sequence imaging omics model was established. After integrating the imaging features from both T2WI and enhanced sequences， a fusion feature set was created for selection of characteristic features， and finally 6 features were obtained. A combined imaging omics model for T2WI and enhanced sequences was established using these 6 key features. The model showed an area under the curve（AUC） of 0.946 in training group and 0.927 in validation group for predicting unilocular cysta⁃denoma. In the clinical features， the anteroposterior and craniocaudal diameters of the lesion were identified as independent MRI imaging factors for distinguishing cysts from unilocular cystadenomas（P<0.05）.The AUC of the combined model based on APD， SID and radiomics was 0.955 in the training set and 0.942 in the testing set， higher than that of the imaging omics model（Z=-3.451， P<0.001）. The combined model yielded a greater clinical net benefit than the radiomics-alone model across the entire threshold probability range of 0-1.0. Conclusion The radiomics model based on MR-T2WI and contrast-enhanced sequences is effective in the differential diagnosis of ovarian cysts and unilocular cystadenomas.

Graphical abstract

关键词

卵巢囊肿 / 单房囊腺瘤 / 囊性病变 / MRI影像组学 / 列线图 / 鉴别诊断

Key words

ovarian cyst / unilocular cystadenoma / cystic lesions / MRI imaging genomics / nomogram / differential diagnosis

女性卵巢囊肿及单房囊腺瘤在磁共振成像（magnetic resonance imaging， MRI）图像上多表现为圆形或椭圆形病变，边界清晰，呈T1WI低信号、T2WI高信号，增强扫描未强化或仅囊壁强化^［1］。由于MRI表现相似，术前误诊率较高。卵巢附件报告指南和数据系统（O-RADS）磁共振成像风险分层^［2］已经指出，卵巢囊肿不需要任何特殊治疗，几个月经周期后可以消失，而卵巢囊腺瘤应该密切观察，如果需要应选择手术治疗，且仅行卵巢囊腺瘤剥除术者易复发^［3，4］。准确的鉴别诊断不仅有助于术前精准评估，明确手术范围并优化后续治疗策略，亦可提供可靠预后信息，减轻患者不必要的焦虑。因此，鉴别卵巢囊肿和囊腺瘤对于指导临床治疗、降低误诊率、评估预后以及优化影像学检查策略具有重要意义。

MRI检查能通过平扫及增强扫描清晰地显示患者卵巢结构、病变组织信号及与病灶周围的关系，了解卵巢病变性质，对卵巢病变诊断准确率较高^［5，6］。影像组学可将医学图像中肉眼不可见的信息转换为高通量的定量特征，并利用这些特征直观、定量地描述病灶的病理及生理学特征，进而全面、定量评估肿瘤的异质性，已应用于卵巢良、恶性病变的影像诊断中^［7］，但对于鉴别卵巢囊肿和囊腺瘤的研究非常少。因此，本研究将影像组学方法与女性盆腔MR-T2WI及增强序列的图像信息相结合，建立影像组学模型并绘制列线图，评价其鉴别女性卵巢囊肿和单房囊腺瘤的诊断效能，为更好地鉴别卵巢囊性病变提供进一步的影像诊断依据。

1 资料与方法

1.1 一般资料

回顾性收集了2022年10月至2024年5月因附件区包块就诊于妇科，行盆腔MRI平扫及增强扫描并术后病理结果证实为附件来源纯囊性病变者113例（共121个病灶），年龄30~80岁，平均（53.64±11.35）岁，病程3个月至1年，平均（6.23±1.78）个月。纳入标准：①发现附件区囊性肿块且术后病理结果明确者；②术前2周内行MRI平扫及增强检查；③意识正常且依从性高，能完成所有相关检查和治疗者。排除标准：①临床资料不完整；②MRI图像质量不佳者；③确诊为恶性卵巢病变者。将病灶按7∶3随机分为训练组（n=80，共84个病灶）和验证组（n=33，共37个病灶）。训练组患者年龄29~82岁，平均（55.72±10.65）岁，病程3个月至1年，平均（6.36±1.28）个月，其中确诊为卵巢囊肿者34例，卵巢囊腺瘤50例；验证组患者年龄31~81岁，平均（54.91±10.72）岁，病程3个月至1年，平均（6.29±1.54）个月，其中确诊为卵巢囊肿者15例，卵巢囊腺瘤22例。本研究已经获得山西省儿童医院伦理委员审核通过（IRB-WZ-2024-011）。患者或家属行MRI检查前签署了检查知情同意书。

1.2 MRI设备与检查方法

使用PHILIPS Ingenia 3.0T磁共振扫描仪行女性盆腔MRI平扫及增强扫描，体部线圈。患者取仰卧位，双上肢上举，分别行冠状位、矢状位、轴位T2WI及T2WI脂肪抑制序列、轴位T1WI、DWI及LAVA增强扫描序列。各序列扫描参数如下：①T2WI：TR=3 347 ms，TE=90 ms，层厚6 mm，层间距1 mm，FOV=300 mm×300 mm；②SPAIR：TR=3 648 ms，TE=75 ms， 矩阵=300×300，FOV=300 mm×300 mm，层厚6.0 mm，层间距1 mm；③T1WI：TR=525 ms，TE=8 ms，层厚6.0 mm，层间距1 mm，FOV=350 mm×450 mm；④DWI：TR=3 519 ms，TE=76 ms，层厚6 mm，层间距1 mm，FOV=420 mm×360 mm、矩阵=140×118；⑤LAVA增强扫描：TR=3.6 ms，TE=1.32 ms，层厚3.0 mm，层间距=1.5 mm，矩阵=252×203，FOV=380 mm×303 mm，扫描时间190 s。增强扫描对比剂为钆双胺注射液，用量0.2 mL/kg。

1.3 病灶分割

将T2WI及LAVA增强扫描序列图像导入ITK-SNAP（3.8版本）程序中，由两名高年资副主任医师采用双盲法在上沿肿瘤边缘手动逐层勾画，获得三维感兴趣区域（volume of interest，VOI）（见图1），对肿瘤边界有争议的病例，请患者手术医师结合术中情况与两名高年资影像科副主任医师协商后，做出最终决定。

1.4 图像预处理与特征提取

在提取特征之前，使用Z-Score标准法对原始图像进行归一化处理，将图像灰度值调整为标准正态分布。使用PyRadiomics软件，基于每位患者T2WI脂肪抑制序列图像及增强图像各提取1 316个影像组学特征，共2 632个影像组学特征。1 316个特征包括18个一阶直方图特征、14个形态学特征、24个灰度共生矩阵（gray-level co-occurrence matrix，GLCM）特征，16个灰度大小区域矩阵（gray-level size zone matrix，GLSZM）特征，16个灰度游程矩阵（gray-level run-length matrix，GLRLM）特征以及14个灰度相关矩阵（gray-level dependence matrix，GLDM）特征以及5个相邻灰度差矩阵（neighbouring gray tone difference matrix，NGTDM）和186个LoGSigma特征、279个LBP（3D）Level、744个小波转换特征（wavelet level）。

1.5 特征筛选

通过组间相关系数（inter-class correlation coefficient， ICC）进行观察者间影像组学特征的一致性评价，ICC>0.75的特征表示拥有良好的一致性。针对ICC>0.75的影像组学特征进行Z-score标准化的处理，再连续采用方差阈值法、K最佳选择法、最小绝对收缩和选择算子（least absolute shrinkage and selection operator， LASSO）算法完成特征筛选，其中LASSO算法采用十折交叉验证以确保影像组学特征的稳定性。

1.6 模型构建

根据各影像组学特征的系数进行加权求和，得出每个病灶的影像组学评分，并在此基础上构建影像组学模型。多元Logistic回归分析用于筛选与女性卵巢囊肿和单房囊腺瘤鉴别的独立预测因素，其中包括潜在的预测因素，如影像组学特征和临床危险因素。通过多因素逻辑回归分析构建影像组学模型。基于T2WI、LAVA图像分别构建独立序列模型，并建立联合模型。基于多元Logistic回归模型，构建了兼具影像组学和临床特征的影像组学列线图。

1.7 影像组学列线图的性能和验证

量化影像组学列线图的鉴别性能，使用从训练数据导出的公式计算验证数据中每个患者的Radscore，同时除计算AUC外，亦进行了校准和Hosmer-Lemeshow检验。通过量化不同阈值概率下联合模型训练集和验证集的净效益，进行决策曲线分析（DCA）。采用ROC曲线评估模型的诊断效能，在ROC曲线上找到最佳截断值，计算模型的准确率、敏感度、特异度、阳性预测值（PPV）及阴性预测值（NPV）。采用校准曲线评估模型预测概率和真实观测概率的一致性，即判断模型的校准能力。采用DCA评估模型对患者的临床获益。

1.8 统计学方法

使用R软件（版本4.1.2，https：//www.r-project.org/）分析数据。符合正态分布的定量资料以均数±标准差（X±S）表示，组间比较行独立样本t检验；不符合正态分布的定量资料描述以M（Q₁，Q₃）表示，组间比较行非参数Mann-Whitney U检验。定性资料的组间比较采用χ²检验。在此基础上构建影像组学模型，绘制相应的列线图和各模型的ROC曲线，并用DeLong检验比较不同模型AUC的差异。使用rms程序包进行1 000次重复抽样绘制校准曲线，以Hosmer-Lemeshow拟合优度检验评估模型校准度。使用rmda程序包进行DCA。以P<0.05为差异有统计学意义。

2 结果

2.1 一般临床资料

本研究中，113例患者共121个病灶最终经手术病理结果证实卵巢囊肿49例、单房囊腺瘤72例，将训练组与验证组患者的一般临床资料进行比较，年龄、不良孕史、是否绝经、前后径、左右径、上下径差异均无统计学意义（P>0.05，见表1）。无论在训练组还是验证组，前后径、上下径在卵巢囊肿组和单房囊腺瘤间差异均有统计学意义（P<0.05，见表1）。

2.2 影像组学特征分析及模型建立

本研究对所得特征进行一致性评价，将ICC>0.75的1 046个稳定特征保留；利用方差阈值法，去除方差低于0.8的特征；采用K最佳选择法去除在两组间差异无统计学意义（P>0.05）的特征；使用单因素及多因素Logistic回归分析选择T2WI、LAVA的最优特征数。从T2WI序列模型提取10个特征，LAVA序列模型提取10个特征，分别建立T2WI影像组学模型及LAVA影像组学模型。基于T2WI及LAVA序列的影像特征进行融合得到融合特征集后，再次进行特征筛选。使用LASSO算法选择对应的特征，经过上述三步降维处理最终得到6个特征及相应系数（见表2），基于筛选到的6个关键特征建立T2WI及LAVA序列联合影像组学模型。训练组和验证组影像组学评分分布见图2。

2.3 不同影像组学模型在训练组和测试组中预测效能的比较

基于筛选的特征与其对应的权重系数线性组合计算对应影像组学评分，分别建立LAVA、T2WI、联合模型进行验证比较。LAVA、T2WI和LAVA-T2WI在训练组中的AUC分别为0.879，0.847和0.946，在验证组中分别为0.873，0.836和0.927，结果显示，训练组和验证组LAVA-T2WI模型预测卵巢囊肿和单房囊腺瘤的敏感性、特异性和准确率最高（见表3）。

2.4 临床与影像组学联合模型及列线图的构建与验证

将患者年龄、病变前后径、左右径、上下径、不良孕史和是否自然绝经等临床特征进行单因素和多因素逻辑回归分析，结果显示，病变前后径和上下径是患者的独立预测因子。联合影像组学模型与临床特征危险因素建立联合模型，并构建列线图（见图3），对应的AUC在训练组中为0.955，敏感度、特异度、准确性分别为0.943，0.898，0.917，优于单纯影像组学模型；在验证组中进行验证，所得AUC为0.942，敏感度、特异度、准确性分别为0.867，0.864，0.865（见表4）。结果表明，临床-影像联合模型预测效能最佳。

采用校正曲线来评估列线图的校准性能，在训练组与验证组中均显示出良好的一致性。训练组和验证组的校准曲线显示，列线图对卵巢囊肿和单房囊腺瘤的预测概率与实际结果一致性较好，Hosmer-Lemeshow检验示在训练组及验证组中均具有较好的拟合度（P<0.001，见图4）。DCA结果表明，与MRI特征影像组学模型及不使用预测模型的场景相比，临床影像组学联合模型列线图的临床应用价值更高（见图5）。Delong检验显示无论在训练组还是验证组独立序列影像组学模型之间AUC值差异均无统计学意义（P>0.05），独立序列与联合序列影像组学模型之间AUC值差异均有统计学意义（P<0.05），临床影像组学联合列线图模型与联合序列影像组学模型之间AUC值差异有统计学意义（P<0.05）。

3 讨论

卵巢囊肿的囊壁通常由单层扁平或立方上皮构成，囊内液体主要由浆液、血液或其他体液组成。单房囊腺瘤是卵巢囊腺瘤的一种类型，起源于卵巢上皮组织，组织学上分为浆液性和黏液性两种。浆液性囊腺瘤囊内液体通常为淡黄色清亮液体，镜下囊壁由纤维结缔组织构成，黏液性囊腺瘤囊内含有大量胶冻样黏液，镜下囊壁结构与浆液性囊腺瘤相似。因此卵巢囊肿和单房囊腺瘤在临床表现和影像学特征上可能存在重叠，导致术前诊断困难^［8］。MRI在卵巢囊性病变鉴别中具有重要价值。既往研究显示MRI在鉴别卵巢冠囊肿、卵巢囊肿及囊腺瘤时，病变的大小、形态等均为重要的鉴别指标^［4］。本研究发现，病变前后径与上下径是卵巢单房囊腺瘤的独立预测因子，与囊腺瘤体积普遍大于囊肿的病理特征相符，提示形态学参数在模型中具有稳定贡献。然而，卵巢囊肿与单房囊腺瘤在常规MRI图像上均表现为边界清晰的囊性病灶，T2WI呈高信号，增强后囊壁可有轻度强化，二者形态学特征重叠较多，常导致术前误诊^［4］。单纯依赖形态学参数诊断能力有限，仍需结合更深入的影像特征进行分析。

影像组学可挖掘肉眼不可见的高通量特征，弥补传统影像主观性强的不足^［5］。MRI-T2WI序列则对组织的水分含量和结构特征更为敏感，胡艳等^［9］基于T2WI构建的影像组学模型在卵巢上皮性肿瘤三分类中AUC达0.944，表明常规序列同样具备强大鉴别潜能。MRI增强扫描能够提供关于肿瘤血管化和组织灌注的信息^［10］，乔敏霞等^［4］指出，MRI可通过囊壁厚度、分隔形态及强化方式等特征有效区分囊腺瘤与其他囊性病变，两者的联合应用能够更全面地反映卵巢囊性病变的病理特征。本研究进一步将T2WI与增强序列融合，利用LASSO算法筛选出6个关键特征，其中3个为增强序列纹理特征，提示强化模式对揭示肿瘤微血管异质性具有额外价值，与以往研究结果一致^［4，10］。

列线图模型将影像组学评分与临床危险因素可视化，将复杂的模型公式转化为直观的图表工具，便于临床医生个体化评估，临床医生可快速估算病变性质概率，提高了模型的实用性和推广价值^［9］。本研究结果显示，T2WI与增强序列融合临床特征后，训练组联合模型诊断效能的AUC达到0.955，验证组诊断效能AUC达到0.942，表明多模态MRI影像组学模型为术前精准分型提供了新思路及新方法；DCA分析显示其临床净获益高于单纯影像组学模型，证实其具有更好的临床实用性。尤其对于年轻或有生育需求患者，术前精准评估减少不必要的手术，避免过度治疗具有重要意义。

然而，本研究仍存在以下局限：①样本量相对较小，且为单中心回顾性设计，结果外推性受限；②影像组学特征提取受设备参数、后处理算法影响，不同中心间可重复性尚需验证；③未纳入DWI、ADC等功能序列，可能遗漏潜在信息。未来需扩大样本量，开展多中心前瞻性研究，并探索深度学习自动分割与特征提取，以进一步提升模型稳定性与临床应用价值。

综上所述，本研究基于MRI T2WI及增强序列的影像组学特征构建的列线图可准确鉴别卵巢囊肿与单房囊腺瘤。未来需扩大多中心、多厂商数据以优化模型通用性，并融合深度学习实现自动化部署，推动临床转化。

参考文献

[1] Park SB， Lee JB. MRI features of ovarian cystic lesions［J］. J Magn Reson Imaging， 2014， 40（3）： 503-515.

[2] Sadowski EA， Maturen KE， Rockall A， et al. Ovary： MRI cha⁃racterisation and O⁃RADS MRI［J］. Br J Radiol， 2021， 94（1125）： 20210157.

[3] 李建军，朱兰，郎景和，等.卵巢粘液性囊腺瘤患者不同手术治疗预后的对比研究［J］.现代妇产科进展，2003，12（6）：439-441.

[4] 乔敏霞，时惠平，秦丹，等.卵巢囊腺瘤的MRI诊断及鉴别诊断［J］.中国CT和MRI杂志， 2014，（4）：29-31.

[5] 谭红娜，武明辉，周晶，等.乳腺X线影像组学方法预测乳腺癌腋窝淋巴结转移的价值［J］. 中华放射学杂志，2020，54（9）：859-863.

[6] Society for Maternal⁃Fetal Medicine（SMFM）， Cheng Y. Ovarian cysts［J］. Am J Obstet Gynecol， 2021， 225（5）： B23-B25.

[7] Montoriol PF， Hordonneau C， Boudinaud C， et al. Benign Brenner tumour of the ovary： CT and MRI features［J］. Clin Radiol， 2021， 76（8）：593-598.

[8] 陈国亨，李梅莲，何金华，等. MR检查对于卵巢囊性病变诊断以及鉴别诊断的价值分析［J］. 影像研究与医学应用，2020，4（16）：205-207.

[9] 胡艳，刘洋，郑伊能，等.基于MRI常规T2WI的不同影像组学模型在卵巢上皮性肿瘤术前三分类中的应用［J］. 磁共振成像，2021，12（12）：34-38.

[10] 许贝贝.MRI增强扫描联合弥散加权成像鉴别诊断良恶性卵巢浆液性囊腺瘤的价值［J］.医疗装备，2024，37（9）：24-26.

基金资助

山西省高等学校科技创新项目(2022L200)