董江宁教授与钱立庭教授团队在“Frontiers in Oncology”杂志上发表题为“Nomograms of Combining Apparent Diffusion Coefficient Value and Radiomics for Preoperative Risk Evaluation in Endometrial Carcinoma”研究论文，探讨了表观扩散系数（ADC）联合MRI影像组学的列线图模型对子宫内膜癌术前危险因素的预测效能。

Frontiers in Oncology杂志是世界知名肿瘤学期刊，IF6.244分，JCR分区为Q2区。

研究背景

   子宫内膜癌的临床病理危险因素包括肿瘤分型(Ⅰ型或Ⅱ型)，组织学分级(1级、2级或3级)，FIGO分期，深肌层侵犯(DMI)，淋巴血管间隙浸润(LVSI)和淋巴结转移(LNM)等。这些危险因素指导临床治疗决策，并且影响患者的预后。术前危险评估对指导子宫内膜癌患者临床治疗方案有重要价值。扩散加权成像(diffusion weighted imaging, DWI)可以借助水分子的扩散运动速率可间接地反映恶性肿瘤的组织学类型、分化程度、侵袭性等信息，并通过表观扩散系数(apparent diffusion coefficient, ADC)值进行量化预测和评估。放射组学能够提取医学图像的特征，并将其转换为定量数据，通过体素的强度、位置和空间排列反映肿瘤的异质性、侵袭性和预后等信息。

研究方法

   回顾性分析2015年至2021年于我院就诊的经病理证实的子宫内膜癌初诊患者210例。收集整理患者的临床病理特征：年龄、FIGO分期、病理类型、分级、肌层侵犯、淋巴脉管浸润以及淋巴结转移。所有患者均在手术前4周内行常规盆腔MRI与DWI-MRI扫描。将MRI扫描采集获得的数据传至工作站进行处理，测得所有患者的ADC值。并在轴位T2WI图像上进行肿瘤分割，提取影像组学参数。所有患者按照7：3分为训练组和验证组。在训练组中使用t检验或U检验、单因素分析、多因素logistic回归分析及交叉验证分别选择对子宫内膜癌的分型、分级、DMI、LVSI和LNM具有独立预测效能的影像组学参数，将多因素回归的系数进行线性组合计算放射组学评分（radscore）。在训练组中分别建立ADC模型、Radiomic模型及ADC与radscore结合的列线图模型，通过绘制受试者工作特性（ROC）曲线比较三个模型的预测效能，并在验证组中验证。净重新分类指数(NRI)用于分析列线图模型与其他单一模型相比带来的改进。McNemar检验用于比较列线图模型和视觉评估对整个队列中DMI和LNM的预测性能。

研究结果

1.ADC值在每个亚组之间均有显著差异。

2.在训练组中对影像组学参数充分降维后，最终得到4个参数为子宫内膜癌分型的独立预测因素、6个为分级的独立预测因素、6个为DMI的独立预测因素、4个为LVSI的独立预测因素、8个为LNM的独立预测因素。将ADC与radscore结合，建立预测5个危险因素的列线图模型。ROC曲线分析显示，在训练和验证组中，列线图模型的AUC分别为:分型为0.851和0.867，分级为0.959和0.880,DMI为0.839和0.766,LVSI为0.816和0.746,LNM为0.910和0.897。NRI分析显示，与单一模型相比，列线图的预测效能得到了改进。在评估DMI及LNM方面，列线图与高年资放射科医师达到了同等或略高的诊断效能。

研究结论

子宫内膜癌原发灶的ADC值结合基于三维MRI影像组学特征的列线图模型与子宫内膜癌的病理组织学类型、分级、DMI、LVSI和LNM密切相关；本研究创新性地提供了一种有效的、无创的方法，可在治疗前对子宫内膜癌的风险分层进行定量评估和预测，为临床个性化治疗决策提供了客观的影像学依据（Imaging marker）。(张凯悦 王婷婷 文/图 董江宁 崔媛媛 审核）