子宮內膜癌多模態影像模型的構建以及智能影像診斷系統建立的初步探索*

王玲，張玉娟，肖云敏，陳菁特

（廣東省深圳市人民醫院1.計劃生育科；2.B超科；3.放射科，廣東 深圳 518000）

子宮內膜癌屬于女性生殖系統的三大惡性腫瘤之一，隨著人們生活方式的不斷改變以及生活壓力的與日俱增，其發病率正呈逐年攀升趨勢，已受到國內外的廣泛關注［1-2］。眾所周知，子宮內膜癌的治療方式包括外科手術以及輔助放化療等，其治療方式的選取以及患者的預后受患者年齡、組織學類型、病理分級、宮頸浸潤以及淋巴結轉移與否等因素的影響。由此可見，治療前對患者進行準確的診斷顯得尤為重要［3-4］。迄今為止，臨床上用以診斷子宮內膜癌的影像學檢查手段包括B超、CT 以及核磁共振成像（MRI）等。上述各項影像學技術雖然在子宮內膜癌診斷方面具有一定的價值，但各自存在缺陷，從而導致其診斷靈敏度、特異度、準確度并不十分理想［5-6］。鑒于此，本研究通過采集同一患者的多種影像學檢查圖像，通過融合軟件構建一個相對準確、立體的融合影像，繼而為子宮內膜癌的早期診斷以及治療方案的制定提供參考依據。此外，本研究擬通過計算機學習軟件攝取宮腔病變的差異性特征，從而建立一個子宮內膜癌影像學智能診斷系統，促使疾病的診斷朝智能化、自動化發展，現報道如下。

1 資料與方法

1.1 一般資料

將從2019 年7 月至2020 年6 月于深圳市人民醫院接受診治的子宮內膜癌患者150 例納入研究，記作子宮內膜癌組，入選標準［7］：①經病理診斷確診為子宮內膜癌，且在入院后接受手術切除獲得完整病理-手術分期者；②年齡≥20 歲；③入院前尚未接受任何相關抗腫瘤治療。另取同期接受檢查的良性增生患者100 例，記作良性增生組，入選標準：①常規超聲結果顯示存在子宮內膜異常回聲；②臨床病理診斷確診為子宮內膜良性病變；③年齡≥20 歲；④入院前尚未接受任何相關治療。再取健康志愿者100 例，記作正常對照組，入選標準：①常規超聲結果顯示無異常；②臨床病理診斷確診為正常子宮內膜；③年齡≥20歲。剔除標準：①存在手術禁忌證或因各種原因無法完成手術切除者；②巨大晚期癌腫或癌腫遠處侵犯、轉移者；③病灶顯示模糊或病灶超出掃查范圍無法獲得完整影像學圖像者。子宮內膜癌組年齡22～79 歲，平均（50.32±10.73）歲；臨床TNM 分期：Ⅰ期61 例，Ⅱ期89 例；分化程度：低分化47 例，中分化67 例，高分化36 例。良性增生組年齡24～78 歲，平均（50.51±10.89）歲。正常對照組年齡25～77 歲，平均（50.44±10.91）歲。三組一般資料比較差異無統計學意義（P>0.05），具有可比性。本研究獲得醫院倫理委員會批準，研究對象均簽署同意書。

1.2 研究方法

1.2.1 經陰道彩色多普勒超聲檢測 使用儀器為Voluson E10 彩色多普勒超聲診斷儀（購自美國GE公司），腔內容積探頭，頻率5～9 MHz，以婦科VOCAL 軟件包分析。對受試者進行盆腔檢查，明確子宮、附件以及盆腔情況，同時觀察內膜厚度、形態狀況，并在發現病灶后確定腫瘤部位、大小、回聲以及邊緣情況。此外，檢測子宮內膜血流情況，獲取血流參數，包括微血管密度（MVD）、阻力指數（RI）以及搏動指數（PI）。隨機采集子宮橫切面3 張，縱切面3 張，腫瘤最大徑線3 張，共采集27（9×3）張圖像。

1.2.2 MRI 檢查 使用Siemens 3.0T 磁共振掃描儀，常規掃描使用快速自旋回波序列（TSE），掃描參數：①矢狀面T2WI：TR 為4 000 ms，TE 為106 ms，層數20，層厚為4 mm，視野為26 cm×22 cm；②軸位/斜軸位T2WI：TR 為5 200 ms，TE為98 ms，層數20，層厚為3.5 mm，視野為25 cm×25 cm；③軸位T1WI：TR 為830 ms，TE為11 ms，層數20，層厚為3.5 mm，視野為25 cm×25 cm。MRI 動態對比增強：TR 為5.08 ms，TE 為1.74 ms，層數20，視野為26 cm×26 cm。采集圖像72 張。

1.2.3 建立多模態影像模型 將同一患者不同影像良惡性圖片通過不同算法完成融合，重建病變模型，并將多模態影像圖片所含有的信息融合至同一模型中，建立可準確分辨子宮內膜病變以及侵犯范圍的影像模型，并為患者制定手術方案和放化療計劃，追蹤最終手術病理分期結果。

1.2.4 建立多模態影像智能診斷系統 采用Python+keras 軟件，將各種B 超圖像作為訓練樣本，初步建立子宮內膜癌智能診療系統。并采用該診斷技術實施病例圖像的診斷，并以手術病理分期證實診斷效能。

1.3 觀察指標

對比三組各項血流參數，分析不同診斷方式診斷子宮內膜癌效能的接受者操作特征（ROC）曲線，對比子宮內膜癌組治療前后TNM 分期診斷結果。

1.4 統計學方法

數據分析軟件選用SPSS 22.0。計數資料以百分率（%）表示，用χ2檢驗；計量資料以均數±標準差（）表示，用t檢驗。P<0.05 為差異有統計學意義。

2 結果

2.1 三組各項血流參數評價

子宮內膜癌組MVD 相較于良性增生組、正常對照組明顯更高，而RI、PI 明顯更低，差異有統計學意義（P<0.05）；良性增生組與正常對照組各項血流參數比較，差異無統計學意義（P>0.05），見表1。

表1 三組各項血流參數評價（）

表1 三組各項血流參數評價（）

2.2 不同診斷方式診斷子宮內膜癌效能的ROC曲線分析

經ROC 曲線分析發現，多模態影像模型診斷子宮內膜癌效能的曲線下面積、靈敏度以及特異度均明顯高于超聲、MRI 診斷，見表2。

表2 不同診斷方式診斷子宮內膜癌效能的ROC 曲線分析

3 討論

經陰道超聲可實現對子宮腔內的病變早期檢出的目的，而診斷性刮宮可有效明確子宮內膜癌的病理組織學，CT 與MRI 均可相對全面地評估病變累及范圍與深度，聯合腫瘤組織學類型和病理分級可實現對病變風險程度的評估，進一步為治療策略的制定提供指導作用［8-10］。因此，提高影像診斷準確率是早期發現子宮內腦膜癌的首要條件，而在制定診療方案之前，上述各項影像學檢查是必不可少的。不同的影像學檢查手段各有優劣，若能將多種影像學數據完整收集并予以綜合分析，可能獲得最為準確的診斷結果，并實現對患者疾病預后的預測，具有一定的研究價值［11-13］。且隨著近年來醫療水平的不斷提高，醫療模式開始朝精準醫學模式方向過渡，而單一的影像信息已然無法滿足精準醫學的發展［14-16］。故需融合多種影像方法，對統一患者同一部位進行不同模態成像或多次相同模態成像，從不同角度為醫師提供病變部位相關信息，并推測疾病預后。

本研究發現：子宮內膜癌組MVD 相較于良性增生組、正常對照組明顯更高，而RI、PI 明顯更低。這在夏曉偉等［17］的一項研究中得到相似結果：子宮內膜癌的PI、RI、MVD 分別為（0.59±0.15）、（0.42±0.10）、（21.29±4.81），和良性疾病組的（1.03±0.29）、（0.60±0.07）、（6.43±2.73）相比，存在顯著差異。考慮原因可能是MVD 為臨床上用以評估組織血管生成的敏感指標，可直接反映組織血管的生成程度；RI 值可有效反映腫瘤組織內新生血管生成情況，其值越低反映了腫瘤組織血管越豐富；PI 值則是用以反映血流阻力大小的重要指標，當血流速度較低以及血管阻力升高時，PI 值越大，可有效反映整個血流周期平均流速以及血流波形狀況，間接反映組織內的血管生長情況［18-20］。此外，經ROC 曲線分析發現：多模態影像模型診斷子宮內膜癌的曲線下面積、靈敏度以及特異度均明顯高于超聲、MRI 診斷。提示了多模態影像模型診斷子宮內膜癌具有較好的效能。究其原因可能是多模態影像模型主要是對多模態影像實施融合，從而提取不同模態圖像的信息，繼而獲取機體多方面的信息，實現信息的互補以及交叉驗證，最終達到提高臨床診斷的目的。另外，多模態影像模型對子宮內膜癌患者預后的預測價值較高。考慮原因可能是多模態影像模型以及智能影像診斷系統主要是通過采集同一患者的超聲、CT 以及MRI 等相關影像學治療，通過融合軟件實現多模態影像學資料的融合，繼而構建子宮內膜病變模型，可幫助醫師更為全面直觀地了解病灶解剖部位及其和周圍組織的關系，在一定程度上提高了診斷精確性。

綜上所述，子宮內膜癌多模態影像模型的構建以及智能影像診斷系統建立的臨床應用價值較高，有助于子宮內膜癌的診斷以及預后評估，臨床推廣應用價值較高。