基于T2WI影像组学模型产前预测胎盘植入性病变

路 涛，张天悦，李缃琦，郭爱文，宋 彬，刘思耘

(1.四川省医学科学院·四川省人民医院放射科，四川 成都 610072；2.四川大学华西医院放射科，四川 成都 610037；3.GE医疗，北京 100176)

胎盘植入性病变(placenta accrete spectrum disorders, PAS)为胎盘绒毛不同程度侵入子宫肌层所致，是引起产科大出血的主要原因之一。影像组学可从形态学影像中提取高通量的定量信息，更具客观性，有利于分析病变特征。本研究评估基于产前MR T2WI的影像组学模型预测PAS的价值。

1 资料与方法

1.1 一般资料 回顾性分析2018年1月—2020年3月于四川省人民医院就诊的241例单胎妊娠孕妇，年龄19～45岁，平均(30.7±4.9)岁；孕22～38周，平均(32.05±3.98)周。纳入标准：具有PAS高危因素或超声提示PAS。排除标准：①患高血压、糖尿病及肾脏疾病；②严重幽闭恐惧症；③以引产结束妊娠；④资料不完整；⑤图像质量差。

术中诊断PAS标准：剖宫产术中见胎盘紧密粘连于子宫内膜，剥离胎盘时发生难以控制的出血；或需用钳刮术清除植入子宫肌层的胎盘组织；或肉眼可见胎盘组织侵入子宫壁全层，甚至超出子宫范围而侵犯周围器官[1]。病理诊断PAS标准：光镜下见胎盘绒毛侵入子宫肌层表面或侵入子宫肌层内，或见绒毛达子宫浆膜层或浆膜层外组织。

1.2 仪器与方法 采用Siemens Aera 1.5T MR仪，配备16通道体部相控表面线圈，嘱孕妇仰卧、足先进，行盆部扫描，范围自膈肌至耻骨联合。采用半傅里叶采集单次激发快速自旋回波(half-Fourier acquisition single-shot turbo spin-echo, HASTE)序列采集轴位及冠状位、矢状位T2WI,FOV 420 mm×420 mm，层厚5 mm，层间隔为1 mm，矩阵272×320，TR 1 300 ms，TE 93 ms，扫描时间50 s；真实稳态进动快速成像(true fast imaging with steady-state precession, TrueFISP)序列扫描，FOV 420 mm×420 mm，层厚5 mm，层间隔1.5 mm，矩阵234×384，TR 4.11 ms，TE 1.63 ms，扫描时间48 s。

1.3 影像组学分析

1.3.1 图像分割和特征提取 将HASTE-T2WI和TrueFISP-T2WI原始图像分别导入ITK-SNAP软件(3.6.0, open source, www.itksnap.org)，由1名具有2年妇产科疾病MRI诊断经验的主治医师(医师1)逐层手动勾画胎盘边缘，由另1名具有10年以上经验的副主任医师(医师2)进行修改、确认，保存感兴趣容积(volume of interest, VOI)，见图1，并测量宫颈管长度及胎盘厚度。将原始图像及VOI导入A.K.软件(GE Healthcare，version 3.3.0)提取特征。由另1名具有3年工作经验的影像科医师(医师3)随机抽取80例独立勾画胎盘VOI，提取其影像组学特征。以一致性相关系数(inter-class correlation coefficient，ICC)评价观察者间提取影像组学特征的一致性，ICC>0.75为一致性较好。

图1 勾画VOI示意图 手动逐层于轴位(A)、矢状位(B)、冠状位(C)HASTE序列图像上勾画胎盘(红色区域)边缘，形成融合VOI(红色区域)图(D)

1.3.2 影像组学特征的孕周校正 采用单因素线性回归对非PAS组的影像组学特征行孕周线性拟合[2]，对PAS组影像组学特征行孕周校正。

1.3.3 筛选特征及建立模型 对训练集影像组学特征进行预处理，剔除一致性差者；以Spearman相关性分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法去除冗余特征，进一步筛选特征、实现数据降维，并采用后向逐步Logistic回归方法建立不同序列诊断PAS的影像组学模型，获得影像组学评分(Radscore)公式。

1.4 统计学分析及建立临床-影像组学模型 采用3.6.1版R软件(http://www.r-project.org)行统计分析。以±s表示符合正态分布的计量资料，以中位数(上下四分位数)表示不符合者，行独立样本t检验或Mann-WhitneyU检验。采用χ2检验比较计数资料。分别以单因素和多因素Logistic回归筛选PAS的临床危险特征，建立临床模型；采用Logistic回归方法对不同序列影像组学模型的Radscore及临床模型特征进行联合分析，获得不同临床-影像组学模型。于验证集对各模型进行验证。采用受试者工作特征(receiver operating characteristic, ROC)曲线和校准曲线评估模型的预测效能，以Delong检验比较不同模型曲线下面积(area under the curve, AUC)的差异。采用决策曲线分析(decision curve analysis, DCA)评估模型的临床应用价值。P<0.05为差异有统计学意义。

2 结果

241例中，131例接受剖宫产，110例顺产；其中116例PAS(PAS组)，125例非PAS(非PAS组)。将所有患者按7∶3比例分为训练集(n=168)和验证集(n=73)，训练集中77例PAS，91例非PAS；验证集中39例PAS，34例非PAS。

2.1 临床模型 单因素分析显示，年龄、孕周、前置胎盘、胎盘位置、流产史及流产次数、剖宫产史及剖宫产次数、妊娠次数、生产次数、宫颈管长度及胎盘厚度组间差异均有统计学意义(P均<0.05)，见表1。经单因素及多因素Logistic回归分析，前置胎盘、流产史、剖宫产史及宫颈管长度是PAS的危险因素(P均<0.05，表2、3)，由此建立临床模型。

表1 疑诊PAS孕妇临床特征比较(n=241)

表2 PAS临床特征：单因素Logistic回归分析结果

2.2 影像组学模型 分别自各序列图像中提取1 130个影像组学特征，剔除601个一致性差者，保留529个特征。经LASSO算法等处理(图2)，各筛选出9个影像组学特征，以之构建HASTE序列及TrueFISP序列影像组学模型，并构建影像组学及临床联合模型，包括HASTE联合TrueFISP影像组学模型、临床-HASTE影像组学模型、临床-TrueFISP影像组学模型及临床-HASTE-TrueFISP影像组学模型。

图2 筛选影像组学特征示意图 A、B.基于HASTE序列图像采用LASSO算法筛选影像组学特征(A)及得到特征的LASSO系数剖面图(B)； C、D.基于TrueFISP序列图像采用LASSO算法筛选影像组学特征(C)及得到特征的LASSO系数剖面图(D)

表3 PAS临床特征：多因素Logistic回归分析结果

2.3 模型性能评估 ROC曲线(图3)显示，验证集中，临床模型、HASTE影像组学模型、TrueFISP影像组学模型诊断PAS的AUC分别为0.882、0.968和0.930(P均>0.05)；HASTE-TrueFISP影像组学模型的AUC为0.990，高于临床模型(Z=-2.36，P=0.02)、HASTE影像组学模型(Z=-2.48，P=0.02)及TrueFISP影像组学模型(Z=-2.43，P=0.02)，其特异度为86.50%，敏感度为94.40%；临床-HASTE-TrueFISP影像组学模型的AUC为0.995，与HASTE-TrueFISP影像组学模型差异无统计学意义(Z=-0.85，P=0.40)，但高于HASTE及TrueFISP影像组学模型(Z=-2.64、-2.47，P均<0.05)，其特异度为91.90%，敏感度为88.90%。

图3 各模型诊断PAS的ROC曲线 A.训练集； B.验证集

校准曲线显示，临床模型之外的各模型在验证集中的校准度均较好(贴近45°斜线)，见图4；DCA显示，阈值取0～0.6时，其在验证集数据中的临床净获益均大于临床模型，见图5。

图4 训练集(A)和验证集(B)中各模型的校准曲线

图5 训练集(A)和验证集(B)中各模型的DCA

3 讨论

国际妇产科协会于2018年提出PAS的概念[3]，包括胎盘粘连、胎盘植入及穿透性胎盘植入。既往研究[4]认为子宫手术史可致子宫内膜-肌层交界面缺损、相应子宫区域缺乏正常子宫蜕膜化，引起绒毛外滋养细胞浸润、绒毛组织侵入子宫肌层深面及血管内，甚至可侵犯周围盆腔器官，导致不同程度胎盘植入。MRI为诊断PAS的主要影像学方法之一，其主要依据为形态学及信号强度改变[5-6]，但仍具有主观性。影像组学能从医学图像中提取大量的量化特征并进行分析，可用于评价胎盘的异质性。

熊星等[7]发现，基于临床特征及常规胎盘MRI征象的Logistic回归模型列线图可作为术前预测胎盘植入的辅助工具。CHEN等[8]将纹理分析方法用于诊断PAS，发现正常组与PAS组间像素强度及分形分析的标准差存在差异。ROMEO等[9]结合机器学习和纹理分析评价前置胎盘孕妇发生胎盘植入的可能，认为该方法有助于临床识别胎盘植入的发生。SUN等[1]以纹理分析和机器学习分析前置胎盘MRI表现，发现通过拉普拉斯变换和纹理分析可定量评价胎盘不均匀度，区分胎盘成熟所致异质性改变，有利于预测胎盘植入及协助临床制定决策。但上述研究样本量较小，且仅基于单一序列图像。

HASTE和TrueFISP序列均为快速成像序列，常用于胎盘MR扫描[10-11]。HASTE序列多用于评价子宫层次、胎盘结构、胎儿解剖和邻近器官，有利于增加胎盘内血管对比度；TrueFISP序列可区分子宫和胎盘流空血管与T2WI低信号带。本研究基于HASTE和TrueFISP图像进行分析，筛选出9个与PAS相关性较高的影像组学特征，并建立单一HASTE或TrueFISP影像组学模型及HASTE-TrueFISP影像组学模型。经多因素回归结果显示，前置胎盘、流产史、剖宫产史及宫颈管长度为PAS的独立危险因素，据此分别建立诊断PAS的临床模型和临床-影像组学联合模型。校准曲线显示，临床模型之外的其他各模型在验证集中的校准度均较好；ROC曲线发现，临床-HASTE-TrueFISP影像组学联合模型对验证集的诊断效能最高，与HASTE-TrueFISP影像组学模型相当；DCA显示，阈值取0～0.6时，上述模型对验证集的临床净获益均大于临床模型，提示HASTE-TrueFISP影像组学模型可用于预测PAS。

综上所述，基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于预测PAS。本研究的主要局限性：①为单中心回顾性研究，存在选择性偏倚；②样本量小，未进一步分析不同程度PAS。