基于组合 MR 放射组学-临床特征的自动评估胎盘积聚谱系疾病的计算机诊断模型

科学报告|(2022) 12:10130| https://doi.org/10.1038/s41598-022-14454-w1 打开计算机化诊断模型用于基于组合的 MR 放射组学-临床特征自动评估胎盘积聚谱系障碍郝朱1,5,轩辕2,5,王海杰3,王一达3,刘雪芬2,王成龙3,小天李1,圆圆路4,光阳3 &张合2我们的目标是建立一个计算机诊断模型，以基于 T2 加权 MR 成像预测胎盘积聚谱 (PAS) 疾病。我们在 2015 年 1 月至 2018 年 12 月期间在我们的机构中招募了临床疑似 PAS 疾病的孕妇。全部术前 T2 加权成像 (T2WI) MR 图像在图片存档通信系统终端服务器上手动勾画。用于自动分割的 nnU-Net 网络和从分割区域中提取的相应放射组学特征被应用于构建用于 PAS 疾病识别的放射组学临床模型。以手术或病理结果为参考标准，我们比较了这种计算机模型在检测 PAS 疾病方面的诊断性能。在训练队列中，我们的模型结合了放射组学和临床特征，在识别 PAS 疾病方面产生了 0.771 的准确度、0.854 的敏感性和 0.750 的特异性。在测试队列中，该模型的分割平均 Dice 系数为 0.890，准确度为 0.825，敏感性为 0.830，特异性为 0.822。在外部验证队列中，该计算机辅助诊断模型在识别植入胎盘方面的准确度为 0.690，敏感性为 0.929，特异性为 0.467。在本研究中，基于术前 T2WI 成像的机器学习模型在根据手术和组织学结果识别 PAS 疾病方面具有很高的准确性。缩写DWI弥散加权磁共振成像 EBL 估计失血量核磁共振磁共振成像超声GW妊娠周考绩制度胎盘增生谱PACS图片归档和通信系统 DCA 决策曲线分析鹏接受者操作曲线曲线下面积曲线下面积3D三维LR逻辑回归1复旦大学妇产科医院妇产科，中华人民共和国上海2复旦大学附属妇产科医院放射科，上海3华东师范大学上海市磁共振重点实验室，中华人民共和国上海。 4同济大学医学院附属上海市第一妇婴保健院放射科5这些作者的贡献相同：郝朱和玄寅。邮箱：gyang@phy.ecnu.edu.cn； zhanghe1790@fckyy.org.cn 科学报告|(2022) 12:10130 |https://doi.org/10.1038/s41598-022-14454-w2射频前端递归特征消除 DL 深度学习胎盘增生谱 (PAS) 是用于描述异常滋养细胞侵入子宫肌层的通用术语。剖宫产、流产等各种危险因素的发生率在世界范围内逐渐增加。过去十年的总体患病率为 1/695-7311.目前，我国尚无关于PAS发生率的大规模流行病学数据，但有报道称剖宫产率较高3.目前，PAS的发病机制和具体的病理生理过程仍不清楚。 PAS的发生可能是由于基底蜕膜缺失、局部氧调异常、血管重构异常、滋养层细胞过度侵袭等一种或多种病理因素的综合作用。4. PAS可导致多种并发症，如产中或产后出血、弥散性血管内凝血、肾功能衰竭和静脉血栓形成，严重时可能导致母胎死亡5.早期诊断是预防产后出血和降低孕产妇死亡率的最有效方法。PAS 疾病可以通过临床症状和体征、实验室检查、超声 (US) 或磁共振成像 (MRI) 来诊断6.超声检查价格便宜、易于执行，并广泛应用于 PAS 诊断的临床环境中。 MR检查具有软组织分辨率高、多方向多序列成像的技术优势，不受肠气、骨骼或胎盘位置的影响，可为PAS的诊断提供更多信息。9. MRI 是超声诊断和分期 PAS 疾病的重要补充工具。 PAS MRI 诊断的敏感性和特异性分别为 87% 至 100% 和 97% 至 99%6，并且其在侵入性外科手术之前的诊断准确性高度依赖于放射科医生的专业知识10.尽量减少各机构之间的知识差异，有助于提高基层医院影像学检查PAS术前诊断的准确性，提供及时合理的转诊，降低潜在的孕产妇死亡率。近年来，基于影像数据的机器学习为医学中的各种任务提供了令人信服的结果。据报道，基于 MR 的放射组学可以帮助改善与 PAS 疾病相关的产后出血量的术前估计，在验证组中准确率为 68.1%13.然而，类似的研究仍然非常有限14.本研究的目的有两个：（1）训练一个 nnU-Net 网络，在矢状 T2 加权成像上自动勾勒出胎盘组织；（2）建立一个放射组学-临床组合模型来预测 PAS 疾病然后计算其诊断性能，以手术和/或病理结果作为参考标准。材料和方法患者。我们的机构审查委员会批准了这项回顾性研究。所有方法均按照相关指南和规定进行。从 2015 年 1 月至 2018 年 12 月，从我们机构的 PACS 中回顾性检索了 752 名接受 MRI 的患者的数据，其中包括 551 名临床疑似 PAS 疾病的孕妇（根据先前的美国或外部 MR 报告）。我们排除了其中 39 名在分娩前接受过腹主动脉球囊封堵手术的患者。最后，纳入了 512 名孕妇（图 1）。我们根据胎盘位置将纳入的妊娠分为以下五类（0～5分）：0，胎盘位置正常； (1)低洼胎盘； (2)边缘性前置胎盘； (3) 部分性前置胎盘； (4) 中央前置胎盘； (5)有害的前置胎盘。MR检查、影像阅读和病灶分割。在我们医院，使用 1.5-Tesla MR 装置（Magnetom Avanto，Siemens）进行 MR 检查。在外部医院，一个 MR 扫描单元是 3.0-Tesla 机器（Ingenia 3.0 T，Philips），另一个是 1.5-Tesla MR 单元（Optima MR 360，GE）。每个单元的详细扫描参数总结在补充表 1 中。MRI 胎盘植入的诊断是基于先前充分描述的标准建立的8.首先，两名观察者（每人在 MRI 上都有超过 7 年的 PAS 诊断）对美国不知情，手术结果在 PACS 终端服务器上独立分析了每个参与者的所有 MRI 数据集。使用以下五点量表评估确定胎盘植入谱状态的信心：“5”，肯定存在； ‘4’，可能存在； ‘3’，不确定； ‘2’，可能不存在；和“1”，绝对不存在。其次，所有结论都需要两个观察者之间达成共识。所有可见胎盘组织均由经验丰富的放射科医师 (H.Z.) 使用 ITk-SNAP 软件 (http://www.itksnap.org/pmwiki/pmwiki.php?n= Main.HomePage) 在矢状 T2WI 上进行检查。语义分割和放射组学特征提取。成像过程的流程如图 2 所示。放射科医生训练了一个语义分割三维 (3D) nnU-Net 模型，他标记胎盘区域以分割用于放射组学特征提取的胎盘16. nnU-Net 可以自动适应任意数据集，并充分利用数据集的特性，优于许多基于 U-Net 的模型，并已成功用于 3D 生物医学图像分割。我们使用交叉熵损失和骰子损失的组合作为损失函数。随机梯度下降算法被用作优化器，初始学习率为 0.01，动量为 0.9，权重衰减为 0.005。简而言之，每个胎盘区域共提取了107个特征，包括：（1）14个形状特征； (2) 18个一阶统计特征； (3) 75个纹理特征，包括灰度共现矩阵(GLCM)、灰度依赖矩阵(GLDM)、灰度游程矩阵(GLRLM)、灰度- 科学报告|(2022) 12:10130 |https://doi.org/10.1038/s41598-022-14454-w3图1。本研究中招募样本的流程图。图 2。使用经过训练的 nnU-Net 模型在矢状 T2WI 上自动分割胎盘区域。从分割区域中提取影像组学特征，并结合临床特征构建用于预测 PAS 疾病的机器学习模型。 科学报告|(2022) 12:10130 |https://doi.org/10.1038/s41598-022-14454-w4水平大小区域矩阵（GLSZM）和邻域灰度差矩阵（NGTDM）。使用开源软件 FeatureExplore 实现特征提取和模型构建17.数据集拆分。我们根据存档时间将数据集分层为训练队列（2015 年至 2017 年 110 名患有 PAS 疾病的女性与 248 名正常胎盘的女性）和一个测试队列（47 名患有 PAS 疾病的女性与 107 名胎盘正常的女性，2018 年）。在外部医院，11 名使用 3.0 T 扫描仪的孕妇和 17 名使用 1.5 T MR 扫描仪的孕妇（15 名患有 PAS 疾病的女性/13 名患有正常胎盘的女性，2020 年）作为外部验证队列进行了治疗。放射组学临床列线图构建。通过最佳放射组学特征中所选特征的线性组合计算每个患者队列的放射组学分数（rad-score）。还建立了基于胎盘位置、产妇年龄和妊娠情况等临床特征的临床Logistic回归（LR）模型。此外，使用 rad 评分和临床变量开发了多变量逻辑回归分析。基于训练队列中的多变量逻辑分析构建放射组学-临床列线图，以定量预测 PAS 疾病的风险。模型和放射科医师对 PAS 诊断的性能比较。以手术或组织病理学结果为金标准，计算机模型和放射科医师对PAS诊断的准确性（ACC）、敏感性（SEN）、特异性（SPE）、阳性预测值（PPV）和阴性预测值（NPV）分别计算和比较。决策曲线分析 (DCA) 用于确定组合放射组学-临床计算机模型的有效性。进行 t 检验或 Mann-Whitney 检验以评估两个队列之间的差异。 P值<0.05被认为具有统计学意义。受试者工作特征 (ROC) 曲线和曲线下面积 (AUC) 用于评估各种方法的诊断性能。 R 软件（版本 4.0.4，http://www.R-project.org）用于进行统计分析并绘制列线图。伦理批准。我们的机构审查委员会批准了这项研究，并放弃了所有参与者知情同意的要求。本文的机构审查委员会为复旦大学医学院妇产科医院审查委员会。同意参加。免除所有参与者知情同意的要求（IRB No.2020-138）。每次妊娠在超声筛查中存在不确定异常时，均获得了进一步 MR 扫描的签署同意书。该同意书将全面地告诉每个怀孕的适应症、禁忌症、优点、限制和潜在的 MR 成像医疗用途。同意发表。使用这些临床和影像数据的怀孕获得了发表的口头知情同意（图 3、4、5 和 7）。结果基线特征。在本研究中，患者年龄为 21 至 48 岁，妊娠期为 18 至 41 周。平均妊娠数和胎次分别为 3.63 和 1.83。其中，397例（77.54%）无剖宫产史，115例（22.46%）行剖宫产1～4次（表1）。 94名（18.36%）女性被诊断患有糖尿病（包括孕前糖尿病和妊娠期糖尿病），31名（6.05%）被诊断患有高血压疾病（包括妊娠高血压、先兆子痫和妊娠合并慢性高血压） ），19人（3.71%）接受过体外受精胚胎移植，20人（3.91%）被诊断为甲状腺功能减退症，8人（1.56%）为双胞胎孕妇。共有102名（19.93%）妇女接受了阴道分娩，其中3名（0.59%）接受了阴道手术分娩；剖宫产409例（79.88%）；和 1 (0.20%) 人经历了自然流产。在我们的数据中，手术期间的平均估计失血量 (EBL) 为胎盘正常者为308.56±155.26ml，边缘性前置胎盘为533.00±1053.29，部分前置胎盘为675.00±599.40，中央型前置胎盘为823.39±1041.95，恶性前置胎盘为1926.10±1783.91前置胎盘，胎盘低位的患者为 503.04 ± 481.69。语义分割和放射组学特征的性能。经过训练的 3D nnU-Net 模型在测试队列中获得了 0.890 的平均骰子系数。分割与放射科医生的标签非常一致（图 3、4 和 5）。由于交叉验证 AUC 较高，从子组中选择了 8 个形状特征、1 个一阶特征和 9 个纹理特征。在 T2WI 放射组学特征中，6 个放射组学特征保留在最终的 LR 模型中，训练队列中的 AUC 为 0.792（95% 置信区间（CI）：0.736-0.844）和 0.790（95% CI：0.698-0.876） ) 在测试队